组合分析是一种基于调查的统计技术，用于市场研究，有助于确定人们如何评估构成个别产品或服务的不同属性（特征，功能，效益）。

组合分析是一种基于调查的统计技术，用于市场研究，有助于确定人们如何评估构成个别产品或服务的不同属性（特征，功能，效益）。

组合分析的目的是确定哪一种属性组合对受访者的选择或决策最有影响力。一系列产品或服务被展示出来从而对受访者进行调查，并通过分析他们如何在这些产品之间根据偏好进行选择，可以确定构成产品或服务的各个元素的隐性估价。这些隐性估价（公用事业或部分价值）可用于创建估计新设计的市场份额，收入甚至盈利能力的市场模型。

组合起源于数学心理学，由宾夕法尼亚大学沃顿商学院营销学教授Paul E. Green发展。其他突出的组合分析先驱包括斯坦福大学的“Seenu”Srinivasan，他为秩序数据开发了一个线性规划（LINMAP）程序以及一种自我解释的方法，Richard Johnson在20世纪80年代开发了自适应联合分析技术和Jordan Louviere（爱荷华大学）发明和开发基于选择的方法来结合分析和相关技术，如最佳最差的缩放。

今天，它被用于许多社会科学和应用科学，包括营销，产品管理和运营研究。经常用于测试客户接受新产品设计，评估广告和服务设计的吸引力。它已被用于产品定位，但有一些人提出了联合分析应用的问题。

组合分析技术也可以称为多属性组合建模，离散选择建模或所述优选研究，并且是用于系统分析决策的更广泛的权衡分析工具的一部分。这些工具包括品牌价格折衷，Simalto和数学方法，如AHP，进化算法或规则开发实验。

根据多个属性描述产品或服务区域。例如，电视具有屏幕尺寸、屏幕格式、品牌、价格等属性。然后可以将每个属性分解成多个级别。例如，屏幕格式的级别可以是LED，LCD或等离子体。

受访者将被展示一系列产品、原型、模型或图片，并要求对其显示的产品进行选择、排名或评分。每个组合分析的例子都很相似，消费者会将它们视为替代品，但是不同于受访者可以清楚地确定偏好。每个例子都是由产品功能的独特组合组成的。数据可能包括个别评级，排序或替代组合中的偏好。

随着属性和级别的组合数量的增加，潜在配置文件的数量呈指数增长。因此，分数因子设计通常用于减少必须评估的简档数量，同时确保有足够的数据可用于统计分析，从而得到一套精心控制的一组“配置文件”供受访者考虑。

组合分析的最早形式是所谓的全面概况研究，其中一小部分属性（通常为4到5）用于创建通常在个人卡片上显示给受访者的个人资料。然后受访者对这些配置文件进行排名或评级。使用相对简单的虚拟变量回归分析，可以计算各级的隐式效用。在这些早期设计中有两个缺点。

首先，使用的属性数量受到严重限制。具有大量属性，受访者的考虑任务变得太大，即使使用分数因子设计，评估的概况数量也可以快速增加。为了使用更多的属性（最多30个），开发了混合联合技术。主要的替代方法是在联合任务之前进行某种形式的自我解释（评估单独的组件），以及在配置文件上显示某种形式的自适应计算机辅助选择。

第二个缺点是任务本身是不切实际的，并没有直接与行为理论联系起来。在现实生活中，任务将是替代品之间的某种形式的实际选择，而不是最初使用的人造排名和评级。约旦·路维尔（Jordan Louviere）开创了一种只采用选择任务的方法，成为基于选择的联合分析和离散选择分析的基础。这种偏好研究与计量经济学模型相关联，并且可以与显示的偏好相关联，其中选择模型基于真实而不是调查数据进行校准。最初的基于选择的组合分析无法提供个人水平的公用事业，因为它在市场上聚合了选择。这使得它不适合市场细分研究。通过使用较新的分层贝叶斯分析技术，可以将各个级别的实用程序推算回来提供单独的级别数据。

组合分析的数据通常是通过市场调查来收集的，尽管联合分析也可以应用于精心设计的配置器或来自适当设计的测试市场实验的数据。在设计组合分析采访时，市场研究的经验法则适用于统计样本量和准确性。

研究问卷的长度取决于要评估的属性数量和使用中的组合分析方法。具有20-25个属性的典型自适应联合问卷可能需要30多分钟才能完成。通过使用分布在整个样本上的较小的轮廓集可以在不到15分钟内完成基于选择的联合。选择练习可以显示为商店前面类型布局或其他模拟购物环境。

根据模型的类型，可以使用不同的计量经济学和统计学方法来估计效用函数。这些效用函数表示了功能的感知价值，消费者的感知和偏好对产品功能的变化有多敏感。实际的估计程序将取决于受访者的任务和简档的设计，规范的类型以及可能具有有限范围的偏好的度量标准（可以是比率，排名，选择）。对于额定的完整轮廓任务，线性回归可能是适当的，对于基于选择的任务，通常使用通常使用逻辑回归的最大似然估计。原始方法是方差或线性规划技术的单调分析，但是当代营销研究实践已经转向使用多项Logit，该模型的混合版本以及其他改进的基于选择的模型。贝叶斯估计也很受欢迎。分层贝叶斯程序现在也比较受欢迎。

（1）估计消费者在评估多个属性时做出的心理衡量；

（2）在个人层面衡量偏好；

（3）揭露真实或隐藏的司机，这些驱动程序对于被访者本身可能不明显；

（4）现实选择或购物任务；

（5）能够使用物理对象；

（6）如果适当设计，可以使用模型之间的相互作用的能力来开发基于需求的分割。

（1）设计联合研究可能很复杂；

（2）有太多的选择，受访者诉诸简化策略；

（3）难以用于产品定位研究，因为没有将关于实际特征的感知转换为关于减少的底层特征集合的感知的过程；

（4）受访者无法表达对新类别的态度，或者可能会被迫考虑他们不会多思考的问题；

（5）设计不善的研究可能会过度估价情绪/偏好变量，并低估具体变量；

（6）不考虑每个购买的数量项目，因此可能会使市场份额不佳。

以下例子给出了业务分析中组合分析的一个实际应用：房地产开发商有兴趣在城市常春藤联盟大学附近兴建高层公寓。为了确保项目的成功，聘请了一家市场研究公司，与当前的学生进行关注。学生按学年分组（新生，高年级，研究生）和收到的经济援助金额。研究参与者获得了一系列索引卡。每张卡片有6个属性来描述潜在的建筑项目（靠近校园，成本，电信包，洗衣选择，楼层平面图和提供的安全功能）。每张卡上描述的建筑物的估计费用是相当的。要求参加者从最少到最吸引人的地方订购卡。这种强制排名行动将间接地揭示参与者的优先事项和偏好。多变量回归分析可用于确定目标市场细分的偏好强度。

美国的联邦法院允许专家证人使用联合分析来支持他们对专利侵权人赔偿专利持有人侵犯其权利的损害赔偿的意见。然而，法律学者们指出，联邦巡回法院在专利损害赔偿计算中使用联合分析的判例仍处于形成阶段。