Cómo usar la herramienta
Escribe los atributos y sus niveles (un nivel por línea), indica los conceptos por tarea, las tareas por encuestado y el número de versiones, y decide si añadir la opción «ninguno». Si lo necesitas, añade pares de niveles prohibidos, tareas de control fijas o una tarea de test-retest, y pulsa «Generar diseño». «Usar datos de ejemplo» carga los atributos de auriculares inalámbricos del ejemplo de la herramienta de análisis conjunto.
El archivo de diseño tiene una fila por concepto con versión, tarea, tipo de tarea, número de concepto y una columna por atributo, el formato que importan las plataformas de encuestas para ejercicios CBC. La plantilla de respuestas asigna a cada encuestado la versión que debe ver. Tras el trabajo de campo, abre la exportación (una fila por encuestado y una columna por tarea con la opción elegida) en el panel «Combinar respuestas reales» para obtener un archivo largo que la herramienta de análisis conjunto abre directamente; reconoce las columnas de versión y de tipo de tarea y deja fuera de la estimación las tareas de control.
Antes de salir a campo puedes descargar respuestas simuladas: elecciones generadas a partir de utilidades parciales aleatorias con el mismo modelo logit. Analizarlas comprueba que el diseño recupera las utilidades parciales y muestra la precisión que cabe esperar. Son datos de prueba, no respuestas de personas.
Método: solapamiento mínimo y equilibrado, prohibiciones, tareas de control y retest
El solapamiento mínimo reparte los niveles dentro de cada tarea de la forma más uniforme posible y, en el conjunto del diseño, da prioridad a los niveles y pares de niveles menos usados. Solo repite un nivel en una tarea cuando hay más conceptos que niveles. El solapamiento equilibrado persigue los mismos objetivos, pero permite una repetición más por nivel, de modo que los encuestados ven algunos niveles compartidos. El método aleatorio sortea cada nivel y solo evita prohibiciones y perfiles repetidos; sirve como referencia.
Las prohibiciones excluyen pares de niveles que no pueden aparecer en el mismo concepto. Úsalas con moderación: cada una reduce la eficiencia y puede desequilibrar los niveles. Las versiones son cuestionarios alternativos entre los que se reparten los encuestados, y la semilla hace que el diseño sea reproducible.
- Tareas de control fijas (holdout): iguales para todos los encuestados y excluidas de la estimación, para comprobar si el modelo predice elecciones que no ha visto.
- Tarea de test-retest: repite al final la primera tarea de control con los conceptos en orden inverso, para medir la consistencia de las respuestas.
- Las tareas de control y de retest no entran en las cifras de eficiencia.
D-eficiencia y errores estándar
D-error = det(M)^(−1/p), con M = (1/V) Σᵥ Σₜ (1/C) Σⱼ (xⱼ − x̄ₜ)(xⱼ − x̄ₜ)ᵀ. Aquí xⱼ son los niveles del concepto j con codificación por efectos (L − 1 columnas por atributo y −1 en el último nivel), C es el número de conceptos por tarea, V el número de versiones y p = Σ (L − 1) el número de parámetros de utilidad parcial. La matriz corresponde a un logit multinomial con todas las utilidades parciales iguales a cero (priors nulos).
La D-eficiencia relativa es el D-error medio de 10 diseños aleatorios del mismo tamaño ÷ el D-error de este diseño × 100. El error estándar esperado de cada utilidad parcial con n encuestados es √(diagonal de M⁻¹ ÷ n). La regla práctica de Johnson para efectos principales pide n × tareas × conceptos ÷ máximo de niveles ≥ 500.
Ejemplo práctico
El ejemplo usa los atributos de auriculares: marca (4 niveles), batería (3), cancelación de ruido (2) y precio (4), con 3 conceptos y la opción «ninguno» en 10 tareas y 30 versiones. El solapamiento mínimo muestra cada marca 225 veces, nunca repite una marca dentro de una tarea y mantiene el equilibrio por pares en 0,95 o más (menor ÷ mayor recuento de cada par). La cancelación de ruido solo tiene dos niveles para tres conceptos, así que se solapa necesariamente en todas las tareas.
Su D-error es 0,2293 para 9 parámetros, frente a 0,3143 de los diseños aleatorios: una D-eficiencia relativa del 137 %. El solapamiento equilibrado obtiene un 121 %, y un diseño aleatorio con la misma semilla, un 102 %, con un equilibrio por pares de 0,55 en el peor par.
Con 300 encuestados, los errores estándar esperados de las utilidades parciales son 0,019–0,034 con solapamiento mínimo y 0,022–0,040 con el diseño aleatorio; la regla práctica de Johnson pide al menos 67 encuestados para efectos principales.
Cuándo usarlo y cuándo no
El generador está pensado para preparar estudios CBC de efectos principales antes de programar la encuesta.
- Planificar un estudio de análisis conjunto basado en elecciones antes de programar el cuestionario.
- Comprobar si el número previsto de tareas, conceptos y encuestados da utilidades parciales suficientemente precisas.
- Comparar diseños de solapamiento mínimo, equilibrado y aleatorio, o medir el coste de las prohibiciones.
- Diseños con priors, efectos de interacción o atributos específicos de cada alternativa: este generador se centra en efectos principales con priors nulos.
- CBC adaptativo o conjoint de menú, que construyen las tareas durante la entrevista.
- Conjoint basado en valoraciones con un factorial fraccionado de perfiles completos: usa un plan ortogonal.
Cómo interpretar los resultados
Un D-error menor es mejor; una D-eficiencia relativa superior al 100 % indica más precisión que un diseño aleatorio del mismo tamaño. Un equilibrio de niveles cercano a 1 y poco solapamiento más allá del que impone el número de niveles son señales de un diseño de efectos principales sólido. Las prohibiciones, las pocas versiones y un número muy bajo de tareas reducen la eficiencia; añadir versiones ayuda sobre todo cuando cada encuestado ve pocas tareas. Los errores estándar suponen que todas las utilidades parciales valen cero, así que tómalos como un límite inferior de la precisión de un logit agregado.