Professional Documents
Culture Documents
ที่มา: Marketing Science, Vol. 5, No.4. Special Issue on Consumer Choice Models
(Autumn, 1986), pp. 275 – 297
บทคัดย่ อ
คําสํ าคัญ: Choice theory, conjoint analysis, factor analysis, latent variables, multinomial logit,
multinomial probit, perceptual mapping, random utility model
------------------------------------------------------------------------------------------------------------------------------
ขอความกรุ ณาทานผู ่ อ้ า้ งอิงบทความนี้ เขียนในบรรณานุกรมของทานดั ่ งนี้
ิ
ผูเ้ ขียนน้อมรับคําแนะนํา และการแจ้งความผิดพลาดอันเกดจากการแปลและการพิ มพ์
กรุ ณาแจ้งมาได้ที่ komsan@tourismlogistics.com จักขอบคุณยิง่
การใช้ ทฤษฎีทางเลือกทางเศรษฐศาสตร์ สําหรับการวิจยั ตลาด เขียนโดย Daniel McFadden(1986) แปลโดย คมสัน สริุ ยะ 2
่
จิตวิทยาได้อยางไร ่
ลําดับตอไปจะได้ แกปั้ ญหาสามอยางข้
่ างต้น แล้วจะอภิปรายประเด็นบางอยางที ่ ่จาํ เป็ น
่
ตอการสร้ างกรอบการวิเคราะห์และใช้ส่ิ งที่เรี ยกวา่ external market metrics มากาํหนดคาตั ่ วแปร
่
นอกจากนั้ นจะได้อภิปรายถึงเรื่ องความแตกตางระหวางผู ่ บ้ ริ โภคแตละคน
่ ณ จุดที่เป็ นอุดมคติและการต้อง
่ ่ งตาง
เลือกเอาระหวางสิ ่ ๆ รวมทั้ งการรับรู ้ที่สอดคล้องกนระหวางทางเลื
ั ่ อก การเรี ยงลําดับ และการให้
คะแนน ในตอนท้ายยังจะกลาวถึ ่ งวิธีการงาย ่ ๆ ที่จะทดสอบคุณสมบัติของแบบจําลองที่ใช้ขอ้ มูล conjoint
่
และจะได้แสดงตัวอยางการนํ ั
าวิธีการนี้ ไปใช้กบการทดลอง conjoint เรื่ องหนึ่ง
่ ้ น แตมั่ นกไมจํ
ถึงแม้ขอ้ มูลรายบุคคลจะมีประโยชน์อยางนั ็ ่ าเป็ นที่จะต้องสร้างแบบจําลองคนตอคน
่
่
ออกมาเพื่อบอกวาตลาดจะเป็ ่
นอยางไร มันเพียงพอแล้วที่จะบอกถึงการกระจายของรู ปแบบพฤติกรรมใน
กลุ่มประชากร ข้อสังเกตนี้ สาํ คัญมากสําหรับการออกแบบการทดลองทางจิตวิทยาและการวิเคราะห์ทาง
สถิติจากข้อมูลที่ได้จากการทดลอง การลดความสําคัญของการวัดเชิงจิตวิทยาที่มุง่ ไปยังคน ๆ เดียวมาก
ิ
เกนไป ่ ่ องโดยการใช้ขอ้ กาหนดทางสถิ
และการผูกข้อมูลแบบเรื่ องตอเรื ํ ่
ติมาชวยในการวิ เคราะห์กลุ่ม
ประชากร ความแตกตางเชนนี่ ่ ้ ต่อไปจะพบอีกครั้ งเมื่อเราจะสร้างแบบจําลองประเภท fixed effects และ
random effects
ใหม่ ๆ กเอามาศึ
็ ็ ในต้นทุนที่ไมแพงเกนไป
กษาได้ ข้อมูลจํานวนมากสามารถเกบได้ ่ ิ ็
กระนั้ นกอาจจะมี
่ วข้อมูลจากการทดลองจะไปพยากรณ์สิ่ งที่จะเกดขึ
ผูส้ งสัยวาแล้ ิ ้ นจริ งได้หรื อไม่ เทคนิคการวางแผนการ
่ ดความสับสนในโลกความจริ งออกไปได้ แตผลที
ทดลองที่ดีอาจจะชวยขจั ่ ่ได้กต้็ องผานการตรวจสอบใน
่
ภาคสนามกอนถึ ่ งจะบอกได้วาดี
่ จริ ง ในทางเศรษฐศาสตร์มีบทความน้อยมากที่เขียนเกยวกบการ
ี่ ั
ตรวจสอบผลการศึกษาแบบนี้ ในภาคสนาม
ตอนที่ 2: ทฤษฎีทางเลือกทางเศรษฐศาสตร์
ั ดีกบทฤษฎี
แนวคิดตามรู ปที่ 1 เข้ากนได้ ั ่ ่มเข้าไปในสวนของการชั
เศรษฐศาสตร์ เพียงแตเพิ ่ ง่ ใจคิด
่
แล้วตั้ งใจวาจะเลื อกทางไหนด้วยข้อตกลงที่วา่ ผูบ้ ริ โภคจะเลือกทางไหนกเพื
็ ่อให้ได้ความพอใจสูงสุ ด
่ ้ กเพราะวาพฤติ
ทําไมเราถึงตั้ งข้อตกลงอยางนี ็ ่ กรรมของบุคคลหนึ่งที่แสดงออกมาได้รับอิทธิพลจากความ
พอใจของเขา ซึ่งได้รับอิทธิพลมาจากการรับรู ้และทัศนคติอีกทอดหนึ่ง
ตอนที่ 3: แบบจําลองทางเลือก
่
ทศวรรษที่ผานมามี การพัฒนาอยางรวดเร็ ่ วของเศรษฐมิติในเรื่ อง random utility models การใช้
วิธีการทางสถิติ และการประยุกต์เอาไปใช้ทางสังคมศาสตร์และธุรกจิ แบบจําลองทางเลือกใช้กนอยาง ั ่
มากในเรื่ องกระบวนการออกแบบผลิตภัณฑ์ใหมและในการวิ ่ เคราะห์ขอ้ มูลเชิงจิตวิทยา ตอนตอไปนี่ ้ จะได้
่ งแบบจําลองมาตรฐานและการกาหนดข้
กลาวถึ ํ ี่ อง รวมไปถึงเรื่ องการขยายไปยังแบบจําลอง
อตกลงที่เกยวข้
ั อย เรื่ องที่จะวิเคราะห์คือพฤติกรรมการเลือกสิ่ งที่แยกจากกนได้
อื่น ๆ ที่คนยังรู ้กนน้ ั (discrete) เชน่ การ
ตัดสิ นใจวาซื่ ้ อหรื อไม่ ซื้ ออะไร ซื้ อยีห่ อ้ ไหน เป็ นต้น สวนเรื
่ ่ องการตัดสิ นใจที่เป็ นจํานวนตอเนื ่ ่อง เชน่
ปริ มาณการซื้ อ ความถี่ในตัดสิ นใจซื้ อ กสามารถที ็ ่ ั
่จะสร้างเป็ นแบบจําลองได้เชนกนในฐานะผลลั พธ์ของ
การแสวงหาความพอใจสู งสุ ด ทั้ งที่เป็ นแบบจําลองเดี่ยวหรื อใช้ร่ วมกบทางเลื ั อกที่เป็ น discrete กได้็ ผูอ้ ่าน
ที่สนใจเรื่ องการนําไปใช้สามารถอานได้ ่ ใน Amemiya(1985), Dhrymes(1986), Dubin and McFadden(1984)
และ Maddala(1983,1986)
ั
แบบจําลอง random utility models ที่มีผนู ้ าํ ไปใช้กนมากที ่สุดคือแบบจําลอง Multinomial logit
(MNL)
eVi
PC (i ) = ……(1)
∑e
Vj
j∈C
ซึ่ง xi k คือ คุณลักษณะด้านหนึ่งของสิ นค้า i ซึ่งมีท้ งั หมด k ด้าน สวน ่ β คือนํ้ าหนักของอิทธิพล
จากคุณลักษณะด้านนั้ น ๆ ที่มีต่อความพอใจ คาเบ้
่ ตา้ นี้ คือคาพารามิ
่ เตอร์ที่เราจะต้องคํานวณออกมาจาก
แบบจําลอง
่
ยกตัวอยางในเรื ็ ่ ราคา ต้นทุนการใช้งาน ณ ระดับ
่ องการตัดสิ นใจซื้ อเครื่ องปรับอากาศ xi k กเชน
่
คาไฟฟ้ าปัจจุบนั ภายใต้สภาพอากาศปกติ ดัชนีความนาเชื ่ ่อถือ ความงายในการดู
่ แลรักษา ระดับเสี ยง
รบกวน และความสะดวกในการใช้งาน สังเกตวาตั ่ วแปรตาง่ ๆ สามารถทดแทนกนหรืั อเพิ่มอยางหนึ
่ ่ งและ
่ ่ งได้ (trade-off) การออกแบบวาตั
ลดอีกอยางหนึ ่ วแปร xi k ควรจะเป็ นอะไรอยางรอบคอบจะทํ
่ าให้
สามารถสร้างแบบจําลองออกมาได้อยางไมซั ่ ่ บซ้อนเทาที ่ ่เราเห็น
่ ่ ั
นักวิจยั อาจจะอยากใสผลรวมกนระหวางคุ ่ ณลักษณะสิ นค้ากบคุ ั ณลักษณะของผูซ้ ้ือ (interaction)
่
และผลรวมระหวางคุ ่ ณลักษณะของสิ นค้าหลาย ๆ ด้านประกอบกนซึ ั ่ งกทํ็ าได้ ยกตัวอยางเชน
่ ่ ต้นทุนการใช้
งานสามารถคูณกบตั ั วแปรจํานวนชัว่ โมงที่ครอบครัวอยูบ่ า้ นในชวงก
่ ลางวัน หรื อตัวแปรต้นทุนการใช้งาน
คําเตือน: ให้ ใช้ เพือ่ ประโยชน์ ทางการศึกษาเท่ านัน ห้ ามจําหน่ ายเชิงพาณิชย์
การใช้ ทฤษฎีทางเลือกทางเศรษฐศาสตร์ สําหรับการวิจยั ตลาด เขียนโดย Daniel McFadden(1986) แปลโดย คมสัน สริุ ยะ 10
ในแบบจําลองอาจจะมีสิ่ งที่เรี ยกวา่ choice set หรื อ aspiration level effects เพื่อแสดงถึง
่
คุณลักษณะที่ไมสามารถชดเชยกนไ ั ด้ (noncompensatory) ยกตัวอยางเชน ่ ่ ทางเลือกในการซื้ อ
เครื่ องปรับอากาศเราตั้ งใจมาจากบ้านแล้ววา่
่ ้ น แตถ้่ าต้นทุนการใช้งานของ
“เราจะเลือกยีห่ อ้ ที่มีตน้ ทุนการใช้งานตลอดทั้ งอายุการใช้งานที่ต่าํ ที่สุดเทานั
่ ห่ อ้ ไมตางกนมากนั
แตละยี ่่ ั กถึงจะเลือกยีห่ อ้ ที่เสี ยงเงียบที่สุด”
่ ้ สามารถจําลองออกมาในแบบจําลองได้ดว้ ยการกาหนดให้
เรื่ องอยางนี ํ ตวั แปร xi k ตัวหนึ่งเป็ น
ต้นทุนการใช้งานตลอดอายุการใช้งาน และอีกตัวหนึ่งเป็ นระดับเสี ยงซึ่งคูณอยูก่ บตั
ั วแปร dummy ที่ระบุวา่
ยีห่ อ้ ไหนที่มีตน้ ทุนการใช้งานที่ต่าํ ที่สุด
่ ่ ั
ในกรณี ที่ตน้ ทุนการใช้งานไมเทากนจะมี ่ วแปรดับเสี ยงไมเทาก
ยหี่ อ้ เดียวที่มีคาตั ่ ่ บั ศูนย์กคื็ อยีห่ อ้ ที่มี
ต้นทุนตํ่าที่สุด เพราะคูณอยูก่ บหนึ
ั ่ ง ยีห่ อ้ อื่นที่เหลือมีค่าเป็ นศูนย์ท้ งั หมดเพราะคูณอยูก่ บศู ั นย์ เมื่อประมาณ
่
คาพารามิ ็่
เตอร์ออกมาตัวแปรระดับเสี ยงกยอมจะไมมี ่ นยั สําคัญทางสถิติ เพราะคาโดยมากเทากบศู
่ ่ ั นย์ ก็
่ ั ่
เทากบวาเราไมได้ ่ สนใจเรื่ องระดับเสี ยงเลย คือสนใจแตเรื่ ่ องต้นทุนเทานั ่ ้ น ดังนั้ นคําวาความไมสามารถ
่ ่
ชดเชยกนได้ั (noncompensatory) จึงหมายความวา่ เราตั้งใจไว้แล้ววาจะเอาคุ ่ ณลักษณะนี้ เทานั ่ ้ น ถึงแม้วา่
คุณลักษณะอยางอื ่ ่นจะดีซ่ ึงอาจจะชวยชดเชยสิ
่ ่ งที่เราอยากได้ เชน่ ต้นทุนสูงขึ้ นหนอยแตเงี่ ่ ยบลงอีก เรากไม ็ ่
คําเตือน: ให้ ใช้ เพือ่ ประโยชน์ ทางการศึกษาเท่ านัน ห้ ามจําหน่ ายเชิงพาณิชย์
การใช้ ทฤษฎีทางเลือกทางเศรษฐศาสตร์ สําหรับการวิจยั ตลาด เขียนโดย Daniel McFadden(1986) แปลโดย คมสัน สริุ ยะ 11
่ ้ เทานั
สนใจ เราจะเอาอยางนี ่ ้ น มันเลยเรี ยกวา่ aspiration effect คือชอบแตเรื่ ่ องนี้ เทานั
่ ้ น อยางอื
่ ่นมาทําให้
่ และที่เรี ยกวา่ choice set กเพราะวา
เปลี่ยนใจไมได้ ็ ่ มันเป็ นทางเลือกที่เราตั้ งใจไว้แล้ว คือ set ไว้แล้วไม่
เปลี่ยนใจ
เรื่ องใหญอี่ กเรื่ องคือ Independence from Irrelevant Alternatives (IIA) ซึ่ง McFadden กลาวตอไป
่ ่
วา่ เมื่อคา่ V ขึ้ นอยูก่ บคา ั ่ xi k เทานั
่ ้ นและไมได้
่ ข้ ึนกบอะไรกตามที
ั ็ ่ครอบงําทางเลือก C ทั้ งหมดไว้อยู่
และไมได้ ่ ข้ ึนอยูก่ บทางเลื
ั ็ นจริ ง ดังนี้
อกอื่น แล้ว ข้อตกลงเรื่ อง IIA ของ Luce กจะเป็
PA (i ) PC (i )
= เมื่อ i, j ∈ A ⊆ C …..(3)
PA ( j ) PC ( j )
คือเมื่อทางเลือก i กบั j ซึ่งเป็ นสมาชิกของ A และ A เป็ น subset ของ C หรื ออาจจะคือ C เองเลยนั้ น
ต้องได้วา่ แต้มตอของโอกาสที
่ ่จะเลือกซื้ อ i เหนือ j (odd ratio) ไมวาทั่ ่ ้งสองทางเลือกจะอยูใ่ น
สภาพแวดล้อมที่ต่างกนอยางไรกยั
ั ่ ็ งต้องคํานวณได้เทาเดิ ่ มตลอด ไมมี่ การเปลี่ยนแปลงไปตาม
สภาพแวดล้อม เชน่ หากมีทางเลือกลดลงจาก m ทาง เหลือ m- 1 ทางเลือก แล้วแต้มตอของโอกาสที ่ ่ จะ
่ ั ่อครั้ งที่ยงั มี m ทางเลือก
เลือกซื้ อ i เหนือ j ยังจะต้องเทากบเมื
่ ่
ผูแ้ ปลของยกตัวอยางเชนการเลื อกคู่ หากเราชอบคนหนึ่ง ( i ) มากกวา่ ( j ) แล้วพบวาโอกาสที ่ ่เรา
่
จะแตงงานกบ ั i เป็ นสองเทาของการจะแตงงานกบ
่ ่ ั j โอกาสนั้ นจะเทาเดิ ่ มไมวาเ่ ่ ราจะเข้าไปอยูใ่ น
สังคมที่มีคนอื่นมากมายนอกจาก i และ j หรื อจะอยูใ่ นสังคมที่มีเพียงเรากบอี ั กสองคนคือ i และ j
่ ้ นได้กตอเมื
เทานั ็ ่ ่อเราไมได้
่ สนใจคนอื่นเลย เราจับตาอยูเ่ พียงการเปรี ยบเทียบระหวางคู ่ น่ ้ ีเทานั
่ ้ น แบบนี้
แสดงวา่ IIA เกดขึ ิ ้ นแล้ว แตถ้่ าการมีคนอื่นในสังคมเข้ามาเพิม่ แล้วทําให้เราไขว้เขว เชน่ เราเกดชอบ ิ k
มากกวา่ i และ j ขึ้ นมา แล้วกลายเป็ นวาทั ่ ้ ง i และ j ตกกระป๋ อง ทําให้โอกาสการแตงงานกบ ่ ั i ไม่
่
แตกตางจากการจะแตงงานกบ ่ ั j เพราะเหลือน้อยทั้ งคู่ แบบนี้ แสดงวาไมมี
่ ่ IIA เกดขึ ิ ้น
่ ่
McFadden กลาวตอไปวา ่ ข้อตกลงเรื่ อง IIA นี้ สามารถเขียนได้ในรู ปแบบของความพอใจผันแปร
ํ
(random utility) โดยกาหนดให้
PC (i ) = Pr (U i ≥ U j ) เมื่อ j ∈C ….(4)
่ อยูส่ ามทางในการจัดการกบเรื
McFadden บอกวามี ั ่ อง IIA ดังนี้
่ ่ IIA เกดขึ
หนึ่ง เราต้องทดสอบกอนวา ิ ้ นหรื อไมโดยการใช้
่ ่ งในตอนท้าย
การทดสอบทางสถิติที่จะได้กลาวถึ
ิ ้ นเรากจะสามารถใช้
ของบทความนี้ ถ้า IIA เกดขึ ็ ่
แบบจําลอง Multinomial logit ได้อยางสบายใจ
่
การประมาณคาแบบจํ าลองที่ได้ขอ้ มูลมาจากภาคสนามปกติจะใช้วิธี maximum likelihood ซึ่งใช้
การคํานวณหลายรอบด้วยสมการที่ไมใชเส้ ่ ่ นตรง ด้วยประสิ ทธิภาพของเครื่ องคอมพิวเตอร์ปัจจุบนั พบวา่
่ ยากไปกวาการคํ
มันไมได้ ่ านวณสมการเส้นตรงเทาใดนั ่ ก ในขณะที่กวาจะได้
่ คาํ ตอบจาก Multinomial
Probit และ Nested Multinomial Logit ต้องใช้เวลาคํานวณมากกวา่ ปั จจุบนั มีโปรแกรมสําเร็ จรู ปสําหรับ
การคํานวณ MNL อยูม่ ากและมีบางโปรแกรมที่คาํ นวณเทคนิคอื่น ๆ ได้ วิธี Nested MNL ซึ่งจะได้อธิบาย
่
ตอไปสามารถคํ านวณได้จากการสร้างกลุ่มของทางเลือกแล้วให้คาํ นวณเป็ นขั้น ๆ โดยเริ่ มจากกลุม่ สุ ดท้ายมา
่ ซึ่งในแตละขั
กอน ่ ้นกจะเป็
็ นเพียง MNL ธรรมดา ผูเ้ ขียนได้กลาวถึ่ งวิธีการโดยละเอียดไว้ใน McFadden
(1981) แบบจําลองนี้ มีประสิ ทธิภาพเพราะใช้วิธีการคํานวณแบบ maximum likelihood แตต้่ องคํานวณจาก
full model
แบบจําลอง Nested MNL กคื็ อแบบจําลองแบบเป็ นลําดับขั้น (Hierarchical model) เพียงแตระบุ ่ วา่
รู ปแบบของโอกาสในการเปลี่ยนแปลงจาก node หนึ่งไปยัง node เป็ นแบบ MNL ซึ่งขนาดของโอกาสคือ
่ ั
คารวมกนของทุ กกงิ่ (branches) ภายใต้ node นั้ น อีกรู ปแบบหนึ่งของการกาหนดคาโอกาสในการ
ํ ่
่
เปลี่ยนแปลงดังกลาวเสนอโดย Tversky Sattath (1978) เรี ยกวา่ Tversky’s elimination-by-aspects model
(HEBA) ตอมา ่ Moore และคณะ (1985) ใช้แบบจําลองนี้ในทางการตลาด ในแบบจําลอง HEBA โอกาส
ของการเปลี่ยนแปลงคือผลรวมของทุกรู ปแบบของ MNL
่
ลองดูตวั อยางของทางเลื อกที่มีสามทางซึ่งทางเลือกที่หนึ่งและสองรวมอยูใ่ นกลุ่มเดียวกนั สวน ่
ทางเลือกที่สามแยกออกมาตางหาก่ ่ ชนีวดั ความเหมือนกนระหวาง
พารามิเตอร์ γ หรื อ 1 θ เป็ นคาดั ั ่
ทางเลือกที่หนึ่งและสอง เมื่อ γ มีค่าเป็ นจํานวนจริ ง และ 1 θ ≥ 1 พารามิเตอร์ท้ งั คู่จะมีคาเพิ
่ ่มขึ้ นหาก
ั
ทางเลือกที่หนึ่งและสองยิง่ มีความเหมือนกนมากขึ ้น
ั ่
พารามิเตอร์ γ เป็ นตัววัดความเหมือนกนระหวางทางเลื อกทั้ งสอง ในขณะที่ 1 − θ คือ
่
ความสัมพันธ์ระหวางความพอใจที ่
่ได้รับจากแตละทางเลื อก แบบจําลองนี้ มีรูปแบบทางคณิ ตศาสตร์ดงั นี้
eV1
P{1, 2} (1) = ……(5)
eV1 + eV2
eV1
P{1,3} (1) = สําหรับแบบจําลอง Nested MNL ……(6.1)
eV1 + eV3
PC (1) =
(
P{1, 2} (1) ⋅ eV1 + eV2 ) สําหรับแบบจําลอง Nested MNL ……(7.1)
θ
(e V1
+ eV3 )
θ
+ eV3
ั
เมื่อดูโอกาสที่ผบู ้ ริ โภคจะเลือกทางเลือกที่หนึ่งเทียบกบทางเลื ่ ้ นอยูก่ บั
อกอื่นทั้ งหมดแล้ว จะได้วาขึ
โอกาสที่จะเลือกทางเลือกที่หนึ่งเมื่อมีเพียงสองทางเลือกคือหนึ่งกบสองั P{1, 2} (1) คุณลักษณะของทั้ งสิ นค้า
ทางเลือกที่หนึ่ง V1 ทางเลือกที่สอง V2 และทางเลือกที่สาม V3 อีกทั้ งยังขึ้ นอยูก่ บพารามิ
ั เตอร์ θ ซึ่งถ้า
อยูต่ ามลําพังอยางนี
่ ้ กหมายถึ
็ ่ ั ่
งระดับความแตกตางกนระหวางทางเลื อกที่หนึ่งและสอง สังเกตวา่ θ จะ
ํ ั เ่ ฉพาะทางเลือกที่หนึ่งและสองเพราะทั้ งคู่อยูใ่ นกลุ่มเดียวกนยอมมี
กากบอยู ั ่ ระดับของความเหมือนกนอยู ั ่ ถ้า
ั
เหมือนกนมาก θ จะน้อย แต่ 1 θ จะมากขึ้ น
eV1
P{1, 2} (1) = V1 ……(เหมือนสมการที่ 5)
e + eV2
P{1,3} (1) =
(e + eγ
V1
) สําหรับแบบจําลอง HEBA …..(6.2)
eV1 + eV3 + e γ
j∈C
่
งานของผูเ้ ขียนเองคือ McFadden (1982) แสดงให้เห็นวาในกรณี ของทางเลือกที่มีสามทางแล้วทั้ ง
แบบจําลอง Neste MNL และ HBEA จะให้ผลลัพธ์การคํานวณที่เหมือนกนั มันนาทดลองที ่ ่จะคํานวณ
แบบจําลอง HBEA ที่มีจาํ นวนทางเลือกมาก ๆ แล้วรวมกลุ่มกนได้ ั ประมาณสามถึงห้ากลุ่ม อีกสองวิธี
่ ธี Generalized extreme value และ วิธี elimination by strategy model เป็ นการขยายผลจากวิธี
เรี ยกวาวิ
่
HBEA ซึ่งการชัง่ ใจเลือกจะเขียนออกมาเป็ นเส้นทางที่แนนอนไมได้ ่ รวมกลุ่มกนเป็
ั นต้นไม้อยางนี
่ ้
PC (i ) = Pr (U i ≥ U j ) เมื่อ j ∈C ......(8)
่ วาโอกาสที
อานได้ ่ ่จะเลือกทางเลือก i กคื็ อโอกาสที่ความพอใจที่ได้รับจาก i ไมน้่ อยไปกวาที
่ ่
ได้รับจากทางเลือกอื่นในเซต C
ํ
กาหนดให้ E (U i ) = Vi อานได้
่ วาคาเฉลี
่ ่ ่ยของความพอใจกาหนดให้
ํ ่ ั V หรื อกคื็อคา่
เทากบ
ความพอใจที่ได้รับจากคุณสมบัติของสิ นค้าในทางเลือกนั้ น
ํ
กาหนดให้ ความสัมพันธ์ (covariance) ระหวาง ่ U i และ U j มีคาเทากบ
่ ่ ั σ ij หรื อเขียนได้วา่
cov(U i ,U j ) = σ ij ซึ่ งอาจจะได้รับอิทธิ พลมาจากคุณลักษณะของสิ นค้ากเป็็ นได้
ํ
แบบจําลองนี้ กาหนดให้ความพอใจได้รับอิทธิพลจากคุณลักษณะของสิ นค้าในรู ปแบบสมการ
ั ของความพอใจที่ได้รับจากคุณลักษณะประการตาง
เส้นตรงซึ่งมีคุณสมบัติของการบวกกนได้ ่ ๆ ของสิ นค้า
่ ่ ้ าหนักด้วยอิทธิพลของคุณลักษณะนั้ น แบบจําลองนี้ มีความพิเศษตรงที่วานํ
แตถวงนํ ่ ้ น (α k )
่ ้ าหนักเหลานั
่ เป็ นคาคงที
ไมได้ ่ ่ แตมี่ หลาย ๆ คาและกระจายตั
่ วแบบ normal distribution
่ ่ยของนํ้ าหนักเหลานั
คาเฉลี ่ ้ นกาหนดให้
ํ เรี ยกวา่ β k สิ่ งที่เราจะได้ออกมาเรี ยกวา่ Random Coefficient
Probit (RCMNP) ซึ่งจะทําให้คาํ นวณคา่ V ได้ดงั นี้
ํ
อีกทางออกหนึ่งคือกาหนดโครงสร้ างของปัจจัยที่จะวิเคราะห์ให้มีขนาดเล็กลงใน covariance
matrix สิ่ งนี้ ทาํ ได้ท้ งั MNP แบบ direct coefficient และ random coefficient หรื อ แบบลูกผสม (hybrid
model) ระหวาง ่ MNP และ MNL ซึ่งเสนอครั้ งแรกโดย Westin (1974) และ Talvitie (1972) ซึ่งโอกาสที่
จะลเอกทางเลือกหนึ่งกาหนดให้ ํ เป็ นแบบ MNL ด้วยคา่ V ซึ่งกาหนดจากสมการเส้
ํ นตรงภายใต้
พารามิเตอร์ที่แปรผันไปมาได้แบบ α ดังนี้
⎛ ⎞
⎜ e xiα ⎟
PC (i ) = Eα ⎜ ⎟ .....(12)
⎜⎜ ∑ e j
xα
⎟⎟
⎝ j∈C ⎠
ํ
ในสมการที่ (12) กาหนดให้ ่ ๆ แปรผันได้และกระจายแบบ normal distribution ซึ่งมี
α ตาง
่ ่ยเทากบ
คาเฉลี ่ ั β โครงสร้างแบบนี้ ใช้ในการศึกษาทางการตลาดโดย Beggs และคณะ (1981)
U i = xi (β + Aν )
่ ่ยของ α สวนเมตริ
ซึ่ง β คือเวกเตอร์ของคาเฉลี ่ กซ์ A เรี ยกวา่ Cholesky factor ของ covariance
matrix ซึ่ง AA′ = G และ ν คือเวกเตอร์ของคาที่ ่เปลี่ยนแปลงได้ซ่ ึงมีความเป็ นอิสระและมีการ
กระจายแบบ normal (independent standard normal variates) ทั้ งนี้ ท้งั β และ A อาจจะได้รับอิทธิพล
่ ่ ง เชน่ θ
มาจากปัจจัยที่ลึกลงไปอีกตอหนึ
่
การคํานวณหาโอกาสที่จะเลือกทางเลือกหนึ่ง ณ คาพารามิ เตอร์ค่าหนึ่ง สามารถหาได้ดว้ ยการแทน
คา่ ν ที่สร้างขึ้ นมาอยางสุ
่ ่ ม แล้วนับจํานวนวามี
่ ความพอใจ U กตัี่ วที่ได้รับสูงสุ ด วิธีการนี้ เสนอโดย
Lerman และ Manski (1981) ซึ่งป็ นผูค้ น้ พบด้วยวา่ จํานวนตัวอยางที
่ ่จาํ เป็ นสําหรับการคํานวณโอกาสที่จะ
่
เลือกทางเลือกหนึ่งอาจจะไมมากพอสํ ่
าหรับการประมาณคาพารามิ ่
เตอร์ของทั้ งแบบจําลอง แตมากพอ
สําหรับการพยากรณ์
่
อยางไรกตาม็ McFadden (1986a) ได้พฒั นาแบบจําลอง Simulated Moments สําหรับการประมาณ
่
คาพารามิ เตอร์ของ MNP ซึ่งมีคุณสมบัติ consistent asymptotically normal ซึ่งใช้ Monte Carlo เพียงหนึ่ง
ครั้ งสําหรับหนึ่ง observation และสามารถใช้ได้สาํ หรับแบบจําลองที่มีหลายทางเลือก สําหรับตัวอยาง ่
่
จํานวน T ซึ่งได้มาจากประชากรที่เลือกสิ นค้าในเซต C วิธีการนี้ คาํ นวณคาพารามิ เตอร์ θ ด้วยคาที่ ่ จะ
้
สามารถแกสมการตอไปนี ่ ้ ได้
T
0 ≈ ∑∑ Wit (d it − f it (θ )) …….(13)
t =1 i∈C
U it = xit ⋅ (β (θ ) + A(θ )ν )
่
จากนั้ นให้นบั จํานวนครั้ งที่แตละทางเลื อกได้รับความพอใจสูงสุ ด โดย McFadden (1986a) ได้อภิปรายถึง
้
วิธีการเลือกเครื่ องมือซึ่งเป็ นไปได้ที่จะคํานวณออกมาและมีประสิ ทธิภาพทางสถิติสาํ หรับการแกสมการที ่
(13) และสําหรับการประมาณคา่ covariance matrix ของพารามิเตอร์ต่าง ๆ สําหรับใช้ทดสอบสมมติฐาน
่
ตอไป
c หมายถึงต้นทุน
z เวกเตอร์ของตัวแปรคุณสมบัติสินค้าที่วดั ออกมาได้ (รวมถึงต้นทุน)
q* คุณภาพ ซึ่งเป็ นตัวแปรที่สมมติข้ ึน (latent)
q เวกเตอร์ของตัวชี้ วดั การรับรู ้เรื่ องคุณภาพ
w เวกเตอร์ของตัวแปรแวดล้อมภายนอก เชน่ การศึกษา รายได้
a* ตัวแปรความคํานึงถึงต้นทุน ซึ่งเป็ นตัวแปรที่สมมติข้ ึน (latent)
a เวกเตอร์ของตัวชี้ วดั ด้านทัศนคติ
u* ่ ่ ่ ั นย์
ความพอใจที่ได้จากการซื้ อสิ นค้า ซึ่งเป็ นตัวแปรที่สมมติข้ ึน (latent) ซึ่งคาไมเทากบศู
d อุปสงค์ที่วดั ออกมาได้ เชน่ ทางเลือกที่เลือกไปแล้วหรื อความตั้ งใจที่แสดงออกมาวาจะ ่
่ ่ ั ่ งถ้าตัดสิ นใจซื้ อ และเทากบศู
เลือก ให้คาเทากบหนึ ่ ั นย์ถา้ เป็ นอยางอื
่ ่น
ํ
จากข้อกาหนดที ่บอกตั้ งแตต้่ นแล้ววา่ ตัวแปรที่สมมติข้ ึน (latent) ต้องสามารถวัดได้ในรู ปของ
่ วแปรเหลานี
เมตริ กซ์ ความเชื่อมโยงระหวางตั ่ ้ ดงั ที่แสดงไว้ในรู ปที่ 1 สามารถสร้างขึ้ นมาได้โดยอาศัย
แบบจําลอง LISREL (Joreskog, 1973 และ Everitt, 1984)
a* = w ⋅ Γ0 + ξ 0 …..(14)
q* = z ⋅ Γ1 + ξ1 …..(15)
u* = c ⋅ (β 00 + a * ⋅β 01 ) + q * ⋅(β 10 + a * ⋅β 11 ) + ε …..(16)
a = a * ⋅Π 0 + ν 0 …..(17)
q = q * ⋅Π 1 + ν 1 …..(18)
d =1 ถ้า u* ≥ 0
และ d =0 ่ ่น
ถ้าเป็ นอยางอื …..(19)
สมการที่ (19) แสดงเงื่อนไขของการตัดสิ นใจที่ทาํ ให้ได้ความพอใจสู งสุ ด สมการที่ (16) จําเป็ นที่
ต้องมีการปรับให้ฐานเทากน ่ ั (normalization) ซึ่งปกติจะทําให้คาคลาดเคลื
่ ่ ั ่ง
่อนมีความแปรปรวนเทากบหนึ
ั ่น ๆ ที่จะเพิ่มเข้ามาจําเป็ นสําหรับการกาหนดคาคะแนนเชิ
ข้อจํากดอื ํ ่ งจิตวิทยา
่
เจาะลึกอยางละเอี ่ ่ องผลของปัจจัยภายนอกไมได้
ยด โดยจุดออนเรื ่ เป็ นประเด็นมากนัก เพราะในความเป็ น
จริ งปั จจัยภายนอกที่แวดล้อมผูบ้ ริ โภคคนหนึ่งกมั็ กจะไมเปลี
่ ่ยนแปลงมากนักอยูแ่ ล้ว กระนั้ นเรากยั็ ง
วิเคราะห์ผลกระทบจากปัจจัยภายนอกได้อยูเ่ มื่อรวมเอาข้อมูลของผูบ้ ริ โภคที่เข้ามาในห้องทดลองแตละคน ่
ั ววิเคราะห์ขอ้ มูลที่ได้มาจากการรวมนี้ แบบจําลอง fixed effects นี้ เป็ นที่ชื่นชอบของ
เข้าด้วยกนแล้
นักจิตวิทยาที่ชอบเจาะลึกลงไปในผูบ้ ริ โภคคนเดียวและใช้การเกบข้ ็ อมูลจากห้องทดลองเป็ นหลัก
่ ่ งคือให้คิดวาความแตกตางระหวางผู
แบบจําลองอีกอยางหนึ ่ ่ ่ บ้ ริ โภคแตละคนเป็
่ นตัวแปรสุ่ มและมี
การกระจายตัวทางสถิติ ถ้าการกระจายตัวนั้ นขึ้ นอยูก่ บปั
ั จจัยบางอยางที
่ ่ลึกลงไป แล้วเราจะให้ปัจจัย
่ ่เราต้องค้นหาคําตอบ (unknown) ในแบบจําลอง แบบจําลองประเภทนี้ เรี ยกวา่ random
เหล่านั้ นเป็ นคาที
effects แบบจําลองประเภทนี้ กยั็ งสามารถใช้ขอ้ มูลจากห้องทดลองได้แตต้่ องเกบข้็ อมูลจากผูบ้ ริ โภค
จํานวนมาก ตอนนี้ ผลของปั จจัยภายนอกจะเพิ่มขึ้ นเพราะมีผบู ้ ริ โภคเข้ามาในห้องทดลองมากขึ้ น เรากจะ ็
สามารถศึกษาผลกระทบของปัจจัยภายนอกได้โดยตรง จริ ง ๆ แล้วถ้าไมนั่ บเรื่ องความยุง่ ยากทาง
ิ ํ
คณิ ตศาสตร์ที่จะเกดจากการกาหนดให้ พารามิเตอร์บางตัวในสมการที่ (14) ถึง (19) เป็ นตัวแปรสุ่ มซึ่งขึ้ นอยู่
ั จจัยที่ลึกลงไป แบบจําลองแบบ random effects นี้จะมีคุณสมบัติที่เหมือนกบแบบจํ
กบปั ั าลองที่เป็ น
homogeneous ซึ่งไมมี่ subject effects
่
ขั้นแรก เราจะมาดูแบบจําลองความพอใจแบบ reduced form ซึ่งได้จากการแทนคาสมการที ่ (14)
และ (15) เข้าไปในสมการที่ (16)
( )
u* = c ⋅ β 00 + w ⋅ Γ0 ⋅ β 01 + z ⋅ Γ1 ⋅ (β 10 + w ⋅ Γ0 ⋅ β 11 ) + ε 1 ……(20)
่
เมื่อ ε 1 รวมเอาคาคลาดเคลื ่อนที่มีอยูแ่ ล้วเข้ากบคาคลาดเคลื
ั ่ ่อนจากสมการที่ (14) และ (15) ถ้า
ε 1 มีการกระจายแบบปกติแล้วสมการที่ (19) และ (20) จะเป็ นแบบจําลองทางเลือกที่อธิ บาย “กลองดํ ่ า” ที่
เราสนใจ โดยที่โอกาสที่จะเลือกทางเลือกหนึ่งขึ้ นอยูก่ บปั ั จจัยภายนอกและคุณลักษณะของทางเลือกนั้ น
พารามิเตอร์ในสมการนี้ รวมเอาผลจากทัศนคติ การรับรู ้ ซึ่งกอกาเนิ ่ ํ ดเป็ นความพอใจ เข้าด้วยกนั โดยไม่
สามารถแยกออกไปได้วาการตั ่ ิ
ดสิ นใจเลือกนั้ นเกดจากเรื ่ ยงอยางเดี
่ องใดเรื่ องหนึ่งแตเพี ่ ยว เราจะไมใช้ ่
ประโยชน์อะไรจากตัวชี้ วดทางจิ
ั ตวิทยาในสมการที่ (17) และ (18) แบบจําลองที่เราได้ออกมานี้ มี
ประโยชน์ทางการตลาดมากมายโดยเฉพาะเมื่อนักการตลาดสนใจถึงผลของคุณสมบัติของสิ นค้า (z ) ที่จะมี
่
ตอการตั ดสิ นใจซื้ อสิ นค้า
⎛V ⎞
Pr (d = 1 w, z ) = Φ⎜ ⎟ …..(21)
⎝σ ⎠
เมื่อ V = c ⋅ (β 00 + w ⋅ Γ0 ⋅ β 01 ) + z ⋅ Γ1 ⋅ β 10
่
นี่เป็ นกรณี พิเศษของแบบจําลอง RCMNP ถ้านักวิจยั คิดวาแบบจํ
าลองจะออกมานรู ปแบบนี้ แล้ว
็ องเกิดความยุง่ ยากในการคํานวณแบบจําลองโพรบิตเพิ่มอีกนิดหนอยเพื
จริ ง ๆ แล้วกจะต้ ่ ่อให้สามารถ
คํานวณคาสั่ มประสิ ทธิออกมาได้และจะสามารถพยากรณ์ได้อยางแมนยํ
่ ่ ายิง่ ขึ้ น
แตถ้่ าข้อจํากดที
ั ่วา่ β11 = 0 ไมเป็
่ นจริ ง แล้วคาคลาดเคลื
่ ่อน ε 1 จะไมมี่ คุณสมบัติตามการ
่
วิเคราะห์มาตรฐาน อันจะทําให้การคํานวณแบบจําลองนี้ โดยตรงทําได้ยากขึ้ นไปอีก อยางไรกตามเรา ็
สามารถใช้วิธีการที่เรี ยกวา่ simulated moments ได้โดยตรง (McFadden 1986a) ในการคํานวณแบบจําลอง
่ เกดโอกาสในการเลื
แบบนี้ และแบบอื่นที่ใกล้เคียงซึ่งโครงสร้างของตัวแปร latent กอให้ ิ อกที่ตรวจสอบ
่
ไมได้
a = w ⋅ Γ0 ⋅ Π 0 + (ν 0 + ξ 0 ⋅ Π 0 ) .....(22)
q = z ⋅ Γ1 ⋅ Π 1 + (ν 1 + ξ1 ⋅ Π 1 ) .....(23)
สมการเหลานี ่ ้ สามารถคํานวณคาพารามิ
่ เตอร์ออกมาได้โดยใช้วิธี regression ธรรมดา โดยที่ตวั แปร
่
latent จะมีคาคะแนน ออกมาเป็ นแบบปรับฐานแล้ว (normalized) เรากตะได้็ คาสั ่ มประสิ ทธิของ
Γ0 , Π 0 , Γ1 , Π 1 ออกมา ยกตัวอยางเชน่ ่ ถ้า a * มีคาคะแนนเป็
่ ่ ั ่
นสัดสวนกบสวนประกอบแรกของ Π0
่
แล้วสวนประกอบแรกของสมการที ่ (22) สามารถใช้หาคา่ Γ0 ได้ แล้วสวนประกอบที
่ ่เหลือของสมการที่
่ ่ ่เหลือของ Π 0
(22) สามารถใช้หาคาในสวนที
ั
เราจะต้องสร้างข้อจํากดของความแปรปรวนขึ ํ
้ นเพิม่ อีกเพือ่ กาหนดโครงสร้ างของความแปรปรวน
ถ้าข้อตกลงเบื้องต้นของ factor analysis ยังใช้ได้ที่วา่ ภายใต้เงื่อนไขปัจจัยตาง ่ ๆ ที่มีความเหมือนกนั หาก
ตัวชี้ วดั ทางจิตวิทยามีความเป็ นอิสระทางสถิติ แล้วความแปรปรวนในสมการที่ (14) และ (15) สามารถ
ประมาณคาได้ ่ จาก covariance ของคาคลาดเคลื
่ ่อนจาก regression ที่ได้จากกลุ่มตัวอยาง่ มันเป็ นไปได้ที่จะ
่
ประมาณคาสมการที ่ ั ั
่ (22) และ (23) รวมกนกบแบบจํ าลองในรู ปแบบ reduced form ในสมการที่ (20) และ
ั ่
สร้างข้อจํากดของคาพารามิ ่
เตอร์ข้ ึนสําหรับทุกสมการเพือ่ ปรับปรุ งประสิ ทธิภาพของคาพารามิ เตอร์ที่จะ
คํานวณได้ออกมา
ั
ถ้าผลการศึกษานั้ นสามารถใช้ได้กบการศึ ั ่ องอื่นด้วย มันจะบอกวาในทางการตลาด
กษาที่คล้ายกนเรื ่
่
การพยากรณ์ที่ดีสามารถทําได้ดว้ ยกระบวนการดังนี้ คือ ขั้นแรกให้ประมาณคาสมการที ่ (22) และ (23) ด้วย
่
วิธี regression เพื่อให้ได้คาประมาณของพารามิ เตอร์ในสมการที่ (14) และ (15) ออกมา จากนั้ นประมาณ
่
คาแบบจํ ่ วแปร latent ที่คาํ นวณได้จากสมการที่ (14) และ(15)
าลองในสมการที่ (16) ด้วยคาตั
่ าหรับแบบจําลองทางเลือกที่ปรับคาสํ
มันยังเป็ นไปได้ที่จะใช้ตวั ประมาณคาสํ ่ าหรับความผิดพลาด
ิ
อันเกดจากการวั ด (measurement error) ในการคํานวณคาของตั ่ ่ ่
วแปร latent ภายใต้เงื่อนไขของคาที
่
คํานวณได้ แล้วประมาณคาแบบจํ าลองทางเลือกนี้ ดว้ ยวิธี Maximum Likelihood
คําเตือน: ให้ ใช้ เพือ่ ประโยชน์ ทางการศึกษาเท่ านัน ห้ ามจําหน่ ายเชิงพาณิชย์
การใช้ ทฤษฎีทางเลือกทางเศรษฐศาสตร์ สําหรับการวิจยั ตลาด เขียนโดย Daniel McFadden(1986) แปลโดย คมสัน สริุ ยะ 27
่
ลําดับตอไปเราจะพิ จารณาสมการที่ (14) ถึง (19) ที่มี subject effects เป็ นแบบประเภท fixed effects
พารามิเตอร์บางสวนหรื่ อทั้ งหมดจะเป็ นพารามิเตอร์ของคนเพียงคนเดียว และต้องใช้ขอ้ มูลของผูบ้ ริ โภค
เพียงคนเดียวในการประมาณคา่ ด้วยข้อมูลที่เพียงพอสําหรับการเปลี่ยนแปลงของคุณสมบัติของสิ นค้าและ
ตัวชี้ วดั q เราจะสามารถคํานวณพารามิเตอร์ Γ1 และ Π 1 ออกมาได้ แล้วแบบจําลองทางเลือกจะ
สามารถคํานวณได้สาํ หรับผูบ้ ริ โภครายนี้ โดยใช้ utility function
u* = c ⋅ β 0 + q * ⋅β 1 + ε …..(24)
~
β 0 = β 00 + w ⋅ Γ0 ⋅ β 01 + τ .....(25)
่
ลําดับสุ ดท้ายจะได้ดูถึงวิธีการประมาณคาของแบบจํ าลองประเภท random subject effects ใน
แบบจําลองนี้ พารามิเตอร์บางตัวในสมการที่ (14) ถึง (19) ถูกกาหนดให้ ํ เป็ นตัวแปรสุ่ มซึ่งแตกตางกนไปได้
่ ั
ในกลุ่มประชากร เมื่อกวาดเอาผลตางของพารามิ
่ ่ ้ จากคาเฉลี
เตอร์เหลานี ่ ่ยของประชากร (deviation from
่
mean) เข้าไปในคาคลาดเคลื ่อน เราสามารถสร้างแบบจําลองได้ในรู ปแบบเชนเดี ่ ยวกบสมการที
ั ่ (14) ถึง
่ มประสิ ทธิในสวนที
(19) ด้วยคาสั ่ ่เป็ น systematic part ของสมการตาง ่ ๆ ที่แปลความหมายได้วาเป็ ่ น
่ ่ยของประชากร และโครงสร้างของ covariance ของคาคลาดเคลื
คาเฉลี ่ ่ ่ ๆ ที่เกดิ
่อนตอนนี้ รวมเอาสวนตาง
่ ั
จากความแตกตางกนของผู ่
บ้ ริ โภคเข้าไว้ดว้ ย การประมาณคาระบบสมการนี ั ่เราเคยทํามา
้ ทาํ ได้เหมือนกบที
ั
กบระบบสมการที ่เป็ นแบบ homogeneous เรื่ องที่เราต้องตั้ งใจทําตอไปคื ่ อการวิเคราะห์ความซับซ้อนของ
โครงสร้างของ covariance และประมาณคาพารามิ ่ เตอร์ที่มีการกระจายตัวแบบสุ่ ม สําหรับการใช้ประโยชน์
ในการพยากรณ์ต่อไป
่
ตัวอยางของการประมาณคาแบบจํ ่ าลอง random subject effects ให้ลองดูสมการที่ (14) ถึง (19)
ํ
และกาหนดวา่ utility function มีรูปแบบดังนี้
u* = c ⋅ (α 0 + a * ⋅β 01 ) + q * ⋅(α 1 + a * ⋅β 11 ) + ε ..........(26)
่
การอภิปรายเรื่ องการใช้ขอ้ มูลเชิงจิตวิทยาในแบบจําลองทางเลือกที่ผานมาอยู ภ่ ายใต้การมีสอง
ทางเลือก มีคุณลักษณะของสิ นค้าสองประการ และมีตวั แปรด้านทัศนคติหนึ่งตัว อยางไรกตาม ่ ็ แนวคิดนี้
สามารถขยายไปใช้สาํ หรับระบบที่ซบั ซ้อนกวาได้ ่ เพียงเพิ่มสัญลักษณ์ของเวคเตอร์และตัวแปรตาง ่ ๆ ที่
ี่ องเข้าไปเทานั
เกยวข้ ่ ้ น วิธีการนี้ ยงั สามารถใช้ได้กบตั
ั วแปรที่ไมสามารถวั
่ ดได้ในรู ปเมตริ กซ์และตัวชี้ วดั
แบบเป็ นพวก ๆ (category) วิธีการหนึ่งที่จะทําได้โดยสะดวกคือการคงให้สมการ ที่ (14) ถึง (19) ไว้อยาง ่
คําเตือน: ให้ ใช้ เพือ่ ประโยชน์ ทางการศึกษาเท่ านัน ห้ ามจําหน่ ายเชิงพาณิชย์
การใช้ ทฤษฎีทางเลือกทางเศรษฐศาสตร์ สําหรับการวิจยั ตลาด เขียนโดย Daniel McFadden(1986) แปลโดย คมสัน สริุ ยะ 29
่ ่ยนแปลง เพียงแตกาหนดกลุ
เดิมไมเปลี ่ ํ ่ม (category) ที่ตวั ชี้ วดั a และ q จะเข้าไปอยูเ่ ป็ นพวกด้วย
หลังจากนั้ นข้อมูลเชิงจิตวิทยาจะสามารถวิเคราะห์ออกมาได้ดว้ ยแบบจําลองการตอบสนองที่จาํ แนกได้เป็ น
่ ยวกบที
พวก (discrete response model) ด้วยวิธีการเชนเดี ั ่เราทํามาแล้ว
่
ปัญหายังไมหมดเพี ยงแคนี่ ้ ปัญหาตอไปเกดกบโครงสร้
่ ิ ั างของการแสดงออกซึ่งความพอใจผานการ ่
่
ให้คะแนนหรื อการเรี ยงลําดับ การทดลองที่เน้นจําแนกความแตกตางระหวางสิ ่ นค้าคูห่ นึ่งที่ใกล้เคียงกนมาก
ั
่ มองไปที่อีกสิ นค้าหนึ่งที่อยูน่ อกเหนือการทดลองที่โดดเดนในตลาดมากกวามาก
อาจจะไมได้ ่ ่ ดังนั้ นเมื่อนํา
ผลการทดลองไปพยากรณ์ตลาดกจะต้ ็ องผิดพลาดเพราะแทนที่ผบู ้ ริ โภคจะเลือกสิ นค้าที่ปรากฏใน
่ ่ ้ นแทน การตรวจสอบปัญหานี้ อาจทําได้โดยการ
ห้องทดลองตามคาดไว้ กลับไปเลือกสิ นค้าที่เดนกวานั
เปลี่ยนแปลงการออกแบบการทดลอง
่ ได้ขอ้ มูลที่ลึกไปกวาการเลื
การให้คะแนนชวยให้ ่ อกหรื อไมเลื่ อก และสามารถสร้างเป็ นแบบจําลอง
่ คือ ให้มองเป็ นโอกาสในการเลือกทางเลือกหลายทาง แตกระนั
ทางเลือกได้ดว้ ยการปรับกลไกบางอยาง ่ ้น
ิ
จากอคติของมนุษย์ในการตัดสิ นให้คะแนนจึงเกดความเสี ่ ่
่ ยงขึ้ นอยามากวาแบบจําลองที่ใช้ขอ้ มูลให้คะแนน
นี้ จะพยากรณ์ตลาดได้ไมดี่ แตหากใช้
่ ขอ้ มูลเรี ยงลําดับซึ่งกคื็ อการให้คะแนนกลาย ๆ เหมือนกนจะดี ั กวา่
่
ซึ่งจะชวยลดอคติ ลงได้
Pr (1 > 2 > ... > J > {J + 1,..., M }) = P{1,..., M } (1) ⋅ P{2,..., M } (2) ⋅ ... ⋅ P{J ,..., M } ( J ) …..(27)
ทางการตลาดโดย Beggs, Cardell และ Hausman (1981) ในบทความทางการตลาด Chapman และ Staelin
่
(1982) เขียนไว้อยางละเอี ่ าวิธีน้ ีไปใช้ได้อยางไรกบข้
ยดวาจะนํ ่ ั อมูลเรี ยงลําดับที่ได้จากการวิเคราะห์
่
Conjoint analysis ผูเ้ ขียนจะได้นาํ เสนอตอไปภายหลั ่
งวาจะทดสอบ consistency ระหวางข้่ อมูลแบบ
ั
เรี ยงลําดับกบแบบจํ ่
าลอง Multinomial logit ได้อยางไร การทดสอบดังกลาวยั ่ งจะใช้สาํ หรับการทดสอบ
consistency ของการแสวงหาความพอใจสูงสุ ดกบการเรีั ่
ยงลําดับทางเลือกด้วย อานงานของ McFadden
(1987) และ Hausman และ Ruud (1986)
่ ่ ่
การเชื่อมโยงอยางงายระหวางโอกาสของการเลื ั
อกกบการเรี ยงลําดับข้อมูลสามารถดูได้ดงั นี้ ให้เซต
ของทางเลือกมีเพียงสามทางเลือก คือ C = {1,2,3} จะได้วา่
่ ็
อยางไรกตามมั ่
นไมสามารถเป็ นไปได้ที่จะคํานวณหาโอกาสของการเลือกโดยเริ่ มจากข้อมูลการเรี ยงลําดับ
่ ่ การศึกษา Conjoint ที่มีคุณสมบัติสามประการ แตละประการมี
ยกตัวอยางเชน ่ อีกสามระดับ โดยรวมแล้ว
ั ้งสิ้ น 27 ทางเลือก ทําให้สามารถเรี ยงลําดับได้เทากบ
ทางเลือกทั้ งหมดมีดว้ ยกนทั ่ ั 26! หรื อประมาณ
4 ×1026 ทางเลือก ในทางกลับกนัเราสามารถเริ่ มต้นได้จากโอกาสของการเลือก เชน่ Multinomial Probit,
Nested MNL หรื อ วิธี elimination by aspects แล้วหาสูตรสําหรับการเรี ยงลําดับบางตอน สําหรับ
C = {1,..., M } กาหนดให้
ํ A = {2,..., M }, B = {1,3,4,...M } , D = {3,4,..., M } และ E = {4,..., M }
แล้ว
โครงสร้าง recursive ที่คน้ พบโดย Falmagene (1978) และความเป็ นอิสระที่คน้ พบโดย Barbara
่ ่มเติมได้ใน Yellot (1981) เมื่อใช้สูตรนี้ แล้วกจะ
(1986) ทําให้สูตรนี้ ขยายออกไปได้อีก ผูส้ นใจอานเพิ ็
สามารถใช้วิธีการประมาณคาแบบ่ Maximum Likelihood จากข้อมูลประเภทเรี ยงลําดับแล้วจะมีคุณสมบัติ
consistency
่
การศึกษาข้อมูลเพียงบางสวนหรื อการให้คะแนนความต้องการได้ระดับของคุณสมบัติจะใช้ได้ก็
่ ่อความพอใจมีลกั ษณะบวกกนได้
ตอเมื ั ระหวางความพอใจสวนตาง
่ ่ ่ ๆ เทานั
่ ้ น Falmagne(1979) กลาวถึ
่ ง
คุณลักษณะบางประการของแบบจําลอง random utility model แบบ conjoint ที่ความพอใจบวกกนได้ ั น้ ีซ่ ึง
สามารถนําไปใช้ในการทดสอบคุณสมบัติของแบบจําลองได้ โอกาสของการเลือกนี้ จะเป็ นไปตามข้อตกลง
เบื้องต้นที่ทดสอบได้สามประการ คือ independence, double cancellation และ order independence ก็
่ ่อขึ้ นอยูก่ บคาคะแนนของแตละทางเลื
ตอเมื ั ่ ่ ั
อกซึ่งได้มาจากการบวกรวมกนของแตละคุ่ ณสมบัติเทานั
่ ้ น ถ้า
่ ่ ดเจนยิง่ ขึ้ น โอกาสของการเลือกจะมีรูปแบบดังนี้
จะให้กลาวอยางชั
K
เมื่อ Vi = ∑ xki β k
k =1
็ ่ ่อเงื่อนไขทางเทคนิคเองความตอเนื
ทั้ งนี้ กตอเมื ่ ่องของความพอใจเป็ นจริ ง พร้อมกบเงื
ั ่อนไขอีกสามข้อ
ดังนี้ คือ
ั ั ณสมบัติบาง
(1) Independence: ในทางเลือกหนึ่งของ conjoint ที่มีผลของการทดแทนกนกบคุ
่
ประการ ณ ระดับคงที่ โอกาสในการเลือกจะไมแปรไปตามคุ ่ ้น
ณลักษณะที่คงที่เหลานั
(3) Order independence: P{ij} (i ) ≥ 0.5 หมายความวา่ PB∪{i} (k ) ≤ PB∪{ j} (k ) เมื่อ i, j ไมได้
่ อยู่
ในเซต B และ k ∈ B
ั อตกลงเบื้องต้นของ Luce แล้ว จะทําให้ได้
เมื่อรวมเอาคุณสมบัติ order independence เข้ากบข้
่
แบบจําลอง Multinomial Logit ที่มีคุณสมบัติวาความพอใจสามารถบว กรวมกนได้ั จากความพอใจในสวน ่
่ ๆ การทดสอบคุณสมบัติการรวมกนได้
ตาง ั สามารถทําได้โดยการคงโอกาสของการเลือกให้คงที่ จากนั้ น
่ ่ ่
ให้ทดสอบผลรวมระหวางคาคะแนนเหมื ั นตัวแปรที่ถูกละทิ้ง โดยใช้กระบวนการที่ระบุไว้ใน §6
อนกบเป็
(หมายถึงตอนข้อที่ 6 ของบทความนี้)
่
ประเด็นสุ ดท้ายคือเรื่ องความแตกตางของรสนิ ยมในหมู่ประชากร เรื่ องสําคัญที่การทดลอง
่
conjoint ให้ความสําคัญคือความแตกตางระหวางผู ่ บริ ่
้ โภคแตละราย ่
และดูวาอะไรมี ผลตอการตั่ ดสิ นใจของ
่
ผูบ้ ริ โภคแตละราย ตามภาษาของเราจะเรี ยกการศึกษาเชนนี ่ ้ วาแบบจํ
่ าลอง fixed effects ซึ่งพารามิเตอร์จะ
ถูกคํานวณจากข้อมูลของผูบ้ ริ โภคเพียงคนเดียว ความแมนยํ ่ าของแบบจําลองนี้ ข้ ึนอยูก่ บความแมนยํ
ั ่ าของ
ข้อมูลจากผูบ้ ริ โภคคนนั้ น อีกวิธีหนึ่งคือแบบจําลอง random effects ซึ่งพารามิเตอร์จะถูกคํานวณจาก
่
ความแตกตางของผู ่
บ้ ริ โภคแตละคน ซึ่งจะทําให้สามารถพยากรณ์พฤติกรรมของประชากรได้ โดยไมได้ ่ มุ่ง
ไปที่การพยากรณ์ผบู ้ ริ โภครายตอราย ่ ั
การใช้แบบจําลอง random effects กบการวิ เคราะห์ conjoint
analysis จะเปลี่ยนจุดสนใจจากพฤติกรรมของคน ๆ เดียวไปเป็ นพฤติกรรมของประชากร และจะสามารถ
ใช้พยากรณ์ตลาดได้ ปั ญหาเรื่ อง unobserved heterogeneity สามารถทดสอบได้ในแบบจําลอง random
effects โดยการทดสอบองค์ประกอบของความแปรปรวน ดังที่แสดงไว้ใน §6 นอกจากนั้ นถ้ามีขอ้ มูล
็
จากผูบ้ ริ โภคคนเดียวที่มีจาํ นวนมาก ๆ กจะสามารถทดสอบ homogeneity ของ subject effects ได้ดว้ ย
่
ท้ายที่สุด ถ้าจุดที่เป็ นอุดมคติ และนํ้ าหนักความสําคัญที่วดั จากคาคะแนนที ่ให้คะแนนเองมีความสัมพันธ์กบั
subject effects แล้ว เราสามารถทดสอบ heterogeneity ได้โดยการระบุวาคาคะแนนซึ่ ่ ่ ั
่ งมีผลรวมกบ
คุณสมบัติของสิ นค้านั้ นเป็ นตัวแปรที่ถูกละทิ้งหรื อไม่
ui = [d i − PC (i )]⋅ PC (i ) .....(32)
−1 / 2
่ ั 0 ถ้าเป็ นอยางอื
เมื่อ d i = 1 เมื่อ i ถูกเลือก และเทากบ ่ ่น ตอไปกาหนดคาที
่ ํ ่ ่ปรับฐานแล้ว (normalized)
โดยรวมเอา (w = x ) เข้ามา และลบตัวแปร (w = z ) ออกไป
McFadden, Tye และ Train (1976) และ Hausman กบั McFadden (1984) ได้นาํ เสนอวิธีการที่
หลากหลายในการตรวจสอบคุณสมบัติ IIA การทดสอบเหลานี ่ ้ สามารถทําได้เหมือนกบการทดสอบเรื
ั ่ อง
่
ตัวแปรที่ถูกละทิ้งที่กลาวมาแล้ ่
วข้างต้น เมื่อให้ A เป็ นสวนหนึ ํ
่ งของเซตทางเลือก C และกาหนดตั
วแปรที่
่
ถูกตัดออกไปคือ z เป็ นผลรวมของ A และตัวแปรที่เพิ่มเข้ามาคือ x ดังนี้
∑x j ⋅ PC ( j )
xA =
j∈A
.....(34)
∑ P ( j)
j∈A
C
⎧( xi − x A ) ⋅ PC (i )1 / 2 for i ∈ A
⎪
zi = ⎨
⎪0 otherwise
⎩
มันยังเป็ นไปได้ที่จะทดสอบแบบจําลอง MNL สูก้ บแบบจํ ั าลอง MNP (Horowitz, 1981) หรื อ
ั
สูก้ บแบบจํ าลอง Nested MNL (McFadden, 1984) ด้วยการใช้ auxiliary regression ซึ่งออกแบบเรื่ องตัวแปร
่
ที่ถูกตัดทิ้งไปได้อยางเหมาะสม การทดสอบด้วย Lagrange multiplier สําหรับทดสอบแบบจําลอง MNL
ั
สูก้ บแบบจํ าลอง Nested MNL กสามารถ็ ํ
auxiliary regression ได้เมื่อกาหนดให้ log PA (i ) เป็ นตัวแปรที่
ถูกตัดทิ้งไป เมื่อเรารวมเอาเซตตาง ่ ๆ ของตัวแปรที่ถูกละทิ้งไปเข้ามาใน auxiliary regression จะทําให้เรา
สามารถทดสอบแบบจําลองตาง ่ ๆ ได้อยางหลากหลาย
่ การทดสอบที่ใช้ประโยชน์กนมากระหวางั ่
แบบจําลองนี้ กบั Nested MNL กาหนดให้ ํ ตวั แปร z เป็ นตัวแปรที่ถูกละทิ้งในตําแหนงตาง ่ ่ ๆในโครงสร้าง
ของต้นไม้ ถ้าเป็ นเชนนั ่ ้ นแล้วการทดสอบไมเพี ่ ยงจะบอกวาโครงสร้
่ ่
างที่เป็ นลําดับขั้นจําเป็ นตอการอธิ บาย
พฤติกรรมทางเลือกหรื อไม่ แตคาสถิ ่ ่ ติ t ของตัวแปร z ยังจะบอกได้ดว้ ยวาต้ ่ นไม้ไหนที่ดีที่สุด และคา่
สัมประสิ ทธิที่ได้ออกมาจะเป็ นคาเบื่ ้องต้นของคาพารามิ่ เตอร์
ตอนที่ 7: ข้ อสรปุ
--------------------------------------------------------------------------------------------------------------------------
ขอความกรุ ณาทานผู ่ อ้ า้ งอิงบทความนี้ เขียนในบรรณานุกรมของทานดั ่ งนี้
ิ
ผูเ้ ขียนน้อมรับคําแนะนํา และการแจ้งความผิดพลาดอันเกดจากการแปลและการพิ มพ์
กรุ ณาแจ้งมาได้ที่ komsan@tourismlogistics.com จักขอบคุณยิง่
Beggs, S., S. Cardell and J. Hausman (1981), “Assessing the Potential Demand for Electric Cars,” Journal
of Econometrics, 16, 1 – 19.
Green, P. (1984), “Hybrid Models for Conjoint Analysis: An Expository Review,” Journal of Marketing
Research, 21, 155 – 169.
Green, P., F. Carmone and D. Wachspress (1977), “ On the Analysis of Qualitative Data in Marketing
Research,” Journal of Marketing Research, 14, 52 – 59.
Green, P. and A. Krieger (1985). “Buyer Similarity Measures in Conjoint Analysis: Some Alternative
Proposals,” Journal of Classification, 1, 41 – 61.
Green, P and V. Srinivasan (1978), “Conjoint Analysis in Consumer Research: Issue and Outlook,”
Journal of Consumer Research, 5, 103 -121.
Hausman, J. (1978), “Specification Tests in Econometrics,” Econometrica 46, 1251 – 1271.
Hausman, J., and D. McFadden (1984), “A Specification Test for the Multinomial Logit Model,”
Econometrica, 52, 1219 – 1240.
Hausman, J., and P. Ruud (1986), “Specifying and Testing Econometric Models for Rank-Ordered Data,”
Journal of Econometrics, forthcoming.
Joreskog, K. (1973), “A General Method for Estimating a Linear Structural Equation System,” in A.
Goldberger and O. Duncan (Eds.), Structural Equation Models in the Social Sciences, New York:
Seminar Press, 85 -112.
Joreskog, K. and D. Sorborn (1979), Advanced in Factor Analysis and Structural Equation Models,
Cambridge: Abt.
Luce, D. (1959), Individual Choice Behavior, New York: Wiley.
Luce, D. (1978), “The Choice Axiom after Twenty Years,” Journal of Mathematical Psychology, 15,
215 – 233.
Manski, C. and D. McFadden, Eds. (1981), Structural Analysis of Discrete Data, Cambridge: MIT Press
McFadden, D. (1973), “Conditional Logit Analysis of Qualitative Choice Behavior,” in P. Zarembka
(Ed.), Frontiers in Econometrics, New York: Academic Press, 105 – 142.
McFadden, D. (1980), “Econometric Models of Qualitative Choice among Products,” Journal of Business,
53, S513-S529.
McFadden, D. (1981), “Econometric Model of Probabilistic Choice,” in C. Manski and D. McFadden
(Eds.) Structural Analysis of Discrete Data, Cambridge: MIT Press, 198 – 272.
McFadden, D. (1984), “Econometric Analysis of Qualitative Response Models,” in Z. Grilliches and M.
Intriligator (Ed.), Handbook of Econometrics, Vol.2, Amsterdam: North Holland, 1395 – 1457.
McFadden, D. (1985), “Regression Based Specification Tests for the Multinomial Logit Model,” Journal
of Econometrics, forthcoming.
McFadden, D. (1986a), “A Method of Simulated Moments for Estimation of Multinomial probits without
Numerical Integration,” Econometrica, forthcoming.
McFadden, D. (1986b), “Discrete Response to latent Variables for Which There Are Multiple Indicators,”
MIT working paper.
McFadden, D., S, Cosslett, G, Duguay and W. Jung (1977), Demographic Data for Policy Analysis, Urban
Travel Demand Forecasting Project, Final report, Vol. 7, Institute of Transportation Studies,
University of California, Berkley.
McFadden, D., W. Tye and K. Train (1976), “An Application of Diagnostic tests for the Independence of
Irrelevant Alternatives Property of the Multinomial Logit Model,” Transportation Research Board
Record, 637, 39 – 45.
Thurstone, L. (1927), “A Law of Comparative Judgement ,” Psychological Review, 34, 272 – 286.