MaxDiff

MaxDiff（最大差异度量）是一种高效的偏好测量方法，用于测量人们对一系列属性的偏好或重要性认知。与传统的评分量表不同，MaxDiff通过强制受访者在每组选项中选择"最喜欢"和"最不喜欢"的项目，从而获得更准确、更可靠的数据。

一、MaxDiff的核心优势

• 消除评分偏差：避免传统评分中的"分数膨胀"或"中庸倾向"

• 提高区分度：能更好地区分各项属性的相对重要性

• 结果直观：生成的重要性分数易于理解和解释

• 跨文化适用：不受不同文化评分习惯的影响

MaxDiff的核心是 “强制选择” 。它不问你“这个有多好”，而是问你 “哪个最好，哪个最差” 。这种设计具有以下不可替代的优势：

1. 消除个人评分风格，实现数据标准化

在MaxDiff中，每个受访者都在“最好的”和“最差的”之间做出了一系列选择。这个过程天然地对数据进行了个体层面的标准化。

• 举例： 一个“苛刻者”在量表中可能永远不会打5分，但在MaxDiff中，他必须从一组里选出一个最好的。这个“最好的”项，对于他来说，就相当于他的“5分”。同样，他选出的“最差的”项，就相当于他的“1分”。

• 结果： 不同评分风格的受访者的数据被统一到了一个可比较的尺度上。我们可以自信地说，被60%的人选为“最好”的项目，确实比被30%的人选为“最好”的项目更受欢迎。

2. 产生具有真正区分度的优先级排序

通过迫使受访者在多个相似的项目集中反复进行“最佳-最差”选择，MaxDiff能够拉大项目之间的心理距离。

• 一个总是被选为“最好”而从未被选为“最差”的项目，其价值会远远高于一个偶尔被选为“最好”、但也经常被选为“最差”的项目。

• 结果： 最终输出的数据是一个清晰的、具有良好区分度的 “偏好份额” 或 “概率” 列表。例如：“功能A有40%的可能性被列为最高优先级，功能B有25%...”。这为决策者提供了极其明确的行动依据。

3. 更高的参与度与更真实的反馈

从认知心理学角度看，进行“最佳-最差”的判断比给十几个项目逐一打分更接近我们日常的决策方式，也更不容易让受访者感到疲劳和敷衍。量表题容易引发“自动驾驶”模式（一律打4分），而MaxDiff需要更多的思考，从而获得更真实的反馈。

二、 关键词说明

【属性】 在MaxDiff中的调研比较对象，如品牌、材质、款式、价格等统称为“属性”；

【任务】 同时出示几个属性进行“最好/最差”的选择。在这里每一组这样的题，我们称为一个任务。任务的数量我们会根据您输入的“属性”数进行推荐，您可手动输入，但必须在推荐范围内

【每个任务属性数】每个任务上出现的“属性”数量。

【两级文案】“属性”对应选择的描述。如“最重要的”/“最可能的”来描述最“好”，最“不重要的”/“最可能的”来描述最“差”；

【在全部属性中随机呈现】指每个作答者不需要在全部属性中选择，开启后，每个任务中的属性随意呈现，但系统会尽量保证每个属性出现的次数均等，适用于属性较多的调研

三、问卷系统中设置 MaxDiff 题

第一步：创建 MaxDiff 题型

进入问卷编辑页面，在题型列表中选择 “MaxDiff”

第二步：编辑题干、选择两级文案

提供默认提供六种推荐两级文案，并支持自定义

第三步：录入全部属性（待评属性）

录入所有需要进行评估的属性，通常建议至少 5 个以上

第四步：配置任务（设计方案）

1. 选择每个任务属性数

   • 指受访者在每一次选择中会看到多少个属性。建议3~5个，数量过多会增加选择难度，过少缺少对比性

   
2. 输入任务数

   • 指一位受访者总共需要完成多少次选择任务。系统会根总属性数和每个任务属性数自动推荐一个合理任务数范围，需手动输入任务数后才可投放

   

3. 在全部属性中随机呈现（非必须）

• 开启后，会随机抽取N个属性给答题者作答，每个任务中的属性随意呈现，但系统会尽量保证每个属性出现 的次数均等，适用于属性较多的调研

4.推荐最小样本量=（500 *总属性数量 ）/（每个任务的属性数量 * 任务数量）

第五步：预览与发布

1. 点击 “预览” 按钮，以作答者者视角检查题目展示效果，确保逻辑无误。

2. 确认无误后，“发布” 问卷。

四、数据统计

提供基础报告与精准报告辅助您分析

1.基础报告

回收数据实时计算，统计每个属性偏好份额、分数、最重要次数、最不重要次数、出现次数

偏好份额：偏好份额直观展现了各个属性的偏好程度或重要性，值越大说明该属性偏好程度越高。

分数：分数反映了受访者对属性的偏好程度。 正分意味着该属性被选为最好的次数多于最差的次数；负分意味着该属 性被选为差的次数多于最好的次数。

计算公式: (属性被选为最好的次数 - 属性被选为最差的次数) / 属性出现的总次数

2.精准报告

需要更多答题数据才可使用，当前回收答卷超过100份时可使用此功能，我们将通过多项式逻辑回归（MNL）模型，基于随机效用理论，融合“确定性效用” 与“随机误差”为您精确计算

偏好份额：偏好份额直观展现了各个属性的偏好程度或重要性，值越大说明该属性偏好程度越高。

计算逻辑：系统采用最大似然估计（MLE）方法拟合MNL模型，以最大化您实际选择序列出现的统计概率。模型最终输出各属性的效用系数（β值），该系数经指数变换（exp(β)）及归一化处理后，即得到0-100%的偏好份额。

效用值：每个选项的潜在效用水平，效用值越高，代表该属性在用户心目中越重要、越有吸引力。

计算逻辑：基于随机效用理论的多项选择概率模型，使用最大似然估计 + 牛顿-拉夫逊优化计算得出

P值：衡量该属性的偏好显著性。P值越小（通常<0.05），表明该偏好结果越可靠，并非由随机选择造成

计算逻辑：通过模型，基于"该属性无效"的假设下，计算出当前极端数据的概率