Metodi statistici
Per misurare correttamente le preferenze è necessario utilizzare metodi statistici appropriati. Heurix, in linea con le linee guida (Good Research Practice) per le applicazioni della Conjoint Analysis, utilizza questi metodi:
Random-Parameters Logit (RPL)
Rispetto alla regressione logistica standard tiene conto della eterogeneità delle preferenze (che variano tra i singoli individui), stimando sia l’effetto medio sia la deviazione standard dei pesi, riflettendo quanto le opinioni differiscano all’interno del campione.
L’RPL tiene conto inoltre del fatto che i dati DCE derivano solitamente da più scelte effettuate dallo stesso individuo ed evita che la correlazione tra le risposte fornite da singoli individui portino a risultati distorti.
Hierarchical Bayes (HB)
Rispetto a RPL, che si concentra maggiormente sulla distribuzione sull’intero campione di partecipanti, permette di stimare i pesi di preferenza per ogni singolo partecipante all’indagine.
Questa procedura consente ad esempio ad un clinico di conoscere e di misurare quantitativamente le preferenze di un singolo paziente e quindi di capire quanto quel paziente accetterebbe una somministrazione per via endovenosa o un certo effetto collaterale. E anche di sapere quanto per lui o lei debba essere efficace un farmaco per fargli o farle accettare una via di somministrazione meno gradita rispetto a quella preferita (ad esempio, somministrazione endovena rispetto ad assunzione orale).
Le procedure Bayesiane sono preferibili inoltre quando la dimensione del campione è ridotta, grazie all’inferenza basata sulla distribuzione posteriore congiunta dei pesi.
Latent Class Analysis (LCA)
Si aggiunge ai metodi precedenti quando è importante la segmentazione dei rispondenti. Il fatto che le persone non sono solitamente guidate dalle stesse preferenze e dagli stessi criteri di scelta porta alla necessità di creare gruppi diversi tra loro (eterogeneità tra classi) ma simili all’interno dei gruppi (omogeneità intra-classi).
Uno dei vantaggi principali dell’LCM è la capacità di utilizzare una funzione di probabilità di classe. Quando si vuole proporre un prodotto è fondamentale capire qual è la platea interessata alle caratteristiche del prodotto.
LCM è un metodo più parsimonioso per misurare l’eterogeneità delle preferenze rispetto all’approccio HB, poiché invece di fornire migliaia di stime individuali, riassume le differenze della popolazione in pochi gruppi distinti e interpretabili.
