为什么不直接看回归系数或相关系数？
问卷中的属性评分普遍存在“光环效应”：喜欢某个品牌的人会给它的每一项都打高分。驱动因素彼此相关时，标准化 β 取决于模型中还有哪些其他变量，可能改变符号，相加也没有明确含义。简单相关系数则完全忽略变量之间的重叠，所以每个受光环影响的属性看起来都很重要。
相对重要性方法介于两者之间：既计入每个驱动因素单独解释的方差，也把与其他因素共同解释的方差公平地分给它。因此份额在实践中为非负数，且合计等于 R²。如果结果变量是二分类（购买 / 未购买、流失 / 留存），应使用逻辑回归方法。
计算公式
Shapley 值：φⱼ = Σ_{S ⊆ D∖{j}} |S|!(p − |S| − 1)!/p! · [R²(S ∪ {j}) − R²(S)]。其中 D 是驱动因素集合，p 是其数量（本工具为 2–15 个），R²(S) 是结果变量对子集 S 中驱动因素回归的 R²，由相关矩阵计算为 r_yS′ R_SS⁻¹ r_yS。所有 2^p 个子集模型只拟合一次并缓存，Σⱼ φⱼ 等于全模型 R²。
Johnson 相对权重：εⱼ = Σₖ λⱼₖ² βₖ*²。对驱动因素相关矩阵做分解 R_xx = VΛV′，载荷 Λ* = VΛ^½V′ 把每个驱动因素与最接近的正交变量 Z 联系起来，β* = Λ*⁻¹ r_xy 是结果变量对 Z 的回归权重。Σⱼ εⱼ 同样等于 R²。
表中的“占 R² 的 %”= φⱼ / R² × 100（或 εⱼ / R² × 100），即该驱动因素在已解释方差中的份额。
示例：示例数据中的服务满意度驱动因素
合成示例数据中有 600 名受访者，用 1–10 分评价了 6 项服务属性和总体满意度。各属性之间存在光环效应，它们与总体满意度的相关系数都在 0.48 到 0.70 之间。
全模型 R² = 0.705。Shapley 值回归分给 品质 0.216（占 R² 的 30.6%），分给 服务 24.9%；Johnson 相对权重给出的对应份额为 30.7% 和 24.9%。按 Shapley 份额的完整排名为：品质 30.6%，服务 24.9%，价格 18.4%，速度 9.6%，品类 9.2%，网站 7.3%。
对比标准化 β：网站 的 β = -0.004，看起来几乎无关；但它与结果变量的相关系数 r = 0.48，在公平分摊共享方差后获得 R² 的 7.3%。在优先级矩阵中，价格 落在“优先改进”象限：重要性高于平均、评分低于平均。本例中各驱动因素的均值只在 6.34 到 6.49 之间，表现高低的划分比较接近；在真实数据中，请确认差距是否大到有实际意义。
如何阅读优先级矩阵
优先级矩阵以每个驱动因素的重要性（Shapley 值占 R² 的比例）为横轴，以表现（均值在最低和最高观测评分之间的位置）为纵轴。分界线位于平均份额（100% ÷ 驱动因素数量）和各驱动因素的平均表现处。分界是相对于你选择的驱动因素而言的，增删驱动因素会移动分界线。
- 优先改进：重要，但评分低于平均。
- 保持优势：重要，且评分较高。
- 次要关注：较不重要，评分也低于平均。
- 可能过度投入：评分较高，但对结果的解释力较小。
适用场景与注意事项
看份额而不是原始数值：占 R² 30% 的驱动因素，其解释力大约是占 15% 的两倍。Shapley 与 Johnson 份额通常相差一两个百分点以内；差距小于 Bootstrap 区间宽度时，应视为并列。重要性反映的是关联，不是因果。
- 适用：满意度、忠诚度或品牌资产研究，结果变量为数值，且有多个相互关联的属性评分。
- 适用：需要合计等于已解释方差的重要性份额，用于图表或优先级清单。
- 适用：标准化 β 看起来不合理（明显重要的驱动因素 β 接近 0 或为负）。
- 不适用：结果变量为二分类（购买 / 未购买）时，应使用逻辑回归模型。
- 不适用：想预测改变某个驱动因素的效果——重要性份额只是关联。
- 注意：每个驱动因素的完整样本少于约 10 个，或驱动因素之间几乎重复时，排名不可靠。