Come usare lo strumento
Scrivi gli attributi e i relativi livelli (un livello per riga), indica i concetti per task, i task per intervistato e il numero di versioni e decidi se aggiungere l'opzione “nessuno”. Se serve, aggiungi coppie di livelli vietate, task holdout fissi o un task di test-retest e premi “Genera il disegno”. “Usa i dati di esempio” carica gli attributi degli auricolari wireless dell'esempio dello strumento di analisi conjoint.
Il file del disegno ha una riga per concetto con versione, task, tipo di task, numero del concetto e una colonna per attributo: il formato che le piattaforme di survey importano per gli esercizi CBC. Il modello delle risposte elenca gli intervistati con la versione che ciascuno deve vedere. A fine rilevazione, apri l'esportazione (una riga per intervistato, una colonna per task con l'opzione scelta) nel pannello “Unisci le risposte reali” per ottenere un file lungo che lo strumento di analisi conjoint apre direttamente; riconosce le colonne della versione e del tipo di task ed esclude dalla stima i task holdout.
Prima di andare sul campo puoi scaricare risposte simulate: scelte generate da utilità parziali casuali con lo stesso modello logit. Analizzarle verifica che il disegno recuperi le utilità parziali e mostra la precisione da aspettarsi. Sono dati di prova, non risposte di persone.
Metodo: sovrapposizione minima e bilanciata, divieti, holdout e retest
La sovrapposizione minima distribuisce i livelli all'interno di ogni task nel modo più uniforme possibile e, sull'intero disegno, privilegia i livelli e le coppie di livelli meno usati; un livello si ripete in un task solo quando ci sono più concetti che livelli. La sovrapposizione bilanciata ha gli stessi obiettivi ma consente una ripetizione in più per livello, così l'intervistato vede alcuni livelli in comune. Il metodo casuale estrae ogni livello a sorte, evitando solo i divieti e i profili ripetuti, e serve come termine di confronto.
I divieti escludono le coppie di livelli che non possono comparire nello stesso concetto. Vanno usati con parsimonia: ognuno riduce l'efficienza e può sbilanciare i livelli. Le versioni sono questionari alternativi tra cui gli intervistati vengono distribuiti, e il seme rende il disegno riproducibile.
- Task holdout fissi: identici per tutti gli intervistati ed esclusi dalla stima, per verificare se il modello prevede scelte che non ha visto.
- Task di test-retest: ripete alla fine il primo holdout con i concetti in ordine inverso, per misurare la coerenza delle risposte.
- I task holdout e di retest sono esclusi dagli indici di efficienza.
D-efficienza ed errori standard
D-error = det(M)^(−1/p), con M = (1/V) Σᵥ Σₜ (1/C) Σⱼ (xⱼ − x̄ₜ)(xⱼ − x̄ₜ)ᵀ. Qui xⱼ sono i livelli del concetto j in codifica effects (L − 1 colonne per attributo, −1 per l'ultimo livello), C è il numero di concetti per task, V il numero di versioni e p = Σ (L − 1) il numero di parametri di utilità parziale. La matrice corrisponde a un logit multinomiale con tutte le utilità parziali pari a zero (prior nulle).
La D-efficienza relativa è il D-error medio di 10 disegni casuali della stessa dimensione ÷ il D-error di questo disegno × 100. L'errore standard atteso di ogni utilità parziale con n intervistati è √(diagonale di M⁻¹ ÷ n). La regola empirica di Johnson per gli effetti principali richiede n × task × concetti ÷ numero massimo di livelli ≥ 500.
Esempio pratico
L'esempio usa gli attributi degli auricolari: marca (4 livelli), autonomia della batteria (3), cancellazione del rumore (2) e prezzo (4), con 3 concetti e l'opzione “nessuno” in 10 task e 30 versioni. La sovrapposizione minima mostra ogni marca 225 volte, non ripete mai una marca nello stesso task e mantiene il bilanciamento a coppie a 0,95 o più (conteggio minimo ÷ massimo di ogni coppia). La cancellazione del rumore ha solo due livelli per tre concetti, quindi si sovrappone necessariamente in ogni task.
Il suo D-error è 0,2293 per 9 parametri, contro 0,3143 dei disegni casuali: una D-efficienza relativa del 137%. La sovrapposizione bilanciata arriva al 121% e un disegno casuale con lo stesso seme al 102%, con un bilanciamento di 0,55 nella coppia peggiore.
Con 300 intervistati gli errori standard attesi delle utilità parziali sono 0,019–0,034 con la sovrapposizione minima e 0,022–0,040 con il disegno casuale; la regola empirica di Johnson richiede almeno 67 intervistati per gli effetti principali.
Quando usarlo e quando no
Il generatore è pensato per preparare studi CBC a effetti principali prima di programmare il questionario.
- Pianificare una conjoint basata sulle scelte prima di programmare la survey.
- Verificare se il numero previsto di task, concetti e intervistati dà utilità parziali abbastanza precise.
- Confrontare disegni a sovrapposizione minima, bilanciata e casuali, o misurare il costo dei divieti.
- Disegni con prior, effetti di interazione o attributi specifici per alternativa: questo generatore lavora sugli effetti principali con prior nulle.
- CBC adattiva o conjoint a menu, che costruiscono i task durante l'intervista.
- Conjoint basata su valutazioni con un fattoriale frazionato di profili completi: usa un piano ortogonale.
Come interpretare i risultati
Un D-error più basso è migliore; una D-efficienza relativa superiore al 100% indica più precisione di un disegno casuale della stessa dimensione. Un bilanciamento dei livelli vicino a 1 e una sovrapposizione limitata a quella imposta dal numero di livelli sono segnali di un buon disegno a effetti principali. Divieti, poche versioni e pochissimi task riducono l'efficienza; aggiungere versioni aiuta soprattutto quando ogni intervistato vede pochi task. Gli errori standard presuppongono utilità parziali tutte nulle, quindi vanno letti come un limite inferiore della precisione di un logit aggregato.