Mas Allá de la Suposición de Efectos Principales en Análisis Conjunto: Comparación Entre Análisis Conjunto Tradicional vs. Análisis Conjunto Basado en Elección. Enfoque Estadístico y Construcción de Diseños Aplicado al Desarrollo de Nuevos Productos

Contenido principal del artículo

Andrés Paredes
Alvaro Enriquez
Danny Navarrete

Resumen

El supuesto de considerar solo efectos principales en el Analisis Conjunto ha creado un debate si enfocarse o no en el impacto de las interacciónes para determinar la combinación con mayor preferencia en los atributos del producto. La comparación se realizó entre las encuestas del Análisis Conjunto Tradicional CVA y el Análisis Conjunto Basado en la Elección CBC para contrastarlas a través de los valores de utilidad, valores de importancia de los atributos y bondad de ajuste en ambas metodologías, usando una bebida lista para tomar como sujeto de prueba. La suposición de efectos principales en la regla de com-posición del CVA fue comparada con la inclusión de términos de interacción significativos en el CBC. Se desarrollaron dos escena-rios; en el primero de consideró características internas del sujeto de prueba y se utilizó un tamaño de muestra de 250 encuestados. En el segundo escenario consideró características de presentación del sujeto de prueba y un tamaño de muestra de 150 encuestados. Los dos valores de utilidad más altos se obtuvieron del CBC, usando una regla de composición con interacciones, acabó considerando a la Cerveza, en cambio en el CVA este nivel reporto una utilidad negativa. En el Escenario 1 se encontró una bondad de ajuste más alta para el CBC, incluyendo interacciones significativas, en contraste con el Escenario 2, donde no se encontraron interacciones significativas y en ese caso el CVA tuvo una bondad de ajuste mayor.

Descargas

La descarga de datos todavía no está disponible.

Metrics

Cargando métricas ...

Detalles del artículo

Cómo citar
Paredes, A., Enriquez, A., & Navarrete, D. (2015). Mas Allá de la Suposición de Efectos Principales en Análisis Conjunto: Comparación Entre Análisis Conjunto Tradicional vs. Análisis Conjunto Basado en Elección. Enfoque Estadístico y Construcción de Diseños Aplicado al Desarrollo de Nuevos Productos. ACI Avances En Ciencias E Ingenierías, 7(2). https://doi.org/10.18272/aci.v7i2.264
Sección
SECCIÓN C: INGENIERÍAS
Biografía del autor/a

Andrés Paredes, Universidad San Francisco de Quito

Universidad San Francisco de Quito, Colegio de Ciencias e Ingeniería -El Politécnico- Ingeniería Industrial. Calle Diego de Robles y Vía Interoceánica, Campus Cumbayá, Quito, Ecuador.

Alvaro Enriquez, Universidad San Francisco de Quito

Universidad San Francisco de Quito, Colegio de Ciencias e Ingeniería -El Politécnico- Ingeniería Industrial. Calle Diego de Robles y Vía Interoceánica, Campus Cumbayá, Quito, Ecuador.

Danny Navarrete, Universidad San Francisco de Quito

Universidad San Francisco de Quito, Colegio de Ciencias e Ingeniería -El Politécnico- Ingeniería Industrial. Calle Diego de Robles y Vía Interoceánica, Campus Cumbayá, Quito, Ecuador.

Citas

[1] Karniouchina, E.; Moore, W.; van der Rhee, B. 2008. “Issues in the use of ratings-based versus Choice-based conjoint analysis” in operations management research. European Journal of Operational Research, 197 (1): 340-348.

[2] Jervis, S.; Ennis, J.; Drake, M. 2012. “Comparison of adaptive choice-based conjoint and choice-based conjoint to determine key choice attributes of sour cream with limited sample size”. Raleigh: Journal of Sensory Studies, 27: 451-562.

[3] Lambin, J. J.; Schulling, I. 2008. “Market-Driven Management: Supplementary web resource material”. Palgrave Macmillan: 117-125.

[4] Orme, B.; Chrzan, K. 2000. “An overview and Comparison of Design Strategies for Choice-Based Conjoint Analysis”. Sawtooth Software Research Paper Series, Washington, USA. https://www.sawtoothsoftware.com/download/techpap/desgncbc.pdf.

[5] Barone, S.; Lombardo, A.; Tarantino, P. 2007. “A Weighted Logistic Regression for Conjoint Analysis and Kansei Engineering”. Quality and Reliability Engineering International, 23: 689-706.

[6] Sawtooth Software. 2009. “The CBC/HB System for Hierarchical Bayes Estimation Version 5.0 Technical Paper”. Sawtooth Software Technical Paper Series. Washington, USA. https://www.sawtoothsoftware.com/download/techpap/hbtech.pdf.

[7] Green, P. E. 1990. “Conjoint Analysis in Marketing: New Developments with Implication for Research and Practice”. Journal of Marketing, 54 (4): 1-19.

[8] Hair Jr, J. F.; Black W. C.; Babin, B. J.; Anderson, R. E. (2007). “Multivariate Data Analysis”. Prentice-Hall.

[9] Rao, V R. 2010. “Conjoint analysis”. John Wiley & Sons, USA.

[10] Orme, B. 2010. “Getting Started with Conjoint Analysis: Strategies for Product Design and Pricing Research”. Research Publishers LLC: Madison, USA.

[11] Sawtooth Software Inc. 2014. “SSI Web Help Manual”. Sawtooth Software: Orem, USA. https://sawtoothsoftware.com/support/manuals/ssi-web-help.

[12] Orme, B.; Alpert, M.; Christensen, E. 1997. “Assessing the validity of conjoint analysis - continued”. Sawtooth Software Research Paper Series. Washington, USA. https://www.sawtoothsoftware.com/download/techpap/assess2.pdf.

[13] Sawtooth Software, Inc. 2013. “The CBC System for Choice-Based Conjoint Analysis Version 8”. Utah, USA. https://sawtoothsoftware.com/download/techpap/cbctech.pdf.

[14] Brown-Forman. 2011. “Ready-To-Drinks”. Brown-Forman: Kentucky, USA. http://www.ourthinkingaboutdrinking.com/uploadedfiles/PDF_Downloads/Read-y-to-Drinks.pdf.

[15] [15] Instituto Nacional de Estadística y Censos (INEC). 2011-2012. “Encuesta Nacional de Ingresos y Gastos en hogares Urbanos y Rurales (ENIGHUR)”. Ecuador en cifras: Quito, Ecuador. http://www.inec.gob.ec/Enighur_/Analisis_ENIGHUR%202011-2012_rev.pdf.

[16] Sojo, O. C. 2012. “Patrones de consumo de alcohol en el Ecuador”. FLACSO, Investigación: San José, Costa Rica.

[17] King, E. 2012. “Regulatory Impact Statement: Alcohol Reform Bill - Policy Amendments for Inclusion in the Government Supplementary Order Paper”. Minitry of Justice: New Zeland. http://www.treasury.govt.nz/publications/informationreleases/ris/pdfs/ris-justice-arbp-aug12.pdf.

[18] World Health Organization (WHO). 2014. “Global Alcohol Report - Ecuador”. World Health Organization: Geneva, Suiza. http://www.who.int/substance_abuse/publications/global_alcohol_report/profiles/ecu.pdf.

[19] Addelman, S. 1962. “Symmetrical and Asymmetrical Fractional Factorial Plans”. American Society for Quality, 4 (1): 47-58.

[20] Xu, H. 2005. “A catalogue of three-level regular fractional factorial designs”. Metrika, 62: 259-281.

[21] Preston, C. C.; Colman, A. M. 2000. “Optimal number of response categories in rating scales: reliability, validity, discriminating power, and respondent preference”. Acta Phychologica, 104 (1): 1-15.

[22] Igomereho, O. S. 2011. “Conjoint Analysis: A Strategic Tool for Product Research”. International Journal of Economic Development Research and Investment, 2 (3): 1-9.

[23] Sawtooth Software Inc. 2002. “Conjoint Value Analysis (CVA) Version 3.0”. Sawtooth Software Technical Paper Series. Washington, USA. https://www.sawtoothsoftware.com/download/techpap/cva3tech.pdf.

[24] Howell, J. 2009. “CBC/HB for beginners. Sequim: Sawtooth Software”. Sawtooth Software Research Paper Series. Washington, USA. http://www.sawtoothsoftware.com/download/techpap/CBCHBbeginners.pdf.

[25] Allenby, G. M.; Rossi, P. E.; McCulloch, R. E. 2005. “Hierarchical Bayes Models: A Practitioners Guide”. Social Science Research Network. Ohio, USA. http://papers.ssrn.com/sol3/papers.cfm?abstract_id=655541.

[26] Lenk, P.; DeSarbo, W.; Green, P.; Young, M. 1996. “Hierarchical Bayes conjoint analysis: recovery of part worth heterogeneity from reduced experimental designs”. Marketing Science, 15 (2): 173-191.

[27] Moskowitz, H. R.; Silcher, M. 2006. “The applications of conjoint analysis and their possible uses in Sensometrics”. Food Quality and Preference, 17: 145-165.

[28] Chib, S.; Greenberg, E. 1995. “Understanding the Metropolis-Hastings Algorithm”. The American Statistician, 49 (4): 327-335.