B公司网络设备管理模拟系统开发外文翻译资料

英语原文共 30 页，剩余内容已隐藏，支付完成后下载完整资料

第三章 联合分析法

3.1引言

品牌（产品或服务）的营销策略的制定涉及几个相互依存的决定性因素，如产品设计和定位，沟通，定价。这些决定因素将需要在不确定的竞争反应的觉醒和不断变化的环境下确定。一个企业要成功，决策过程必须对客户在各种竞争的替代品中的选择和反应有一个明确的了解，这通常被描述为多属性病变。在选择时，消费者通常在产品或服务的属性之间进行权衡。联合分析（CA）是一套非常适合研究顾客的选择过程和决定取舍的技术。

联合分析法大概是市场研究方法在过去的40年左右中最重要的发展。在其原来的化身于1971向市场营销人员引入时，这种方法被称为“联合测量”。此方法的理论关注的是，在何种条件下存在两评价评分量表（因变量）和每个属性的函数（自变量），和预指定fiED构成规则；这些规则是基于正式的公理系统的“将军”等人制定。（1971）。这些公理的一致性、传递性、独立性等属性，评价分值可以分类为顺序或间隔缩放。几个表达，如加法，多项式函数可以采用再分解。

在实施联合测量方法应用于经营过程中存在的问题，如遇到在市场营销中，对测量理论方面的重点已经让位给更加务实的问题设计的研究和数据分析。这取决于testing1的各种错综复杂是否满意公理中收集的数据。测试程序需要大量的数据，甚至是非常复杂的，即使是少量的受访者。这个过程使应用研究人员沮丧。这种已发展到处理这些问题的方法被通俗地称为“联合分析”来反应与规定的区别。术语CA在1978年由Green 和 Srinivasan（1978）引入，是指任何分解方法用来估计偏爱3的消费者结构群体在选择属性的水平。这种方法要使用相当多的统计实验设计和参数估计方法。

联合分析法已成功地应用于几千应用营销研究项目，以解决一些营销决策，如优化设计的新产品，目标市场的选择，定价新产品，竞争反应。这种方法的一个最重要优势是具有利用市场模拟器回答各种“如果”问题的能力；这些模拟器是基于假设和真实的选择的一个联合研究结果。

联合分析法的五种不同特征增强了其在解决营销管理中存在问题的通用性：（一）它是一种对买方的取舍和价值的测量技术，（ii）它是预测者可能的反应的新产品/服务的一种分析技术；（三）是一种用于识别组购房人分享类似的权衡/值分割技术，（iv）这是一个在竞争激烈的环境下新产品服务理念评估仿真技术；（v）是寻求产品/服务概要文件共享/回报最大化的一个优化技术。

在这个简短的背景下，本章将提供这种方法已发展多年的历史，并将确定一些研究问题。3.2节将描述联合模型和估计的基础知识，并会提供一个简化说明的一种方法。第3.3节将介绍这种方法的起源，使用家谱图，并确定了不同的方法（评级为基础和选择为基础的）确定联合分析法在流行的营销研究中的主要类型。3.4节–3.6节是目前的联合方法的各种应用概述。3.7节-3.8节将列举一系列最近的事态发展和未来的发展方向和其局限性的阐述。

3.2联合模型的基础

联合方法的目的是“发现”，在其属性产品潜在的偏好函数。图3.1展示了参与联合研究设计的一些基本步骤。

假设产品资料有每个描述属性。一般产品的产品简介可以写成（Xj1，Xj2，hellip;，XjR）Xjr是j行r列的属性水平，（r=1，2，hellip;R;j=1,2,hellip;J）虽然联合分析法对指定的偏好函数有一些方法，研究人员通常从一个加法联合分析模型开始；但是，理论延伸到模型也会存在相互影响。一个受访者加法联合分析模型的产品支持偏好得分：

其中u是组件的效用函数的具体R属性（也称为部分效用函数或部分价值功能）。没有指定常数项，但它可以属于任何一个的u-functions或假定为零（没有任何损失的一般性）。任何属性指定u-functions将取决于其类型（分类和定量）。在实践中，一个联合研究中可能包含所有的属性类型。

品牌名称或口头说明，如高，中或低的一个明确的属性的例子，在这里的属性的水平用语言描述。定量属性是一个由时间间隔或比例尺度来衡量的，数字描述了这样一个属性的“水平”，例如，一台笔记本电脑的重量和处理器的速度。

分类属性的水平可以被记录为一组虚拟变量（少一个数量级）和一部分的价值功能为特定的虚拟变量的分段线性函数。在这种情况下，一个分类属性的组件效用函数（例如）将是：

其中rt为rth属性的离散电平数（造成产品档案的建设或创建后建设）；Dtk是一个虚拟变量，如果xjt的值等于kth，xjt，0的离散水平价值为1；Utk是kth离散水平xjt这部分价值功能的组件。在实践中，只有rt-1少了一个离散的数量水平估计属性变量是必要的。

定量属性可以用在一个类似于分类属性的值为编码的类别或直接使用在部分价值功能的属性。在后一种情况下，函数可以指定fi为线性（或非线性矢量模型）；一个非线性函数的一个例子是理想点模型。在数学上，组件的效用函数可以被指定为：

其中Wt是重量（正或负），x0t为tth属性的理想点。

线性函数是适当的属性被认为是可取的（例如，速度的笔记本电脑）或不可取的（例如，笔记本电脑的重量）；这样的函数被称为一个向量模型，该实用程序的增加（或减少）线性的数值的属性。理想点模型是适当的一个属性的偏好或增加（或减少）而增加的属性值；如果函数就像一个倒U形的，它被称为一个正理想点模型，如果它是一个U形，它被称为负理想点模型。与负理想点的属性的一个例子是茶的温度，冰红茶是首选和热茶也是首选但都不是不温不火的茶。

正如上面提到的,通过适当的变量重新定义,偏好函数可以写成y= X ﻉ;其中模型假定为误差为零的正态分布，均值和方差的part;和y，评级在给定剖面和X是相应的组p变量(或其他)。Z是一个ptimes;1向量之间的部分价值属性的水平。这种配方是典型的联合分析的评级法和回归方法用于估计参数。

选择聚合(CBC)方法,给了被调查者选择集,每个选择集组成的少量(通常是4或5)配置文件,并要求说明哪些配置文件将被选中,任务是重复这些选择集。分析这些选择的数据,采用随机效用模型。根据这一模型,对象的实用程序由两部分组成——一个确定性分量和随机分量,一个人选择一组选择集根据随机效用最大。当一个极值i型分布假设的随机组件,最终的选择可以被描述为多项logit模型(MNL);因此,选择在选择集的概率= exp(exp求和的接管所有的配置文件设置和选择的确定性分量为概要文件实用程序。确定性效用函数可以被指定为一个线性组合类似于函数的评级方法。使用maximumlikelihoodmethods函数的参数估计。各种扩展和替代品存在分析所选择的数据。估计系数将用于计算part-worth属性的值。

当前实现CA项目的方法有一些不同的特性;，主要特性促进因素表示，数据收集的幅度、数据收集的本质,和估计方法。表3.1列出了一些这些特性的替代品。没有明确的协议数据收集格式是最好的，表3.1所示的所有的都是最新的，还有更多正在开发。

在这一点上，它将有助于表明软件的设计可行性和实施联合研究可行性。在实施一个应用或基础研究项目的方法之前，对任何一个软件变得非常熟悉是非常重要的。

3.3联合分析发的起源

图3.2显示联合分析法的族谱，这里所使用的标记为“评级”和“选择”的方法。他们的历史渊源是截然不同的；一个是从公理化测量，另一个遵从瑟斯顿的比较判断法则的理论。

评级为基础的方法可以追溯到认知与偏好的数学分析（MAPP）保罗绿色营销科学研究院资助项目。这些联合分析的方法可以突出解决多维尺度应用反向映射问题（即确定目标/物理性状特点产品产量在感性维度空间预定位置值）。主要的问题是如何设计一个新产品的属性（主要是物理特性）到一个相关定位地图的特定位置。这个问题很复杂，需要多个解决方案的潜力。然而，研究者可以确定一个功能，涉及物理特性的偏好（或看法）的一个新产品，相对容易。具有偏好函数的知识，一个研究者可以确定一个产品的属性，以达到一个给定的偏好水平，使用模拟或优化方法。给出了相对容易的方案，联合分析方法也在市场研究中颇为流行；在这种方法中，一个可选择的效用函数是直接指定属性，用适当的方法估计；因此，没有反向映射是必要的。随着时间的推移，一些发展都有基础的方法，论述了下面的发展。

基于选择的方法是基于随机效用最大化行为理论；这种方法的起源是遵循Thurstone的比较判断发展的规律（1927）。该方法把一个人的随机效用的对象分为两部分：确定性效用和随机部分。根据误差的分布假设，许多模型也被用于描述一个对象的选择概率。最流行的是使用I型极值分布的误差项的MNL。这些方法属于离散选择分析方法的家庭。Louviere and Woodworth将这些方法引入到营销人员。一个优秀的文献，对这些规定的选择方法进行详细说明，由Louviere，Hensher，和Swait提出。以评级为基础的方法，不同的研究人员已经介绍了这些方法的改进，其中一些下面会提到。

3.4 评级方法

在过去的几年中，不同的研究者对评级方法做出了贡献。联合分析法的五类评级可以分为：

完整的配置文件方法,利用所有的属性描述一个促进因素；

自适应方法（ACA），开发了部分处理属性的大量问题，引起偏好，逐渐减少受访者的工作负担；

部分资料方法，一次显示属性的一个子集；

自定义联合分析法；

混合方法，它使用了先前方法的组合。

前三种方法可称为分解方法，因为偏好或表示选择数据分解获得的价值功能。第四种（自定义联合分析法）是一种自底向上的方法，称为成分的方法因为它构成一个偏好得分从属性的属性水平和相对重要性评分评级。每一个发展的简要说明如下：

3.4.1完整的配置文件方法

完整的配置文件方法是传统的联合分析法，在这种方法中，研究员收集的偏好(判断)的假设每个产品描述整个组属性选择的联合研究。这些概要文件被称为完整的配置文件。然而,当一个连接的所有属性水平是全套完整的配置文件(或全因子设计)一般会非常大。被调查者将过度负担时要求提供偏好判断配置文件。通常,一组较小的全部资料,选择根据实验设计,用于联合研究。个体的总体陈述偏好分解为单独的和兼容的效用值对应于每个属性通常用回归的方法。这些单独的函数被称为把部分价值具体化功能。在大多数情况下,偏好函数可以被估计在个体水平。这个估计偏好函数可以被视为一种间接效用函数。当反应获得排名,利用线性规划方法如Srinivasan and Shocker所说的那样，除了单调回归方法。

完整概要的方法通常被应用在估计每个样品中的个人层面和价值功能。通常情况下，集群的以确定段的受访者之间具有相对均匀的部分，值得估计，针对每一段，这一步是有用的描述和设计的策略。然而，这种方法变得不可行时的属性个数（和属性的级别数）会变大；在这种情况下,将太多的概要文件的编号(超过20左右)取决于使用的部分实验设计,是极难从受访者获得可靠的数据由于疲劳,无聊,和其他因素。这种“大量的属性”的问题导致了导致了数据的收集和分析方法的发展（即自适应方法，部分资料方法，自我阐释的方法和混合方法），阐述如下。

因为评级联合数据的个人层面的分析，另一种是潜在类别分析，结合DeSarboetal的文献中介绍的使用。这基本上是回归方法的延伸。潜类类似于上述提到的部分。基本的想法是，同时确定子组的样本中有类似的部分的价值函数和它们的大小。为了这个目的，让我们假设的响应被假定为遵循一个正态分布。

如果我们让yi代表第i个个人样本（Jtimes;1）的向量值（响应）的J联合产品资料，X代表（Jtimes;L）L自变量矩阵（编码属性配置文件）。让Theta;代表参数（均值和方差–协方差矩阵）为yi的概率分布，Theta;g代表了一种类似的矢量让第g组和alpha;g组都成为第g组的大小。进一步让Prob(。,。,)表示yi的概率分布。有了这个符号，潜类模型d的G组是：

参数Theta;g和alpha;g使用最大似然方法估计。潜在的类的数目使用Akaike信息标准或贝叶斯信息准则(BIC)(也称为施瓦兹的标准)确定;这些符合标准是基于可能性的值调整的参数的数量估计潜在的类模型。DeSarbo et al1992年的论文中包含这种方法的说明。

第二个替代个体层面的评级数据的分析是使用层次贝叶斯(HB)方法在Lenk et al的论文中有介绍。这种方法估计个人层面的部分价值参数的个体特征，而不是每个人的参数估计之间的关系。这种方法的一个优点是，不包括在研究样本中的个人的能力来估计部分的价值。此外,可以使用这种方法即使少量的产品配置文件用于联合研究(在某种程度上解决大量的属性问题)。线性HB模型, 第i个个体水平的联合模型是:Yi =xi beta;i ﻉi ; for i = 1 ,,,,n. yi是mi的响应向量（评级）；注意，回复的数量可以随个人（由于数据不完整等原因）。此外，受试者的部分价值是一组变量来描述（通常为背景变量）beta;i = Theta;zi sigma;i，for i = 1 ,,,,n. 在这里，zi是一个qtimes;1向量的特征（或变量）,Theta;是一个（Ptimes;Q）的回归系数矩阵，代表部分价值和主体的协变量之间的关系矩阵。误差{ ﻉi }和{sigma;i} }被认为是相互独立的，分布为多元正态具有零均值和协方差矩阵 {sigma;i 2 I}和ᴧ，这里ᴧ是Ptimes; p的矩阵。误差方差{sigma;i2 }被假定为有逆Gamma分布的先验分布。利用这些假设，beta;i是一个可以解决后验分布的参数。各参数用MCMC方法和Metropolis算法估计。

3.4.2 自适应方法

为了应对在一个联合研究属性大数的问题，研究人员还开发了自适应相结合的方法，称为自适应联合分析法（ACA）（约翰逊，1987）。严格说来，这种方法是一种混合模式的方法。该方法包括一个自我阐释的任务（即，引出数据属性重要性和属性水平的有利条件使用排序和随后的评级）由一组偏好评级的部分概要描述，使用分级一次两个,成对比较。部分概要描述针对每个被调查者根据收集到的数据在自我解释的任务。这个方法

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[150707]，资料为PDF文档或Word文档，PDF文档可免费转换为Word