Como usar a ferramenta
Digite os atributos e seus níveis (um nível por linha), informe os conceitos por tarefa, as tarefas por entrevistado e o número de versões e decida se quer a opção “nenhum”. Se precisar, adicione pares de níveis proibidos, tarefas holdout fixas ou uma tarefa de teste-reteste e clique em “Gerar desenho”. “Usar dados de exemplo” carrega os atributos de fones de ouvido sem fio do exemplo da ferramenta de análise conjunta.
O arquivo do desenho tem uma linha por conceito, com versão, tarefa, tipo de tarefa, número do conceito e uma coluna por atributo, o layout que as plataformas de pesquisa importam para exercícios CBC. O modelo de respostas lista os entrevistados com a versão que cada um deve ver. Depois do campo, abra a exportação (uma linha por entrevistado, uma coluna por tarefa com a opção escolhida) no painel “Mesclar respostas reais” para obter um arquivo longo que a ferramenta de análise conjunta abre direto; ela reconhece as colunas de versão e de tipo de tarefa e deixa as tarefas holdout fora da estimação.
Antes de ir a campo, baixe respostas simuladas: escolhas geradas a partir de utilidades parciais aleatórias pelo mesmo modelo logit. Analisá-las mostra se o desenho recupera as utilidades parciais e qual precisão esperar. São dados de teste, não respostas de pessoas.
Método: sobreposição mínima e balanceada, proibições, holdouts e reteste
A sobreposição mínima distribui os níveis dentro de cada tarefa da forma mais uniforme possível e, no desenho como um todo, dá preferência aos níveis e pares de níveis menos usados; um nível só se repete na tarefa quando há mais conceitos que níveis. A sobreposição balanceada tem as mesmas metas, mas permite uma repetição a mais por nível, então o entrevistado vê alguns níveis em comum. O método aleatório sorteia cada nível, evitando só proibições e perfis repetidos, e serve como referência.
As proibições excluem pares de níveis que não podem aparecer no mesmo conceito. Use com moderação: cada uma reduz a eficiência e pode desbalancear os níveis. As versões são questionários alternativos entre os quais os entrevistados são distribuídos, e a semente torna o desenho reproduzível.
- Tarefas holdout fixas: iguais para todos os entrevistados e fora da estimação, para verificar se o modelo prevê escolhas que não viu.
- Tarefa de teste-reteste: repete a primeira holdout no final, com os conceitos em ordem inversa, para medir a consistência das respostas.
- As tarefas holdout e de reteste ficam fora dos indicadores de eficiência.
D-eficiência e erros padrão
D-error = det(M)^(−1/p), com M = (1/V) Σᵥ Σₜ (1/C) Σⱼ (xⱼ − x̄ₜ)(xⱼ − x̄ₜ)ᵀ. Aqui xⱼ são os níveis do conceito j em codificação de efeitos (L − 1 colunas por atributo, −1 no último nível), C é o número de conceitos por tarefa, V o número de versões e p = Σ (L − 1) o número de parâmetros de utilidade parcial. A matriz corresponde a um logit multinomial com todas as utilidades parciais iguais a zero (priors zero).
A D-eficiência relativa é o D-error médio de 10 desenhos aleatórios do mesmo tamanho ÷ o D-error deste desenho × 100. O erro padrão esperado de cada utilidade parcial com n entrevistados é √(diagonal de M⁻¹ ÷ n). A regra prática de Johnson para efeitos principais pede n × tarefas × conceitos ÷ maior número de níveis ≥ 500.
Exemplo prático
O exemplo usa os atributos de fones de ouvido: marca (4 níveis), bateria (3), cancelamento de ruído (2) e preço (4), com 3 conceitos e a opção “nenhum” em 10 tarefas e 30 versões. A sobreposição mínima mostra cada marca 225 vezes, nunca repete uma marca na mesma tarefa e mantém o balanceamento por pares em 0,95 ou mais (menor ÷ maior contagem de cada par). O cancelamento de ruído tem só dois níveis para três conceitos, então se sobrepõe obrigatoriamente em todas as tarefas.
O D-error é 0,2293 para 9 parâmetros, contra 0,3143 dos desenhos aleatórios: uma D-eficiência relativa de 137%. A sobreposição balanceada fica em 121%, e um desenho aleatório com a mesma semente, em 102%, com balanceamento de 0,55 no pior par.
Com 300 entrevistados, os erros padrão esperados das utilidades parciais ficam em 0,019–0,034 na sobreposição mínima e em 0,022–0,040 no desenho aleatório; a regra prática de Johnson pede pelo menos 67 entrevistados para efeitos principais.
Quando usar e quando não usar
O gerador foi pensado para preparar estudos CBC de efeitos principais antes de programar o questionário.
- Planejar uma análise conjunta baseada em escolha antes de programar a pesquisa.
- Verificar se o número previsto de tarefas, conceitos e entrevistados gera utilidades parciais suficientemente precisas.
- Comparar desenhos de sobreposição mínima, balanceada e aleatórios, ou medir o custo das proibições.
- Desenhos com priors, efeitos de interação ou atributos específicos de alternativa: este gerador trabalha com efeitos principais e priors zero.
- CBC adaptativo ou conjoint de menu, que montam as tarefas durante a entrevista.
- Conjoint baseado em notas com fatorial fracionado de perfis completos: use um plano ortogonal.
Como interpretar os resultados
Quanto menor o D-error, melhor; D-eficiência relativa acima de 100% significa mais precisão que um desenho aleatório do mesmo tamanho. Balanceamento de níveis perto de 1 e pouca sobreposição além da imposta pelo número de níveis indicam um desenho de efeitos principais sólido. Proibições, poucas versões e pouquíssimas tarefas reduzem a eficiência; mais versões ajudam sobretudo quando cada entrevistado vê poucas tarefas. Os erros padrão supõem utilidades parciais iguais a zero, então trate-os como um limite inferior da precisão de um logit agregado.