MaxDiff

MaxDiff, bir listedeki onlarca öğeyi tek tek puanlatmak yerine katılımcıya her turda yalnız dört beş öğe gösterir ve iki soru sorar: bunlardan hangisi sizin için en önemli, hangisi en önemsiz. Tasarım bütün turlar boyunca her öğeyi birden çok kez ve farklı eşlerle gösterecek biçimde kurulur, böylece öğeler dolaylı olarak birbirleriyle karşılaştırılmış olur. Yöntemin çekiciliği ölçek kullanımından kurtulmasıdır: her şeye yüksek puan verme ya da orta noktaya yığılma eğilimi burada işlemez, çünkü katılımcı her turda bir ödünleşme yapmak zorundadır. Sayımla yürüyen yaklaşım her öğe için en iyi seçimlerinden en kötü seçimlerini çıkarır ve öğenin kaç kez gösterildiğine bölerek karşılaştırılabilir bir puan üretir. YouReply Nicel Analiz bu puanı, yüze getirilmiş bir tercih payını, sırayı ve tasarımın ne kadar dengeli kurulduğunu raporlar; puanlar uydurulmuş bir seçim modelinden değil doğrudan sayımdan gelir.

• Yirmi olası ürün özelliğinden hangileri hedef kitle için gerçekten öne çıkıyor?
• On iki fayda ifadesi arasında iletişimde öne çıkarılacak üçü hangisi olmalı?
• Kurumsal müşteriler hizmet seçerken hangi ölçütleri en önemsiz sayıyor?
• Uzun bir öncelik listesi, herkesin her şeye önemli demesine yol açmadan nasıl sıralanır?

• Çok sayıda öğe arasında bir öncelik sırası gerektiğinde ve tek tek puanlatmak ayrım üretmediğinde.
• Katılımcıların her maddeye yüksek puan verme eğilimi sıralamayı işe yaramaz hâle getirdiğinde.
• Öğeler arasında gerçek bir ödünleşme kurulabiliyorsa; hepsi birden seçilemeyecek durumdaysa.
• Ölçek kullanımının kültürler ya da alt örneklemler arasında ayrıştığı çalışmalarda.
• Tasarım önceden kurulmuşsa ve veri gösterilen her öğe için bir satır olacak biçimde uzun biçimde toplanmışsa.

• Katılımcı sütunu: her kişiyi ayıran kimlik; aynı kişinin bütün satırları bu değerle bağlanır.
• Küme sütunu: turu ya da ekranı belirten kimlik; her katılımcı için turlar ayrı ayrı numaralanır.
• Öğe sütunu: o satırda gösterilen öğenin adı ya da kodu.
• Seçim sütunu: o satırdaki öğenin en iyi mi, en kötü mü seçildiğini ya da hiç seçilmediğini belirten değer.
• En iyi ve en kötü için hangi değerlerin kullanıldığı parametre formunda bildirilir; varsayılanlar best ve worst dizeleridir.

Uzun biçimli veri düzeni

Her satır bir katılımcının bir turunda gösterilen tek bir öğeyi temsil etmelidir. Her turu tek satıra sıkıştıran geniş bir düzen bu yöntemle okunamaz, çünkü gösterilme sayıları satırlardan sayılır.

Dengeli tasarım

Her öğenin yaklaşık eşit sayıda gösterilmesi ve öğelerin farklı eşlerle karşılaşması gerekir. Bir öğe ötekilerden belirgin biçimde az gösterilirse puanı daha az gözleme dayanır ve sıralamadaki yeri oynak olur.

Her turda tek en iyi ve tek en kötü

Bir turda birden çok öğenin en iyi olarak işaretlenmesi ya da hiçbirinin işaretlenmemesi, anket akışında bir sorun olduğunun göstergesidir ve sayımları bozar.

En iyi ve en kötü değerlerinin doğru bildirilmesi

Seçim sütunundaki değerlerin hangisinin en iyi, hangisinin en kötü anlamına geldiği bildirilmelidir. Yanlış eşleme sıralamayı baş aşağı çevirir ama hesaplama pürüzsüz ilerler.

Öğelerin aynı soyutlama düzeyinde olması

Çok genel bir ifade ile çok özel bir ayrıntıyı aynı listede yarıştırmak genel ifadeye haksız bir üstünlük verir. Listenin iç tutarlılığı yöntemin değil tasarımın sorumluluğudur.

• Uzun biçimli veri düzeni: Panel veriyi yeniden biçimlendirmez ve geniş biçimli bir dosyayı uzun biçime çevirmeyi önermez; dönüşümü yükleme öncesinde yapmanız gerekir.
• Dengeli tasarım: Tasarım dengesi bölümü en küçük ve en büyük gösterilme sayısını, ikisinin oranını ve bu oranın 0,8 eşiğini geçip geçmediğini söyleyen bir dengeli bayrağı döndürür. Bayrak bilgilendirir, analizi durdurmaz.
• Her turda tek en iyi ve tek en kötü: Tur başına seçim sayısı için ayrı bir denetim ve uyarı üretilmez. Her katılımcı ve tur için beklenen seçim sayısını yükleme öncesinde doğrulamanız gerekir.
• En iyi ve en kötü değerlerinin doğru bildirilmesi: Varsayılan değerler best ve worst dizeleridir; veride başka etiketler kullanıldıysa bunları parametre formunda yazmak sizin elinizdedir ve hatalı yazım sessiz kalır.
• Öğelerin aynı soyutlama düzeyinde olması: Öğelerin kapsamı ya da yazım düzeyi değerlendirilmez; bu yargı araştırmacıya bırakılır.

1. 1Uzun biçimli dosyayı panele bırakın; her satır bir katılımcının bir turunda gördüğü tek öğeyi taşımalıdır.
2. 2Veri sekmesindeki ızgarada aynı katılımcı ve tur için kaç satır bulunduğunu ve seçim sütununun beklenen etiketleri taşıdığını denetleyin.
3. 3Değişken sekmesinde katılımcı, tur ve öğe sütunlarını sınıflayıcı olarak işaretleyin ve öğe adlarındaki yazım farklılıklarını giderin; aynı öğenin iki yazımı iki ayrı öğe sayılır.
4. 4Analiz sekmesinde seçim tabanlı yöntemler arasından MaxDiff'i seçin; yalnız verime uyanlar anahtarı açıkken uygun olmayan yöntemler gerekçesiyle soluklaşır.
5. 5Parametre formunda dört sütunu eşleyin ve seçim sütununda en iyi ile en kötüyü karşılayan değerleri yazın.
6. 6Analizi çalıştırın; öğe tablosu ve tasarım dengesi bölümü açılır başlıklar hâlinde gelir.
7. 7Öğe tablosunu okumaya başlamadan tasarım dengesi bölümünü açın; dengeli bayrağı olumsuzsa sıralamanın alt bölümünü ihtiyatla yorumlayın.
8. 8Sonucu Excel olarak indirin; hesaplama künyesi kartı kullanılan kütüphane çağrısını ve sürümünü yazar, koşu geçmişi sekmesi denemeleri saklar.

Gösterilme sayısı

Her öğenin bütün katılımcılar ve turlar boyunca kaç kez ekrana geldiği. Puanların karşılaştırılabilirliği bu sayının öğeler arasında benzer olmasına bağlıdır.

En iyi ve en kötü seçim sayıları

Öğenin kaç kez en önemli, kaç kez en önemsiz olarak işaretlendiği ayrı ayrı verilir; puanın ham malzemesi bu iki sayıdır.

En iyi-en kötü puanı

En iyi seçimlerinden en kötü seçimleri çıkarılıp gösterilme sayısına bölünerek bulunur. Eksi bir ile artı bir arasında değer alır ve sıfır, öğenin eşit sıklıkta övülüp elendiği anlamına gelir.

Tercih payı

En iyi-en kötü puanının üstel alınıp öğelerin toplamı yüze gelecek biçimde yeniden ölçeklenmesiyle üretilir. Okumayı kolaylaştıran bir dönüşümdür, bir seçim olasılığı kestirimi değildir.

Sıra

Öğeler en iyi-en kötü puanına göre sıralanır ve her öğeye bir sıra numarası verilir.

Tasarım dengesi

En küçük ve en büyük gösterilme sayısı, bunların oranı ve oranın eşiği geçip geçmediğini bildiren dengeli bayrağı birlikte raporlanır.

En iyi-en kötü puanı

Bu yöntemin ürettiği asıl büyüklüktür ve doğrudan sayımdan gelir: iki seçim sayısının farkı, gösterilme sayısına bölünür. Artı değerler öğenin elenmekten çok seçildiğini, eksi değerler tersini söyler. Mutlak büyüklük için yerleşik bir eşik yoktur; yorum listedeki öteki öğelerle karşılaştırma üzerinden yürür. Bir fayda parametresi değildir ve kişi başına bir değeri bulunmaz.

Tercih payı

Puanların üstel alınıp toplamları yüz olacak biçimde ölçeklenmesiyle elde edilir, yani öğeler arası farkları orantılı okumayı kolaylaştıran bir yeniden ifadedir. Bir öğenin payı, bir seçim modelinin o öğeyi seçme olasılığı değildir; uydurulmuş bir model bulunmadığı için böyle yorumlanamaz. On iki öğeli bir listede eşit dağılım yaklaşık yüzde 8,3'e karşılık gelir ve paylar bu çıpaya göre okunur.

Gösterilme oranı

En küçük ve en büyük gösterilme sayısının oranı, sıralamanın ne kadar eşit bir zemine dayandığını özetler. Oran 0,8 ve üzerindeyse tasarım dengeli sayılır. Bu bir etki büyüklüğü değil, puanların güvenilirliğine dair bir tasarım göstergesidir.

Hiçbir büyüklük için güven aralığı döndürülmez ve standart hata hesaplanmaz. Bunun nedeni yalnız bir tercih değil, yaklaşımın kendisidir: sayım tabanlı hesapta tahmin edilen bir parametre olmadığı için çevresine aralık kurulacak bir belirsizlik ölçüsü de doğmaz. Sıralamada birbirine yakın iki öğenin gerçekten ayrışıp ayrışmadığı bu sonuçtan anlaşılamaz; yan yana duran puanları eşdeğer saymak daha savunulabilir bir okumadır.

Aşağıdaki sayılar temsili bir örnektir; gerçek bir araştırmanın ya da gerçek bir kullanıcının verisi değildir.

Araştırma sorusu

Temsili bir kurumsal yazılım araştırmasında, on iki fayda ifadesi arasında iletişimde öne çıkarılacak olanlar hangileri?

Değişkenler

Katılımcı sütunu: 400 kişilik örneklemde kişi kimliği · Tur sütunu: kişi başına 8 tur, her turda 4 ifade · Öğe sütunu: 12 fayda ifadesi · Seçim sütunu: en iyi, en kötü ya da boş

Örnek sonuç

Toplam 12.800 satır analiz edildi. Hızlı devreye alma ifadesi 1.072 kez gösterildi, 512 kez en iyi ve 41 kez en kötü seçildi: en iyi-en kötü puanı 0,439, tercih payı yüzde 12,9, sıra 1. Listenin ortasındaki esnek raporlama ifadesi 1.065 kez gösterildi, 268 en iyi ve 252 en kötü seçimiyle 0,015 puan, yüzde 8,5 pay ve 6. sırayı aldı. En alttaki marka bilinirliği ifadesi 1.058 kez gösterildi, 27 en iyi ve 498 en kötü seçimle eksi 0,445 puan ve yüzde 5,3 pay aldı. Tasarım dengesi bölümünde en küçük gösterilme 1.041, en büyük 1.089, oran 0,956 ve tasarım dengeli olarak bildirildi.

Yorum

Listenin iki ucu birbirinden belirgin biçimde ayrışıyor: hızlı devreye alma ifadesi gösterildiği her iki turdan birinde en iyi seçilirken neredeyse hiç elenmiyor, marka bilinirliği ifadesi ise tersine, gösterildiğinde çoğunlukla eleniyor. Ortadaki ifadenin puanının sıfıra yakın olması, bu ifadenin hem övüldüğü hem elendiği, yani kitlenin bu konuda bölündüğü anlamına gelir; ortalama bir ilgi değil karşıt eğilimlerin dengelenmesi söz konusu olabilir. Tercih payları yüzde 8,3 olan eşit dağılım çıpasına göre okunur: birinci ifadenin payı bu çıpanın yaklaşık bir buçuk katı. Paylar bir seçim modelinden gelmediği için bu sayılar satın alma olasılığı gibi okunamaz ve 5. ile 6. sıra arasındaki küçük puan farkı için bir anlamlılık ölçüsü bulunmaz. Tasarım dengesinin olumlu gelmesi, sıralamanın öğeler arasında eşit sayıda gözleme dayandığını söyler. Sayılar temsilidir.

Araştırma sorusu: Katılımcılar altı satın alma ölçütü arasında hangisine en çok önem veriyor?

Katılımcı kimliği sütunu

katilimci_no

Seçim seti sütunu

gorev

Seçenek sütunu

madde

En iyi ve en kötü işaretinin sütunu

secim

En iyi işaretinin değeri

best

En kötü işaretinin değeri

worst

Hesaplama künyesi: scipy 1.18.0 · statsmodels 0.14.6 · scikit-learn 1.9.0 · numpy 2.5.1 · pandas 3.0.5 · semopy 2.3.11 · 89fc29a · Veri tohumu: 20260917

En iyi-en kötü ölçeklemesinde ilk sırayı hızlı devreye alma ifadesi aldı (1.072 gösterim, 512 en iyi, 41 en kötü, puan 0,439, tercih payı yüzde 12,9); tasarım dengesi oranı 0,956 (N = 400, kişi başına 8 tur).

APA düzenine yakın örnek cümle; sayılar temsilidir.

• Bireysel düzeyde fayda üretilmez; her öğe için tek bir örneklem düzeyi puanı vardır, dolayısıyla kişi başına tercih örüntüsü ya da kesim kurma yapılamaz.
• Hiyerarşik Bayes ya da koşullu logit gibi bir tahmin yöntemi uygulanmaz, bu yüzden tercih payları model kestirimi olarak raporlanamaz.
• Standart hata, güven aralığı ve anlamlılık sınaması bulunmadığından yan yana sıralanmış iki öğenin ayrışıp ayrışmadığı gösterilemez.
• Veri uzun biçimde gelmek zorundadır ve panel geniş biçimli bir dosyayı dönüştürmez; dönüştürme yükü analiz öncesine düşer.
• Puanlar yalnız listedeki öğeler arasında anlam taşır; listeye bir öğe eklemek ya da çıkarmak bütün payları değiştirir.
• Bir öğenin ne kadar önemli olduğu değil, ötekilere göre nerede durduğu ölçülür; mutlak bir önem düzeyi ya da kabul edilebilirlik eşiği elde edilmez.

• Konjoint AnaliziNeden: Öğeler bağımsız ifadeler değil, bir ürünün özellik düzeyleriyse; ödünleşmeyi özellik içinde ve özellikler arasında birlikte ele alır.
• TURF AnaliziNeden: Sıralama değil, kaç kişiye ulaşıldığı sorulduğunda; sınırlı sayıda öğeyle en çok kişiyi kapsayan kümeyi arar.
• Çoklu Cevap AnaliziNeden: Ödünleşme tasarımı kurulamıyorsa ve elde yalnız çoklu seçimli bir soru varsa; işaretleme oranlarını doğrudan raporlar.
• Betimsel İstatistiklerNeden: Öğeler ayrı ayrı puanlanmışsa; ortalama ve yayılım ölçüleriyle betimlemek için ödünleşme tasarımı gerekmez.

• Konjoint Analizi
• TURF Analizi
• Çoklu Cevap Analizi

Tercih payı, öğenin seçilme olasılığı mıdır?

Değildir. Pay, en iyi-en kötü puanının üstel alınıp toplamı yüze getirilecek biçimde ölçeklenmesiyle üretilir; arkasında uydurulmuş bir seçim modeli yoktur. Bu yüzden yüzde on iki gibi bir değer, bir katılımcının o öğeyi yüzde on iki olasılıkla seçeceği anlamına gelmez. Payın işlevi, puanlar arasındaki farkları ortak bir toplam üzerinden okunur kılmaktır. Gerçek seçim olasılıkları gerekiyorsa bunun için bir seçim modeli tahmin edilmesi gerekir ve bu panelde bulunmaz.

Neden kişi başına fayda değerleri dönmüyor?

Çünkü hesap sayım üzerine kuruludur. Her öğe için örneklem düzeyinde tek bir puan üretilir ve bu puan bütün katılımcıların seçimlerinin toplamından gelir. Kişi başına bir değer elde etmek için hiyerarşik Bayes gibi bir tahmin yöntemi gerekir; bu uygulanmadığı için kişi düzeyinde fayda, kesim kurma ya da benzetim yapılamaz. Kesimler arası karşılaştırma yapmanız gerekiyorsa pratik yol veriyi kesime göre süzüp analizi her kesim için ayrı çalıştırmak ve sıralamaları yan yana okumaktır.

Tasarım dengesi bayrağı olumsuz geldi, sonucu kullanabilir miyim?

Bayrak analizi durdurmaz, yalnız bildirir. En küçük gösterilme sayısının en büyüğe oranı 0,8'in altına düştüğünde bazı öğelerin puanı ötekilerden daha az gözleme dayanıyor demektir. Bu durumda listenin en üstü genellikle ayakta kalır, ancak ortadaki ve alttaki sıralar oynak olur. Okumayı gösterilme sayısı sütununa bakarak yapın: az gösterilmiş öğelerin sırasını kesin bir bulgu saymayın ve mümkünse tasarımı düzeltip veriyi yeniden toplayın.

Verimi geniş biçimden uzun biçime nasıl çeviririm?

Bu dönüştürmeyi panel yapmaz. Gereken düzen şudur: her satır tek bir katılımcının tek bir turunda gösterilen tek bir öğeyi temsil eder, dolayısıyla dört öğelik bir tur dört satır üretir ve bunlardan biri en iyi, biri en kötü olarak işaretlenir, ikisi boş kalır. Anket aracınız her turu tek satırda veriyorsa satırları açmanız, öğe adını bir sütuna ve seçim bilgisini ayrı bir sütuna taşımanız gerekir. Dönüştürmeden sonra bir katılımcının satır sayısının tur sayısı ile tur başına öğe sayısının çarpımına eşit olduğunu denetlemek iyi bir kontroldür.

• Louviere, J. J., Flynn, T. N., & Marley, A. A. J. (2015). Best-Worst Scaling: Theory, Methods and Applications
• Flynn, T. N., Louviere, J. J., Peters, T. J., & Coast, J. (2007). Best-Worst Scaling: What It Can Do for Health Care Research and How to Do It
• Orme, B. K. (2020). Getting Started with Conjoint Analysis
• numpy belgeleri