一、联合分析所属模块

联合分析归在SPSSAU【问卷研究】模块。

二、方法概述

联合分析是用来判断多个属性中哪些更影响选择偏好的方法，常见于产品设计、价格测试、包装方案比较等场景。它可以把受访者对不同组合方案的评分拆解成属性重要性和各水平的偏好方向，方便快速找到更受欢迎的方案配置。

三、变量设置规则

联合分析需要设置2类变量，且两类变量都必须填写。总体上是1个因变量加若干个属性变量的组合，其中因变量只能放1项，属性变量至少放1项、最多可放20项。

1. 因变量设置

Y(轮廓得分)：这里放入受访者对各个方案轮廓的评分结果，必须填写，而且只能放入1个变量。这个变量通常来自受访者对不同组合方案的打分、偏好分值或评价得分。

2. 自变量设置

X(属性，定类)：这里放入组成方案的属性变量，必须填写，至少放入1项，最多可放入20项。每个属性通常代表价格、品牌、规格、颜色、服务内容等方案构成因素，变量类型以定类为主，便于比较不同水平对偏好的影响。

四、参数设置及解释说明

联合分析在SPSSAU中有两个常见的附加设置，主要用于保存分析过程中产生的新结果，便于后续继续查看或做进一步处理。

1. 保存效用值

勾选后，系统会把联合分析得到的效用值以新标题形式保存下来。适合后续还想继续对效用结果做整理、对比或二次分析的场景。若当前只需要查看一次结果，可不勾选；若需要留存中间结果，建议勾选。

2. 保存残差和预测值

勾选后，系统会把残差和预测值分别保存下来。这样可以更方便检查模型预测表现，或把这些结果继续用于后续分析。若想进一步判断模型拟合是否稳定、预测是否贴近原始评分，建议勾选该项。

五、分析结果表格及其解读

SPSSAU完成联合分析后，核心会输出2个结果表，分别用于查看属性重要性与效用值，以及查看估计结果和模型拟合情况。

1. 表1：联合分析结果汇总

该表格的作用是集中展示各个属性的重要程度，以及每个水平项对应的效用值，包含属性、重要性值、重要性占比、水平项、效用值等核心内容。

● 属性：表示参与联合分析的各个方案属性，用于确认当前比较的是哪些因素。阅读时先看属性名称，建立整体分析框架。

● 重要性值：表示某个属性对整体偏好的影响程度大小，数值越大，说明这个属性越关键。实际判断时通常与其他属性横向比较，谁更高，谁对选择结果影响更大。

● 重要性占比：表示某个属性在全部属性中的相对影响份额，便于直观看出主次。判断时优先看占比高低，占比越高，说明该属性越值得优先优化。

● 水平项：表示每个属性下的具体选项或水平，例如高价、低价，不同颜色，不同服务方案等。它帮助判断到底是哪一种配置更受欢迎。

● 效用值：表示某个具体水平对偏好的正向或负向影响。判断时看相对大小即可：数值越高，说明该水平越受偏好；数值越低，说明该水平吸引力越弱。若同一属性下某个水平明显高于其他水平，通常说明该水平更值得保留。

2. 表2：联合分析(Cojoint analysis)估计结果

该表格的作用是展示各水平估计结果、模型整体检验情况及拟合优度，包含回归系数、标准误、t值、显著性p值、模型公式、方差分析、ols回归模型拟合优度、联合分析模型拟合优度等内容。

● 回归系数：表示某个水平相对于参考项带来的偏好变化方向和变化幅度。判断时重点看正负和相对大小：为正通常说明更有利于提升偏好，为负通常说明不利于提升偏好；绝对值越大，影响通常越明显。

● 标准误：表示估计结果的稳定程度，数值越小，说明该估计通常越稳定。它常与回归系数一起看，用于辅助判断结果是否可靠。

● t值：用于反映某个水平影响是否足够明显。一般来说，绝对值越大，说明该水平的影响越不容易是偶然出现的。

● 显著性p值：用于判断某个水平是否达到统计意义上的显著。常见判断标准是p值小于0.05时，可认为该水平影响较明显；若大于等于0.05，通常说明该水平的区分作用不够稳定。

● 模型公式：用于展示模型如何根据不同属性水平来预测轮廓得分。实操中不需要死记内容，主要知道它对应的是整套联合分析预测关系即可。

● 方差分析：用于检验整体模型是否具备解释力。重点看显著性：若对应显著性小于0.05，通常说明模型整体有效；若不显著，则说明当前属性组合对评分的解释力度不足。

● R方：表示模型对轮廓得分的解释程度，取值越高，通常说明模型解释效果越好。没有统一绝对门槛，但在同类研究中越高越理想。

● 调整后R方：是在考虑变量数量后对R方进行修正的指标，更适合用来判断模型整体质量。若该值与R方接近，通常说明模型较稳定；若相差较大，则要留意变量设置是否过多。

● 标准误差：表示模型预测值与实际评分之间的平均偏差水平，越小通常说明预测越贴近实际数据。

● Pearson相关系数：用于衡量联合分析预测值与原始偏好之间的一致程度。一般越接近1越好，说明模型排序和原始评价越一致。

● Pearson对应p值：用于判断Pearson相关是否显著。通常p值小于0.05时，说明这种一致性具有统计意义。

● Kendall相关系数：用于衡量排序层面的一致程度，尤其适合看方案排序是否吻合。一般越接近1越好，说明模型给出的排序越可信。

● Kendall对应p值：用于判断排序一致性是否显著。通常p值小于0.05时，可认为模型排序结果具有较好参考价值。

六、分析结果图表及其解读

SPSSAU联合分析会输出1种核心图表，即重要性占比图，用于直观比较各属性对整体偏好的影响大小。

重要性占比图

该图可以用饼图、柱形图或条形图方式呈现，本质上都是比较各属性的重要性占比。阅读时重点看各属性对应图形的面积或长度差异：差异越明显，说明不同属性对选择偏好的影响层级越清楚；若某个属性明显高于其他属性，通常意味着它是影响方案选择的关键因素。若多个属性高度接近，则说明用户偏好可能受多项因素共同影响，不能只盯住单一属性做判断。

以上就是SPSSAU联合分析的相关内容，更深入教程可查看SPSSAU帮助手册、教学视频、疑难解惑等资料。