第20章 多元尺度分析與聯合分析 本章的學習主題 1.多元尺度的意義 2. 多元尺度的處理資料型態 3. 多元尺度的模型適合度評估 第20章 多元尺度分析與聯合分析 本章的學習主題 1.多元尺度的意義 2. 多元尺度的處理資料型態 3. 多元尺度的模型適合度評估 4.多元尺度分析SPSS操作說明 5. 聯合分析的概念 6. 聯合分析與其他多變量分析方法的異同 7. 權衡分析法與全輪廓分析法 8. 成分效用值的計算 9. 聯合分析在管理上的應用 企業研究方法 第 20 章
20.1 多元尺度的意義 多元尺度法(multidimensional scaling, MDS)，與因素分析類似之處，都是做資料之簡化工作(data reduction)，其主要的目的是希望能發掘一組資料所隱藏之結構。 MDS主要的貢獻在於發展知覺圖，是屬於非以屬性為基礎的方法(nonattribute-based approaches)，與因素分析或區別分析等以屬性為基礎的方法(attribute-based approaches)不同。 企業研究方法 第 20 章
20.2 多元尺度的處理資料型態 MDS有計量(metric)MDS和非計量(non-metric)MDS兩種，計量MDS以相對距離實際數值為投入資料，非計量的MDS則是以順序尺度的資料作為資料的投入 。 計量MDS是希望在某個維度空間上找到座標點，使其點間距離與給定的距離矩陣相同，而找到完整座標的解必需滿足歐基里德距離 (Euclidean Distance) 矩陣。非計量的MDS 是嘗試在維度空間構面圖中，使點間距離排序與原距離越一致越好，而通常量測配合度的指標我們稱為壓力係數(stress)。 企業研究方法 第 20 章
壓力係數是由Kruskal(1964)所提出，其計算公式如下： dij： 成對事物在構面中之距離 ： dij 之估計值，通常是以簡單迴歸 (monotone regression)之方法求得， 壓力係數愈小代表dij與之差異不大， 即代表模式之適合度很高。 企業研究方法 第 20 章
20.3 多元尺度的模型適合度評估 進行 MDS 分析時通常以壓力係數(stress)作為衡量標準，根據Kruskal (1964)的解釋，不同的壓力係數水準，有其代表的配適程度 。 壓力係數 配適程度 0.200 Poor ( 不好 ) 0.100 Fair ( 還可以 ) 0.050 Good ( 好 ) 0.025 Excellent ( 非常好 ) 0.000 Perfect ( 完全配合 ) 壓力係數之計算，是以在知覺圖中成對事物之距離與其平均距離之差來計算。 企業研究方法 第 20 章
多元尺度適合度評估是計算 R2 並判定 R2 是否合適，R2 之計算公式如下： sse：殘差平方和(sum of squared error) sst：整體平方和(sum of squared total) R2 的意涵是直接解釋最佳尺度資料(optimally scaled data)的變異數中，可由多元尺度法解釋的部份。因此多元尺度分析也可以以 R2 作為同時參考的標準，當R2愈大時(即越接近1)， 表示配合性愈好。 企業研究方法 第 20 章
20.4 多元尺度法範例 本研究以多元尺度分析員工人數對知識創造過程的知覺分析，以5種不同的公司與17個知識創造過程變數，作出知覺圖。在知覺圖中，每一點代表一個特定的構面，點與點間的距離則表示各變數彼此相似的程度，距離愈小表示愈相似，距離愈大表示愈不相似。 以本研究為例，為瞭解不同群組公司在不同知識創造過程變數的關係，研究人員分別調查這五種不同公司在知識創造過程之得分如下頁表 20-1： 企業研究方法 第 20 章
表 20 - 1 不同員工人數的公司別與十七個知識創造變數 表 20 - 1 不同員工人數的公司別與十七個知識創造變數 公司別 員工人數 (人) A 群 低於 1500 B 群 1501 – 3000 C 群 3001 – 5000 D 群 5001 – 10000 E 群 10001 以上 變項 問項 備註 Kcp 1 利用類比、象徵來使知識具體化 七點量表 Kcp 2 利用專家取得及移轉知識 Kcp 3 人工智慧系統 Kcp 4 教育訓練 Kcp 5 利用網路聊天室、討論群組 Kcp 6 建立操作手冊 Kcp 7 公司內 / 外部網際網路網頁 Kcp 8 建立專家資料庫 Kcp 9 利用師徒制來傳承知識 Kcp 10 利用腦力激盪 Kcp 11 利用跨部門的工作輪調 Kcp 12 利用跨部門的合作計畫案 Kcp 13 實地考察 Kcp 14 由操作中學習 Kcp 15 利用在職訓練 Kcp 16 透過觀察來進行學習 Kcp 17 透過面對面會議 企業研究方法 第 20 章
說明： 本案共有251位受測者，透過電腦處理首先將五種公司之受測者對上述kcp1、kcp2、kcp3、kcp4、kcp5、kcp6、kcp7、kcp8、kcp9、kcpf10、kcp11、kcp12、kcp13、kcp14、kcp15、kcp16、kcp17等十七個知識創造活動變數之平均值求出如下頁表20—2所示 企業研究方法 第 20 章
表 20 - 2 受測者對各種構面之平均評分 群組 變數名稱 公司群 A 公司群 B 公司群 C 公司群 D 公司群 E 3.8770 表 20 - 2 受測者對各種構面之平均評分 群組 變數名稱 公司群 A 公司群 B 公司群 C 公司群 D 公司群 E Kcp 1 3.8770 3.4737 3.7200 4.3636 4.3267 Kcp 2 4.6393 4.5263 4.7200 4.6970 4.8147 Kcp 3 3.6475 3.8421 4.0400 3.8182 4.0540 Kcp 4 5.0902 5.0000 5.2000 5.3939 5.3462 Kcp 5 3.3525 3.6842 2.8800 3.2727 3.1731 Kcp 6 4.3689 4.4211 4.4000 4.1154 Kcp 7 4.8770 5.2105 5.9200 5.4242 5.4231 Kcp 8 5.3684 5.4400 5.4808 Kcp 9 3.8115 4.2632 4.6667 4.5385 Kcp 10 4.8033 4.9200 4.5152 5.2843 Kcp 11 4.7295 4.6842 4.7600 4.8485 4.6346 Kcp 12 3.5984 3.9474 4.0800 4.1515 3.5769 Kcp 13 4.0082 4.0769 Kcp 14 5.1967 6.1053 5.8000 5.6061 5.5000 Kcp 15 5.0588 5.1579 5.5455 5.1731 Kcp 16 4.7049 4.7368 4.8400 5.0606 4.8462 Kcp 17 5.2623 5.2800 5.6970 5.0962 企業研究方法 第 20 章
說明： 茲利用此一平均值矩陣，將資料輸入電腦中，執行SPSS-多元尺度分析軟體，即可計算Kcp1~Kcp17各個知識創造項目在X軸與Y軸二元空間之座標如表20—3所示。此座標位置可以在X軸與Y軸之空間中，點上座標位置點，並由位置點再將X軸與Y軸之原點與各變數之座標位置點相連結即得到各變數在二元空間之向量，請參看圖20—1所示。 企業研究方法 第 20 章
表 20 - 3 十七項研究變數在知覺屬性空間之座標 變數名稱 X Y Kcp 1 1.6723 -0.0252 Kcp 2 -0.1357 表 20 - 3 十七項研究變數在知覺屬性空間之座標 變數名稱 X Y Kcp 1 1.6723 -0.0252 Kcp 2 -0.1357 0.0221 Kcp 3 -1.5715 -0.2112 Kcp 4 1.7059 0.0113 Kcp 5 -1.1998 -0.1159 Kcp 6 1.5335 -0.6386 Kcp 7 -1.3602 -0.2410 Kcp 8 0.5398 -0.4556 Kcp 9 -0.0294 -0.1128 Kcp 10 -1.4408 0.0382 Kcp 11 -1.1535 -0.2079 Kcp 12 -0.5223 0.5311 Kcp 13 0.7017 0.3772 Kcp 14 2.9975 0.4199 Kcp 15 -2.0895 0.4982 Kcp 16 0.7173 0.2231 Kcp 17 -0.3652 -0.1129 企業研究方法 第 20 章
此外，以五個公司群A~E為計算單元，也一樣可以得到公司群A~E在X軸與Y軸二元空間之相對位置（見下頁表20-4）。 這些相對位置若能與變數之相對位置比較，即可以看出每個公司群是比較重視哪些變數，而較不重視哪些其他變數。 企業研究方法 第 20 章
變數名稱 X 軸 Y 軸 公司群 A 1.7396 -0.3008 公司群 B 0.3965 1.4638 公司群 C -1.1089 表 20 - 4 不同公司群組在知覺屬性空間之座標 變數名稱 X 軸 Y 軸 公司群 A 1.7396 -0.3008 公司群 B 0.3965 1.4638 公司群 C -1.1089 -0.5847 公司群 D -1.1556 -0.6161 公司群 E 0.1283 -1.1316 企業研究方法 第 20 章
圖 20 - 1 不同公司群組在不同構面之知覺空間圖 企業研究方法 第 20 章
表 20 - 5 不同公司群組知識創造過程 變數名稱 公司群 A 公司群 B 公司群 C 公司群 D 公司群 E Kcp 1 知識具體化 ◎ 表 20 - 5 不同公司群組知識創造過程 變數名稱 公司群 A 公司群 B 公司群 C 公司群 D 公司群 E Kcp 1 知識具體化 ◎ Kcp 2 專家移轉 Kcp 3 人工智慧 Kcp 4 教育訓練 Kcp 5 網路討論 Kcp 6 操作手冊 Kcp 7 內外網路 Kcp 8 專家資料 Kcp 9 師徒制 Kcp 10 腦力激盪 Kcp 11 工作輪調 Kcp 12 合作計畫 Kcp 13 實地考察 Kcp 14 操作中學 Kcp 15 在職訓練 Kcp 16 觀察學習 Kcp 17 面對面談 企業研究方法 第 20 章
公司群 A：最重視知識具體化、教育訓練、操作手冊 與專家資料； 公司群 B：最重視實地考察、操作中學習與觀察學習； 由圖20 - 1之知覺圖與表20 - 5之示意圖，可知： 公司群 A：最重視知識具體化、教育訓練、操作手冊 與專家資料； 公司群 B：最重視實地考察、操作中學習與觀察學習； 公司群 C：最重視專家移轉、腦力激盪、合作計劃與 在職訓練； 公司群 D：最重視人工智慧、網路討論、內外網路、 腦力激盪與工作輪調； 公司群 E：最重視操作手冊、專家資料與師徒制。 企業研究方法 第 20 章
綜前所述，MDS是提供經理人員在管理上瞭解競爭者及競爭優勢之最重要途徑，MDS也提供經理人員在公司及產品重新定位方面，提供相當方便且實用之空間知覺圖。 企業研究方法 第 20 章
20.6 聯合分析的概念 聯合分析(conjoint analysis)則可以表達出消費者實際權衡產品/服務的各種屬性的決策過程，同時也解釋消費者如何建立對某項產品/服務的偏好。它是假設消費者將其對於各個屬性在各個不同水準下所提供的價值或效用加總，以衡量某項產品/服務的價值。 聯合分析在新產品開發的行銷領域上，常被運用在評估某項產品屬性組合的顧客接受度高低，因為它可以衡量該項產品在不同特性組合下，對消費者所可能造成的反應與偏好。 企業研究方法 第 20 章
20.7 聯合分析與其他多變量分析方法的比較 聯合分析與其他的多變量分析方法之主要差異 在分解(decompose)的模型中，由整體評估推估 20.7 聯合分析與其他多變量分析方法的比較 聯合分析與其他的多變量分析方法之主要差異 在分解(decompose)的模型中，由整體評估推估 個別變數之評估。 指定自變數。 每位填答者都有各自的模型。 企業研究方法 第 20 章
20.8 權衡分析法與全輪廓分析法 權衡分析法(trade-off approach)是列出兩種產品屬性其不同水準下的所有組合方法，填答者只需依據自身的偏好，從最喜歡的到最不喜歡的組合加以排序 。 表 20 - 6 權衡分析法 等候時間 五分鐘以內 五至十分鐘 十分鐘以上 產品價格 NT 50 1 3 7 NT 60 2 4 8 NT 70 5 6 9 企業研究方法 第 20 章
全輪廓分析法(full-profile approach)中，研究人員提供填答者卡片來完整地描述整個產品/服務。每張卡片將完整的描述該產品在各個屬性上的水準表現 圖 20 - 2 全輪廓分析法 卡片 1 店家：麥當勞 等候時間：五分鐘 價格：NT 70 得來速服務：有 外送服務：無 卡片 2 店家：麥當勞 等候時間：十分鐘 價格：NT 50 得來速服務：無 外送服務：有 企業研究方法 第 20 章
20.9 成分效用值的計算 成分效用值(part-worth)是指用來衡量某項產品 / 服務 的各個產品屬性、屬性水準或是整體表現的數值。 20.9 成分效用值的計算 成分效用值(part-worth)是指用來衡量某項產品 / 服務 的各個產品屬性、屬性水準或是整體表現的數值。 下頁表20 - 7為產品屬性組合及填答者排序結果，其 中在排序方面，1 代表最喜歡，9 代表最不喜歡。 企業研究方法 第 20 章
表 20 - 7 產品特性組合及填答者排序結果 產品特性組合 填答者偏好排序 產品品牌 外送 得來速 1 號填答者 2 號填答者 1 麥當勞 表 20 - 7 產品特性組合及填答者排序結果 產品特性組合 填答者偏好排序 產品品牌 外送 得來速 1 號填答者 2 號填答者 1 麥當勞 有 2 無 3 5 4 6 肯德基 7 8 企業研究方法 第 20 章
首先我們必須求得”提供外送服務”的排序加總平均數 （1+2+3+4）/ 4 ＝ 2 首先我們必須求得”提供外送服務”的排序加總平均數 （1+2+3+4）/ 4 ＝ 2.5，並算出該屬性水準的排序平均數與整體排序平均數 （1+2+3+4+5+6+7+8）/ 8＝4.5的差額 -2(2.5-4.5)，同此，求出這六項產品特性水準的排序平均數與整體排序平均數的差額，如表20 – 8 所示。 企業研究方法 第 20 章
表 20 - 8 1號填答者的平均排序及其與整體排序差額 表 20 - 8 1號填答者的平均排序及其與整體排序差額 因素 水準 排序 平均排序 與整體排序差額 品牌 麥當勞 1, 2, 5, 6 3.5 -1.0 肯德基 3, 4, 7, 8 5.5 +1.0 外送 有 1, 2, 3, 4 2.5 -2.0 無 5, 6, 7, 8 6.5 +2.0 得來速 1, 3, 5, 7 4.0 -0.5 2, 4, 6, 8 5.0 +0.5 企業研究方法 第 20 章
在這個案例當中，愈小的數字代表愈高的排序，當評比的分數與喜好程度相反時，我們將正負符號反轉，讓偏好程度愈高之屬性水準其與整體排序差額為正，反之，偏好程度愈低的屬性水準其與整體排序差額為負；將反轉後之差額平方加總，求得10.5，以此數額做為除數，並將產品特性水準數6 (3×2) 除以10.5求得0.571；將差額平方乘以0.571的所得數額再開平方根，即可求得估計成分效用值。 企業研究方法 第 20 章
以品牌特性為例，我們可再利用同一屬性不同水準(麥當勞、肯德基)之成分效用值的全距 (1. 512) 除以每個成分效用值全距總數 (5 以品牌特性為例，我們可再利用同一屬性不同水準(麥當勞、肯德基)之成分效用值的全距 (1.512) 除以每個成分效用值全距總數 (5.290) 後，可算出該屬性的重要性佔28.6% (見下頁表20—9 )。利用相同的計算方法，我們也可以算出外送有無之重要性佔57.1%，有無得來速的服務佔14.3%。 企業研究方法 第 20 章
表 20 - 9 以 1 號填答者的答題分數求得成分效用值及特性重要性 表 20 - 9 以 1 號填答者的答題分數求得成分效用值及特性重要性 特性 水準 反轉後 差額 差額平方 標準後 估計成分效用值 效用值 全距 重要性 品牌 麥當勞 +1.0 1 +0.571 +0.756 1.512 28.6% 肯德基 -1.0 -0.571 -0.756 外送 有 +2.0 4 +2.284 +1.511 3.022 57.1% 無 -2.0 -2.284 -1.511 得來速 +0.5 0.25 +0.143 +0.378 0.756 14.3% -0.5 -0.143 -0.378 加總 10.5 5.290 100% 企業研究方法 第 20 章
20.10 聯合分析在行銷管理上的應用 以下是聯合分析較常在管理上的應用： 1.市場區隔 2.獲利能力分析 3.聯合模擬 20.10 聯合分析在行銷管理上的應用 以下是聯合分析較常在管理上的應用： 1.市場區隔 2.獲利能力分析 3.聯合模擬 企業研究方法 第 20 章
市場區隔 在管理上，聯合分析最常被用於市場區隔的分析方面。研究人員可以將成分效用值接近的填答者，歸為同一市場區隔。例如那些在產品價格方面取得較高成分效用值得消費者歸為一群體，藉由分析該群體的人口統計變數，來找出該群體的特性，達到市場區隔與行銷努力的目的。 企業研究方法 第 20 章
獲利能力分析 在進行聯合分析時，研究人員指定了該產品的不同屬性組合(例如產品外觀、產品實用性、產品價格)，再要求填答者比較不同屬性組合的偏好程度。因此，研究人員可以將估算出某產品特性水準的生產成本與市場接受程度相連結，進行可行性分析以及獲利能力分析，進而分析該產品之價格敏感度。 企業研究方法 第 20 章
聯合模擬 利用聯合分析針對不同產品特性組合的偏好程度發展決策模式，來評估是否應該推出一特性組合不同的新產品，或是將某舊有產品退出市場，以及多品牌/多產品策略的選用。 企業研究方法 第 20 章