### 影响分析 #### ✅ **距离过大（水平间差异显著）时的影响** 1. **效用函数失真** 受访者可能因无法合理比较极端选项而随意打分，导致收集到的偏好数据噪声增加，最终拟合出的效用系数可靠性下降。例如：若价格从1元直接跳到1000元，受测者会失去判断基准。 2. **违背偏好独立性假设** 联合分析默认不同属性间相互独立，但过大的间隔可能引发补偿效应——人们不再单独评估每个属性，转而寻求整体妥协方案（如“选最便宜的那个就行”）。 3. **模型解释力减弱** 预测新组合时的外推误差扩大，尤其是中间缺失的值域区域。比如从未出现过500元价位的产品时，模型难以准确预估其市场接受度。 --- #### ⚠️ **距离过小（水平过于接近）时的影响** 1. **区分度不足** 相似选项使被访者产生选择困难症，出现大量相同评分或随机勾选现象。如洗发水去屑功能仅区分“微量添加”vs“少量添加”，消费者根本感知不到差别。 2. **多重共线性风险** 统计学上高度相关的自变量会导致回归系数标准误膨胀，部分水平的参数估计变得不显著（p>0.05），甚至出现符号反转的悖论结果。 3. **设计效率低下** 正交表中大量重复低信息量的组合浪费样本量，需要更复杂的分层抽样才能达到同等精度，调研成本骤增。 --- #### 📌 **最佳实践建议** - ✔️ **预测试阶梯法**：通过小规模试点确定各属性的自然断点（如价格分段应覆盖消费者心理账户边界） - ✔️ **参照现实场景**：保持水平间距与市场中现有竞品的真实分布基本一致 - ✔️ **使用对数尺度**：对数值型属性（价格/重量等）采用几何级数而非算术级数编码 - ✔️ **平衡检验**：确保主效应大于二阶交互作用，避免因量程设置不当引入混杂变量

在联合分析中，属性不同水平之间的距离对结果有重要影响。如果属性水平之间的距离过大，可能会导致消费者难以在不同水平之间做出选择，从而降低模型的预测准确性。例如，在一个商品价格属性的联合分析中，如果价格水平的差距非常大，比如从1元到10000元，那么消费者可能会在低端和高端产品之间感到困惑，不知道如何选择适合自己的价格区间。 相反，如果属性水平之间的距离过小，也可能会影响模型的准确性。当水平之间的差异很小时，消费者可能无法区分不同水平之间的差异，从而导致模型无法准确捕捉到消费者的偏好。例如，在一个产品质量属性的联合分析中，如果质量水平的差距非常小，比如从70分提高到80分，消费者可能无法明显感受到质量的提升，从而使得模型无法准确评估不同质量水平对产品偏好的影响。 因此，在构建联合分析模型时，需要合理设置属性水平的数量和间距，以确保模型能够准确地反映消费者的偏好和行为。