Подготовка отчета о структуре потребительских предпочтений

В настоящее время подавляющее большинство conjoint анализов по методике regular проводится с помощью статистического пакета для социальных наук SPSS. Такая приверженность пакету объясняется двумя причинами. Во-первых, его доступность. Во-вторых, SPSS — это программа, которая относительно простая в использовании; для работы с ней есть тысячи инструкций в текстовом и видео форматах на разных языках, по SPSS проводятся мастер-классы, а его интерфейс вполне дружелюбен для тех, кто хочет проводить исследования, но, к сожалению, не владеет языками программирования.

Для проведения conjoint в SPSS, начиная с 14 версии пакета, появилась функция «CONJOINT», которая позволяет посчитать, общие и частичные полезности, а также полезности по группам и даже на индивидуальном уровне.

Вычисление полезностей уровней

В основе функции CONJOINT в SPSS чаще всего лежит модель множественной линейной регрессии, выполненная методом наименьших квадратов.

y = b0 + b1x + …bnx + u.

Выбор модели линейной регрессии обусловлен техникой опроса в традиционном regular conjoint. Проводя опрос, мы хотим узнать предпочтения потребителя, для этого в традиционном конджоинте респондент ранжирует несколько профилей. В итоге мы получаем переменную потребительских предпочтений, которую можно охарактеризовать как порядковую, или даже при некоторых допущениях интервальную шкалу. Если мы выбираем из простых моделей, которые есть в SPSS, то с такой шкалой любой добросовестный социолог будет работать, используя множественную линейную регрессию Кутлалиев А. Захарова T. Метод совместного анализа как инструмент изучения предпочтений потребителей Теория и история методов стр 33.

Надо заметить, что множественный линейный регрессионный анализ в случае conjoint в SPSS имеет ряд недостатков. Во-первых, процедура проведения conjoint в SPSS не учитывает возможных ограничений множественной регрессии на нормальность распределения, мультиколлинеарность и гомоскедастичность. Во-вторых, сама модель множественной регрессии, как правило, плохо описывает данные. Ее предсказательная сила часто гораздо меньше, чем у логистической модели. Особенно это заметно, если мы располагаем малым числом исходных наблюдений.

Пример со смартфонами — это conjoint, выполненный на малом числе наблюдений. D нашей выборке всего 24 респондента. Каждый атрибут встречается респондентом 16 раз, а каждый уровень, исходя из таблицы z с профилями, встречается от 4 до 8 раз. Таким образом, если мы считаем множественную линейную регрессию для всей выборки по каждому уровню, то количество наблюдений по каждому уровню лежит в промежутке от 96 до 192.

На основании наблюдений считаются частные полезности уровней по всей выборке. Подсчет частных полезностей по всей выборке может дать нам, например, представление о том, какие характеристики смартфонов являются наиболее и наименее предпочтительными для нашего эмпирического объекта. В таблице 3 представлены оценки полезностей для уровней и их стандартные ошибки из примера со смартфонами.

Таблица 3. Частичные полезности по всей выборке.

Как мы видим из таблицы z оценки полезностей, с одной стороны, дают нам представление о взаимосвязях между переменными. Например, для времени работы очевидно, что полезность смартфона возрастает вместе с увеличением числа часов работы на одном заряде аккумулятора. Однако с другой стороны, CONJOINT в SPSS не выдает нам значимость полученных оценок. Все, что мы видим, это показатели стандартных ошибок в последнем столбце таблицы z. Если более пристально рассмотреть оценки для 24 и 36 часов, то мы столкнемся с тем, что стандартные ошибки, соответствующие этим показателям, довольно высокие. То есть на 95% интервале, если оценка нормально распределена, то мы можем говорить, что оценка полезности уровня 36 часов лежит в промежутке [1,597 — 1,96×0,894; 1,597 + 1,96×0,894].

Рисунок 3 Распределение оценки полезности для уровня 36 часов.

Только глядя на рисунок, мы уже понимаем, что стандартная ошибка задает нам слишком большую неопределенность оценки. Наша оценка полезности смартфона, который держит заряд 36 часов неустойчива. Она практически равновероятно может принимать значения 1 или 2,5, например. Если она принимает значение равное 1, то нам придется задаться вопросом, а значима ли разница между смартфоном, который держит заряд 24 часа и смартфоном, который не разряжается 36 часов.

В данном примере, мы, конечно же, можем списать неопределенность оценки на маленькую выборку. Мы можем добавить данных в модель, и, скорее всего, стандартные ошибки станут меньше, а распределения устойчивее. Однако, как быть со случаями, в которых мы должны обследовать предпочтения очень немногочисленного или труднодоступного эмпирического объекта?