z wykorzystaniem pakietu statystycznego SPSS for Windows

Marek Walesiak Andrzej Bąk

Realizacja ^badań marketingowych

metod~ eonjoint ana/pis

z wykorzystaniem pakietu statystycznego SPSS for Windows

AKADEMIA EKON O M ICZNA

we

Wrocławiu

Wydział

Gospodarki Regionalnej 1 Turyetyki KATEDRA EKONOMETRII l INFORMATYKI 58·500 Jelenia Góra, ul. Nowowiejaka 3 tol (075) 75·38-207 , fax 78·76 230

000766G20

Wydawnictwo Akademii Ekonomicznej

im. Oskara Langego w e Wrocławiu

Wrocław 1997

Poszczególne

rozdziały

napisali

Andrzej

Bąk- wstęp,

rozdz. l pkty 1.3

(współaut.),

1.4; rozdz. 2 pkty 2.4, 2.5 (wspólaut.), 2.6; rozdL. 3 pkt 3.3

(współaut.):

rozdz. 4

Marek Walesiak - rozdz. 1 pkty l. l, 1.2, 1.3

(współaut.);

rozdz. 2 pkt) 2. l, 2.2, 2.3, 2.5 (wspólaut.); rozdz. 3 pkty 3.1, 3.2, 3.3

(współaut.)

Recenzent Waldemar

Tarczyński

Pracę

wydrukowano na podstawie

materiałów

dostarczonych przezAutorów w fonnie gotowej do reprodukcji, bez dokonywania zmian redakcyjnych

C Copyright by Akademia Ekonomiczna we

Wrocławiu Wrocław

1997

ISBN 83-7011-290-0

O r u k opraw a:

Zakład

Graficzny AE we

Wrocławiu.

Zam. 305/97

SPIS TREŚCI

WSTĘP

... 5

l. METODA CONJOINT ANALYSIS JAKO NARZĘDZIE BADAŃ MARKETINGOWYCH ... 9

1.1. WPROWADZ.ENIE ...•...••...•...•.... 9

1.2. CHARAKTERYSTYKA KOMERCYJNYCliZASTOSOWAŃ METODY CONJOINT ANALYSJS •. lO 1.3. PROCEDURA CONJOINT ANALYSIS ... 12

1.4. PAKIETSTATYSTYCZNY SPSS FOR WINDOWS ...•...•...•...•...•. 14

2. PROJEKTOWANIE

UKŁADU

EKSPERYMENTU W METODZIE CONJOINT ANALYSIS ... 16

2.1. PROBLEM BADAWCZY ...•...•••...•.••..•...•...•...•...•...•.... 16

2.2. PRZYKLADY WYBRANYCli PROBLEMÓW BADAWCZYCH ... 17

2.3. SUGESTIE DOTYCZĄCE NIEZBĘDNEJ LICZEBNOŚCI PRÓBY ... 19

2.4. METODY GROMADZENIA DANYCII ... 19

2.5. GENEROWANIE UKLADU EKSPERYMENTU ... 24

2.6. METODY ESTYMACJI PARAMETRÓW MODELU CONJOINT ANALYSIS ... ... 32

3. ZASTOSOWANIE PROCEDURY CONJOINT ANALYSIS W ANALIZIE DANYCH MARKETINGOWYCH ... 37

3. l. ANALIZA PREFERENCJI ... 37

3.2. ANALIZASYMULACYJNA ... 47

3.3. STUDIUM SEGMENTACYJNE ... 50

4. JĘZYK POLECEŃ SPSS FOR WINDOWS ... 62

4. l. WPROWADZ.ENIE ... , ... 62

4.2. POLECENIE CONJOINT ... . 67

4.3. POLECENIE ORTHOPLAN ... 74

4.4. POLECENIE PLANCARDS ... 76

4.5. POLECENIEQUICK CLUSTER ... 78

LITERA TURA ... 83

SPIS RYSUNKÓW ... 88

SPIS TABEL ... 91

INDEKS ... 92

·

..

:.

l

WSTĘP

Ekonomia jest

nauką społeczną zajmującą się problemalyką

op1ymalnego dysponowania ograniczonymi zasobami w warunkach na ogól

niepełnej

informacji. W sytuacji ograniczo- nych zasobów uczesmicy rynkowej gry ekonomicznej muszą dokonywać określonych wy- borów Czynnikami

detenninującymi

lub przynajmniej w mniejszym lub

większym

stopniu

wpływającymi

na

określone

decyzje i wybory

są

potrzeby.

Proces podejmowania decyzji ekonomicznych, a takte problema1yka

towarzysząca

sze- rzej rozumianej

działalności człowieka były

przedmiotem

badań

przedstawicieli

różnych

dziedzin nauki. W szczególności zachowania ludzkie zarówno w sensie postaw indywidual- nych, jak i zachowań społecznych znajdują się w obszarze zainteresowań psychologii i psy- chologii społecznej, socjologii, badań operacyjnych. analizy systemowej, programowania matema1ycznego, teorii podejmowania decyzji oraz ekonomii i badań marketingowych.

Na gruncie ekonomii

sfonnułowano

szereg mniej lub bardZJej spójnych teorii,

stawiają­

cych sobie za cel

wyjaśnienie zachowań

podmiotów tycia gospodarczego (np. konsumen- tów) zarówno w skali mikroekonomicznej, jak i w

ujęciu

makroekonomic7.nym. Podstawo- wym

założeniem

1ych teorii jest teza

głosząca, iż

konsumenci

nabywający określone

dobra lub usługi (towary) postępują w sposób racjonalny, zaś ich decyzje i wyboi) są optymalne w aktualnie

istniejących

i

ograniczających

obszar dopuszczalnych

rozw1ązań

warunkach.

Konsumenci podejmują w zakresie zakupu towarów takie decyzje. które realizują zasadę

maksymalizacji osiąganych korzyści Gest to funkcja celu maksymalizowana przy istnieją­

cych warunkach

ograniczających).

Subiektywnie

odczuwaną

przez

każdego

z konsumentów

satysfakcję

z

tytułu

realizacji

określonej

struktury konsumpcji (tzw. koszyka towarów)

przyjęło się określać

w teorii ekonomii

pojęciem użyteczności Należy z3Zilaczyć, iż uży­

tec7.ność może być

odnoszona zarówno do pojedynczego dobra lub osobnej

usługi,

jak i do

określonego

koszyka dóbr i

usług. Użyteczność

towaru (dobra lub

usługi będącej

przed- miotem obrotu rynkowego) oznacza. ze w danych

okolicznościach

i czasie pos1ada on tak1e

właściwości,

które

mogą zaspokoić

aktualne potrzeby 1 oczekiwania konsumenta. Teorie

uzytccznośc1 7.mierzają do wyjaśnienia postaw konsumentów w oparciu o to właśnie poję­

cie.

Innymi

ważnymi

kategoriami w teorii

uzyteczności są urytec:r.nosć krańcowa

lmarginalna) oraz funkcja użyteczności. Pojęcie uzyteczności kralicoweJ wprowadzono w celu \\)'jaśnienia ind)"' idualnych zachowań poszczególnych konsumentó,.,·, Utyteczność

krańcowa

oznacza przyrost

użyteczności wywołany

nabyciem kolejnej jednostki

określo­

nego towaru. Konsumenci

wybierają

w zbiorze

dostępnych

wariantÓ\\.

biorąc

pod

uwagę

akiUalnc ograniczc!nia i

kierując się własnymi,

indywidualnymi upodobaniami, gustami.

lWyCI.ajami oraz. preferencjami \\ celu kwantyfikacji preferencji definiuje się funkcję

ut~ h!Ciności,

która

umożliwia

przypisanic charakterystyki liczbowej kaidemu z

dostępnych

6

_Wstęp

wariantów, będących przedmiotem wyboru. Funkcja użyteczności stanowi więc podstawę

do

określema

relacji preferencji lub indyferencji

między

rozpatrywanymi wariantami.

W historii myśli ekonomicznej do najbardziej znanych teorii ut.yteczności nalet.ą: teoria

u:?:yteczności porządkowej (ang. ordinal ulility theory), teoria ul.yteczności kardynalnej (ang. cardinalutilrty theory) [zob. Błaug (l 994), s. 339 i nast.: Allen ( 1961 ), s. 712 i nas!.]

oraz teoria

ut.yteczności

losowej (ang. random utility theory) [zob Louviere ( 1994), s. 227 i nast.].

W teorii u:?:yteczności porządkowej przyjmuje się, te użyteczność nie jest mierzalna.

Oznacza to, it

można określić porządek między dostępnymi

wariantami w sensie relacji

większości, mniejszości lub równości (ekwiwalencji) Nie mo:tna jednak określić w sposób jednoznaczny, o ile jeden z dwóch wariantów jest bardziej preferowany.

Użyteczności

przy-

pisane poszczególnym wariantom

można więc uporządkować

monotonicznie

rosnąco

lub

malejąco,

co

pozwała ustalić

kierunek preferencji.

W teorii uzytecznoki kardynalnej zakłada się natomiast, te użyteczność jest mierzalna, co oznacza, iz poza wyznaczeniem kierunku preferencji w zbiorze rozpatrywanych warian- tów mozna

oszacować również intensywność (natężenie)

preferencji

Pozwała

to

stwierdzić,

w jakim stopniu jeden z wariantów jest preferowany

względem

drugiego.

Między katodą parą

wskaznikó\'•

uzyteczności

w tej teorii zachodzi jednoznaczne odwzorowanie liniowe.

Teoria

uzyteczności

losowej opiera

się

na

założeniu, że

w funkcji

użyteczności można wyodrębnić składnik

systematyczny (obserwowalny) oraz

składnik

losowy Oznacza to,

że

o wyborze konsumenta nie zawsze decyduje zasada maksymalnej korzyści.

Problem

mierzalności użyteczności

podejmowany

był

wielokrotnie na gruncie ekonomii

1

mnych nauk. Rozpatrywano zarówno sytuacje wyborów pewnych, jak i zagadnienia decy- zyJne w warunkach mepewności (hazard)

¹

[zob. Coombs, Dawes, Tvcrsky ( 1977)].

Teoria

użyteczności

jest wykorzystywana w badamiach marketingov,.rych jako podstawa koncepcyjna i metodologiczna

ułatwiająca wyjaśnienie

zachowail konsumenckich.

W warunkach nowoczesnej gospodarki rynkowej. a w

szczególności

w sytuacji rynku konsumenta, badania marketingowe

stanowią

istotny

składnik

procesu decyzyjnego, zacho-

dzącego

w

przedsiębiorstwie oferującym

na rynku swoje wyroby lub

usługi.

Przedmiotem

badań

marketingowych

są

produkty,

sprzedaż

oraz rynek, a

więc

elementy

·

powiązane

ze

sobą

wzajemnymi

zależnościami

[zob. Mynarski ( 1990)]. Uczestnicy rynku, zarówno producenci, jak i konsumenci,

mogą kształtować

te

związki

i interakcje za

pomocą

róznorodnych technik,

środków

lub

zachowań.

Podstawowym celem

badań

marketingowych jest identyfikacja tych

różnokierunkowych związków,

a co za tym idzie, rozpoznanie rynku, Jego potrzeb

1

oczekiwań, a także pozyskanie informacji umot.liwiających Jego kształtowa­

nie. Kompleksowa i

wyczerpująca

diagnoza rynku mote

być podstawą

trafnych decyzji pro- dukc}jnych i sukcesu

przedsiębiorstwa.

Zawsze jednak decyzje te

są obciążone

pewnym poziomem ryzyka, co wynika z natury samego procesu, jego

złotoności

i w znacznym stop-

1 N p u:ona Marshalla oraz wv nowoczesna 1coria u1.yleczno§ci von Ncumnnnn i Morgcnstemn.

7

niu stochastycznego charakteru. Do podstawowych czynników

wpływających

na

złozoność

procesu podejmowania decyzji marketingowych zaliczyć nalety:

wielowarianrowość

sytuacji decyzyjnej,

- wieJokryterialny zbiór

przesłanek, charakteryzujących każdą

z

możliwych

decyzji, -

wielowymiarową przestrzeń

arbitralnie lub formalnie wybranych cech, w której roz-

patrywane

są

obiekty i interakcje,

będące

przedmiotem decy7J1.

W badaniach marketingowych wykorzystuje

się

m in. metody z zakresu taksonomii.

starystycznej analizy wielowymiarowej oraz starystycznej teorii rozpoznawania obrazów.

takie jak np. analiza regresji, analiza czynnikowa, analiza dyskryminacyjna, metody klasyfi- kacji, wielowymiarowa analiza porównawcza, skalowanie wielowymiarowe, conjomt analy- sis i inne

²•

Metoda eonJOint analysis

może być

z powodzeniem wykorzystywana do wspomagania szeroko rozumianego procesu podejmowania decyzji marketingowych. Wraz z rozwojem techniki elektronicznej i oprogramowania komputerowego zakres 1 skala

zastosowań

tej metody w badaniach marketingowych ciągle wzrastają. W niniejszej pracy przedstawiono

ogólną procedurę conjoim analysis, przykłady zastosowań tej metody oraz charakterystykę

oprogramowania komputerowego niezbędnego do praktycznej realizacji badań.

W rozdziale pierwszym zaprezentowano

ogólną ideę

metody eonjoim ana/ysis jako na-

rzędzia badań

marketingowych,

wskazując

na liczne komercyjne jej zastOsowania w Sta- nach Zjednoczonych i Europie Zachodniej. Przedstawiono równiez

typową procedurę

ba-

dawczą, która jest najczęściej wykorzystywana w przypadku stosowania metody eonjoint analysis. Rozdział ten zamyka prezentacja pakietu statystycznego SPSS for Windows, któr) zawiera implementacje algorytmów eonjoint analysis oraz k-średnich wykorzyst}'\vanych do przeprowadzenia obliczeń do zamieszczonych w książce przykładów. Należy zaznaczyć. że

ze względu na złożoność numeryczną metody eonjoint analysts nie jes1 możliwe jej prak- tyczne. efekt}'\vne stosowanie bez odpowiedniego oprogramowama komputerowego.

W rozdziale drugim omówiono zagadnienia

związane

z projektowaniem

układu

ekspe- rymentu. który stanowi

podstawę obliczeń metodą

eonjoint analysis.

Rozdział

zawiera

sformułowanie

problemu badawczego,

przykłady zagadnień

badawczych, uwagi

dotyczące liczebności

próby oraz

charakterystykę

metod gromadzenia danych. Zamteszczono w nim ponadto procedurę generowania układu eksperymentu oraz prezentację metod estymacji parametrów modelu eonjoint analysis.

W rozdziale trzecim zaprezentowano przykład zastosowania procedury conJomt analy- sts w analizie danych marketingowych. Przedstawiono analizę preferencji 7..awierającą wy- niki estymacji utyteczności cząstkowych. analizę symulacyjną wanantów nie będących

przedmiotem oceny ankietowej oraz studium segmentacyjne.

W rozdziale czwartym zamieszczono

charakterystykę języka poleceń

SPSS. który sta- nowi narzędzie umożliwiające efekt}wne korzystanie z pakietu statystycznego SPSS for

~ Pr1cgląd a~Stosownr\ tychlc metod

w

badamach marketingowych 73\\icroj'l proce Wolesiaka 11993: 19961

Mclod) Sl:li)'Styczncj analizy '' iclowymiarO\\cj oru 1cori1 ro1pom:mama obr1116'' omow1one sq m m

w

pracach

JOJU!l-1 (

1990, 1993)

8 _{W step}

Wmdows. Przedstawiono te polecenia i

przykłady

ich stosowania, które

są niezbędne

do realizacji

badań

marketingowych

metodą

eonjoint analysis.

Pracę

zamyka bibliografia przedmiotu oraz indeks rzeczowy.

Do wszystkich

obliczeń

zamieszczonych w pracy wykorzystano pakiet statystyczny SPSSfor Windows 95 ver. 7.5.1. W

szczególności

korzystano z

modułów

SPSS Base™ oraz SPSS CategonesJ!.. ver. 6.1.

Praca stanowi przyczynek do popularyzacji stosunkowo mało znanej i jeszcze rzadziej wykorzystywanej praktycZtlie w Polsce metody eonjoint analysis. Mote

słuzyć

pracowni- kom naukowym i studentom uczelni i

wydziałów

ekonomicznych oraz pracownikom dzia-

łów

marketingowych

przedsiębiorstw

jako kompendium wiedzy na temat procedury con-

JOmt analysts oraz

moiliwości

i warunków jej stosowania w badaniach marketingowych.

1. METODA CONJOINT ANAL YSIS JAKO NARZĘDZIE BADAŃ MARKETINGOWYCH

1 .1. Wprowadzenie

CcmJoint analysis (conjoint measurement), nazywana w

polskojęzycznej

literaturze przed- miotu addytywnym pomiarem

łącznym

[Coombs, Dawes i Tversky (1977)), pomiarem

w idoczynnikowym [Kaczmarczyk ( 1995)] , pomiarem

łącznego oddziaływania

zmiennych ( Walesiak (1996)),

analizą

kojarzenia cech [Mynarski ( 1996a: 1996b)],

analizą

skoJarzen [Kotler ( l994)]1ub

analizą

eonjoint

[Mazurek-Lopacińska

( 1996))', nalezy do grupy metod klasyfikacji i analizy danych opartych na tnv.

podejściu

dekompozycyjnym.

Metoda eonjoint analysis

została

pierwotnie zaproponowana na gruncie badan psycho- metrycznych. PcC::;,awowym

założeniem

metody eonjoint onalysis, wykorzystywanej w ba- daniach marketingowych, jest prezentacja respondentom (w formie ankiety) zbioru obie- któ\., (produktów lub

usług,

rzeczywistych albo hipotetycznych) opisanych wyselekCJO- nowanymi atrybutami (zmiennymi

niezależnym

i) w celu uzyskania infom1acji o

całkowitych

preferencjach

odnośnie

do tych obiektów (zbiór

wartości

zmiennej

zależnej).

Na podstawie zgromadzonych ocen

(użyteczności całkowitych}

respondentów dokonuje

się podziału

(dekompozycji)

całkowitych

preferencji poprzez obliczenie

udziału każdego

z atrybutów w oszacowanej

całkowitej wartości użyteczności

obiektu.

W zastosowaniach marketingowych metoda eonjoint anolysis służy do pomiaru prefe- rencji konsumentów

względem

produktów opisanych wektorem zmiennych, które mierzone

są

na skali nominalnej (w analizie

pełnią

one

rolę

zmiennych

niezależnych).

PreferencJe konsumentów (zmienna

zależna)

mierzone

są

na skali

porządkowej, przedziałowej łub

ilo- razowej.

W rezultacie zastosowania metody conjoinr onal)lsis otrzymuje

się współczynniki uży­

teczności cząstkowych⁴

wykorzystywane w badaniach marketingowych w celus:

3 _Z powodu braku jednoznaczności w tym względzie

w

ksiątce utywany jest konsekwentnie termrn orygrnalny - con)Otnl

onołysu

4

Pojęcic to zdefiniowano w dalszej c.tęści pracy

s Zob. Hair, Andcrson. Tatham i Black C 1995); Ant ula, van den Heuvel i MOlier C 1980)

10 _l . Metodo con;omt onol)·su;oko nor=t;d:tt boda1i morketmgowych

a) zdefiniowania produktu lub

usługi

o optymalnych charakterystykach,

b) określenia relatywnej wamości każdej zmiennej przy wyborze produktu lub usługi

przez

nabywcę,

c)

określenia użyteczności każdego

poziomu danej zmiennej,

d) oszacowania (prognozowania) udziału w rynku wybranych produktów lub usług,

e) segmentacji rynku.

1.2. Charakterystyka komercyjnych zastosowań metody eonjoint analysis

Od początku lat siedemdziesiątych [por. Green i Srinivasan (l 990)) metoda ta stała się

jednym z podstawowych narzędzi pomiaru preferencji nabywców w zakresie wyboru spo-

śród produktów i usług opisanych wieloma zmiennymi Według szacunków WiUinka i Cat- tina (l 989) rocznie w latach osiemdziesiątych dokonano ponad 400 komercyjnych zastoso-

wań tej metody. W latach siedemdziesiątych łączna liczba zastosowań komercyjnych tej metody wynosiła według szacunków Cattina i Wittinka ( 1982) ponad l 000. Zastosowania te obejmowały takie dobra i usługi, jak [Green, Tuli i Albaurn ( 1988), s 628]

- dobra konsumpcyjne trwałego u2ytku (np samochody, aparaty fotograficzne i kamery filmowe, opony dla różnego typu samochodów, mieszkania, różnego typu akcesoria);

- dobra konsumpcyjne nietrwałego utytku (np. szampony do włosów, mydła, paliwa,

środki czystości);

- usługi finansowe (np. karty kredytowe, polisy ubezpieczeniowe samochodów, polisy ubezpieczeniowe na

życie,

karty

stałego

klienta);

- inne usługi (np. usługi telefoniczne, usługi medyczne, agencje zatrudnienia. usługi

hotelowe,

wypożyczałnie

samochodów);

- dobra

przemysłowe

(np. kopiarki, drukarki, komputery osobiste.

urządzenia

do prze-

syłania

infonnacji);

- transpan (np. lotnicze linie krajowe, lotnicze linie transkontynentalne, przewóz pa-

saterów i towarów w transporcie kolejowym) .

1.2. Chorokttrysl)lka komtrC)Jnycll

zastosowań

metody eonjoint analysts 11

Tabela l l PodstawO\\C charakterystyki komercyJnych zastosowan metody

conJOtnl

ona/ysts

Odsetek zastosowail w

Krytenum EwopiC USA

(hp1ec 1986 - (st)'CZCl11981 -

czti'WICC

1991 )

lti'U<Izleń

1985) l KATEGORIA PRODUKTU LUB USLUGI

Dobra konsumpcyJne 54 ₅₉

Dobra przemysiowe 17 18

Uslug1 finansowe 14 9

Inne

usługi

13 9

Inne 2 s

2 CEL BADANIA•

Ustalenie ceny 46 38

IdentyfikacJa nowego produktu (koncepcji produktu) 36 47

Segmentacja rynku 29 33

Analiza

konkurencyjności

22 40

Przemieszczanic produktu na rynku 13 33

Reklama 2 18

Kanały

dystrybUCJI

⁾⁽

s

3 METODY GROMADZENIA DANYCH

Wywiad osobisty 44 64

Metoda komputcrowo-mterakcyJna 42 12

Wyw1ad telcronlc2Jly 7 8

K \\CSLionarausz

wysyłany pocztą

3 9

KombinacJa k1lku metod 4 7

4 SKALA POMIARU ODPOWIEDZI RESPONDENTÓW

Skala ocen 70 49

Rangowan1e 22 36

Porównywamc patami s 9

Inne 3 13

S METODA ESTYMACJI

Metoda najmnieJszych l.;wadntów

wykorzystująca

zmienne sztuc2ne 59 54

Mono1omc2na anahza wat•anCJI 15

łl

Model lognowy 7

li

Inne 19 24

• W danym badam u mot.e

być

rcalizowllllych

jednocześnie

klika celów, dlatego suma odsetek przekrac2.ll 100

x - ta kategona me

występowała

w lym badan1u.

lrodlo; Opracowanie

własne

na podstawie prac: W1tllnk, Vnens 1 Bulilenne ( 1994): W1Umk 1 Cattm ( 1989)

12 _{l Metoda}

CO'!JOifll

anaiJ'SISJalco

nan11d:u~

badan marlcetmgowych

Cattin i Wittink ( 1982), Wittink i Cattin (1989) oraz Wittink, Vriens i Burhenne ( 1994) przeprowadzili badania ankietowe w USA i w Europie, których celem było zbadanie ko- mercyJnych zastosowań metody eonjoint ana/ysis ze względu m.in. na:

-

kategorię

produktu lub

usługi,

- cel badania.

- metody gromadzenia danych,

-

skalę

pomiaru odpowiedzi respondentów, -

metodę

estymacji,

- wykorzystywany pakiet statystyczny.

Podstawowe charakterystyki komercyjnych zastosowań metody eonjomt ana/ys1s przed- stawia tab. l l

Rozwój techniki komputerowej stwarza znakomite warunki do popularyzacji i po- wszechnego.

również

komercyjnego, stosowania metody eonjoint analysis. Efektywne wy- korzystanie tej metody nie jest bowiem

możliwe

bez odpowiedniego, specjalistycznego oprogramowania komputerowego.

Pośród

programów komputerowych

zawierających

implementacje algorytmów eonJoinr

una~~'SI.r

do najbardziej popularnych

należą:

SPSS Categories®, Adaptive eonjoint Analy- sis firmy Sawtooth Software, pakiet programów eonjoint ana/ysis firmy Bretton-Ciark, PG MDS. lntelligent Marketing System's oraz pakiety opracowane w

ośrodkach

naukov.'Ych, które wniosły ogromny wkład w rozwój metod eonjoint ana/ysis i skalowania wielowymia- rowego, a

więc

Bell Laboratories w Murray Hill i Michigan w Ann Arbor.

Większość

opro- gramowania przeznaczona jest do wykorzystania na komputerach klasy IBM/PC

pracują­

cych pod

komrolą

systemu MS-DOS lub Windows. a niektóre z nich

funkcjonują

równiez w systemie UNIX.

1.3. Procedura eonjoint analysis

Cmyomr ana(1.ris nie jest w rzeczy\\

istości

precyzyjnie

zdefiniowaną metodą badań,

ale

tłoi.oną

z wtelu elementów

procedurą badawczą,

w której

mogą być

stosowane alterna- tywne tcchntki estymacji parametrów i

różnorodne ścieżki

analizy danych. Rodzi to okre-

ślone

reperkusje i

trudności, polegające

przede wszystkim na

konieczności

wyboru

między możlh\'Ymi

klerunkami

postępowania

w sytuacji. w której brak jest jednoznacznych kryte- riów rozstrzygających o ich hierarchii.

Decyzje w tym

względzie

nic

są łatwe,

ponicwaz

własności

fonnalne i obliczcniowe (numeryczne) poszczególnych metod i technik oraz ich rozmaitych konfiguracji nic

sąjcsz­

czc w

wystarczającym

stopniu rozpoznane, lecz

stanowią

przedmiot

badań

(m .in. w ana-

l 3.

Proc~dura

conjamt ana/ysts 13

łizach porównawczych tych własności wykorzystuje się metody i techniki symulacyjne. np.

metodę

Monte Carlo).

Typowa procedura eonjoint analysis srosowana w badaniach marketingowych obejmuje etapy przedstawione na rys. 1.1.

Specyfikacja 2miennych (charakterystyk ob1ektu)

Określenie

po21om6w dla ZJmennych

Wybór typu modelu

Wybór metody gromadama danych

Analiza danych

lntcrprclaCJo wymkow

Zastosowanie

w 7ar7.ądLaniu

morkc:tingow}m

Rys 1.1. T) powa procedura con;oint onalnu .lródlll t:.1•racowan(l na ('O<bta\\ ic pracy Antuli, lleuvd3 i Mi>llcra { 1980).

~

-lO l

W procedurze conjoim analysis

\\}Tóżnia się

pewne etapy

badań,

z których kazdy wy-

maga

ro7.strzygnięć

decyZ)jnych. podejmowanych w S}tuacji braku precyzyjnych kryteriów

tom1alnych. Do podstawowych kroków ogólnej procedury conjomt ana(l·sts zalicza się

następujące !por. Grccn i Srinivasan (1978), s. 105; Cook (1987). s . ::!6}:

14 _l

_M~todo

eonJOint onolystsjolco nor:cd:tl!

badań marlc~ttnROII)'Ch

- wybór posraci modelu preferencji (np. model liniowy. model kwadratowy, model

ur.yteczności cząstkowych,

model mieszany),

- wybór metody prezentacji danych (np. metoda wszystkich profilów wyboru. metoda prezentacji par atrybutów, metoda porównywania parami),

!definiowanie zbioru wariantów (obiektów) dl1t metody wszystkich profilów (np.

układ

C?ynnikowy,

układ częściowo

czynnikowy, próba losowa

rozkładu

wielowy- miarowego).

- określenie formy i sposobu preze."'la<:ji atrybutów (np. opis słowny, forma graficzna, model trójwymiarowy, produKt tlzyczny),

- określenie skali pomiaru zmiennej zalernej (np. metoda porównywania parami, me- toda stałych st•m. :.kala r.mgowa, skala pozycyjna).

- W}bór mett?ly estymacji parametrów

(użyteczności cz.ąstkowych)

modelu (np. kla- sycL.na 'r:~~~da najmniejszych kwadratów ze zmiennymi sztucznymi, regresja wielo- krotna, Algorytm Johnsona, LINMAP, MONANOVA. PREFMAP).

1.4. Pakiet statystyczny SPSS for Windows

Pakiet statystyc7Jly SPSS for Windows firmy SPSS Inc. (USA) jest profesjonalnym progra- mem komputerowym przeznaczonym do realizacji zarówno prostych. jak i bardzo złożo­

nych obliczen statystycznych. ekonometrycznych i matematycznych. Pierwotnie program

był

opracowany i przeznaczony do wykorzystania w

dużych

systemach komputerowych.

W związku z ogromną popularyzacją oraz dynamicz.nym wzrostem mocy obliczeniowej komputerów osobistych klasy IBM PC opracowano w połowie J at osiemdziesiątych pierw- sze wersje programu przeznaczone do wykorzysrania na tego typu kompUierach. Od tego momentu

powstało

wiele wersji pakietu

pracujących

pod

kontrolą

sytotemu operacyjnego DOS oraz w srodowisku Windows. Aktualnie program SPSS mote

być

wykorzystywany na taktch platformach systemowych jak Windows 95, Windows 3.x, Windows NT. DOS.

UNIX i Macintosh.

Program SPSS składa się z modułów. w których zgrupowane są rozmaite procedury sta- tystyczne oraz usługowe Zarówno zbiór algor}1mów obliczeniowych. jak i elementy usłu­

gowe programu są w kolejnych wersjach pakietu sysrematycznie rozwijane. rozszerzane

i doskonalone. Modularny charakrer pakietu stwarza motliwość elastycznego dostosowania 1estawu

dostępnych

algorytmów statystycznych do specyfiki prowadzonych

badań.

Bardzo bogaty zestaw dostępnych w pakiecie SPSS procedur klasyfikacji, analizy i prezentacji danych umozliwia jego wykorzystanie w badaniach socjologicznych, psychologicznych.

biologicznych. medycznych, statystycznych, ekonomicznych, marketingowych i innych.

/ • .J

Palaetstatysryc:nySPSSfor Wmdows 15

W najnowszej wersji programu SPSS for Windows 95 oznaczoneJ numerem 7.5 ofero- wane są następujące moduły: SPSS Basen-l, SPSS Advanced StatisticsTM, SPSS Professio- naJ Statistics™. SPSS Tables™. SPSS Exact Tests™. SPSS Categories®. SPSS Trendsn.•.

SPSS CHAJDTM, SPSS Neural ConnectionTM. SPSS AMOS. SPSS Missing Values Analy- sisTM, SPSS DlAMON D™. Ponadto z pakietem

współpracują

takie programy Jak: Remark Officc OMRT

^{114 ,}

Ql Analyst™. Teleform® for Windows, Maplnfo®. aiiCLEARTM for Win- dows SamplePowerTM oraz CLEARTM Process.

W wyszczególnionych

modułach

pakietu zaimplementowane

są

m.m takie procedury statystyczne jak: statystyki opisowe. tabele

częstości

t konryngencji, eksploracyjna analiza danych, analiza wariancji i kowariancji, analiza czynnikowa, analiza regresji, analiza dys- kryminacji, analiza korelacji, metoda eonjoint analysis, metody skalowania, analiza kore- spondencji, metody analizy skupień. miary podobieństwa (odległości i bliskości), testy statystyczne, analiza szeregów czasowych i prognozowanie. modelowanie za pomocą sieci neuronowych. konstrukcja modeli strukturalnych. metody szacowania brakujących wanosci i inne.

W pakiecie dostępne są ponadto narzędzia usługowe umożliwiające przygotowywanie i przekształcanie danych. import i ekspon danych, tworzenie grafiki prezentacyjnej. Pro- gram v.')'korzystuje ponadto standardowe techniki dostępne w środowisku Windows. takte jak ODE, OLE, ODBC i ActiveX. oraz jest wyposatony w mechanizmy

integrujące

pakiet

z

siecią

Internet.

Do instalacji i sprawnego funkcjonowania podstawowego modułu pakietu wymagan)

jest komputer z procesorem co najmniej 486 łub Pcntium, pamtęcią operacyjną RAM 16

MB. czytnikiem CD-ROM. dyskiem twardym o wolnej przestrzeni co najmnieJ 55 MB oraz

systemem operacyjnym Windows 95

łub

Windows NT

2. PROJEKTOWANIE UKŁADU EKSPERYMENTU W METODZIE GONJOINT ANAL YSIS

2.1. Problem badawczy

Przy wyborze produktu nabywca bierze pod

uwagę różne

jego cechy (charakterystyki).

dlatego '' badaniach można traktować każdy produkt jako wielov;ymiarowy obiekt. Badacz

określa w1ęc

dla danego produktu lub

usługi

ich podstawowe charakterystyk i oraz

sporzą­

dza

listę

1ch poziomów

waności

(wariantów,

przedziałów zmienności).

Na

początku każdego

roku akademickiego studenci

stają

przed problcm-:m wyboru miejsca 1 warunkow zakwaterowania.

Rozważane są

wowczas

rózn~

mozliwe wanamy.

W przcprow<'dzonych badaniach

każdy

wariant zakwaterowania o, ... y

był

przez

sześć

Imiennych ( Z

₁

- Z

^{h ) • :}

z. Miejsce zakwaterowania: Z!

-Opłata

za l

miesiąc:

z,

Dostępność

akademik, - [l 00-150). kuchni:

stancJa. - [ 150-200), tak,

- (200-250). - nie.

z. ^Swobodny

^dostęp

^{do z~} - Ltcz.ba osób w z"

^Odległość

^od

lokalu· pomieszczentu: uczeln1·

- tak. - jedna. przy uczelni.

- nie. -dwie, - niedaleko·.

-trzy. - daleko•.

c.

W oprnco\\antu \\)korzystano dane

1

W}nil..t ZM1ieszczone \~ art)kule Walesiak

1

OZJechctan: t

1997)

7 Czas doJ~CUI lub dojudu do uczelm ponit.cj 30 mm

1 Czas dOJ~eia lub dojazdu do uczelni poWylA:J 30 mm

: .'!.

l'ą·ldady

uybranych probll!mów

huuu~rc:nl:

17

W celu poznania preferencji studentów przy wyborze formy zakwaterowania w okresie studiów badaniem

objęto

113 studenrów Akademii Ekonomicznej we

Wrocławiu.

Badanm ankietowe przeprowadzono w roku akademickim 1996/1997.

Na podstawie wyróznionych zmiennych oraz

odpowiadających

im poz1omow mozna

utworzyć

zbiór hipotetycznych form zakwaterowama w okres1e studiow. Ich liczba Jest iloczynem l1czby poziomów wszystkich zmiennych

opisujących

warmnty warunków za- kwaterowania. W analizowanym projekcie wyrózniono 6 zm1ennych odpow1edn1o o::!. 3.

~.

2. 3 1 3 ich poziomach.

otrzymując lączme

216 hipotetycznych wariantów warunkov. za- kwaterowania l2x3x2x2x3x3)

Ponieważ

jednak respondent nie jest w stame

ocen1ć

tak w1elu wariantó-.-.. zwykle ograntcza

s1ę

ich

liczbę

do pewnego podzb1oru lwyroznioncgo arburalnie lub utworzonego przez zastosowanie specjalnych procedur statystycznych).

2.2. Przykłady wybranych problemów badawczych

Przykład

l [W alesiak ( 1996). s. 90]. Firma Goodyear zamierza

wprowadzić

na

^l)

nek

nową oponę samochodową.

Wymaga to rozpoznania preferencji potencjalnych nabywców. Kazda opona samochodowa opisana jest charakterystykami:

Z, Cena: Z~ -Kolor:

-50$.

-biała.

-60$ -czarna.

- 10$.

z - Producent:

Z~

-

Zywotność

opony:

- Sears, - 30 tys. km.

Goodycar. -40 tys. km.

- Goodrich. -50 tys. km.

Przykład

2 (Dziechctarz i Walcstuk ( 1997). s. 146]. Kierownictwo

szkoły

zamtcrz.a uru-

chomić nową szkolę policealną

Rozwazanc

są

róznc warianty

kształcenta

poltcealncgo.

Kazdy wanant

szkoły

opisany jest przez

ptęć

zmiennych:

Z Czas trwania nauki - rok.

- dwa lata

L~ Tytuł

zawodo-..,)':

- tak,

- OIC

Z! - Liczba godzin zajęć:

- 20 godzin rygodn1owo.

- 30 godzin tygodniowo

z~

Cena za

mtcsiąc

naukt.

-:!50

zł,

- :WOzi, 150

zł.

Z - Forma

Z<IJI,:Ć

- dzienne.

- Wieczorowe.

18

_~.!'ro;ektoH"ome

11Mad11 eksperyment11

^11"

metod=te eonJOint analysts

Przykład

3 Kierownictwo finny

organizującej

kursy na prawo jazdy interesuje rozpoznanie preferenCJI nabywców ich

usług. Różne

fonny kursów optsane

są

przez

pięć

zmiennych;

l

₁

Cena za kurs bez egzaminu:

450

zł.

500

zł,

550

zł

Z! - Godziny jazdy z instruktorem:

- 20 godz. ..

26 godz.

l Czas trwania kursu:

4 tygodnte,

z. - Warunki

płatnoset

Z,

Częstotliwość 7.ajęć

- 2 razy w tygodniu.

-

wpłata

jednorazowa.

S rygodm - rat) . - 3 razy w tygodniu.

Przykład

4 Na

początku każdego

roku akademickiego studenct

stają

przed problemem

\\ ) boru mtejsca

¹

warunków zakwaterowania. Rozwat.ane

są

wówczas

ró~e możliwe

wa- rianty zakwaterowania opisane przez zmienne ( Z

1 -

Z s )

Z, Miejsce zakwaterowania:

akademik.

hotel.

-stancJa

Z~ Swobodny dostęp do lokalu:

- tak.

- nic.

Z~

- Liczba

współlokatorów·

- 0.

- l.

- 2.

ZJ - Opłata za l miesiąc:

- [90- 120), - [120-150).

- [l SO-l 80).

Z, - Swobodny dostęp do telefonu : - tak.

- nie.

Przykład S [Churchill ( 1995), s. 505]. Pewna firma przed wprowadzeniem na rynek nowego Lapar1.acza do kawy postanowiła rozpoznać preferencje nabywców względem atrybutów

opiSUJących tego typu urządzenia:

Z,

Pojemność:

- 4 tilit.anki.

- K

filiżanek.

- l O filit.anek.

Z. - Cena·

- 18$, - 22$, - 28$

Z

₁

Czas zaparzanta:

- 3 min ..

- 6 min .•

- 9 min ..

- 12min.

19

2.3. Suges tie dotyczące niezbędnej liczebności pró by

Według. szacunków Wittinka i Cattina ( 1982) próba powinna obejmować od l 00 do l 000 •, respondentów. przy czym za

typową

nalety

uznać próbę

od 300 do 550. Na podstawie komercyjnych

zastosowań

tej metody na rynku

amerykańskim

i zachodnioeuropejskim Wittink i Cattin (1989) ustalili.

że

mediana

wielkości

próby

wynosiła

300 elementów. O ile

w1clkość tę można uznać

za

zasadną

dla rynku dóbr i

usług

konsumpcyjnych. o tyle d l a rynku dóbr 1

usług

produkcyjnych dopuszczalne

będą

próby mniejsze od l 00 elementów.

2.4. Metody gromadzenia danych

Matcnalem badawczym wykorzystywanym w eonjoint analysts

są

dane marketingowe uzy- sl..lwane

najczęściej

w wyniku badan ankietowych Pozyskiwanie danych stanowi jeden z

głównych

problemów ....

całej

procedurze

badań.

Wybór metody gromadzenia danych determmuje bowiem

złoŻOność obliczeniową

zadania estymaCJI parametrów w modelu caiiJOmt ano/ysis. a przez to określa charakter możliwych do zastosowama technik szaco- wania wartości utyteczności cząstkowych. Metoda gromadzenia danych ma również decy- dujący wpływ na poziom wiarygodności ocen dokonywanych przez respondentów

Wynika to z faktu, iż przy dużej liczbie atrybutów i dużej liczbie ich poziomów (warto- ści) znacznie rośnie liczba możliwych kombinacji przedstawianych respondentowi w celu uszeregowania rangowego. Pojawia się w takim przypadku problem zdolności percepcji i

rzetelności wskazań

(rangowania) dokonywanych przez respondentów, co ostatecznie moze

zawatyć

na wynikach

badań

i ich

wartości

poznawczej.

Problematykę związaną

z przygotowaniem danych oraz wyborem metody gromadzenia danych ilustruje rys. 2.1 . W procesie przygotowywania badan rynkowych i na etapie gromadzenia danych marke- tmgowych niezbędnych do zbudowania modelu conjomt onalysts istotną rolę odgrywa eks- peryment oraz technik• planowania eksperymentów. Eksperyment jest. jak wiadomo. waż­

nym uódlem poznania i

środkiem

gromadzenia wiedzy we wszystkich naukach

doświad­

czalnych

Pojęcie

eksperymentu lub

doświadczenia

oznacza celowe

wywołame określonego

ZJaWISka oraz

śledzenie

i pomiar skutków jego przebiegu.

Podstawowym celem tych

działań

jest zdobycie wiedzy o analizowanym proceste. a v ..

szczególności określenie poziomu reakcji na wprowadzane bodtce lub zmiany wartoset cech. weryfikacja postawionych hipotez badawczych oraz wyodrębmenie najważniejszych aynnil..ów. kształtujących dane zjawisko. Ze względu na intuicyjne

¹

potoczne skojarzenia

dotyczące

eksperymentu i

związanych

z nim aspektów

formułowane są

na

użytek różnych

dziedzin nauki precyzyjne

określenia

lub definicje tego terminu. Rasch

1

Herrendi5rfer

( 1991) sformulowali na gruncie statystyki

następujące

definicje

doświadczenia

oraz staty-

stycznego planu doświadczenia.

20 _J

Projektolramf!

ulilodu

d.fpł!f')lllf!llllt

w

ml'lod:ie conJOiflf uno/ysts

Wybór Oli) butO\\ l ICh

GcncrO\\ an1c zb•oru

w;mnntO\\ 1

obiel..

to\\ t

R" 1 l J>roccJura !;romadl.:ma danych do moddu

COilJOIIII IIII• I~! St.f /lll<łlo

ll:m ,\nokrsnn.

'latham 1

Black

11995l.s

55(.-557

.' .J

\letod)' Rromad:t!ma darryr::h 21

,.Pod

pojęciem dośuiadc=eme⁴ będz1emy

rozumieJ i

celowe

działanic

ludzi na

część

obiektywnej

rzeczywistości.

przy czym wyniki tego

działania są

zapisywane (doswiadczcnic w

węzszym

sensic ).

- obserwacje jednego lub wielu obiektów dobrze zdefimowancj populacji (obserwacja.

pomiar).

Dośwmdczenic. którego kolejne etapy zalet.ą częśc1owo lub całkowicie od wyn1kO\\

otrzymanych

wcześniej

w tym

doświadczeniu,

nazywamy .'ielot•encytn.\'111. JeLeli wynik do-

S\\

iadczcnia z.alcZ} od czynnika losowego. to mówimy o do.fw/(Jdc:=emu slotYSf.l'c:nym.

( l Stmi'Sll'c:ny plan doświadczeniu lub ^11klad doświadc:ema .JCSt to zbiór ^reguł. mó-

wiących o przeprowadzeniu doświadczenia statystycznego. w którym pomm1ęte są aspekt}

nic mające wpływu na analizę doświadczenia. względnie nie brane pod uwagę w modelu.'' Podcjmowane w praktyce analizy i badania naukowe z wykorzystaniem technik• ekspe- l")mcntu

wymagają sporządzenia

planu

badań.

w którym

określa się

m.in. cel badan. zrodla danych statystycznych.

organizację

eksperymentu. metody analizy danych oraz metody ana- lizy, oceny i WCI") fikacji uzyskanych wyników. Propozycję statystycznego planu tukładuJ

eksperymentu przedstawia rys. 2.2.

Eksperyment

może być

równie z. przy zachowa n i u pewnych

reguł

i wymogo" staty- stycznych. uzytccwym

narzędziem badań

w naukach

społeczno

ekonomicznych. w tym

w badaniach markctmgowych. Na pewne ograniczenia i trudności związ.ane z realizacją

eksperymentów na gruncie nauk spolcczno ekonomicznych

wskazał

Stcczkowski ( 1995).

rksperymenty wykonywane w ramach badan marketingowych lub na potrzeb) analizy rynku

mogą być

sztuczne (np. laboratoryjne lub symulacyjne)

bądż

naturalne lnp testowa- me produ"-IU.

sprzedaży

lub rynku).

Fkspcry·mcnt 1 rót.norodne schematy planowania doświadczcli znaJdug zastosowanie w proces1c przygotowywania danych do modelu eonjoint unal\'.\1.\ na etapic gcnerowama tbioru obiektów (produktów lub

usług)

przedstawianych respondentom w celu uzyskania infonnac;1 o ich preferencjach. Rodzaj wykorzystywanego w tym przypadku schematu pla- nowania eksperymentu jest zdeterminowany wybranym sposobem prezentacji danych (atl)- butów i ich poziomów) badanej populacji lub próby statystycznej pobranej z danej popu- lacJi

W literaturze przedmiotu z zakresu ^conjoim

ww~\'51.1"

wymienia

$ię najcz~ścicj następu­

i<lCC metody prCicntacji danych:

-

metodę

wszystkich profilów\\) boru (ang. f u/1-projile met/wc/lub ;itll

c.·oncł!pt

mer- /weN":

'i

\\s1)51~i\! \\~rb1111~11ta ~lUS)\\<1

\\'

pti)I~Jon~n' łr.lgłU(f\(1~

l:\

C~hl\\an.l

J'r:lcq

lt,L,ch

1

llcm:rułilrh:r 11'1'11 l

10 \\ Jl;II.ICCIC

SI' SS

for

Wmdou·.r talmJllclll~nto\\

ano J'IO<kJ,CIC'

ful/

COIICI'J'f

m~tlmd

22

: Pro;daou·orm: 11Had11 ti.SJ~rymt!f/111

u·

1111!/0tbe COilJOIIII ono/ysts

metodę 1-.orzyslaJącą z macierzy kompromtsów nazywaną rowniez metodą prezenta-

CJI

dwoch atrybutów jednocześnie (ang. t rade· oJ! matrix approach lub two ·dllribu- te.\ at a 11111e approach);

me10dę

porównywania wariantów (obiektów) parami (ang. method oj poired compa- nsml,\' ).

Stac:hum

prr,gotO\\an

S1J<11um n:ahz.aq1

Stalł1um

ocen

Sfonnułowan1e probł~mu

ł'roJcla

eksperymentu

Przygo1owan1c dan\ch

Orgaml~CJa

eksperymentu

Annlwl danych

Anahl.o

1

occnn wymkow

R)s .:! 2. Ul.. lad cl..spel)mentu

l'wdh>

t>prnco,,amc

''l~nc

na podstaw1c: 1-:acnnarcl)k

(1995).

t-..uhkowsl..1

(19931: M)~7ka (1991

l

Vnens

¹

Wittink ( 1994) wskazali na

zachodzące między

wymienionymi metodami gro-

madzenta danych pewne szczególne implikacje.

będące

ntekiedy

źródłem niescisłości

ter-

23

minołogicznych.

Metoda porównywania param• moze

być

mianowicie specyficznym

prz~­

padkicm metody

korzystającej

z macierzy komprornisow Ma to miejsce wowczas. k1edy pary prezentowanych respondentom do oceny obiektów op1sanc

są

tylko dwoma atrybutami.

Metoda porównywania parami może być równici szczególnym przypadk1cm metod}

wszystłdch profilów wyboru. Taka sytuacja zachodzi wówcz.as. kiedy obiekty prezentowane respondentom do oceny parami opisane są wszystkimi atrybutami.

Metoda wszystkich profilów wyboru obejmuje zbiór wszystkich mo.cllwych wanantóv.,

będących kombinacją atrybutów i ich poziomów. Liczba prezentowanych respondentowi wanantow jest równa iloczynowi poziomów poszczególnych atrybutów 1 moze

przyJmować duże wartości

{tzn

przekraczające mozliwości

precyzyJnej oceny)

'W metodzie wszystkich profiló'' wyboru respondent dokonuje oceny przedstawionych mu wariantów \\ zakresie:

określenia porządku rangowego ocenianych wariantów zgodn•c z "lasnym1 prefe- rencjami

wyrażanymi

na podstawie zaprezentowanych mu atrybutÓ\\ 1 1ch pozio- mów:

określenia względnej atrakcyjności przedstawionych mu wariantów np. na skali po- zycyjnej.

Do pozytywnych cech tej metody

zaliczyć nałczy

przede ws7.ystkim przedstawienic re- spondentom do oszacowania obiektów charakteryzowanych wszystl..imi wy branymi atr') bu- tami jednocześnie. Jest to sytuacja. z którą konsument styka s1ę " rzeczy,, istości. dokonu-

Jąc określonych wyborów wśród produktów (usług) dostępnych na rynku Prezcmując

wszystkie atrybuty jednocześnie uwzględnia się ponadto występujące między nimi interak- cje. które mogą generować pewne efekty synergiczne. niewidoczne w innym przypadku.

Wśród

zalet tej metody vrymienia

się również mozłiwość

wyboru skali pomiaru

wartości

zmiennych niezależnych. ponieważ pomiar może być przeprowadzony na skali porządko­

wej,

przedziałowej

lub ilorazowej. Za

najpoważniejszy

mankament metody uznaje

c;ię

na- tomiast

ograniczoną

co do liczby

wielkość

zbioru atrybutów i poz•o•nów

uwzględnianych

w projektowanym eksperymencie. Restrykcje

zwią7.ane 7

ro7.miarem eksperymentu

są szczegółnic

istotne,

jeżeli

zamierza

się uwzględnić

kompletny zb•ór wszystkich

mozłiwych

kombinacJi atrybutów 1 ich poziomów. a

więc przeprowad7ić pełny

ckspel)mcm czynn•- kowy W takieJ sytuaCJI zaleca

się

ograniczenie liczby atrybutów do 6

Jezcł1

z powodO\\

mcl)torycznych łub niezależnych od badacza nic mozna zredukować hczby atrybutow. to mozc s1ę okazać,

l l

liczba otrzymanych wariantów JCSt bardzo duza W takim przypadku stosuJe się techniki redukujące rozmiar eksperymentu rynkowego. wykorzystując układy

częściowo

czynnikowe znane w analizie wariancji (np .

układ błokO\\

l..omplctnic losowych.

układ l..wadratu łacińskiego. układ kwadratu grecko-łacińskiego 1tp.)

Metoda korzystająca z macierzy kompromtsów polega na prezentowaniu respondentom

do oceny par atrybutów w formie tablic dwu,vymiarowych (macierzy). Liczba kolumn ma-

cierzy jest równa liczbie poziomów pierwszego z atrybutów, natomiast liczba wierszy od-

powiada liczbie poz.iomów drugiego z atrybutów. Rozpatrywane

są

w ^ICJ metodzie wszyst-

kie mozllwc pary atrybutów. co oznacza.

że

w przypadku ogólnym m wyselekcjonowanych

24 _:!

Pro;drou·amł!

rtUadu

~hfl('l')llltllfll u·merod=te COII/OIIII Ollaly:st.r

:Jtl)butow otrzymuJe się m(m-1 )!2 macierzy. Respondent ocenia kazdą parę atrybutów nsobno.

''PISUJąc

na

przec1ęcau

kolumn i wierszy rangi

wskazujące

na Jego preferencje.

W teJ metodzie Jest

możliwe uwzględnienie dużej

liczby atl)butów, poniewaz respondent dokonuJe '' danym momencie kompromisowego rangowama kombinacji otrzymanych na skutek .r.csta\\ 1cn1a tylko dwóch atrybutów. Do wad teJ metody zalicza się wynikającą z jej istoty sttuczność. polegającą na tym, że respondent musi ocenmć obiekt w poszczególnych 1-.rokach ankiety na podstawie fragmentarycznych informacji (wyłączając skraJny przypa- dek. kiedy wyselekcjonowano do badań tylko dwa atrybuty). W rzeczywistości bowiem obiekt ^dostępny na rynku postrzegany Jest przez konsumenta .Jako obraz ^będący rezultatem

\)ddlialy\\anta wszystkich atrybutÓ\\

jednocześnie

oraz interakCJI

zachodzących między

nuni Ponadto metoda ta stwarza w sytuacJi

dużeJ

liczby atl)butów

pewną ucią.diwość

dla respondenta. ktÓI)' w swoich ocenach mus1

brać

je wszystkie pod

uwagę. Może

to prowa-

J~:ić

do przeceniania znaczenia atrybutów mnieJ

ważnych

i niedoceniania rangi atrybutóv.·

ISIOlll)Ch .

Metoda porówn}· wania parami polega na prezentacji obiektów.

będących

pr:.tedm1otem

\)Ceny parami. przy CZ} m

każdy

obiekt opisany jest kompletnym zestawem atl)·butów Re- :!>pondcnt nic jest tutaj zmuszony do percepcji

dużej

liczby obiektów. ale na

każdym

etapie okreslania swoich prefcrencj i wskazuje na jeden z d\\Óch prezentowanych mu obiektó'' .

\\ Z\\

IQtku z tym, prZ) liczbie n obiektów dokonuje n{n - 1 )! ::! \\Skazari . W celu uzyskania

jcdnotnaczności

ocen respondentów postuluje

się

w tej metodzie. aby by l .. pr . cstr.t.cgana t.asada

prtcchodniości

preferencji

oznaczająca.

i.1.

jeżeli

, f>- B i D>- C to A>- C {gdzie sy m boi :.- owact.a

preferencję

lewego argumentu

względem

prawego

¹

2.5. Generowanie

układu

eksperymentu

l cchmkt planO\\an1a eksperymentów

mogą mieć

zastosowanie wówcz.as, kiedy jako metoda prezentacji obiektów wybrana

została

metoda wszystkich profilów lub metoda porównywa- nia parami. W sytuaCJI, w której stosowana JeSt metoda opana na macierzach kompromi- SO\\.

mus~:ą ~:ostać uwzględnione\\

badaniach wszystkie

możli\\e

kombinacje (pary) wyse- lekcjonowanych at!) butów (dla ^m atl)·butów takich kombinacji jest m( m - l )1 2 ). Wynika to z taktu.

~:e

w celu uzyskania oszacowania

całkowitej

utytecznosci poszczególnych warian-

10\\

musi byc znana hierarchia wszystkich at l) butów i ich poziomów. \\' przypadku metody

\\SZ)Stkich proliiO\\ lub metody porównywania parami znane

są

charakterystyki postcze-

goln}ch obiektowi albo

mogą zostać

przedsta\\ione do oceny wszystkie obiekty. albo tylko

pewien ich podtbiór. Jezeli skala

badań

nie jest dula. tzn. liczba

iltr')

butów i liczba pozio-

mow nic

są

tbyt \\)Sokie. to wówczas

mogą być

z.aprezentowane do oceny wszystkie moz-

li,,c kombinacje ^w formie eksperymentu czynnikowego . Czynnikami

są

w tym prrypadku

atrybuty, natomiast poziomy

tworzą

replikacje (zgodnie z

terminologią stosowaną

w anali-

tic wariancji).

Jeżeli

natomiast skala badar1 jest

duża

i nic jest mozliwe ani tez

poządane

25

przeprowadzenie

pełnego

eksperymentu czynnikowego. to projektowany jest eksperyment

c7ęsc1owo

czynnikowy Eksperyment tego typu obejmuje tylko

pewną próbę (frakcję)

po-

braną

zgodn1e z

określonym

schematem z.

pełnej

populacji wszystkich mozliwych kombina- cji Wybór schematu czynnikowego zalety przede wszystkim od przyjętej przez badacza postaCI modelu eonjoint analysis.

Rozważa się najczęściej

(lecz nie

wyłącznie)

jeden

1

dwóch typów modeli.

określających zalewość uzyteczności całkow1tej

od

użytecznolici c7ąstkowych:

model addytywny (efektów

głównych)

oraz model

uwzględniający

Interakcje

między atrybutami (efektów głównych i współdziałania).

Prz}

kładem

modelu addytywnego

uwzględniającego

tylko efekty

główne może być

na-

sręputący

model [por Akaah i Korgaonkar ( 1983)]:

gdzie:

l~

,.

_,l

oszacowana

uzyteczność całkowita

h-tego wariantu.

uzytcczsfość cząstkowa

k-tego poziomu i-tej zmiennej.

rl ^{jcsli k- !)'poziom i -tej zmiennej występuje} w"- tym wananCIC

x,=,

' l O ,." przcci\\1\}m przypadku n -liczba zmiennych (atrybutów).

m, - liczba poziomów i-tej zmiennej

(:!.1)

Przykładem

modelu

uwzględniającego

oprócz efektów

głównych

równiez \\')brane inte- rakCJe występujące m1ędzy atrybutami może być następujący model [por Akaah 1 Korgaon- kar ( 1983))·

IJ Hl " 11 In

v,, = 2:2: ^~· .• ^x.~'' +L: L: 2: ,.,,,x,~~~ ^(2.:!)

l ·l ł l l l l l

1 u l

gdzie

1~,

oszacowana

użyteczność całkowita

h-tego wariantu,

v,

₁₁ użyteczność cząstkowa

k-tego poziomu i-rej zmiennej.

uwzględniająca

efekt interakcji

między

zmiennymi i x j.

. _ fi jeśli efekt interakcji i x 1 występuje w h -tym wariancie

.\,, -L ^{O w} przeciwnym przypadku

" - liczba zmiennych (arrybutów ).

m, lic7ba poz1omów i-tej zmiennej.

Eksperyment

częściowo

czynnikowy zmierza przede wszystkim do redukcji liczby wa- riantów, która ma

być

przedstawiona respondentom do oceny. W eksperymentach tego rod7aju projektowanych na u~1ek badań metodami conjoim ana~)•.m korzysta się ze sche- matów stosowanych w

doświadczalnictwie

i statystyce matematyczneJ

Spośród

wielu Lna-

nych

układów doświadczeń najczęściej

w praktyce stosowane

są układy

bloków kompletnie

losowych, kwadraty

łacińskie

oraz kwadraty

grecko-łacińskie.

26 2.Pro;elito•rume ul.ludu cl..fperymentull· metod::re coryomt 011alyst:t

W pal.iecie SP<;S for Windows

dostępna

jest procedura

generująca układ

ortogonalny umol'li"

tając}' redul-eję

liczby potencjalnych wariantów przedstawianych respondentom do OCen)

Na rys. ::! 3 prl'edstawiono okno dialogowe Generate Orthogonal Destgn umozliwia-

Jącc

utwoJ7enic

układu

ortogonalnego projektowanego badania. Z menu

głównego

pro- gramu WSS nalezy

wybrać opcję

DataiOrthogonal Design!Generate.

W otrtymanym ol-nie

można wprowadzić

nazwy 7J1licnnych (w polu tekstowym Factor Name) ora7 ety kicty zmiennych (" polu tekstowym Factor Label) Imienne motna doda-

wać

(przycisk Add).

usuwać

(przycisl. Remove) oraz

7J11ieniać

(przycisk Change) Przy- cisi. File sluly do

określenta

nazw}'

1 połoLenia

pliku. w którym zostanie zapisan}' wyge- nerowan)

układ

ortogonalny eksperymentu

Można utworzyć

now) plik (opcJa Create new data file) lub 1.astąpić aktualn} plik roboczy {opcja Replace working data file) . Pole tek- stowe Reset random number seed to

słuzy

do ustawienia

pożądanej wartości

Larodka generatora liczb losowych w przedziale od O do 2 000 000 000

-·:Generale Orthogonal Design ł3

Factor tfame: lkwatera

F actor .la bel: .-l M -ie-js_c_e_z_ak_w_a_te-,-ow-6-nr- .a - - - -

!f' l

l

Aemove l

Dala Fae

kwatera 'Mtetsce zakwałerowanra' 1 'Akad

Qefrne Values ..

OK faste

fie;et l

Cancel l

Help l

r. Cu~~e newdata file .Eae.. l C:\SPSS75\Iok97c.tav l Replace

~king

dota lie

r Re.§et random number seed to l QptiOil$ ... l

R)) 2 3.

O~no th;~logo".:

Generale Orthogonal Destgn

Na rys. 2.4 przedstawiono okno dialogowe, l.tóre jest

wyśwtetlane

po

naciśnięciu

przy-

cisl-u Define Values w ol-nie Generate Orthogonał Design W okme Generate De-

:.5

(j,•"Nnwum~ 114fudu C'bperymen111

27

s1gn Define Values można wprowadzić waności lpoziomy) oraz etyktety poszczególn)ch zmiennych. Polc tekstowe Auto-Fili pozwala przyspieszyć proces wprowadzanta waności.

JCicłt tworz..ą

one regulartny szereg

zaczynający się

od liczby l.

Generale Design: Define Values Eł

V~lues

and Labeis for kwatera

Cont1nue l

Cancel Value Labet

1 11 ^{l Akadem•k}

z ^{2 ....}

^,5-tłlnCła---,-,

- - - - _Help

1

~:

.§

~

Z : l!

~

: Auto-Fil l From1 to f

_2j

R}s 2.4 Ol..no

dl31ogOIIC

Generale Oesign Define Values

Na rys. 2.5 przedstawiono okno dialogowe. które JCSt

wyświetlane

po

naciśnięciu

prz:r ctsku Options w oknie Generate Orthogonal Des1gn.

Generale Orthogonal Design: Options Eł

Minimt.m runber ot cases to genetate· p

Hołdout

Cases

r Number of hołdout cases: l

r c:tr;~

CMCel Help

Rys 2 s Okno diaJogo\le Generale Orthogonal Oes1gn: Ophons

28 :! Pro;ektou·ome rtHodu

ek.J~IJmemuw

metod:te

cOliJOltli

analyst.f

W oknie Generate Orthogonal Oesign Options motna określić minimalną liczbę wa- nantóv.. która będzie wygenerowana przez program. Ponadto mozna określić liczbę wa- nantow testowych (ang lw/doul cases) w polu tekstowym Number of

hołdout

cases oraz ustalic, czy mają one być tasowane losowo z wariantami eksperymentalnymi (ang. destgn cases: expenmemal profiles) w opcji Randomly;nix with other cases. Jezeli ta opcja nie JCSt wybrana, wananty testowe umieszczane są standardowo bezpośrednio po wanamach eksperymentalnych.

Przykład układu onogonałnego utworzonego na potrzeby badania nad formami zakwate- rowania studentów przedstawia rys. 2.6.

-. 191< SI'SS O e!• l ,w.,. II!II[;)EI

[lo

fet y.,

Q ...

1..w-

l~

lilcn u-

^{l!{rcbo ~}

~łlilł5I~.:J~ hljgl ~ 1lvl Cliiilr.l~~

1:1twlfeta

l •

lrwlłtra

.,, .la

^kuchnie

-h••

^DIOI!y

t Siło< (l llll-150 N,.

l

^h~

'""'"

2 ,t;,lldamr~ UXI-150 T p N• t

...

l Ak lido ... :llll-2!i0 N"' N!t

""'''

4 Alllldomdo. 150-200 N• o

Tok

(tOIIO

5 Al! lido .... l 100-150 To~ h<

"""''

l -

Slłł\Cltl

'

^150-200

^{hk hk '"'}

1 Sl&n<Jł :llll-2!i0 Tok Not flcltlł

l 51011<(1 100-150

....

^{N• o łttl}

'

^~.-~

....

^{\ 100-150 hk Ta~}

^...

10 Słll'IC'Jł 100-150 Noe N•

""'"

11 Sllt>q•. l50-200 Tak N• t d' ...

- -

\2 AAtatmk :100-250 No T•k lU 'f

r--

1l

s. .... ,.

:100-l'!iO r.~ T•~ teon•

14

""~"

^{150-200 N<• N• t rodn•}

15 AJ<

od•-

^{100-150 hl. Not l t ty}

1i Slłll</1 100-150 ".,. T&~< ~~w.

.!U

dyllaM

••• u_

^eatd

_-

Przy uczelni

l

On~q<~l Pnr uculnt l 0.119"

l

Pny UCZtint l Ontgn' Ooltko !>Ol ~q'!

Pur utulno 0.1'9"

Prry~~tUIN Ootog<\

Olioko :lll'9"

i

O•'•~• en"'~"

Daloko _O.lłqlll Pt:r utulne O.s.g•

Pr:, liCttlnt Ot"'!"

l

Puy utul.,.

l

0H1Qńl

N•dłlolt.o Des.gn

N odaloko Otcogn N,.d•lokol 0Hoq"

N"·•d»ltko 0011!1"

R)~

2 6 Ul.lacJ onogonaln) badanin nnd formam1 al.w:ucrowanm studenh)\\

~

l

~ J 4 5 ii 1

s

3 lO 11

·~

13 14 15 ló

.

•l

l uwagi na to, ze akademik znajduje

się

przy uczelni oraz ze

względu

na

znaczną liczbę

wariantóv •. które naJczy poddać ocenie. w układzie ortogonalnym wprowadzono zm1an)

Uwzględniono

12 wariantów

będących

przedmiotem eksperymentu (ang. desi}!.ll cascs:

experimemal profiles) oraz 4 warianty dodatkowe (ang. simufatiuli cases)

b"dącc podst<twą

póinicjszcj analizy symulac)jncj (por. rys. 2.7).