선택 모델링

Choice modelling

선택 모델링은 드러난 선호나 특정 맥락에서 이루어진 명시적 선호에 의해 개인 또는 부문의 의사결정 과정을 모델링하려고 시도한다. 일반적으로, 관련 잠재 척도(일반적으로 경제 및 다양한 관련 분야의 "유틸리티")에서 항목(A, B, C)의 위치를 유추하기 위해 이산 선택(A over B, B & C)을 사용하려고 시도한다. 실제로 효용 최대화, 소비자 이론에 적용되는 최적화 및 모델링되는 데이터, 표본, 가설 및 특정 결정에 따라 다소 정확할 수 있는 기타 식별 전략의 광범위한 부분을 포함하여 많은 대안 모델이 계량학, 마케팅, 사회측정학 및 기타 분야에 존재한다. 또한, 선택 모델링은 다차원적으로 품질 향상에 대한 소비자의 지불의사를 추정하는 데 가장 적합한 방법으로 간주된다.[1]

관련 용어

선택 모델링이라는 용어와 동의어로 간주되는 여러 용어가 있다. 일부는 정확하고(일반적으로 규율이나 대륙별로 다르지만), 일부는 학계에서는 부정확하다고 생각되지만(예: 콘조인트 분석) 산업 적용에 사용된다.[2]

여기에는 다음이 포함된다.

  1. 명시적 선호 이산 선택 모델링
  2. 이산선택
  3. 선택실험
  4. 명시적 선호 연구
  5. 콘조인트
  6. 통제된 실험

용어에 대한 이견이 지속되고 있지만, 그 분야에 대한 새롭고 경험적인 연구의 교차적 출처를 제공하고자 하는 학술지를 '선택 모델링 저널'이라고 하는 것이 눈에 띈다.[3]

이론적 배경

선택 모델링의 이면에 있는 이론은 경제학자와 수학 심리학자들이 독자적으로 개발했다. 선택 모델링의 기원은 1920년대 Thurstone의 음식 선호 연구와 무작위 효용 이론에 기인한다.[4] 경제학에서 무작위 효용 이론은 그 후 대니얼 맥패든에[5] 의해, 수학 심리학에서는 주로 던컨 루스와 앤서니 말리에 의해 개발되었다.[6] 본질적으로 선택 모델링은 개인이 항목 B보다 항목 A에서 파생되는 효용(효익 또는 가치)이 반복적인 선택에서 항목 B보다 항목 A를 선택하는 빈도의 함수라고 가정한다. 정상적인 분포의 사용으로 인해 Thurstone은 다항 선택 프레임워크(프로빗 연결 함수보다는 다항 로지스틱 회귀 분석이 필요함)로 이 이항 선택을 일반화할 수 없었으며, 따라서 이 방법이 30년 넘게 침체된 이유도 여기에 있다. 그러나 1960년대부터 1980년대까지 그 방법은 공리화되었고 다양한 유형의 연구에 적용되었다.

공개 선호 연구와 명시 선호 연구 간의 구분

선택 모델링은 공개된 선호도(RP)와 명시 선호도(SP) 연구에서 모두 사용된다. RP 연구에서는 개인이 이미 선택한 항목을 사용하여 "선택에 의해 선호도를 회복하고 가치(유틸리티)"로 간주하는 가치를 추정한다. SP 연구는 실험 조건 하에서 이루어진 개개인의 선택을 사용하여 이러한 값을 추정한다 – 그들은 "선택을 통해 자신의 선호도를 진술"한다. 맥패든은 (이전의 교통 연구에서 만들어진) 공개된 선호도를 성공적으로 활용하여 건설되기 전 BART(Bay Area Rapid Transit)에 대한 수요를 예측했다. Luce와 Marley는 이전에 무작위 효용 이론을 공리화했지만 실제 세계 적용에서는 사용하지 않았다.[7] 더욱이 그들은 심리학과 학생들이 참여하는 SP 연구에서 이 방법을 시험하는데 많은 시간을 보냈다.

역사

맥패든의 업적은 2000년 그에게 경제과학[8] 분야의 노벨 기념상을 안겨주었다. 그러나, 거의 20년 동안 선택 모델링에 있어 많은 작업이 명시적 선호 분야에서 진행되고 있다.[9][10] 이러한 작업은 잠재적으로 생산 비용이 많이 드는 신제품에 대한 수요를 예측할 필요성 때문에 원래 운송과 마케팅이라는 다양한 분야에서 생겨났다. 이 연구는 다음과 같은 목적으로 결합 분석과 실험 설계 분야에 많은 관심을 끌었다.

  1. 특정 기능(속성)에 의해 정의된 재화나 서비스(예: "$10, $20, $30" 수준의 "가격", "보증 없음, 10년 보증" 수준의 "추후 서비스")
  2. 소비자의 효용 함수를 추정하기 위해 필요한 선택의 수를 최소화한 이러한 상품의 구성을 제시한다(결정 규칙).

특히, 분석가가 전화기의 모든 가능한 특징으로부터 소비자가 도출한 가치(통화 단위)를 추정할 수 있도록 (예를 들어) 이동전화/휴대전화기의 최소 쌍/삼중 등의 수를 제시하는 것이 목적이었다. 콘조인트 분석의 많은 작업과 대조적으로, 범주 등급 척도(리커트 척도)에 대한 등급이 아닌 이산 선택(A 대 B, B 대 A, B & C)을 하게 되었다. 데이비드 헨셔와 조던 루비어는 가장 먼저 언급된 선호 선택 모델로 널리 인정받고 있다.[10] 그들은 Joffre Swait와 Moshe Ben-Akiva를 포함한 다른 사람들과 함께 중추적인 인물로 남아 있었고, 향후 30년 동안 운송과 마케팅 분야에서 그 방법을 개발하고 보급하는 데 도움을 주었다.[11][12] 그러나, 주로 운송 경제학과 마케팅 분야에서 일하는 다른 많은 인물들은 이론과 실전에 기여했고, 그 일을 널리 보급하는 데 도움을 주었다.

결합 분석과의 관계

처음부터 선택 모델링은 용어의 표준화 부족으로 어려움을 겪었으며 위에 제시된 모든 용어를 사용하여 이를 기술하였다. 그러나, 가장 큰 의견 불일치는 지리적임이 증명되었다: 아메리카 대륙에서는, 그곳의 산업 관행에 따라, "선택에 기초한 결합 분석"이라는 용어가 지배하게 되었다. 이는 선택 모델링 (1)이 결합 분석에서 물려받은 속성과 수준 구조를 반영해야 한다는 욕구를 반영했지만, (2) 수치 등급보다는 이산 선택이 소비자들로부터 도출된 결과 측정으로 사용됨을 보여준다. 세계 다른 곳에서는 이산 선택 실험이라는 용어가 사실상 모든 분야에서 지배하게 되었다.[2] 루비에르(마케팅 및 운송)와 환경 및 보건 경제학의 동료들은 미국 용어를 부인하게 되었는데, 이는 오해의 소지가 있고 전통적인 결합 방식과 다른 근본적인 이산 선택 실험이 가지고 있는 근본적인 차이를 위장한 것이라고 주장했다. 이산 선택 실험은 인간의 의사결정 언데드에 대한 시험 가능한 이론을 가지고 있다.rpinning them (significant utility 이론) 반면, conjoint 방법은 단순히 등급 척도 숫자가 의미하는 것을 설명하기 위한 심리학적 이론이 없는 수적 등급에서 통계적 설계를 사용하여 재화의 가치를 분해하는 방법이다.[2]

선택 모델 설계

선택 모델 또는 이산 선택 실험(DCE)을 설계하는 것은 일반적으로 다음 단계를 따른다.

  1. 평가할 재화나 용역의 식별
  2. 재화나 용역을 충분히 설명하는 속성 및 수준에 대한 결정
  3. 설계 카탈로그 [13]또는 소프트웨어 프로그램을 통해 해당 속성과 수준에 적합한 실험 설계 [14]구성
  4. 조사의 구성, 설계 코드(숫자)를 관련 속성 수준으로 대체
  5. 종이 및 펜을 포함한 다양한 형식의 응답자 샘플에 대한 설문 조사 관리(웹 설문 조사)
  6. 다항 로지스틱 회귀 분석 모델부터 시작하여 경제적 수요 이론과의 일관성 측면에서 매력적인 특성을 고려하여 적절한 모델을 사용하여 데이터를 분석한다.[5]

가치 있는 재화나 서비스의 식별

이는 일반적으로 다음과 같이 정의되는 가장 쉬운 작업인 경우가 많다.

  • 학술연구의 연구문제.
  • 고객의 요구(소비재 또는 서비스의 맥락에서)

재화 또는 서비스를 완전히 설명하는 특성 및 수준 결정

예를 들어 휴대폰과 같은 재화나 용역은 일반적으로 여러 속성(특징)으로 설명된다. 폰은 형태, 크기, 기억력, 브랜드 등으로 설명되는 경우가 많다. DCE에서 변화해야 하는 속성은 모두 응답자에게 관심 있는 속성이어야 한다. 주요 속성을 생략하면 일반적으로 응답자가 DCE에서 누락된 사람에 대해 추론(게시)을 하게 되고, 이는 가변적인 문제를 생략하게 된다. 이 수준에는 일반적으로 현재 사용 가능한 모든 수준이 포함되어야 하며, 종종 미래에 가능한 수준도 포함되도록 확장된다. 이는 제품 개발을 안내하는 데 특히 유용하다.

설계 카탈로그 또는 소프트웨어 프로그램을 통해 해당 속성과 수준에 적합한 실험 설계 구성

DCE와 결합 분석의 강점은 일반적으로 완전 요인 설계의 하위 집합을 나타낸다는 것이다. 예를 들어, 두 개의 브랜드, 세 개의 모양, 세 개의 크기, 네 개의 메모리가 있는 전화기는 2x3x4=72 가능한 구성을 가지고 있다. 이것은 완전 요인이고 대부분의 경우 응답자에게 관리하기에는 너무 크다. 완전 요인 하위 집합은 다양한 방법으로 생성될 수 있지만 일반적으로 이러한 하위 집합은 선을 설명하는 특정 제한된 수의 모수를 추정할 수 있도록 하기 위해 다음과 같은 목적을 가지고 있다: 주효과(예: 브랜드와 관련된 값, 다른 모든 값을 동일하게 유지함), 이원 교호작용(예: 이 브랜드와 관련된 값) 그리고 가장 작은 사이즈, 그 브랜드와 가장 작은 사이즈 등 이것은 일반적으로 고차 교호작용과 저차 교호작용을 의도적으로 혼동함으로써 달성된다. 예를 들어, 이원 교호작용과 3원 교호작용이 주효과와 교락될 수 있다. 이는 다음과 같은 결과를 초래한다.

  • 프로필 수(구성)가 크게 감소한다.
  • 교락된 항(고차 교호작용)이 0인 경우에만 주어진 주효과에 대한 회귀 계수가 편향되지 않는다.
  • 교락된 교호작용 항이 0이 아닌 경우 회귀 계수가 알 수 없는 방향으로 치우쳐 있고 크기를 알 수 없는 경우
  • 교락된 항이 0이 아닌 경우, 분석에서 문제를 해결하기 위해 수정할 수 없다.

따라서 연구자들은 양방향 및 상위차 교호작용이 0이 아닐 가능성이 높은지 여부에 대해 설계에 중요한 의사결정이 수반된다는 경고를 반복적으로 받았다. 즉, 설계 단계에서 실수를 하면 상위차 교호작용이 0이 아니라는 가설을 검증할 수 없기 때문에 결과를 효과적으로 무효화한다.[11]

디자인은 카탈로그와 통계 프로그램에서 구할 수 있다. 전통적으로 그들은 모든 속성 수준을 서로 독립적으로 추정할 수 있는 Orthogonality의 속성을 가지고 있었다. 이를 통해 공선성이 0이 보장되며 다음 예를 사용하여 설명할 수 있다.

고급 승용차와 중고차 모두를 판매하는 자동차 대리점을 상상해 보십시오. 효용 최대화 원칙을 사용하고 MNL 모델을 가정하여 본 대리점에서 자동차를 구입하기로 한 결정은 총 효용에 대한 다음 각 호의 개별 기여도의 합이라고 가정한다.

  • 가격
  • 마르케(BMW, 크라이슬러, 미쓰비시)
  • 오리진(독일어, 미국어)
  • 퍼포먼스

그러나 판매 데이터에 다항식 회귀 분석을 사용한다고 해서 우리가 무엇을 알고 싶은지는 알 수 없다. 그 이유는 이 딜러점의 자동차는 다음과 같기 때문에 데이터의 상당 부분이 콜린어(colinar)이기 때문이다.

  • 고성능, 값비싼 독일 자동차들
  • 저성능의 값싼 미국 자동차

사람들이 유럽인이기 때문에 자동차를 구입하는지, BMW이기 때문에 혹은 고성능이기 때문에 자동차를 구입하는지 우리에게 말해줄 충분한 정보도 없고, 앞으로도 없을 것이다. RP 데이터가 부적합한 경우가 많고 SP 데이터가 필요한 근본적인 이유다. RP 데이터에서 이 세 가지 속성은 항상 공존하며 이 경우 완벽하게 상관관계가 있다. 즉, 모든 BMW는 독일에서 생산되며 성능이 우수하다. 이 세 가지 속성인 원산지, 마커, 성능은 일직선 또는 비직관적이라고 한다. SP 데이터를 통해 실험 조건에서만 성능과 가격을 독립적으로 변경할 수 있으며, 그 효과는 분해된다.

선택 실험의 실험 설계(아래)는 가상 시나리오 또는 응답자에게 선택 세트를 제어하고 제시하기 위한 엄격한 계획이다. 동일한 실험의 경우 서로 다른 특성을 가진 서로 다른 설계를 사용할 수 있다. 최상의 설계는 연습의 목적에 따라 달라진다.

실험을 추진하는 것은 실험 설계와 모델의 궁극적인 능력이다. 공공 영역에는 거의 최적의 실험을 수행할 수 있는 매우 효율적인 설계가 많이 존재한다.

예를 들어, 라틴 사각형17 16 설계는 최대17 16개(약 295개 다음에 0 18개) 구성을 가질 수 있는 제품의 모든 주효과를 추정할 수 있다. 더욱이 이는 약 256명의 응답자만이 가진 표본 프레임 내에서 달성될 수 있다.

아래는 훨씬 더 작은 디자인의 예다. 이것은 3가지4 주효과 디자인이다.

0 0 0 0
0 1 1 2
0 2 2 1
1 0 1 1
1 1 2 0
1 2 0 2
2 0 2 2
2 1 0 1
2 2 1 0

이 설계는 모든 고차 교호작용이 0이라고 가정할 때 가능한 81(3) 제품4 구성에서 주효과 유틸리티를 추정할 수 있다. 약 20명의 응답자 표본은 통계적으로 유의한 결과를 가지고 가능한 81개 제품 구성의 주효과를 모델링할 수 있다.

일반적으로 사용되는 기타 실험 설계의 몇 가지 예:

  • 균형 불완전한 블럭 설계(BIBD)
  • 랜덤 설계
  • 주효과
  • 고차 교호작용 설계
  • 완전 요인 설계

최근에는 효율적인 디자인이 생산되고 있다.[15][16] 이러한 모수는 일반적으로 (알 수 없지만 추정된) 모수의 분산 함수를 최소화한다. 공통 함수는 파라미터의 D 효율이다. 이러한 설계의 목적은 추정 효용 모수의 통계적 유의성을 달성하기 위해 필요한 표본 크기를 줄이는 것이다. 그러한 설계는 종종 통계적 정밀도를 더욱 향상시키기 위해 매개변수에 대한 베이지안 프리어를 포함시켰다.[17] 더 많은 수의 응답자를 모집하는 비용을 고려할 때, 매우 효율적인 설계가 매우 대중화되었다. 그러나 이러한 설계 개발의 핵심 인물들은 가능한 한계에 대해 경고했는데, 가장 두드러진 것은 다음과 같다.[15] 설계 효율성은 일반적으로 좋은 A와 좋은 B가 가능한 한 다를 때 극대화된다. 예를 들어, 전화를 정의하는 모든 속성(특성)은 A와 B에 따라 다르다. 이것은 응답자가 가격, 브랜드, 크기, 메모리 등을 통해 거래하도록 강요한다. 어떤 속성도 A와 B에서 동일한 수준을 가지지 않는다. 이로 인해 응답자에게 인지적 부담이 부과되어, 자신의 진정한 효용 기능(결정 규칙)을 반영하지 않는 단순한 경험적 접근("항상 가장 저렴한 전화 선택")을 이용하게 될 수 있다. 최근의 경험적 연구는 응답자들이 매우 효율적인 설계에 비해 덜 효율적인 설계에 응답할 때 결정 규칙이 실제로 다르다는 것을 확인했다.[18]

실험 설계에 대한 자세한 내용은 여기에서 확인할 수 있다. 그러나 주효과를 추정하는 작은 설계는 일반적으로 주효과와 고차 교호작용을 의도적으로 혼동함으로써 그렇게 한다는 점을 다시 한번 강조할 필요가 있다. 즉, 그러한 상호작용이 실제로 영(0)이 아닌 한 분석가는 주효과에 대한 편향된 추정치를 얻을 것이다. 게다가 (1) 그는 이것을 시험할 방법이 없으며, (2) 분석에서 이를 교정할 방법도 없다. 이것은 DCE에서 설계의 중요한 역할을 강조한다.

설문 조사 구성

설문 조사의 구성에는 일반적으로 다음이 포함된다.

  • 실험 설계 코드(일반적으로 위의 예에 제시된 숫자)를 해당 재화의 속성 수준으로 대체하기 위해 "찾아 교체"를 한다.
  • 결과 구성(예: 이동전화/휴대전화 유형)을 응답자의 사회통계학 관련 질문을 포함할 수 있는 것보다 더 광범위한 설문조사에 포함시킨다. 이는 분석 단계에서 데이터를 세분화하는 데 도움이 될 수 있다. 예를 들어 남성은 선호도가 여성과는 다를 수 있다.

종이 및 펜을 포함한 다양한 형식의 응답자 샘플에 대한 설문 조사 관리(웹 설문 조사)

전통적으로 DCE는 종이와 펜으로 관리되었다. 점점 더 웹의 힘으로 인터넷 설문조사가 표준이 되었다. 이들은 비용, 다양한 버전의 설문조사에 대한 응답자 무작위화, 선별 사용 등의 측면에서 이점이 있다. 후자의 한 예는 성별 균형을 이루는 것이다: 만약 너무 많은 남성이 대답한다면, 그들은 여성의 수가 남성의 수와 일치하도록 선별 배제될 수 있다.

경제적 수요 이론과의 일관성 측면에서 다항 로지스틱 회귀 분석 모델부터 시작하여 적절한 모델을 사용하여 데이터 분석

DCE의 데이터를 분석하려면 분석가가 경제학자의 관점에서 효용 방정식의 특정 유형의 의사결정 규칙 또는 기능적 형태를 가정해야 한다. 이는 일반적으로 설계에 의해 지시된다. 주효과 설계를 사용한 경우 이원 및 고차 교호작용 항은 모형에 포함될 수 없다. 그런 다음 회귀 모형을 일반적으로 추정한다. 이러한 로짓은 종종 조건부 로짓 모델에서 시작되는데, 전통적으로 약간 오해의 소지가 있지만 선택형 모델에서 다항 로지스틱(MNL) 회귀 모델을 가리킨다. MNL 모델은 로지스틱 함수를 통해 관측된 선택 주파수(추정 확률, 비율 척도)를 효용 추정치(간격 척도)로 변환한다. 모든 속성 수준과 관련된 효용(값)을 추정할 수 있으므로 분석가는 가능한 모든 구성(이 경우 자동차 또는 전화)의 총 효용을 구성할 수 있다. 그러나 DCE는 비시장 환경적 편익과 비용을 추정하기 위해 대안으로 사용될 수 있다.[19]

힘

  • 응답자들이 속성 간의 절충을 고려하도록 강요한다.
  • 일련의 속성 및 제품 대안의 포함을 통해 응답자에게 참조 프레임을 명시한다.
  • 속성에 대해 암시적 가격을 추정할 수 있도록 한다.
  • 여러 시나리오에 대한 복지 영향 추정 가능
  • 비화폐성 용어로 대체 '서비스 제품'에 대한 고객 수요 수준을 추정하는 데 사용할 수 있다.
  • 응답자가 전략적으로 행동할 동기를 잠재적으로 감소시킨다.[20]

약점

  • 이산형 선택은 비율 또는 구간 데이터보다 적은 정보를 제공하는 서수형 데이터만 제공한다.
  • 순서형 데이터에서 추론하여 구간/비율 척도로 추정치를 도출하려면 오차 분포 및 응답자의 의사결정 규칙(유틸리티 기능의 기능 형태)에 대한 가정이 필요하다.
  • 실제에 사용되는 부분 요인 설계는 설계를 작게 만들기 위해 2방향 및 상위 순서 교호작용(일반적으로 주효과)을 하위 순서(일반적으로 주효과) 추정치와 의도적으로 혼동한다. 상위 순서 교호작용이 0이 아닌 경우에는 주효과가 편향되어 분석가가 이전 포스트를 알거나 수정할 방법이 없다.
  • 개인의 비확률론적(결정론적) 의사결정은 무작위 효용 이론에 위배된다: 무작위 효용 모델에서 효용 추정치는 무한대가 된다.
  • 로짓 및 프로빗 모델과 같은 모든 제한된 종속 변수 모델에는 한 가지 근본적인 약점이 있다. 즉, 잠재 척도의 평균(참된 위치)과 분산이 완벽하게 교락된다. 다시 말해서 그들은 분리될 수 없다.

평균 분산이 혼란스럽다.

Yatchew와 Griliches는 먼저 평균과 분산이 제한된 종속 변수 모델(종래의 선형 회귀에서처럼 연속 변수가 아닌 이산형 값의 집합 중 하나를 취함)에서 교락되었다는 것을 입증했다.[21] MNL 회귀 분석 모델 또는 다른 선택 모델에서 추정된 대규모 베타 모델은 다음과 같은 이유로 선택 모델에서 이러한 제한이 심각해진다.

  1. 응답자는 잠재된 규모(높은 가치로 평가한다)를 높게 평가한다.
  2. 응답자들은 항목을 높은 규모로 배치하지는 않지만, 자신의 선호도를 매우 확신하며, 일관되게(흔히) 함께 제시된 다른 항목보다 항목을 선택한다.
  3. (1)과 (2)의 일부 조합.

이는 회귀 모형의 산출물 해석에 유의미한 영향을 미친다. 모든 통계 프로그램은 분산을 상수와 동일하게 설정하여 평균-분산을 "솔브"한다. 모든 추정 베타 계수는 사실 추정된 베타에 추정된 람다(분산의 역함수)를 곱한 것이다. 이것은 분석가가 그 문제를 무시하도록 유혹한다. 단, 큰 베타 계수의 집합이 강한 선호(큰 참 베타) 또는 선택의 일관성(큰 참 람다)을 반영하는지, 또는 둘의 어떤 조합을 반영하는지 검토해야 한다. 모든 추정치를 다른 추정치(일반적으로 가격 변수의 추정치)로 나누면 분자와 분모에서 혼동된 람다 항이 취소된다.[22] 이것은 경제학자들에게 각 속성 수준에 대해 기꺼이 지불할 수 있는 응답자의 의지를 제공하는 부가적인 혜택으로 문제를 해결한다. 그러나 "유틸리티 공간"에서 추정된 결과가 "공간을 지불할 의향"[23][24]에서 추정된 결과와 일치하지 않는다는 연구 결과는 혼동 문제가 이 "트릭"에 의해 해결되지 않는다는 것을 암시한다. 즉, 분산은 변수의 특정 특성 또는 일부 다른 함수일 수 있다(불일치를 설명함). 이것은 그 분야의 현재 연구의 대상이다.

기존 등급 기반 결합 방식 대비

선택 모델에서는 발생하지 않는 등급 질문의 주요 문제는 다음과 같다.

  • 절충 정보 없음. 등급이 있는 위험은 응답자들이 인식된 '좋은' 속성을 구별하지 않고 모두 매력적이라고 평가하는 경향이 있다는 것이다.
  • 변종 개인 척도 개인마다 1에서 5까지의 척도로 '2'를 다르게 평가한다. 각 척도 측정의 주파수 집계는 이론적 근거가 없다.
  • 상대적 척도는 없다. 분석가는 1등급과 2등급의 것을 어떻게 비교하는가? 하나는 다른 것보다 두 배나 더 좋은가? 다시 말하지만, 데이터를 통합하는 이론적인 방법은 없다.

기타유형

순위

순위는 개인이 관심 품목에 대한 상대적 선호도를 나타내도록 강요하는 경향이 있다. 따라서 DCE에서와 같이 이들 사이의 균형은 일반적으로 추정될 수 있다. 그러나 순위 모형은 모든 순위 깊이에서 동일한 효용 함수가 추정되고 있는지 여부를 테스트해야 한다. 예를 들어, 최상위 순위 데이터에서와 동일한 추정치(분산 척도까지)가 하위 순위 데이터에서 나와야 한다.

최고-최악의 스케일링

BWS(Best-worst scaling)는 시청률과 랭킹에 대해 잘 알려진 대안이다. 그것은 사람들에게 다양한 대안 중에서 가장 선호하지 않는 선택을 하도록 요구한다. 선택 확률을 차감하거나 통합함으로써 각 대안의 효용 점수는 개인 및/또는 그룹의 간격 또는 비율 척도로 추정할 수 있다. MaxDiff 모델을 포함하여 개인이 가장 최악의 데이터를 생성하기 위해 다양한 심리학적 모델을 활용할 수 있다.

사용하다

선택 모델링은 특히 다음과 같은 경우에 유용하다.

  • 신제품 개발의 활용을 예측하고 개선
  • 재화와 용역에 대한 지불의사(WTP) 추정
  • 제품 또는 서비스 실행 가능성 테스트
  • 제품 특성이 소비자 선택에 미치는 영향 추정
  • 제품 속성의 변화
  • 브랜드 가치 및 선호도 이해
  • 수요 추정 및 최적의 가격 책정

참고 항목

참조

  1. ^ 2001 - 국제 경제 센터 - 지불 의지의 방법론 검토
  2. ^ a b c Louviere, Jordan J; Flynn, Terry N; Carson, Richard T (2010-01-01). "Discrete Choice Experiments Are Not Conjoint Analysis". Journal of Choice Modelling. 3 (3): 57–72. doi:10.1016/S1755-5345(13)70014-9.
  3. ^ Journal of Choice Modelling. Elsevier. Retrieved 2015-11-05.
  4. ^ Thurston (1994). "A law of comparative judgment". APA PsycNET. Retrieved 2017-12-08.
  5. ^ a b Zarembka, Paul (1974). Frontiers in Econometrics. New York: Academic Press. pp. 105–142.
  6. ^ Luce, R. Duncan (1959). Conditional logit analysis of qualitative choice behavior. New York: John Wiley & Sons.
  7. ^ Marley, A. A. J. (1968-06-01). "Some probabilistic models of simple choice and ranking". Journal of Mathematical Psychology. 5 (2): 311–332. doi:10.1016/0022-2496(68)90078-3.
  8. ^ 경제 2000
  9. ^ Louviere, Jordan J.; Woodworth, George (1983-11-01). "Design and Analysis of Simulated Consumer Choice or Allocation Experiments: An Approach Based on Aggregate Data". Journal of Marketing Research. 20 (4): 350–367. doi:10.2307/3151440. JSTOR 3151440.
  10. ^ a b Louviere, Jordan J.; Hensher, David A. (1982-01-01). "DESIGN AND ANALYSIS OF SIMULATED CHOICE OR ALLOCATION EXPERIMENTS IN TRAVEL CHOICE MODELING". Transportation Research Record (890). ISSN 0361-1981.
  11. ^ a b "Stated Choice Methods". Cambridge University Press. Retrieved 2015-11-04.
  12. ^ "Discrete Choice Analysis". MIT Press. Retrieved 2015-11-04.
  13. ^ "Orthogonal Arrays". support.sas.com. Retrieved 2015-11-04.
  14. ^ "ChoiceMetrics Ngene Features". www.choice-metrics.com. Retrieved 2015-11-04.
  15. ^ a b Rose, John M.; Bliemer, Michiel C. J. (2009-09-01). "Constructing Efficient Stated Choice Experimental Designs". Transport Reviews. 29 (5): 587–617. doi:10.1080/01441640902827623. ISSN 0144-1647.
  16. ^ Street, Deborah J.; Burgess, Leonie (2007-07-20). The Construction of Optimal Stated Choice Experiments: Theory and Methods. John Wiley & Sons. ISBN 9780470148556.
  17. ^ [로시, P, 앨런비, G, 맥컬로치, R. (2009) 베이시안 통계 및 마케팅. 와일리]
  18. ^ Flynn, Terry N (March 2016). "Are Efficient Designs Used In Discrete Choice Experiments Too Difficult For Some Respondents? A Case Study Eliciting Preferences for End-Of-Life Care". Pharmacoeconomics. 34 (3): 273–284. doi:10.1007/s40273-015-0338-z. PMID 26589411.
  19. ^ 퀸즐랜드의 Jeff Bennet University of Queensland https://www.epa.qld.gov.au/publications?id=1585 2008-08-19 웨이백 머신에 보관
  20. ^ 2001 – 국제 경제 센터 – 지불 의지의 방법론 검토
  21. ^ Yatchew, Adonis; Griliches, Zvi (1985). "Specification Error in Probit Models". The Review of Economics and Statistics. 67 (1): 134. doi:10.2307/1928444. JSTOR 1928444.
  22. ^ Hensher, David; Louviere, Jordan; Swait, Joffre (1998-11-26). "Combining sources of preference data". Journal of Econometrics. 89 (1–2): 197–221. doi:10.1016/S0304-4076(98)00061-X. hdl:2123/19028.
  23. ^ Train, Kenneth (2005). Applications of simulation methods in environmental and resource economics. Doredrecht. pp. 1–16.
  24. ^ Sonnier, Garrett; Ainslie, Andrew S.; Otter, Thomas (2007). "Heterogeneity Distributions of Willingness-to-Pay in Choice Models". doi:10.2139/ssrn.928412. Cite 저널은 필요로 한다. journal= (도움말)

외부 링크