최대차이 플랫폼 개요
BWS(Best-Worst Scaling: 최선-최악 척도화)라고도 하는 최대차이는 선택 기반 측정 방법입니다. 최대차이는 응답자에게 여러 대체 프로파일 중 가장 선호하는 항목 하나를 보고하도록 요청하는 대신 최선의 선택과 최악의 선택을 둘 다 보고하도록 요청합니다. 최대차이 방법은 응답자가 가장 선호하는 항목만 보고하는 방법보다 선호도에 대한 더 많은 정보를 제공할 수 있습니다. 최대차이 연구에 대한 배경 정보는 Louviere et al. (2015)에서 확인하십시오. 선택 모델링에 대한 배경 정보는 Louviere et al. (2015), Train(2009) 및 Rossi et al. (2005)에서 확인하십시오.
최대차이 분석에는 확률적 효용 이론 프레임워크가 사용됩니다. 선택은 응답자에 대한 내재된 값(효용)을 가지고 있다고 간주됩니다. 최대차이 플랫폼에서는 이러한 효용을 추정합니다. 최대차이 플랫폼에서는 특정 선택이 다른 선택보다 선호될 확률도 추정합니다. 이는 조건부 로지스틱 회귀를 사용하여 수행됩니다. 자세한 내용은 McFadden(1974)에서 확인하십시오.
참고: 최대차이 설계 플랫폼을 사용하여 1요인 최대차이 연구를 설계할 수 있습니다. 자세한 내용은 실험 설계 가이드의 “MaxDiff Design”에서 확인하십시오.
세분화 및 베이지안 개체 수준 효과
때때로 시장 조사원들은 행동이 다른 개체 그룹이 있는지 알아보기 위해 각 개체에 대한 선호도 구조를 개별적으로 분석하려고 합니다. 데이터가 충분하면 "반응 데이터"에서 "기준 그룹"을 지정하거나, 개체 식별자를 개체 쪽 모형 항으로 지정할 수 있습니다. 그러나 이 방법은 개체 수가 많은 경우 비용이 많이 듭니다. 문헌에 설명된 다른 세분화 기법에는 베이지안 방법과 혼합 방법이 포함됩니다.
데이터가 부족하여 "기준 그룹"을 지정할 수 없는 경우 반응 데이터 및 개체별 그래디언트 저장 옵션으로 개체를 군집화하여 JMP에서 세분화할 수 있습니다. 이 옵션은 각 개체에 대한 각 모수의 평균 헤시안 척도 그래디언트를 포함하는 새 데이터 테이블을 생성합니다. 예는 세분화의 예에서 확인하십시오. 그래디언트 값에 대한 자세한 내용은 그래디언트에서 확인하십시오.
최대차이에서는 개체 수준 효과를 추정하기 위해 계층적 베이지안 방법도 제공합니다. 이 방법은 시장 세분화에 유용할 수 있습니다.