English Title: Robustness of metric and non-metric conjoint analysis based on simulated preference data

Preview

PDF, German Download (759kB) | Terms of use

Abstract

Der Begriff Conjoint-Analyse (CA) bezeichnet statistische Verfahren zur Dekomposition ordinaler Relationen zwischen multiattributiven Stimuli unter Zugrundlegung des Modells (additiv) verbundener Messung. Neben spezifischen Algorithmen, die die ordinale Qualität der Daten berücksichtigen (nichtmetrische CA), wird hierfür auch konventionelle OLS-Regression benutzt (metrische CA), obwohl dabei eine Verletzung de Modellannahme metrischer Qualität der abhängigen Variablen gegeben ist. Die vorliegende Simulationsstudie vergleicht LINMAP - ein Verfahren nichtmetrischer CA - und metrische CA, variiert wurde der Typus des datengenerierenden Modells (kompensatorisch, Interaktion, dominantes Attribut), der Anteil Fehlervarianz sowie die Größe des faktoriellen Designs. Entgegen den zugrundegelegten Hypothesen führte unter nahezu allen simulierten Bedingungen das metrische Verfahren zu einer besseren Vorhersage der ordinalen Relationen zwischen den multiattributiven Stimuli, als das nichtmetrische.

Translation of abstract (English)

Conjoint analysis (CA) denotes statistical procedures for the decomposition of ordinal relations between multi-attributive stimuli, based on the model of (additive) conjoint measurement. Specific algorithms have been developed to handle the ordinal quality of the data (non-metric CA). Alternatively conventional OLS-regression is used (metric CA), although this means a violation of the asumption of metric quality of the dependent variable. The present simulation study compares LINMAP - a non-metric CA procedure - with metric CA, varying the type of data-generating model (compensatory, interaction, dominant attribute), the amount of error-variance, and the size of factorial design. Suprisingly, metric CA was found to better predict the ordinal relations between multiattributive stimuli under nearly every simulated condition better, than non-metric CA.