一、聯(lián)合分析所屬模塊
聯(lián)合分析歸在SPSSAU【問卷研究】模塊。
二、方法概述
聯(lián)合分析是用來判斷多個屬性中哪些更影響選擇偏好的方法，常見于產(chǎn)品設(shè)計、價格測試、包裝方案比較等場景。它可以把受訪者對不同組合方案的評分拆解成屬性重要性和各水平的偏好方向，方便快速找到更受歡迎的方案配置。
三、變量設(shè)置規(guī)則
聯(lián)合分析需要設(shè)置2類變量，且兩類變量都必須填寫。總體上是1個因變量加若干個屬性變量的組合，其中因變量只能放1項，屬性變量至少放1項、最多可放20項。
1. 因變量設(shè)置
Y(輪廓得分)：這里放入受訪者對各個方案輪廓的評分結(jié)果，必須填寫，而且只能放入1個變量。這個變量通常來自受訪者對不同組合方案的打分、偏好分值或評價得分。
2. 自變量設(shè)置
X(屬性，定類)：這里放入組成方案的屬性變量，必須填寫，至少放入1項，最多可放入20項。每個屬性通常代表價格、品牌、規(guī)格、顏色、服務(wù)內(nèi)容等方案構(gòu)成因素，變量類型以定類為主，便于比較不同水平對偏好的影響。
四、參數(shù)設(shè)置及解釋說明
聯(lián)合分析在SPSSAU中有兩個常見的附加設(shè)置，主要用于保存分析過程中產(chǎn)生的新結(jié)果，便于后續(xù)繼續(xù)查看或做進(jìn)一步處理。
1. 保存效用值
勾選后，系統(tǒng)會把聯(lián)合分析得到的效用值以新標(biāo)題形式保存下來。適合后續(xù)還想繼續(xù)對效用結(jié)果做整理、對比或二次分析的場景。若當(dāng)前只需要查看一次結(jié)果，可不勾選；若需要留存中間結(jié)果，建議勾選。
2. 保存殘差和預(yù)測值
勾選后，系統(tǒng)會把殘差和預(yù)測值分別保存下來。這樣可以更方便檢查模型預(yù)測表現(xiàn)，或把這些結(jié)果繼續(xù)用于后續(xù)分析。若想進(jìn)一步判斷模型擬合是否穩(wěn)定、預(yù)測是否貼近原始評分，建議勾選該項。
五、分析結(jié)果表格及其解讀
SPSSAU完成聯(lián)合分析后，核心會輸出2個結(jié)果表，分別用于查看屬性重要性與效用值，以及查看估計結(jié)果和模型擬合情況。
1. 表1：聯(lián)合分析結(jié)果匯總
該表格的作用是集中展示各個屬性的重要程度，以及每個水平項對應(yīng)的效用值，包含屬性、重要性值、重要性占比、水平項、效用值等核心內(nèi)容。
● 屬性：表示參與聯(lián)合分析的各個方案屬性，用于確認(rèn)當(dāng)前比較的是哪些因素。閱讀時先看屬性名稱，建立整體分析框架。
● 重要性值：表示某個屬性對整體偏好的影響程度大小，數(shù)值越大，說明這個屬性越關(guān)鍵。實際判斷時通常與其他屬性橫向比較，誰更高，誰對選擇結(jié)果影響更大。
● 重要性占比：表示某個屬性在全部屬性中的相對影響份額，便于直觀看出主次。判斷時優(yōu)先看占比高低，占比越高，說明該屬性越值得優(yōu)先優(yōu)化。
● 水平項：表示每個屬性下的具體選項或水平，例如高價、低價，不同顏色，不同服務(wù)方案等。它幫助判斷到底是哪一種配置更受歡迎。
● 效用值：表示某個具體水平對偏好的正向或負(fù)向影響。判斷時看相對大小即可：數(shù)值越高，說明該水平越受偏好；數(shù)值越低，說明該水平吸引力越弱。若同一屬性下某個水平明顯高于其他水平，通常說明該水平更值得保留。
2. 表2：聯(lián)合分析(Cojoint analysis)估計結(jié)果
該表格的作用是展示各水平估計結(jié)果、模型整體檢驗情況及擬合優(yōu)度，包含回歸系數(shù)、標(biāo)準(zhǔn)誤、t值、顯著性p值、模型公式、方差分析、ols回歸模型擬合優(yōu)度、聯(lián)合分析模型擬合優(yōu)度等內(nèi)容。
● 回歸系數(shù)：表示某個水平相對于參考項帶來的偏好變化方向和變化幅度。判斷時重點看正負(fù)和相對大?。簽檎ǔＵf明更有利于提升偏好，為負(fù)通常說明不利于提升偏好；絕對值越大，影響通常越明顯。
● 標(biāo)準(zhǔn)誤：表示估計結(jié)果的穩(wěn)定程度，數(shù)值越小，說明該估計通常越穩(wěn)定。它常與回歸系數(shù)一起看，用于輔助判斷結(jié)果是否可靠。
● t值：用于反映某個水平影響是否足夠明顯。一般來說，絕對值越大，說明該水平的影響越不容易是偶然出現(xiàn)的。
● 顯著性p值：用于判斷某個水平是否達(dá)到統(tǒng)計意義上的顯著。常見判斷標(biāo)準(zhǔn)是p值小于0.05時，可認(rèn)為該水平影響較明顯；若大于等于0.05，通常說明該水平的區(qū)分作用不夠穩(wěn)定。
● 模型公式：用于展示模型如何根據(jù)不同屬性水平來預(yù)測輪廓得分。實操中不需要死記內(nèi)容，主要知道它對應(yīng)的是整套聯(lián)合分析預(yù)測關(guān)系即可。
● 方差分析：用于檢驗整體模型是否具備解釋力。重點看顯著性：若對應(yīng)顯著性小于0.05，通常說明模型整體有效；若不顯著，則說明當(dāng)前屬性組合對評分的解釋力度不足。
● R方：表示模型對輪廓得分的解釋程度，取值越高，通常說明模型解釋效果越好。沒有統(tǒng)一絕對門檻，但在同類研究中越高越理想。
● 調(diào)整后R方：是在考慮變量數(shù)量后對R方進(jìn)行修正的指標(biāo)，更適合用來判斷模型整體質(zhì)量。若該值與R方接近，通常說明模型較穩(wěn)定；若相差較大，則要留意變量設(shè)置是否過多。
● 標(biāo)準(zhǔn)誤差：表示模型預(yù)測值與實際評分之間的平均偏差水平，越小通常說明預(yù)測越貼近實際數(shù)據(jù)。
● Pearson相關(guān)系數(shù)：用于衡量聯(lián)合分析預(yù)測值與原始偏好之間的一致程度。一般越接近1越好，說明模型排序和原始評價越一致。
● Pearson對應(yīng)p值：用于判斷Pearson相關(guān)是否顯著。通常p值小于0.05時，說明這種一致性具有統(tǒng)計意義。
● Kendall相關(guān)系數(shù)：用于衡量排序?qū)用娴囊恢鲁潭?，尤其適合看方案排序是否吻合。一般越接近1越好，說明模型給出的排序越可信。
● Kendall對應(yīng)p值：用于判斷排序一致性是否顯著。通常p值小于0.05時，可認(rèn)為模型排序結(jié)果具有較好參考價值。
六、分析結(jié)果圖表及其解讀
SPSSAU聯(lián)合分析會輸出1種核心圖表，即重要性占比圖，用于直觀比較各屬性對整體偏好的影響大小。
重要性占比圖
該圖可以用餅圖、柱形圖或條形圖方式呈現(xiàn)，本質(zhì)上都是比較各屬性的重要性占比。閱讀時重點看各屬性對應(yīng)圖形的面積或長度差異：差異越明顯，說明不同屬性對選擇偏好的影響層級越清楚；若某個屬性明顯高于其他屬性，通常意味著它是影響方案選擇的關(guān)鍵因素。若多個屬性高度接近，則說明用戶偏好可能受多項因素共同影響，不能只盯住單一屬性做判斷。
以上就是SPSSAU聯(lián)合分析的相關(guān)內(nèi)容，更深入教程可查看SPSSAU幫助手冊、教學(xué)視頻、疑難解惑等資料。
