SPSS 命令: SPSS CONJOINT
联合分析：成分效用、重要性与市场模拟
联合分析根据受访者对完整产品描述的评分或排序，估计每个属性水平对产品吸引力的贡献。
免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日
能告诉你什么
Crosstabs 在浏览器中运行与 SPSS CONJOINT 对应的过程，可使用 ORTHOPLAN 生成的计划或上传的计划文件，按受访者和汇总分别给出含标准误的成分效用、重要性值、拟合统计量和偏好模拟。
- 每个属性水平的成分效用及其标准误，分别按组和按受访者给出。
- 每个属性的重要性：其效用范围占全部范围之和的比例，再对受访者取平均。
- 模型再现偏好的程度（Pearson's R、Kendall's tau）以及对保留卡片的预测能力。
- 你定义的产品在最大效用、Bradley-Terry-Luce 和 logit 规则下的预测份额。
适用场景
适合使用
- 受访者对由正交计划构建的完整产品描述进行了评分或排序。
- 定价与包装决策：某项功能相对于价格值多少，以及哪种配置能赢得份额。
- 按个人效用对客户进行细分（导出后做聚类）。
改用其他方法
- 基于选择的联合分析（受访者在每个选择集中选一个）：需要多项 logit 或分层贝叶斯模型，而不是对评分做 OLS。
- 需要估计属性间的交互作用：该模型只含可加的主效应。
- 设计卡片不正交，或卡片数少于参数个数：面板不接受没有残差自由度的设计。
在 Crosstabs 中如何操作
- 01
打开数据
在工作区打开 .sav、CSV 或 Excel 文件并切换到“统计”模式。文件只在浏览器中读取。
- 02
选择联合分析和计划
在“分类”组中选择“联合分析”（CONJOINT）。在“计划来源”中选择“计划文件（含 CARD_ 和 STATUS_ 的 CSV）”并上传，或选择“本次会话中用 ORTHOPLAN 生成的计划”。
- 03
为每个因子选择模型
为每个因子设置“模型”：离散、线性（数值水平）、理想或反理想（数值且至少三个水平）。对线性因子，可将“预期”设为无、越多越好或越少越好，用于标记逆转。
- 04
说明响应数据
在“数据类型”中选择“评分（越高越偏好）”“排名（1 = 最偏好）”或“序列（按偏好顺序的卡片编号）”；指定“受访者标识”，并按卡片顺序为每张评定卡片勾选一个响应列——“选择 card1…cardN 列”可自动完成。
- 05
添加模拟产品
STATUS_ = 2 的计划卡片会自动模拟；可在“模拟产品”中用“添加产品”定义更多产品，然后点击“运行联合分析”。
- 06
查看个人结果并导出
在“单个受访者”中选择一位受访者，查看其效用和拟合情况；使用“下载每位受访者的效用（CSV）”进行细分。此过程不使用权重，每位受访者计一次。
计算示例
以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。
数据
使用正交设计示例中的 9 张餐盒设计卡片及其 4 张保留卡片，由 24 名模拟受访者按 1–10 分评定。每位受访者的评分来自围绕共同模式（越便宜越好、每周配送和首盒免费更受欢迎）波动的个人成分效用，再加评分噪声并取整；随机种子固定。价格设为“线性”模型并选择“越少越好”；其他因子为“离散”。另模拟了三款产品。
| 因子 | 水平 | 效用估计 | 标准误 |
|---|---|---|---|
| 每盒价格 | 49 | −6.057 | 0.320 |
| 每盒价格 | 59 | −7.293 | 0.386 |
| 每盒价格 | 69 | −8.529 | 0.451 |
| 菜单风格 | 经典 | 0.255 | 0.075 |
| 菜单风格 | 素食 | −0.231 | 0.075 |
| 菜单风格 | 家庭 | −0.023 | 0.075 |
| 配送频率 | 每周 | 0.351 | 0.057 |
| 配送频率 | 每两周 | −0.351 | 0.057 |
| 试用优惠 | 无 | −0.472 | 0.057 |
| 试用优惠 | 首盒免费 | 0.472 | 0.057 |
| （常量） | 13.273 | 0.390 |
评分：值越高表示越偏好。组结果合并全部 24 位受访者；标准误使用合并残差方差。价格为线性模型，其效用 = B × 水平。
| 因子 | 重要性 |
|---|---|
| 每盒价格 | 48.274 |
| 菜单风格 | 18.549 |
| 配送频率 | 15.282 |
| 试用优惠 | 17.895 |
平均重要性：先将每位受访者各因子的效用范围换算为其总和的百分比，再取平均。
| 项目 | 值 | 显著性 |
|---|---|---|
| Pearson's R | 0.998 | <.001 |
| Kendall's tau | 0.930 | <.001 |
| 保留卡片的 Kendall's tau | 0.667 | .087 |
观测偏好与估计偏好之间的相关性；显著性为单尾。
| 产品 | 最大效用（%） | Bradley-Terry-Luce (%) | Logit (%) |
|---|---|---|---|
| 低价每周 | 79.2 | 39.3 | 66.3 |
| 高端试用 | 12.5 | 29.5 | 16.3 |
| 中价每两周 | 8.3 | 31.2 | 17.4 |
24 位受访者中有 24 位的预测总分全部为正，用于 BTL 和 logit 模型。
结果解读
在 24 名受访者中，每盒价格最重要（占重要性的 48.3%），其次是菜单风格（18.5%）。合并后的线性价格系数 B = −0.124（每单位货币），24 名受访者中有 0 名出现价格逆转。组模型对平均评分的再现程度为 Pearson's R = 0.998，对保留卡片排序的 Kendall's τ = 0.667。在模拟中，“低价每周”获得最大的首选份额（最大效用模型下为 79.2%）。
输出表格说明
- 效用
- 每个因子水平的组成分效用、标准误以及常量，基于平均响应估计，并使用合并残差方差。
- 重要性值
- 各因子的平均重要性：先将每位受访者的效用范围换算为其总和的百分比，再取平均；同时以条形图展示。
- 系数
- 线性因子的斜率 B，理想或反理想因子的 γ1 和 γ2，以及相应的标准误。
- 相关性
- 观测偏好与估计偏好之间的 Pearson's R 和 Kendall's tau；保留卡片至少三张时还给出保留卡片的 Kendall's tau。显著性为单尾。
- 逆转数
- 有多少位受访者的系数符号与声明的预期相反，或其理想点实际上是最小值。
- 模拟的偏好概率
- 每个模拟产品在最大效用、Bradley-Terry-Luce 和 logit 模型下的预测份额；BTL 和 logit 只使用预测总分全部为正的受访者。
前提假设与注意事项
- 偏好在各属性水平上可加（只含主效应），评分数据按等距尺度处理；排名会被反转，使数值越高表示越偏好。
- 设计卡片数多于参数个数，从而每位受访者的模型都有残差自由度。
- 任一评定卡片的响应缺失或无效的受访者会被排除，面板会显示排除人数。
结果如何验证
参考值来自对 SPSS 式效应编码设计做 statsmodels OLS 以及 SciPy 的相关计算；当所有因子均为离散时，效用还与 R 的 conjoint::caUtilities 一致，差异约 4e-14。对评分、排名和序列三种数据，测试要求每位受访者及组的效用、标准误、常量、线性与理想点系数、Pearson 和 Kendall 相关（含保留卡片）以及模拟份额的误差都在 1e-9 以内，重要性值在 1e-8 以内。 验证证据（英文）
常见问题
数据应该如何排列？
每位受访者一行，按卡片顺序每张评定卡片（设计卡片加保留卡片）一列，存放评分或排名；序列数据则在各列中按从最偏好到最不偏好的顺序存放卡片编号。计划本身来自 ORTHOPLAN 或含 CARD_ 和 STATUS_ 的 CSV 文件。
为什么价格的效用全是负数？
在线性模型中，因子效用 = B × 水平，因此斜率为负时每个水平的效用都为负，偏移量由常量吸收。应比较水平之间的差值而非符号；离散因子采用效应编码，各水平之和为零。
重要性是如何计算的？
对每位受访者，某因子的重要性等于其效用范围除以全部范围之和；报告值是所有受访者的平均。它取决于所选的水平——价格区间越宽，价格看起来越重要。
应报告哪种模拟规则？
最大效用规则只计每位受访者的首选，适合高价值决策；BTL 和 logit 把每位受访者的偏好分摊到各产品上，适合频繁购买的商品，其中 logit 对效用差异最敏感。
什么是逆转？
指某位受访者的线性系数符号与你声明的预期相反（例如偏好更高的价格），或其理想点实际上是最小值。逆转较多可能说明作答不认真或预期设定有误。
相关过程
- 正交设计（ORTHOPLAN）ORTHOPLAN
- 分类回归（CATREG）CATREG
- 线性回归REGRESSION
- K-均值聚类QUICK CLUSTER
- GLM 单变量UNIANOVA
- 免费的 SPSS 替代工具：支持范围
用你自己的数据运行联合分析
打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。
SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。