การสร้างแบบจำลองทางเลือกพยายามสร้างแบบจำลองกระบวนการตัดสินใจของบุคคลหรือกลุ่มผ่านความชอบที่เปิดเผยหรือความชอบที่ระบุไว้ในบริบทเฉพาะหรือหลายบริบท โดยทั่วไปแล้ว จะพยายามใช้ทางเลือกที่ไม่ต่อเนื่อง (A มากกว่า B; B มากกว่า A, B และ C) เพื่ออนุมานตำแหน่งของรายการ (A, B และ C) บนมาตราส่วนแฝงที่เกี่ยวข้อง (โดยทั่วไปคือ " อรรถประโยชน์ " ในทางเศรษฐศาสตร์และสาขาที่เกี่ยวข้องต่างๆ) อันที่จริง มีแบบจำลองทางเลือกมากมายในเศรษฐศาสตร์เชิงปริมาณการตลาดสังคมวิทยาและสาขาอื่นๆ รวมถึง การเพิ่ม อรรถประโยชน์สูงสุดการเพิ่มประสิทธิภาพที่ประยุกต์ใช้กับทฤษฎีผู้บริโภคและกลยุทธ์การระบุอื่นๆ อีกมากมาย ซึ่งอาจมีความแม่นยำมากหรือน้อยขึ้นอยู่กับข้อมูลตัวอย่างสมมติฐาน และการตัดสินใจ เฉพาะ ที่กำลังสร้างแบบ จำลองนอกจากนี้ การสร้างแบบจำลองทางเลือกยังถือเป็นวิธีการที่เหมาะสมที่สุดสำหรับการประมาณความเต็มใจของผู้บริโภคที่จะจ่ายเพื่อการปรับปรุงคุณภาพในหลายมิติ^{[ 1 ]}

มีคำศัพท์หลายคำที่ถือว่าเป็นคำพ้องความหมายกับคำว่าการสร้างแบบจำลองทางเลือก บางคำมีความถูกต้อง (แม้ว่าโดยทั่วไปจะจำเพาะเจาะจงกับสาขาวิชาหรือทวีป) และบางคำใช้ในการประยุกต์ใช้ในอุตสาหกรรม แม้ว่าจะถือว่าไม่ถูกต้องในแวดวงวิชาการ (เช่น การวิเคราะห์ร่วม) ^{[ 2 ]}

ซึ่งรวมถึงสิ่งต่อไปนี้:

1. การสร้างแบบจำลองตัวเลือกแบบไม่ต่อเนื่องตามความชอบที่ระบุไว้
2. การเลือกแบบแยกส่วน
3. การทดลองเลือก
4. การศึกษาความชอบที่ระบุไว้
5. การวิเคราะห์ร่วม
6. การทดลองแบบควบคุม

แม้ว่าจะยังคงมีข้อขัดแย้งในเรื่องคำศัพท์อยู่ แต่ก็เป็นที่น่าสังเกตว่าวารสารวิชาการที่มุ่งให้แหล่งข้อมูลข้ามสาขาวิชาของการวิจัยใหม่และเชิงประจักษ์ในสาขานี้มีชื่อว่า Journal of Choice Modelling ^{[ 3 ]}

ทฤษฎีเบื้องหลังการสร้างแบบจำลองการเลือกได้รับการพัฒนาขึ้นโดยอิสระโดยนักเศรษฐศาสตร์และนักจิตวิทยาคณิตศาสตร์ ต้นกำเนิดของการสร้างแบบจำลองการเลือกสามารถสืบย้อนไปถึงงาน วิจัย ของ Thurstoneเกี่ยวกับความชอบด้านอาหารในช่วงทศวรรษ 1920 และทฤษฎีอรรถประโยชน์แบบสุ่ม^{[ 4 ]}ในทางเศรษฐศาสตร์ ทฤษฎีอรรถประโยชน์แบบสุ่มได้รับการพัฒนาโดยDaniel McFadden ^{[ 5 ]}และในทางจิตวิทยาคณิตศาสตร์ส่วนใหญ่โดยDuncan Luceและ Anthony Marley ^{[ 6 ]}โดยพื้นฐานแล้ว การสร้างแบบจำลองการเลือกถือว่าอรรถประโยชน์ (ผลประโยชน์หรือคุณค่า) ที่บุคคลได้รับจากรายการ A มากกว่ารายการ B เป็นฟังก์ชันของความถี่ที่เขา/เธอเลือกรายการ A มากกว่ารายการ B ในการเลือกซ้ำๆ เนื่องจากการใช้การแจกแจงแบบปกติ Thurstone จึงไม่สามารถสรุปการเลือกแบบไบนารีนี้ลงในกรอบการเลือกแบบหลายตัวเลือก (ซึ่งต้องใช้การถดถอยโลจิสติกแบบหลายตัว เลือก แทนฟังก์ชันเชื่อมโยง probit) ด้วยเหตุนี้ วิธีการนี้จึงถูกละเลยมานานกว่า 30 ปี อย่างไรก็ตาม ในช่วงทศวรรษ 1960 ถึง 1980 วิธีการนี้ได้รับการวางเป็นหลักการพื้นฐานและนำไปประยุกต์ใช้ในการศึกษาประเภทต่างๆ

การสร้างแบบจำลองการเลือกใช้ทั้งใน การศึกษา ความชอบที่เปิดเผย (RP) และความชอบที่ระบุไว้ (SP) การศึกษา RP ใช้ตัวเลือกที่บุคคลได้ทำไปแล้วเพื่อประเมินค่าที่พวกเขากำหนดให้กับรายการต่างๆ - พวกเขา "เปิดเผยความชอบของพวกเขา - และด้วยเหตุนี้จึงได้ค่า (อรรถประโยชน์) - ผ่านตัวเลือกของพวกเขา" การศึกษา SP ใช้ตัวเลือกที่บุคคลได้ทำภายใต้เงื่อนไขการทดลองเพื่อประเมินค่าเหล่านี้ - พวกเขา "ระบุความชอบของพวกเขาผ่านตัวเลือกของพวกเขา" McFadden ประสบความสำเร็จในการใช้ความชอบที่เปิดเผย (ที่ได้จากการศึกษาด้านการขนส่งก่อนหน้านี้) เพื่อทำนายความต้องการสำหรับBay Area Rapid Transit (BART) ก่อนที่จะมีการก่อสร้าง Luce และ Marley ได้กำหนดทฤษฎีอรรถประโยชน์แบบสุ่มไว้ก่อนหน้านี้ แต่ยังไม่ได้นำไปใช้ในการประยุกต์ใช้ในโลกแห่งความเป็นจริง^{[ 7 ]}ยิ่งไปกว่านั้น พวกเขายังใช้เวลาหลายปีในการทดสอบวิธีการในการศึกษา SP ที่เกี่ยวข้องกับนักศึกษาจิตวิทยา

ผลงานของ McFadden ทำให้เขาได้รับรางวัลโนเบลสาขาเศรษฐศาสตร์^{[ 8 ]}ในปี 2000 อย่างไรก็ตาม งานส่วนใหญ่ในการสร้างแบบจำลองทางเลือกได้ดำเนินไปเกือบ 20 ปีในสาขาความชอบที่ระบุไว้^{[ 9 ] [ 10 ]}งานดังกล่าวเกิดขึ้นในหลากหลายสาขาวิชา โดยเริ่มแรกในด้านการขนส่งและการตลาด เนื่องจากความจำเป็นในการคาดการณ์ความต้องการผลิตภัณฑ์ใหม่ซึ่งอาจมีต้นทุนการผลิตสูง งานนี้อาศัยสาขาการวิเคราะห์ร่วมและการออกแบบการทดลอง เป็นอย่างมาก เพื่อที่จะ:

1. นำเสนอสินค้าหรือบริการแก่ผู้บริโภคโดยกำหนดคุณลักษณะเฉพาะที่มีระดับต่างๆ เช่น "ราคา" ที่มีระดับ "10 ดอลลาร์ 20 ดอลลาร์ 30 ดอลลาร์" หรือ "บริการหลังการขาย" ที่มีระดับ "ไม่มีการรับประกัน การรับประกัน 10 ปี"
2. นำเสนอการจัดเรียงสินค้าเหล่านี้ในรูปแบบที่ลดจำนวนตัวเลือกที่จำเป็นในการประมาณฟังก์ชันอรรถประโยชน์ของผู้บริโภค (กฎการตัดสินใจ) ให้เหลือน้อยที่สุด

โดยเฉพาะอย่างยิ่ง จุดประสงค์คือการนำเสนอจำนวนคู่/สาม ฯลฯ ขั้นต่ำของ (ตัวอย่างเช่น) โทรศัพท์มือถือ เพื่อให้นักวิเคราะห์สามารถประเมินมูลค่าที่ผู้บริโภคได้รับ (ในหน่วยเงิน) จากคุณสมบัติที่เป็นไปได้ทั้งหมดของโทรศัพท์ ในทางตรงกันข้ามกับงานส่วนใหญ่ในการวิเคราะห์ร่วม การเลือกแบบไม่ต่อเนื่อง (A เทียบกับ B; B เทียบกับ A, B และ C) จะต้องเกิดขึ้น แทนที่จะเป็นการให้คะแนนบนมาตราส่วนการให้คะแนนหมวดหมู่ (มาตราส่วนลิเคิร์ต ) เดวิด เฮนเชอร์และจอร์แดน ลูเวียร์ได้รับการยกย่องอย่างกว้างขวางว่าเป็นผู้สร้างแบบจำลองการเลือกตามความชอบที่ระบุไว้เป็นครั้งแรก^{[ 10 ]}พวกเขายังคงเป็นบุคคลสำคัญ ร่วมกับคนอื่นๆ เช่น จอฟเฟอร์ สเวทและโมเช เบน-อากิวา และในช่วงสามทศวรรษถัดมาในสาขาการขนส่งและการตลาดได้ช่วยพัฒนาและเผยแพร่วิธีการเหล่านี้^{[ 11 ] [ 12 ]}อย่างไรก็ตาม บุคคลอื่นๆ อีกมากมาย โดยส่วนใหญ่ทำงานในด้านเศรษฐศาสตร์การขนส่งและการตลาด ได้มีส่วนร่วมในทฤษฎีและการปฏิบัติ และช่วยเผยแพร่งานอย่างกว้างขวาง^{[ 13 ]}

การสร้างแบบจำลองทางเลือกตั้งแต่เริ่มต้นประสบปัญหาจากการขาดมาตรฐานของคำศัพท์ และคำศัพท์ทั้งหมดที่กล่าวมาข้างต้นได้ถูกนำมาใช้เพื่ออธิบายแบบจำลองนี้ อย่างไรก็ตาม ความขัดแย้งที่ใหญ่ที่สุดกลับพบว่าเป็นเรื่องทางภูมิศาสตร์: ในทวีปอเมริกา คำว่า "การวิเคราะห์ร่วมแบบอิงทางเลือก" (choice-based conjoint analysis) ได้กลายเป็นคำที่ใช้กันอย่างแพร่หลาย โดยยึดตามแนวปฏิบัติของอุตสาหกรรมที่นั่น ซึ่งสะท้อนให้เห็นถึงความต้องการให้การสร้างแบบจำลองทางเลือก (1) สะท้อนโครงสร้างคุณลักษณะและระดับที่สืบทอดมาจากการวิเคราะห์ร่วม แต่ (2) แสดงให้เห็นว่าควรใช้ทางเลือกแบบไม่ต่อเนื่อง แทนที่จะใช้การให้คะแนนเชิงตัวเลข เป็นมาตรวัดผลลัพธ์ที่ได้จากผู้บริโภค ในส่วนอื่นๆ ของโลก คำว่า การทดลองทางเลือกแบบไม่ต่อเนื่อง (discrete choice experiment) ได้กลายเป็นคำที่ใช้กันอย่างแพร่หลายในแทบทุกสาขาวิชา^{[ 2 ]} Louviere (การตลาดและการขนส่ง) และเพื่อนร่วมงานในสาขาเศรษฐศาสตร์สิ่งแวดล้อมและสุขภาพได้ปฏิเสธคำศัพท์ของอเมริกา โดยอ้างว่ามันทำให้เข้าใจผิดและปกปิดความแตกต่างพื้นฐานระหว่างการทดลองเลือกแบบแยกส่วนกับวิธีการร่วมแบบดั้งเดิม: การทดลองเลือกแบบแยกส่วนมีทฤษฎีการตัดสินใจของมนุษย์ที่สามารถทดสอบได้เป็นพื้นฐาน (ทฤษฎีอรรถประโยชน์แบบสุ่ม) ในขณะที่วิธีการร่วมเป็นเพียงวิธีการแยกส่วนคุณค่าของสินค้าโดยใช้ การออกแบบ ทางสถิติจากคะแนนเชิงตัวเลขที่ไม่มี ทฤษฎี ทางจิตวิทยามาอธิบายความหมายของตัวเลขในมาตราส่วนการให้คะแนน^{[ 2 ]}

การออกแบบแบบจำลองการเลือกหรือการทดลองการเลือกแบบไม่ต่อเนื่อง (DCE) โดยทั่วไปจะดำเนินการตามขั้นตอนต่อไปนี้:

1. การระบุสินค้าหรือบริการที่จะได้รับการประเมินมูลค่า;
2. การตัดสินใจว่าคุณลักษณะและระดับใดที่สามารถอธิบายสินค้าหรือบริการนั้นได้อย่างครบถ้วน;
3. การสร้างการออกแบบการทดลองที่เหมาะสมกับคุณลักษณะและระดับเหล่านั้น ไม่ว่าจะจากแคตตาล็อกการออกแบบ^{[ 14 ]}หรือผ่านโปรแกรมซอฟต์แวร์^{[ 15 ]}
4. สร้างแบบสำรวจ โดยแทนที่รหัสการออกแบบ (ตัวเลข) ด้วยระดับคุณลักษณะที่เกี่ยวข้อง
5. การสำรวจความคิดเห็นจากกลุ่มตัวอย่างโดยใช้รูปแบบต่างๆ เช่น การใช้กระดาษและปากกา แต่ที่ได้รับความนิยมมากขึ้นคือการสำรวจผ่านเว็บไซต์
6. การวิเคราะห์ข้อมูลโดยใช้แบบจำลองที่เหมาะสม มักจะเริ่มต้นด้วย แบบจำลอง การถดถอยโลจิสติกแบบหลายตัวเลือกเนื่องจากมีคุณสมบัติที่น่าสนใจในแง่ของความสอดคล้องกับทฤษฎีความต้องการทางเศรษฐกิจ^{[ 5 ]}

นี่มักจะเป็นงานที่ง่ายที่สุด โดยทั่วไปแล้วจะกำหนดไว้ดังนี้:

• คำถามวิจัยในการศึกษาเชิงวิชาการ หรือ
• ความต้องการของลูกค้า (ในบริบทของสินค้าหรือบริการสำหรับผู้บริโภค)

สินค้าหรือบริการ เช่น โทรศัพท์มือถือ มักถูกอธิบายด้วยคุณลักษณะ (ฟีเจอร์) หลายประการ โทรศัพท์มักถูกอธิบายด้วยรูปร่าง ขนาด หน่วยความจำ ยี่ห้อ ฯลฯ คุณลักษณะที่จะเปลี่ยนแปลงใน DCE ต้องเป็นคุณลักษณะทั้งหมดที่ผู้ตอบแบบสอบถามสนใจ การละเว้นคุณลักษณะสำคัญมักทำให้ผู้ตอบแบบสอบถามต้องอนุมาน (เดา) เกี่ยวกับคุณลักษณะที่ขาดหายไปจาก DCE ซึ่งนำไปสู่ปัญหาตัวแปรที่ถูกละเว้น ระดับต่างๆ โดยทั่วไปต้องรวมถึงระดับที่มีอยู่ในปัจจุบันทั้งหมด และมักจะขยายไปรวมถึงระดับที่เป็นไปได้ในอนาคตด้วย ซึ่งมีประโยชน์อย่างยิ่งในการชี้นำการพัฒนาผลิตภัณฑ์

จุดแข็งของ DCE และการวิเคราะห์ร่วม (conjoint analysis) คือ โดยทั่วไปแล้วจะนำเสนอชุดย่อยของปัจจัยทั้งหมด ตัวอย่างเช่น โทรศัพท์ที่มีสองยี่ห้อ สามรูปทรง สามขนาด และสี่ปริมาณหน่วยความจำ จะมีการกำหนดค่าที่เป็นไปได้ 2x3x3x4 = 72 แบบ นี่คือปัจจัยทั้งหมด และในกรณีส่วนใหญ่มีขนาดใหญ่เกินกว่าที่จะนำไปใช้กับผู้ตอบแบบสอบถามได้ ชุดย่อยของปัจจัยทั้งหมดสามารถสร้างขึ้นได้หลายวิธี แต่โดยทั่วไปแล้วมีจุดประสงค์ดังต่อไปนี้: เพื่อให้สามารถประมาณค่าพารามิเตอร์จำนวนจำกัดที่อธิบายสินค้าได้ เช่น ผลกระทบหลัก (ตัวอย่างเช่น มูลค่าที่เกี่ยวข้องกับยี่ห้อ โดยที่ปัจจัยอื่นๆ คงที่) ปฏิสัมพันธ์แบบสองทาง (ตัวอย่างเช่น มูลค่าที่เกี่ยวข้องกับยี่ห้อนี้และขนาดที่เล็กที่สุด ยี่ห้อนั้นและขนาดที่เล็กที่สุด) เป็นต้น โดยทั่วไปแล้วจะทำได้โดยการจงใจรวมปฏิสัมพันธ์ลำดับสูงเข้ากับปฏิสัมพันธ์ลำดับต่ำ ตัวอย่างเช่น ปฏิสัมพันธ์แบบสองทางและสามทางอาจถูกรวมเข้ากับผลกระทบหลัก ซึ่งจะมีผลดังต่อไปนี้:

• จำนวนโปรไฟล์ (การกำหนดค่า) ลดลงอย่างมาก
• ค่าสัมประสิทธิ์การถดถอยสำหรับผลกระทบหลักที่กำหนดจะไม่เอนเอียงก็ต่อเมื่อพจน์ที่สับสน (ปฏิสัมพันธ์ลำดับสูงกว่า) เป็นศูนย์เท่านั้น
• ค่าสัมประสิทธิ์การถดถอยจะเอนเอียงไปในทิศทางที่ไม่ทราบแน่ชัดและมีขนาดที่ไม่ทราบแน่ชัด หากพจน์ปฏิสัมพันธ์ที่สับสนมีค่าไม่เป็นศูนย์
• หากค่าตัวแปรแทรกซ้อนไม่เป็นศูนย์ จะไม่สามารถทำการแก้ไขใดๆ ในการวิเคราะห์เพื่อแก้ปัญหาได้

ดังนั้น นักวิจัยจึงได้รับการเตือนซ้ำแล้วซ้ำเล่าว่าการออกแบบเกี่ยวข้องกับการตัดสินใจที่สำคัญเกี่ยวกับว่าปฏิสัมพันธ์แบบสองทางและลำดับที่สูงกว่ามีแนวโน้มที่จะไม่เป็นศูนย์หรือไม่ การทำผิดพลาดในขั้นตอนการออกแบบจะทำให้ผลลัพธ์เป็นโมฆะ เนื่องจากสมมติฐานที่ว่าปฏิสัมพันธ์ลำดับที่สูงกว่าไม่เป็นศูนย์นั้นไม่สามารถทดสอบได้^{[ 11 ]}

แบบจำลองต่างๆ มีให้เลือกจากแคตตาล็อกและโปรแกรมทางสถิติ โดยทั่วไปแล้วแบบจำลองเหล่านี้จะมีคุณสมบัติความเป็นตั้งฉาก (Orthogonality)ซึ่งหมายความว่าระดับของคุณลักษณะทั้งหมดสามารถประมาณค่าได้อย่างอิสระจากกันและกัน คุณสมบัตินี้ช่วยให้มั่นใจได้ว่าไม่มีความสัมพันธ์เชิงเส้นร่วม (collinearity) และสามารถอธิบายได้โดยใช้ตัวอย่างต่อไปนี้

ลองนึกภาพตัวแทนจำหน่ายรถยนต์ที่จำหน่ายทั้งรถหรูและรถมือสองราคาถูก โดยใช้หลักการเพิ่มอรรถประโยชน์สูงสุดและสมมติว่าเป็นแบบจำลอง MNL เราตั้งสมมติฐานว่าการตัดสินใจซื้อรถจากตัวแทนจำหน่ายนี้เป็นผลรวมของการมีส่วนร่วมของแต่ละปัจจัยต่อไปนี้ต่ออรรถประโยชน์โดยรวม

• ราคา
• ยี่ห้อ (BMW, Chrysler, Mitsubishi)
• แหล่งกำเนิด (เยอรมัน, อเมริกัน)
• ผลงาน

อย่างไรก็ตาม การใช้การถดถอยพหุนามกับข้อมูลยอดขายจะไม่ให้ข้อมูลที่เราต้องการทราบ เหตุผลก็คือ ข้อมูลส่วนใหญ่มีความสัมพันธ์กันสูง เนื่องจากรถยนต์ที่จำหน่ายในโชว์รูมนี้มีลักษณะดังนี้:

• รถยนต์เยอรมันสมรรถนะสูงราคาแพง
• รถยนต์อเมริกันราคาถูก สมรรถนะต่ำ

ข้อมูลที่มีอยู่ไม่เพียงพอ และจะไม่มีวันเพียงพอ ที่จะบอกเราได้ว่าผู้คนซื้อรถเพราะเป็นรถยุโรป เพราะเป็น BMW หรือเพราะเป็นรถสมรรถนะสูง นี่คือเหตุผลสำคัญที่ทำให้ข้อมูล RP มักไม่เหมาะสม และจำเป็นต้องใช้ข้อมูล SP ในข้อมูล RP คุณลักษณะทั้งสามนี้มักปรากฏร่วมกัน และในกรณีนี้มีความสัมพันธ์กัน อย่างสมบูรณ์ นั่นคือ รถ BMW ทุกคันผลิตในเยอรมนีและมีสมรรถนะสูง คุณลักษณะทั้งสามนี้ ได้แก่ แหล่งกำเนิด ยี่ห้อ และสมรรถนะ กล่าวได้ว่ามีความสัมพันธ์กันในแนวเดียวกัน หรือไม่ตั้งฉากกัน เฉพาะในเงื่อนไขการทดลอง ผ่านข้อมูล SP เท่านั้น ที่สามารถเปลี่ยนแปลงสมรรถนะและราคาได้อย่างอิสระ – สามารถแยกผลกระทบของทั้งสองอย่างได้

การออกแบบการทดลอง (ด้านล่าง) ในการทดลองเลือก (Choice Experiment) คือแผนการที่เข้มงวดสำหรับการควบคุมและการนำเสนอสถานการณ์สมมติ หรือชุดตัวเลือกแก่ผู้ตอบแบบสอบถาม สำหรับการทดลองเดียวกัน สามารถใช้การออกแบบที่แตกต่างกันได้ โดยแต่ละแบบมีคุณสมบัติที่แตกต่างกัน การออกแบบที่ดีที่สุดขึ้นอยู่กับวัตถุประสงค์ของการทดลอง

การออกแบบการทดลองเป็นตัวขับเคลื่อนการทดลองและความสามารถสูงสุดของแบบจำลอง มีการออกแบบที่มีประสิทธิภาพสูงมากมายที่เผยแพร่สู่สาธารณะ ซึ่งช่วยให้สามารถทำการทดลองได้ใกล้เคียงกับผลลัพธ์ที่ดีที่สุด

ตัวอย่างเช่น การออกแบบ ตารางลาติน 16 ¹⁷ช่วยให้สามารถประมาณผลกระทบหลักทั้งหมดของผลิตภัณฑ์ที่มีรูปแบบได้มากถึง 16 ¹⁷รูปแบบ (ประมาณ 295 ตามด้วยเลขศูนย์ 18 ตัว) ยิ่งไปกว่านั้น สามารถทำได้ภายในกลุ่มตัวอย่างที่มีผู้ตอบแบบสอบถามเพียงประมาณ 256 คนเท่านั้น

ด้านล่างนี้เป็นตัวอย่างของการออกแบบที่มีขนาดเล็กกว่ามาก นี่คือการออกแบบที่มีเอฟเฟกต์หลัก ^{3-4 อย่าง}

การออกแบบนี้จะช่วยให้สามารถประมาณค่าประโยชน์หลักของผลกระทบจากรูปแบบผลิตภัณฑ์ที่เป็นไปได้ 81 รูปแบบ (3 ^{4 )} โดยถือว่าปฏิสัมพันธ์ลำดับสูงกว่าทั้งหมดเป็นศูนย์ตัวอย่างผู้ตอบแบบสอบถามประมาณ 20 คนสามารถสร้างแบบจำลองผลกระทบหลักของรูปแบบผลิตภัณฑ์ที่เป็นไปได้ทั้ง 81 รูปแบบได้ โดยให้ผลลัพธ์ที่มีนัยสำคัญทางสถิติ

ตัวอย่างของการออกแบบการทดลองอื่นๆ ที่นิยมใช้กัน ได้แก่:

• แบบแผนการออกแบบบล็อกไม่สมบูรณ์แบบสมดุล (BIBD)
• การออกแบบแบบสุ่ม
• ผลกระทบหลัก
• การออกแบบปฏิสัมพันธ์ระดับสูง
• แฟกทอเรียลเต็มรูปแบบ

เมื่อไม่นานมานี้ ได้มีการสร้างการออกแบบที่มีประสิทธิภาพ^{[ 16 ] [ 17 ]}โดยทั่วไปแล้วการออกแบบเหล่านี้จะลดฟังก์ชันความแปรปรวนของพารามิเตอร์ (ที่ไม่ทราบแต่ประมาณค่าได้) ให้เหลือน้อยที่สุด ฟังก์ชันทั่วไปคือประสิทธิภาพ Dของพารามิเตอร์ จุดมุ่งหมายของการออกแบบเหล่านี้คือการลดขนาดตัวอย่างที่จำเป็นเพื่อให้ได้ความสำคัญทางสถิติของพารามิเตอร์ยูทิลิตี้ที่ประมาณค่าได้ การออกแบบดังกล่าวได้รวมไพรเออร์แบบเบย์เซียนสำหรับพารามิเตอร์ไว้ด้วย เพื่อปรับปรุงความแม่นยำทางสถิติให้ดียิ่งขึ้น^{[ 18 ]}การออกแบบที่มีประสิทธิภาพสูงได้รับความนิยมอย่างมาก เนื่องจากต้นทุนในการสรรหาผู้ตอบแบบสอบถามจำนวนมาก อย่างไรก็ตาม บุคคลสำคัญในการพัฒนาการออกแบบเหล่านี้ได้เตือนถึงข้อจำกัดที่เป็นไปได้ โดยเฉพาะอย่างยิ่งดังต่อไปนี้^{[ 16 ]}ประสิทธิภาพของการออกแบบมักจะสูงสุดเมื่อสินค้า A และสินค้า B มีความแตกต่างกันมากที่สุดเท่าที่จะเป็นไปได้ ตัวอย่างเช่น คุณลักษณะ (ฟีเจอร์) ทุกอย่างที่กำหนดโทรศัพท์จะแตกต่างกันระหว่าง A และ B ซึ่งบังคับให้ผู้ตอบแบบสอบถามต้องแลกเปลี่ยนระหว่างราคา ยี่ห้อ ขนาด หน่วยความจำ ฯลฯ ไม่มีคุณลักษณะใดที่มีระดับเดียวกันทั้งใน A และ B สิ่งนี้อาจสร้างภาระทางปัญญาให้กับผู้ตอบแบบสอบถาม ทำให้เขา/เธอใช้ฮิวริสติกส์แบบง่ายๆ ("เลือกโทรศัพท์ที่ถูกที่สุดเสมอ") ซึ่งไม่ได้สะท้อนถึงฟังก์ชันอรรถประโยชน์ที่แท้จริงของเขา/เธอ (กฎการตัดสินใจ) งานวิจัยเชิงประจักษ์ล่าสุดได้ยืนยันแล้วว่าผู้ตอบแบบสอบถามมีกฎการตัดสินใจที่แตกต่างกันเมื่อตอบคำถามเกี่ยวกับการออกแบบที่มีประสิทธิภาพน้อยกว่าเมื่อเทียบกับการออกแบบที่มีประสิทธิภาพสูง^{[ 19 ]}

ข้อมูลเพิ่มเติมเกี่ยวกับการออกแบบการทดลองสามารถดูได้ที่นี่อย่างไรก็ตาม ควรย้ำอีกครั้งว่า การออกแบบขนาดเล็กที่ประมาณค่าผลกระทบหลักมักจะทำเช่นนั้นโดยการจงใจทำให้ปฏิสัมพันธ์ลำดับสูงกว่ามีความสัมพันธ์กับผลกระทบหลัก ซึ่งหมายความว่า เว้นแต่ว่าปฏิสัมพันธ์เหล่านั้นจะเป็นศูนย์ในทางปฏิบัติ นักวิเคราะห์จะได้รับค่าประมาณผลกระทบหลักที่ลำเอียง ยิ่งไปกว่านั้น เขา/เธอ (1) ไม่มีวิธีทดสอบเรื่องนี้ และ (2) ไม่มีวิธีแก้ไขในการวิเคราะห์ สิ่งนี้เน้นย้ำถึงบทบาทสำคัญของการออกแบบใน DCE

โดยทั่วไป การจัดทำแบบสำรวจประกอบด้วยขั้นตอนดังต่อไปนี้:

• ทำการ "ค้นหาและแทนที่" เพื่อแทนที่รหัสการออกแบบการทดลอง (โดยทั่วไปจะเป็นตัวเลขดังตัวอย่างข้างต้น) ด้วยระดับคุณลักษณะของสินค้าที่เกี่ยวข้อง
• นำข้อมูลการกำหนดค่าที่ได้ (เช่น ประเภทของโทรศัพท์มือถือ) ไปรวมไว้ในแบบสำรวจที่กว้างขึ้น ซึ่งอาจรวมถึงคำถามเกี่ยวกับข้อมูลทางสังคมและประชากรของผู้ตอบแบบสอบถาม วิธีนี้อาจช่วยในการแบ่งกลุ่มข้อมูลในขั้นตอนการวิเคราะห์ได้ เช่น เพศชายอาจมีความชอบแตกต่างจากเพศหญิง

ตามธรรมเนียมแล้ว การสำรวจแบบ DCE จะดำเนินการโดยใช้กระดาษและปากกา แต่ด้วยพลังของอินเทอร์เน็ต การสำรวจทางอินเทอร์เน็ตจึงกลายเป็นเรื่องปกติมากขึ้น การสำรวจทางอินเทอร์เน็ตมีข้อดีหลายประการ เช่น ต้นทุนต่ำ การสุ่มผู้ตอบแบบสอบถามไปยังแบบสอบถามเวอร์ชันต่างๆ และการคัดกรอง ตัวอย่างเช่น เพื่อให้เกิดความสมดุลทางเพศ หากมีผู้ชายตอบแบบสอบถามมากเกินไป ก็สามารถคัดกรองออกเพื่อให้จำนวนผู้หญิงเท่ากับจำนวนผู้ชายได้

การวิเคราะห์ข้อมูลจาก DCE จำเป็นต้องให้นักวิเคราะห์สมมติกฎการตัดสินใจประเภทใดประเภทหนึ่ง หรือรูปแบบฟังก์ชันของสมการอรรถประโยชน์ในแง่ของนักเศรษฐศาสตร์ ซึ่งโดยปกติแล้วจะถูกกำหนดโดยการออกแบบ: หากใช้การออกแบบผลกระทบหลัก จะไม่สามารถรวมเงื่อนไขปฏิสัมพันธ์แบบสองทางและลำดับที่สูงกว่าในแบบจำลองได้ จากนั้นจึงทำการประมาณแบบจำลองการถดถอย ซึ่งมักจะเริ่มต้นด้วยแบบจำลองโลจิตแบบมีเงื่อนไข ซึ่งตามธรรมเนียมแล้ว แม้ว่าจะค่อนข้างทำให้เข้าใจผิดก็ตาม จะถูกเรียกว่าแบบจำลองการถดถอยโลจิสติกแบบหลายตัวเลือก (MNL) โดยผู้สร้างแบบจำลองการเลือก แบบจำลอง MNL จะแปลงความถี่การเลือกที่สังเกตได้ (ซึ่งเป็นความน่าจะเป็นที่ประมาณไว้ในมาตราส่วนอัตราส่วน) ไปเป็นการประมาณค่าอรรถประโยชน์ (ในมาตราส่วนช่วง) ผ่านฟังก์ชันโลจิสติกอรรถประโยชน์ (มูลค่า) ที่เกี่ยวข้องกับระดับคุณลักษณะแต่ละระดับสามารถประมาณได้ ดังนั้นจึงช่วยให้นักวิเคราะห์สามารถสร้างอรรถประโยชน์ทั้งหมดของการกำหนดค่าที่เป็นไปได้ใดๆ (ในกรณีนี้คือรถยนต์หรือโทรศัพท์) อย่างไรก็ตาม DCE อาจใช้เพื่อประมาณผลประโยชน์และต้นทุนด้านสิ่งแวดล้อมที่ไม่ใช่ตลาดได้เช่นกัน^{[ 20 ]}

• บังคับให้ผู้ตอบแบบสอบถามต้องพิจารณาถึงข้อดีข้อเสียระหว่างคุณลักษณะต่างๆ
• ทำให้ผู้ตอบแบบสอบถามเข้าใจกรอบอ้างอิงได้อย่างชัดเจน โดยการนำเสนอคุณลักษณะและทางเลือกของผลิตภัณฑ์ต่างๆ
• ช่วยให้สามารถประมาณราคาโดยนัยสำหรับคุณลักษณะต่างๆ ได้
• ช่วยให้สามารถประเมินผลกระทบด้านสวัสดิการในสถานการณ์ต่างๆ ได้หลายแบบ
• สามารถใช้เพื่อประเมินระดับความต้องการของลูกค้าสำหรับ 'ผลิตภัณฑ์บริการ' ทางเลือกในแง่ที่ไม่ใช่ตัวเงินได้ และ
• อาจลดแรงจูงใจให้ผู้ตอบแบบสอบถามประพฤติตนอย่างมีกลยุทธ์^{[ 21 ]}

• ตัวเลือกแบบไม่ต่อเนื่องให้ข้อมูลเชิงลำดับ เท่านั้น ซึ่งให้ข้อมูลน้อยกว่าข้อมูลเชิงอัตราส่วนหรือเชิงช่วง
• การอนุมานจากข้อมูลเชิงลำดับ เพื่อสร้างค่าประมาณบนมาตราส่วนช่วง/อัตราส่วน จำเป็นต้องมีข้อสมมติเกี่ยวกับการกระจายของข้อผิดพลาดและกฎการตัดสินใจของผู้ตอบแบบสอบถาม (รูปแบบเชิงฟังก์ชันของฟังก์ชันอรรถประโยชน์)
• การออกแบบแฟกทอเรียลแบบเศษส่วนที่ใช้ในทางปฏิบัติจงใจทำให้ปฏิสัมพันธ์แบบสองทางและลำดับที่สูงกว่าปะปนกับค่าประมาณลำดับที่ต่ำกว่า (โดยทั่วไปคือผลกระทบหลัก) เพื่อทำให้การออกแบบมีขนาดเล็ก: หากปฏิสัมพันธ์ลำดับที่สูงกว่าไม่เป็นศูนย์ ผลกระทบหลักก็จะเกิดความลำเอียง โดยที่นักวิเคราะห์ไม่มีทางรู้หรือแก้ไขได้ภายหลัง
• การตัดสินใจโดยไม่ใช้ความน่าจะเป็น (แบบกำหนดตายตัว) ของแต่ละบุคคลขัดแย้งกับทฤษฎีอรรถประโยชน์แบบสุ่ม: ภายใต้แบบจำลองอรรถประโยชน์แบบสุ่ม ค่าประมาณอรรถประโยชน์จะกลายเป็นอนันต์
• แบบจำลองตัวแปรตามที่มีข้อจำกัด เช่น แบบจำลองโลจิตและโพรบิต มีจุดอ่อนพื้นฐานประการหนึ่งคือ ค่าเฉลี่ย (ตำแหน่งที่แท้จริง) และความแปรปรวนในมาตราส่วนแฝงนั้น " ปะปนกัน อย่างสมบูรณ์ " กล่าวอีกนัยหนึ่งคือ ไม่สามารถแยกออกจากกันได้

Yatchew และ Griliches เป็นคนแรกที่พิสูจน์ว่าค่าเฉลี่ยและความแปรปรวนมีความสับสนกันในแบบจำลองตัวแปรตามที่มีข้อจำกัด (โดยที่ตัวแปรตามมีค่าเป็นชุดค่าที่ไม่ต่อเนื่องแทนที่จะเป็น ค่า ต่อเนื่องเหมือนในการถดถอยเชิงเส้นแบบทั่วไป) ^{[ 22 ]}ข้อจำกัดนี้กลายเป็นปัญหาสำคัญในการสร้างแบบจำลองการเลือกด้วยเหตุผลดังต่อไปนี้: ค่าเบต้าที่ประมาณได้มากจากแบบจำลองการถดถอย MNL หรือแบบจำลองการเลือกอื่นๆ อาจหมายความว่า:

1. ผู้ตอบแบบสอบถามจัดอันดับรายการนี้ไว้สูงในมาตรวัดแฝง (พวกเขาให้คุณค่ากับรายการนี้สูง) หรือ
2. ผู้ตอบแบบสอบถามไม่ได้จัดอันดับรายการนี้ไว้สูงนัก แต่พวกเขามั่นใจในความชอบของตนเองมาก โดยเลือกรายการนี้อย่างสม่ำเสมอ (บ่อยครั้ง) เหนือรายการอื่นๆ ที่นำเสนอควบคู่กันไป หรือ
3. การผสมผสานบางอย่างของ (1) และ (2)

สิ่งนี้มีนัยสำคัญต่อการตีความผลลัพธ์ของแบบจำลองการถดถอย โปรแกรมทางสถิติทั้งหมด "แก้ปัญหา" ความสับสนระหว่างค่าเฉลี่ยและความแปรปรวนโดยการกำหนดให้ความแปรปรวนเท่ากับค่าคงที่ สัมประสิทธิ์เบต้าที่ประมาณการทั้งหมดนั้น แท้จริงแล้วคือเบต้าที่ประมาณการคูณด้วยแลมบ์ดาที่ประมาณการ (ฟังก์ชันผกผันของความแปรปรวน) สิ่งนี้ทำให้ผู้วิเคราะห์อาจเพิกเฉยต่อปัญหา อย่างไรก็ตาม เขา/เธอต้องพิจารณาว่าชุดของสัมประสิทธิ์เบต้าขนาดใหญ่สะท้อนถึงความชอบที่แข็งแกร่ง (เบต้าจริงขนาดใหญ่) หรือความสอดคล้องในการเลือก (แลมบ์ดาจริงขนาดใหญ่) หรือการผสมผสานของทั้งสองอย่าง การหารค่าประมาณทั้งหมดด้วยค่าอื่นหนึ่งค่า ซึ่งโดยทั่วไปคือตัวแปรราคา จะตัดพจน์แลมบ์ดาที่สับสนออกจากตัวเศษและตัวส่วน^{[ 23 ]}วิธีนี้แก้ปัญหาได้ โดยมีประโยชน์เพิ่มเติมคือทำให้นักเศรษฐศาสตร์ทราบถึงความเต็มใจที่จะจ่ายของผู้ตอบแบบสอบถามสำหรับแต่ละระดับคุณลักษณะ อย่างไรก็ตาม การค้นพบว่าผลลัพธ์ที่ประเมินใน "พื้นที่อรรถประโยชน์" ไม่ตรงกับผลลัพธ์ที่ประเมินใน "พื้นที่ความเต็มใจที่จะจ่าย" ^{[ 24 ] [ 25 ]}ชี้ให้เห็นว่าปัญหาการสับสนไม่ได้รับการแก้ไขด้วย "กลอุบาย" นี้: ความแปรปรวนอาจเป็นลักษณะเฉพาะหรือฟังก์ชันอื่น ๆ ของตัวแปร (ซึ่งจะอธิบายความแตกต่าง) นี่เป็นหัวข้อของการวิจัยในปัจจุบันในสาขานี้

ปัญหาสำคัญที่พบในคำถามการให้คะแนนซึ่งไม่เกิดขึ้นในแบบจำลองการเลือก ได้แก่:

• ไม่มีข้อมูลเกี่ยวกับการแลกเปลี่ยนข้อดีข้อเสีย ความเสี่ยงอย่างหนึ่งของการให้คะแนนคือ ผู้ตอบแบบสอบถามมักจะไม่แยกแยะความแตกต่างระหว่างคุณลักษณะที่รับรู้ว่า 'ดี' และให้คะแนนว่าทุกอย่างน่าดึงดูดใจ
• มาตรวัดส่วนบุคคลที่แตกต่างกัน แต่ละบุคคลให้คุณค่ากับคะแนน '2' บนมาตรวัด 1 ถึง 5 แตกต่างกัน การรวมความถี่ของการวัดแต่ละมาตรวัดนั้นไม่มีพื้นฐานทางทฤษฎี
• ไม่มีมาตรวัดเชิงเปรียบเทียบ นักวิเคราะห์จะเปรียบเทียบสิ่งที่ได้คะแนน 1 กับสิ่งที่ได้คะแนน 2 ได้อย่างไร? สิ่งหนึ่งดีกว่าอีกสิ่งหนึ่งสองเท่าหรือไม่? อีกครั้ง ไม่มีวิธีการทางทฤษฎีใดที่จะรวบรวมข้อมูลได้

การจัดอันดับมักบังคับให้แต่ละบุคคลระบุความชอบสัมพัทธ์สำหรับรายการที่สนใจ ดังนั้น การแลกเปลี่ยนระหว่างสิ่งเหล่านี้จึงสามารถประมาณการได้ เช่นเดียวกับใน DCE อย่างไรก็ตาม แบบจำลองการจัดอันดับต้องตรวจสอบว่าฟังก์ชันอรรถประโยชน์เดียวกันถูกประมาณการในทุกระดับความลึกของการจัดอันดับหรือไม่ เช่น ค่าประมาณเดียวกัน (จนถึงระดับความแปรปรวน) จะต้องได้มาจากข้อมูลอันดับล่างสุดเช่นเดียวกับข้อมูลอันดับบนสุด

การวัดระดับความชอบจากดีที่สุดไปแย่ที่สุด ( Best–Worst Scaling : BWS) เป็นทางเลือกที่ได้รับการยอมรับอย่างดีแทนการให้คะแนนและการจัดอันดับ โดยให้ผู้คนเลือกตัวเลือกที่ชอบมากที่สุดและน้อยที่สุดจากตัวเลือกที่มีให้ ด้วยการลบหรือการอินทิเกรตค่าความน่าจะเป็นของการเลือก คะแนนอรรถประโยชน์สำหรับแต่ละตัวเลือกสามารถประมาณได้ในมาตราส่วนช่วงหรือมาตราส่วนอัตราส่วน สำหรับแต่ละบุคคลและ/หรือกลุ่ม บุคคลอาจใช้แบบจำลองทางจิตวิทยาต่างๆ เพื่อสร้างข้อมูลที่ดีที่สุด-แย่ที่สุด รวมถึงแบบจำลอง MaxDiff ด้วย

การสร้างแบบจำลองการเลือกมีประโยชน์อย่างยิ่งสำหรับ:

• การคาดการณ์การยอมรับและการปรับปรุงการพัฒนาผลิตภัณฑ์ใหม่
• การประเมินความเต็มใจที่จะจ่าย (WTP) โดยนัยสำหรับสินค้าและบริการ
• การทดสอบความเป็นไปได้ของผลิตภัณฑ์หรือบริการ
• การประเมินผลกระทบของลักษณะผลิตภัณฑ์ต่อการตัดสินใจของผู้บริโภค
• ความหลากหลายของคุณลักษณะของผลิตภัณฑ์
• ความเข้าใจคุณค่าและความชอบของแบรนด์ รวมถึงผลิตภัณฑ์ต่างๆเช่น วิทยาลัย^{[ 26 ] [ 27 ]}
• การประมาณการความต้องการและราคาที่เหมาะสมที่สุด
• ความต้องการด้านการขนส่ง
• การอพยพ การสืบสวน และการพยากรณ์ภัยพิบัติ

หัวข้อ "การประยุกต์ใช้" ของการเลือกแบบไม่ต่อเนื่องจะให้รายละเอียดเพิ่มเติมเกี่ยวกับวิธีการนำแบบจำลองประเภทนี้ไปประยุกต์ใช้ในสาขาต่างๆ

ในทางเศรษฐศาสตร์แบบจำลองการเลือกอาชีพเป็นแบบจำลองที่พยายามตอบคำถามว่าทำไมผู้คนจึงเลือกประกอบอาชีพที่แตกต่าง^{กัน[ 28 ]} [ ^{29 ]}

ในแบบจำลองนี้ ในแต่ละช่วงเวลา บุคคลจะตัดสินใจว่าจะทำงานในอาชีพเดิม อาชีพอื่น หรือไม่ทำงานเลย ในแบบจำลองบางเวอร์ชัน บุคคลจะเลือกอาชีพที่มีมูลค่าปัจจุบันของรายได้ที่คาดหวังสูงสุด^{[ 30 ]}อย่างไรก็ตาม ในแบบจำลองเวอร์ชันอื่น ความไม่ชอบความเสี่ยงอาจผลักดันให้ผู้คนทำงานในอาชีพเดิม^{[ 31 ]}

• ทางเลือกของผู้บริโภค
• การเลือกแบบแยกส่วน
• โครงร่างการจัดการ
• ทฤษฎีความชอบในการเลือกในงานวิจัย

• สื่อที่เกี่ยวข้องกับการสร้างแบบจำลองการเลือกในวิกิมีเดียคอมมอนส์
• บรรณานุกรมที่คัดสรรแล้วที่IDEAS/RePEc