Análise Conjunta – Perfis

O que são Perfis em um tipo de pergunta de Análise Conjunta?

Perfis em um tipo de pergunta de Análise Conjunta são diferentes configurações que são apresentadas aos respondentes. Cada perfil é uma combinação de diferentes níveis de vários atributos (Por exemplo, Marca, Custo, Recursos). Ao avaliar esses perfis, os respondentes revelam suas preferências e trade-offs, permitindo que os pesquisadores estimem a importância relativa de cada atributo e seus níveis na influência da escolha do consumidor.

Com a QuestionPro, você pode acessar Perfis em um tipo de pergunta de Análise Conjunta como mostrado abaixo:

Como acessar Perfis para um tipo de pergunta de Análise Conjunta?

Clique em Análise

Vá para: Modelagem de Escolha » Análise Conjunta

Selecione a pergunta para a qual a análise é necessária e clique em Próximo Passo

Clique na segunda aba, que é Perfis e os resultados serão exibidos como mostrado abaixo:

O melhor perfil é sempre exibido à esquerda e o pior perfil à direita. No meio, você pode selecionar um perfil personalizado para ver como ele se compara com o melhor e o pior perfil.

Se qualquer par for selecionado como par proibido, ele não será exibido no perfil melhor, pior ou personalizado. Se o usuário ainda quiser ver os pares proibidos, ele pode habilitar a opção de incluir pares proibidos.

Para o perfil selecionado, você pode ver a diferença em pontos percentuais entre o melhor perfil e o perfil selecionado em vermelho. Por outro lado, a diferença em pontos percentuais entre o pior perfil e o perfil selecionado é exibida em verde.

Nota: Atributo e nível com o maior Valor de Utilidade Parcial Total serão selecionados como o Melhor Perfil e aquele com o menor valor de Utilidade Parcial Total será selecionado como o Pior Perfil.

Como as Utilidades Parciais são calculadas?

Usamos o seguinte algoritmo para calcular as Utilidades Parciais do Conjoint CBC:

Notação

Seja R o número de respondentes, com indivíduos r = 1 ... R

Seja T o número de tarefas que cada respondente vê, com t = 1 ... T

Seja C o número de configurações (ou conceitos) que cada tarefa t tem, com c = 1 ... C (C em nosso caso é geralmente 3 ou 4)

Se temos A atributos, a = 1 a A, com cada atributo tendo La níveis, l = 1 a La, então a utilidade parcial para um atributo/nível específico é w’(a,l). É por esta (matriz irregular) de utilidades parciais que estamos resolvendo neste exercício.

Podemos simplificar isso para uma matriz unidimensional w(s), onde os elementos são:{w’(1,1), w’(1,2) ... w’(1,L1), w’(2,1) ... w’(A,LA)} com w tendo S elementos.

Uma configuração específica x pode ser representada como uma matriz unidimensional x(s), onde x(s)=1 se o nível/atributo específico estiver presente, e 0 caso contrário.

Seja Xrtc a configuração específica da c-ésima configuração na t-ésima tarefa para o r-ésimo respondente. Assim, o design do experimento é representado pela matriz de quatro dimensões X com tamanho RxTxCxS

Se o respondente r escolher a configuração c na tarefa t, então Yrtc=1; caso contrário, 0.

Utilidade de Uma Configuração Específica

A Utilidade Ux de uma configuração específica é a soma das utilidades parciais para os atributos/níveis presentes na configuração, ou seja, é o produto escalar x.w

O Modelo Logit Multinomial

Para uma escolha simples entre duas configurações, com utilidades U1 e U2, o modelo MNL prevê que a configuração 1 será escolhida

EXP(U1)/(EXP(U1) + EXP(U2)) das vezes (um número entre 0 e 1).

Para uma escolha entre N configurações, a configuração 1 será escolhida

EXP(U1)/(EXP(U1) + EXP(U2) + ... + EXP(UN)) das vezes.

Probabilidade de Escolha Modelada

Seja a probabilidade de escolha (usando o modelo MNL) de escolher a c-ésima configuração na t-ésima tarefa para o r-ésimo respondente:

Prtc=EXP(xrtc.w)/SUM(EXP(xrt1.w), EXP(xrt2.w), ... , EXP(xrtC.w))

Medida de Log-verossimilhança

A medida de Log-verossimilhança LL é calculada como:

Prtc é uma função do vetor de utilidade parcial w, que é o conjunto de utilidades parciais que estamos resolvendo.

Resolvendo Para Utilidades Parciais Usando Máxima Verossimilhança

Resolvemos para o vetor de utilidade parcial encontrando o vetor w que dá o valor máximo para LL. Note que estamos resolvendo para S variáveis.

Este é um problema de maximização contínua não linear multidimensional e requer uma biblioteca de solucionador padrão. Usamos o Algoritmo Simplex de Nelder-Mead.

A função de Log-verossimilhança deve ser implementada como uma função LL(w, Y, X) e, em seguida, otimizada para encontrar o vetor w que nos dá um máximo. As respostas Y e o design X são dados e constantes para uma otimização específica. Os valores iniciais para w podem ser definidos para a origem 0.

As utilidades parciais finais w são reescalonadas para que as utilidades parciais para qualquer atributo tenham uma média de zero, simplesmente subtraindo a média das utilidades parciais para todos os níveis de cada atributo.