最大差异化测量（MaxDiff）中属性很多时的处理技巧

        自从JordanLouviere在上世纪90年代初介绍了一种被称为 “最大差异测量” 的新方法后，测量人们对多个对象的偏好进入了新的篇章。尤其在最近10年，越来越多的商业客户尝到了这种方法的甜头。其结果有两个，一方面我们在越来越多的研究中见到了这种方法的应用；另一方面，越来越多的客户有过度使用该方法的趋势。特别是后面这点，用于评测的对象数量从十个左右，逐步上升到几十个，甚至上百个（例如一些复杂产品的功能和特征，例如汽车，手机等）。而这里带来的一个无法回避的问题，即越多的对象必然导致越多的题目需要被回答以确保试验设计的有效性，而我们的评测者往往无法忍受这种冗长和非常类似的重复性问题。

        业界的学者也在一直关注这问题，并且提出了一些不错的方法，我们在这里介绍比较流行的几种方法。在正式介绍之前，我们先回顾下传统的MaxDiff需要每个评测者完成的题目数量及每个题目中需要评估的对象数量。设计参数如下图所示：

        K代表总的对象数目，即我们所有需要比较的对象总数。

        M代表每个任务中出示的对象个数。笔者建议每个任务中出示3-5个对象，这是因为当每个任务里的对象超过5个时，评测者较难准确选出“最好/最差”的对象。举个例子，比较下面两个任务，一个出示4个对象，另一个出示6个对象，您觉得哪个更容易完成呢？

        t代表每个MaxDiff问题需要包含的任务数量。理想状态下，我们希望在单个评测者层面的结果都尽可能的准确。为此，当评测者完成所有任务后，每个对象应至少出现了3到5次，那么可以很容易地推导出任务数(t)的公式……

精彩全文请点击：最大差异化测量（MaxDiff）中属性很多时的处理技巧