Speciální technika sloužící pro určení, které proměnné charakterizující výrobky nebo služby nejvíce ovlivňují volbu produktu a které kombinace kategorií těchto proměnných jsou spotřebiteli nejvíce preferovány, je anglicky nazývána conjoint analysis. Protože tento název je obtížně přeložitelný do češtiny, bude dále pro tuto techniku používán termín preferenční analýza, přestože nejde o ekvivalent anglického názvu. Kromě marketingových průzkumů může být tato metoda použita i v řadě jiných oblastí výzkumu.
Základem je analýza rozptylu, která je aplikována na ordinální proměnné vyjadřující preference spotřebitelů (respondentů). Protože v preferenční analýze nejsou splněny standardní předpoklady pro analýzu rozptylu, výsledky jsou založeny na aproximacích. Některé programové systémy rozlišují dvě varianty této analýzy - metrickou a nemetrickou, přičemž metrická vyžaduje odhadnout méně parametrů než nemetrická.
Preference mohou být vyjádřeny například pořadím (nejmenší číslo znamená největší preferenci) nebo bodovým ohodnocením (nejmenší číslo znamená nejmenší preferenci). Dále některé programové systémy umožňují zadávat čísla přiřazená jednotlivým kombinacím v pořadí od nejvíce po nejméně preferovanou kombinaci. Preference jsou uvažovány jako vysvětlované proměnné.
Vysvětlujícími proměnnými jsou znaky (atributy) charakterizující výrobky nebo služby. Dle terminologie používané v analýze rozptylu se nazývají faktory Jednotlivé kategorie jsou označovány jako úrovně faktoru neboli vlastnosti.
Preferenční analýza buď vychází ze všech možných kombinací kategorií (full-concept method) nebo pouze z nutných kombinací (ortogonal array). V ortogonálním poli jsou kombinace vybrány takovým způsobem, že příspěvek všech faktorů je vyvážený (každá úroveň jednoho faktoru se vyskytuje s každou úrovní některého jiného faktoru). Ortogonální pole umožňuje odhadnout všechny hlavní efekty.
Kromě kombinací (profilů) povinných pro experiment (design, ordinary, active) mohou být vytvářeny kombinace navíc (holdout). Tyto profily nejsou zahrnuty do preferenční analýzy, ale jsou používány k ověřování platnosti modelu. Jejich počet zadává uživatel. Kromě dvou výše uvedených typů profilů, které jsou předkládány respondentům, mohou být připraveny profily simulační, které nejsou hodnoceny respondenty, ale které jsou zahrnuty do preferenční analýzy. Uvedená analýza umožňuje předpověď efektů takových kombinací, které nebyly zařazeny do experimentu.
V literatuře zabývající se preferenční analýzou se autoři značně liší v názorech, jaká by měla být minimální velikost výběrového souboru potřebná pro preferenční analýzu. Vyskytují se například počty 100 - 1000 (údajně nejčastěji používané 300 - 550) nebo menší než 100.
Pokud jde o výstupy, pak základní je přehled, kdy je za každého respondenta uvedena relativní významnost (skóre významnosti) každého atributu, odhady koeficientů užitečnosti jednotlivých kategorií (včetně směrodatných chyb těchto odhadů) a odhad konstanty (z konstanty a koeficientů užitečnosti lze spočítat celkovou užitečnost pro konkrétní profil). Relativní důležitost určitého atributu je počítána tak, že rozpětí odhadů koeficientů užitečnosti sledovaného atributu je děleno součtem rozpětí zjištěných u všech atributů a násobeno stem (pro vyjádření v procentech).
Pro simulace jsou obvykle používány tři modely pravděpodobnosti výběru. Jsou to model maximální užitečnosti (MMU), což je zjednodušeně řečeno pravděpodobnost výběru profilu, který je nejvíce preferován (tento model je používán nejčastěji), model BTL (Bradley-Terry-Luce), což je MMU děleno součtem všech simulovaných celkových užitečností, a logitový model, což je modifikace BTL, kdy do výpočtu jsou zahrnuty přirozené logaritmy koeficientů užitečnosti. Součet pravděpodobností (vyjádřených v procentech) pro všechny předem definované simulované případy dává 100%.
V dalším textu budou uvedeny základní možnosti dvou statistických programových systémů, kterými jsou SAS 8.01 a SPSS 10.1.
Příslušná procedura v systému SAS předpokládá, že jako vstup do analýzy jsou zadány pouze určité kombinace kategorií sledovaných proměnných - ortogonální pole. Jejich příprava je ponechána na uživateli softwaru. Stejně tak uživatel musí označit, které profily jsou povinné (je třeba přiřadit váhu 1), které jsou předkládány respondentům navíc (přiřazuje se váha 0) a které jsou simulační (váha -1).
Systém SPSS obsahuje proceduru, která na základě specifikace jednotlivých proměnných a jejich kategorií vygeneruje povinné (experimentální) profily (nutný nebo libovolný jiný větší počet stanovený uživatelem), které uloží do datového souboru (lze zadat počáteční číslo pro generování profilů). Procedura je dále určena ke generování profilů, které jsou předkládány respondentům navíc (uživatel zadává jejich počet). Tyto profily mohou být v datovém souboru buď zařazeny za profily povinné, nebo mohou být zamíchány mezi ostatní případy. Do datového souboru může uživatel za vygenerované profily přidat profily simulační. Ve speciální proměnné jsou uloženy kódy označující typ profilu. Pro povinné je určen kód 0, pro tzv. holdouts kód 1 a pro simulační kód 2. Samotná procedura zajišťující preferenční analýzu v SPSS umožňuje analyzovat jak ortogonální pole, tak všechny možné kombinace.
SPSS nejenže vygeneruje potřebné kombinace, umožňuje také profily, které mají být předloženy respondentům, vytisknout ve formátu karet.
U sledovaných systémů se dále liší způsob zadávání dat pro analýzu. SAS předpokládá datovou matici, která zahrnuje jak kategoriální proměnné charakterizující produkty, tak ordinální proměnné vyjadřující preference spotřebitelů (odpovědi jednoho respondenta jsou zaznamenány v jedné proměnné). Jednotlivé řádky obsahují určité kombinace kategorií (profily) a k nim buď pořadí nebo bodové ohodnocení stanovené jednotlivými respondenty.
V systému SPSS je třeba, aby existovaly dva soubory. Jeden obsahuje kombinace kategorií ve stejném uspořádaní jako v systému SAS. Z tohoto souboru se automaticky zahrnují do analýzy všechny proměnné kromě dvou proměnných se speciálními názvy, přičemž v jedné z nich musí být zaznamenán typ profilu (viz výše) a druhá je rezervována pro čísla profilů.
Druhý soubor obsahuje odpovědi respondentů, přičemž jeden řádek obsahuje odpovědi jednoho respondenta (subjektu). Tyto odpovědi mohou být vyjádřeny jedním ze tří výše uvedených způsobů. Jestliže jsou například zaznamenávána čísla karet od nejvyšší po nejnižší preferenci, jednotlivé sloupce pak charakterizují tyto preference. V ostatních případech jednotlivé sloupce vyjadřují hodnocení jednotlivých profilů. To znamená, že druhý soubor obsahuje alespoň tolik sloupců, kolik případů (řádků) je obsaženo v prvním souboru (jeden sloupec navíc obvykle slouží k identifikaci respondentů).
Pokud jde o samotnou preferenční analýzu, systém SAS umožňuje provádět jak metrickou tak nemetrickou (je použita monotónní transformace pořadí), což se specifikuje při zadávání proměnných vyjadřující preference. Dále je potřeba uvést, zda tyto proměnné vyjadřují pořadí nebo bodové ohodnocení (rate). Atributy (kategoriální proměnné) mohou být označeny jako kvalitativní bez ohledu na vztah mezi kategoriemi, do analýzy lze zahrnout jak číselné tak textové proměnné. Je možné změnit počet iterací a konvergenční kritéria pro analýzu.
V SPSS je třeba specifikovat způsob ohodnocení preferencí. Jak bylo uvedeno výše, k dispozici jsou tři možnosti, a to RANK (pořadí, přičemž se mohou opakovat hodnoty), SCORE (bodové ohodnocení, např. 1-100, přičemž se mohou opakovat hodnoty) a SEQUENCE (čísla karet, přičemž se hodnoty nesmí opakovat). Jestliže je zadáno pořadí (RANK nebo SEQUENCE), je interně převedeno na tzv. přímou závislost s preferencemi.
Dále SPSS poskytuje čtyři druhy modelů podle typu faktorů, které mohou být diskrétní (nejsou definovány vztahy mezi kategoriemi, ale jestliže se předpokládá vyšší preference u vyšších hodnot, lze zadat specifikaci MORE, naopak očekávané vyšší preference u nižších hodnot se zadávají pomocí LESS), lineární (kategorie lze uspořádat, přičemž vzájemný vztah těchto hodnot a preferencí se specifikuje opět pomocí MORE a LESS), ideální (jde o model kvadratické funkce, přičemž vzrůstající vzdálenost od ideálního bodu je spojena s klesajícími preferencemi - funkce má tvar obráceného U), antiideální (jde o model kvadratické funkce, přičemž preference vzrůstá se zvětšující se vzdáleností od určeného bodu - funkce má tvar U). Na rozdíl od systému SAS však jako faktory lze zadat pouze číselné proměnné.
Pokud jde o výstupy, pak oba sledované systémy umožňují počítat všechny charakteristiky uvedené v úvodu tohoto článku a zahrnují všechny tři modely pro simulace. Systém SAS navíc poskytuje tabulky analýzy rozptylu (pro každého respondenta), krabičkový graf relativní důležitosti pro každý sledovaný znak (na základě odpovědí všech respondentů), přičemž u každého znaku je zaznamenána průměrná důležitost v procentech (podíl na důležitosti všech atributů), a grafy užitečností pro jednotlivé znaky (určitý znak je charakterizován v jednom grafu na základě odpovědí všech respondentů).
Výstupy z SPSS lze specifikovat po částech, kterými mohou být výsledky týkající se analýzy experimentálních dat nebo výsledky analýzy simulačních dat, skóre pro individuální objekty nebo celkové charakteristiky. Graficky lze zobrazit
Pro zjištění závislosti mezi preferencemi získanými od respondentů a odhadnutými je počítán jednak Pearsonův korelační koeficient, jednak Kendallovo tau, včetně výsledků testů na nulovost koeficientu. Pro Kendallovo tau je navíc zahrnuto porovnání pro tzv. holdout profily.
SAS umožňuje zadávat všechny specifikace preferenční analýzy prostřednictvím dialogového okna. V SPSS jsou pro činnosti spojené s conjoitní analýzou určeny tři příkazy - ORTHOPLAN pro generování profilů, PLANCARDS pro tisk karet pro respondenty a CONJOINT pro vlastní analýzu. Parametry prvních dvou příkazů lze zadávat prostřednictvím dialogových oken, samotnou preferenční analýzu je však třeba specifikovat pomocí příkazu CONJOINT.
Systém SAS zahrnuje kromě metody srovnatelné s příslušnou procedurou v SPSS ještě další podobnou techniku, a to analýzu diskrétního výběru, kterou můžeme označit jako preferenční analýzu na základě výběru. Tato technika je používána ke zkoumání výběrů produktů definovaných výběrovými atributy. Každý produkt je charakterizován určitou kombinací kategorií těchto atributů (proměnných).
Respondentovi je předloženo několik skupin výrobků. Z každé skupiny respondent vybírá jeden výrobek. Například může být vytvořeno 8 skupin, z nichž každá bude obsahovat 5 kombinací kategorií (alternativ). Odpovědi respondenta mohou být zaznamenávány do zvláštní proměnné, která nabývá dvou hodnot - 1 (vybral) nebo 2 (nevybral). V našem případě musí každé skupině příslušet jedna jednička a čtyři dvojky.
Data mohou být obsažena v jednom nebo ve dvou datových souborech. V prvním případě soubor obsahuje jak všechny skupiny alternativ, tak proměnnou indikující, kterou alternativu respondent vybral. Pokud jsou data rozdělena do dvou souborů, pak jeden obsahuje všechny alternativy a druhý odpovědi. V případě jednoho souboru je uplatněna taková struktura, že pro každého respondenta je přiřazeno tolik řádků, kolik je alternativ. Jestliže je například do experimentu zařazeno 40 alternativ a odpovědi 100 respondentů, bude datový soubor obsahovat 4000 řádků.
Proměnné charakterizující výrobek musí být metrické. Jestliže je některý zkoumaný znak kvalitativní o k kategoriích, musí být pro tento znak vytvořeno k pomocných binárních proměnných (v modelu je ovšem odhadován pouze nutný počet parametrů, kterých je k-1).
Další možnost pokud jde o uspořádání dat je taková, že datový soubor neobsahuje individuální odpovědi, ale jejich četnosti. Datová matice pak obsahuje dvakrát tolik řádků, kolik je alternativ (pro výše uvedený příklad 80), neboť pro každou alternativu jsou uvažovány dvě odpovědi („vybral“ a „nevybral“) a ve speciální proměnné jsou zaznamenány četnosti příslušných odpovědí pro dané alternativy. Takovýto agregovaný soubor lze na základě individuálních údajů vytvořit přímo v systému SAS.
Základním výstupem je sloupcový graf významnosti pro všechny výběrové atributy. Čím významnější je atribut (tzn. čím nižší je minimální hladina významnosti, od které zamítáme hypotézu o nulovosti parametrů), tím větší je příslušný sloupec. Tabulky statistik obsahují výsledek chí-kvadrát testu o nulovosti všech odhadovaných parametrů, odhady jednotlivých parametrů spolu se směrodatnými chybami těchto odhadů a výsledky testů na nulovost těchto parametrů pomocí Waldova chí-kvadrát testu (minimální hladiny významnosti jsou kresleny ve sloupcovém grafu popsaném výše). Dále je možno do výstupu zahrnout pravděpodobnosti výběru, kdy jsou pro každou skupinu alternativy sestupně seřazeny podle velikosti pravděpodobnosti výběru.
Třetí technikou v systému SAS, která zkoumá preference spotřebitelů, je vícerozměrná preferenční analýza. Jejím cílem je stanovení skupin podobných výrobků. SAS vyžaduje, aby datový soubor byl v podobném uspořádání jako v preferenční analýze. To znamená, že je uveden název produktu (v tomto případě je to jediný sledovaný znak) a za ním v řádku následuje tolik hodnot, kolik respondentů bylo zapojeno do šetření. Hodnoty vyjadřují preference tak, že tím větší hodnota, tím větší preference. Může být použita například škála 0-9.
Stejně jako v preferenční analýze SAS umožňuje jak metrickou tak nemetrickou analýzu. Nabídka obsahuje analýzu metrickou, nemetrickou, spline (3. stupně), monotónní spline (2. stupně) a ještě další (méně používané) typy. Při specifikaci analýzy lze stanovit maximální počet iterací, příp. další charakteristiky, a dále počet dimenzí v analýze (standardně jsou nastaveny dvě), který je možno stanovit na základě sloupcového grafu vlastních čísel.
Výsledkem je bodový graf, z něhož lze vyčíst podobnost výrobků podobně jako v jiných vícerozměrných metodách určených ke zjišťování skupin znaků, objektů či kategorií.
V systému SPSS lze pro tento typ analýzy dat použít vícerozměrné škálování, případně nelineární analýzu hlavních komponent. V prvním případě datová matice může mít stejné uspořádání jako se předpokládá u vícerozměrné preferenční analýzy v systému SAS (spíše je však používaná transponovaná matice, neboť SPSS umožňuje analyzovat pouze 100 proměnných a respondentů bývá často více). Na základě jednotlivých hodnocení je vypočítána matice vzdáleností pro všechny dvojice produktů (vstupem pro příslušnou proceduru může být přímo tato matice). Ta slouží pro konstrukci bodového grafu, z něhož lze vyčíst podobnost výrobků (viz výše). SAS zahrnuje pod nabídkou vícerozměrného škálování pouze možnost zadat matice vzdáleností nebo matice podobností pro dvojice sledovaných objektů, přičemž standardní je možnost, že analýza vychází z tolika matic, kolik je respondentů.
V datovém souboru, který je vstupem pro vícerozměrné škálování v systému SAS, tedy každému subjektu (respondentovi) přísluší tolik řádků, kolik výrobků je porovnáváno. Odpovědím jednoho respondenta odpovídá obvykle horní trojúhelníková matice, která může být dvou typů - buď může jít o matici vzdáleností nebo o matici podobností. V prvním případě může být škála vzdáleností např. 1-7, kde 1 znamená zcela podobná a 7 označuje výrobky zcela rozdílné. Při existenci této škály obsahuje datová matice na diagonále jedničky.
Nejčastější je škála měření ordinální, kromě toho může být zadána škála intervalová, logaritmicky intervalová, poměrová a absolutní. Data mohou být před analýzou transformována. Mohou být použity buď druhé mocniny hodnot nebo logaritmy hodnot (u malých hodnot se zvyšuje důležitost). Lze zadat i matici, v níž vzdálenosti (podobnosti) nejsou symetrické. Pak musí být samozřejmě uvedeny všechny hodnoty čtvercové matice.
Stejně jako ve vícerozměrné preferenční analýze lze v systému SAS zadat počet dimenzí pro řešení (je možno určit podle vlastních čísel, které se zobrazují ve sloupcovém grafu). Pokud jsou vstupem do analýzy údaje jednotlivých respondentů, lze zobrazit také jejich podobnost na základě odpovědí. Tím lze zjistit, kteří respondenti se odlišovali od ostatních.
V obou programových systémech lze specifikovat požadavky prostřednictvím dialogových oken.
Jak již bylo zmíněno výše, ke stanovení skupin podobných výrobků lze v systému SPSS využít rovněž nelineární analýzu hlavních komponent. Jde o kategoriální analýzu hlavních komponent s optimálním škálováním. Pro vstup dat musí být tedy matice, která byla popsána v rámci vícerozměrné preferenční analýzy v systému SAS, transponována, aby odpovědi jednoho respondenta byly zaznamenány v jednom řádku. Původní příkaz v systému SPSS se nazývá PRINCALS (PRINCipal component analysis by means of Alternating Least Squares). Dříve bylo možné výpočty a výstupy lze specifikovat prostřednictvím dialogových oken, dnes lze pomocí dialogových oken specifikovat parametry novějšího příkazu, kterým je CATPCA (CATegorical Principal Components Analysis). Metoda odhaduje vztahy mezi proměnnými, mezi případy a mezi proměnnými a případy. Proměnné mohou mít různé úrovně škálování, konkrétně nominální, ordinální, intervalové nebo poměrové.
Základními jednotkami v této analýze jsou objekty, což jsou statistické jednotky (řádky datové matice). Hodnoty proměnných rozdělují objekty do kategorií. CATPCA přiřazuje každému objektu skóre (skóre objektu). Střední hodnota skóre je 0 a rozptyl 1. Metoda přiřazuje kategoriím proměnné numerické hodnoty. Toto přiřazování se nazývá kvantifikace kategorií. Může být realizováno jedním z následujících čtyř způsobů:
Výše uvedené způsoby kvantifikace mohou být ilustrovány geometricky v trojrozměrném výstupu nelineární analýzy hlavních komponent. Kategorie vícenásobných nominálních proměnných mohou být umístěny kdekoliv v těchto tří dimenzích. Kategorie jednoduchých nominálních proměnných jsou umístěny na přímce, která vede základnou těchto dimenzí. Kategorie ordinální proměnné jsou také omezeny na takovou přímku a navíc je důležité pořadí kategorií. U numerických proměnných se musí navíc rovnat vzdálenosti mezi kategoriemi.
Výstupy z procedury PRINCALS uživatel získává v obdobném tvaru jako u klasické analýzy hlavních komponent, tzn. tabulku vlastních čísel pro jednotlivé dimenze (kromě vícenásobných nominálních proměnných by pro vybrané dimenze vlastní číslo mělo být větší než hodnota 1 dělená počtem proměnných, v případě vícenásobných nominálních proměnných je hodnota 1 dělena rozdílem, kdy je od počtu kategorií odečten počet proměnných).
Pokud je zadáno více než 3 dimenze, pak se standardně zobrazují první 3 dimenze (zobrazování jiných dimenzí je třeba specifikovat). Pro 3 a více dimenzí lze zobrazit matici dvourozměrných bodových grafů. V grafech lze zobrazovat kategorie proměnných, objekty (skóre objektů) nebo proměnné (zátěže komponent). Tímto způsobem lze zjišťovat shluky kategorií, objektů nebo proměnných.
Pokud máme k dispozici dvě skupiny údajů, a to údaje o respondentech a údaje o produktech, pak můžeme sledovat, které typy respondentů preferují určité typy výrobků. Metoda umožňující toto zkoumání se nazývá korespondenční analýza. Nejjednodušším případem je ten, kdy datový soubor zahrnuje pouze dvě proměnné, z nichž jedna obsahuje kategorie respondentů dle určitého hlediska a druhá určité kategorie sledovaného výrobku či služby. Pro tento případ je určena jednoduchá korespondenční analýza. Složitější případy řeší vícenásobná korespondenční analýza (v systému SPSS nazývaná též analýza homogenity).
Korespondenční analýza tedy slouží ke shlukování kategorií nominálních proměnných. Jejím výsledkem je grafická reprezentace vztahů mezi proměnnými. Pokud bychom vyšli z tabulky četností dvou proměnných, pak by bylo možno použít řadu dalších metod pro shlukování proměnných či statistických jednotek. Například systém SPSS poskytuje dvě speciální míry nepodobnosti, které jsou určeny právě ke zkoumání vztahů mezi kategoriemi v kontingenční tabulce. Pro shlukování sloupcových kategorií by bylo možné použít nelineární analýzu hlavních komponent. Těmito metodami se však dále nebudeme zabývat.
Jak SAS, tak SPSS umožňují provádět jak jednoduchou, tak vícerozměrnou korespondenční analýzu. V systému SAS jsou vstupem buď hodnoty jednotlivých proměnných nebo četnosti kontingenční tabulky (pouze v případě dvou proměnných). V SPSS lze prostřednictvím dialogového okna zadávat pouze individuální data, vstup četností je umožněn jen v rámci příkazu zadaném v příkazovém režimu. Pro vícenásobnou korespondenční analýzu je určena samostatná procedura.
Pokud jde o výstupy, pak v obou systémech lze nastavit počet dimenzí (maximální počet dimenzí by měl být v případě dvou proměnných o jedničku menší než je počet kategorií proměnné s menším počtem kategorií). Klasickým výstupem je bodový graf (dvourozměrný nebo trojrozměrný).
V systému SAS lze z dalších možností uvést například hodnoty ukazatelů, z nichž je možné vyčíst, zda zadaný počet dimenzí je postačující. Navíc lze pro každou kategorii zobrazit souřadnice bodu v grafu a tzv. kvalitu - míru určující, jak dobře je kategorie reprezentována daným počtem dimenzí. Dále je možné, aby součástí výstupu byly kontingenční tabulky s různými hodnotami. Například lze zobrazit zjištěné nebo očekávané četnosti, rozdíly těchto dvou druhů hodnot, případně mezivýpočty pro chí-kvadrát test o nezávislosti dvou sledovaných proměnných.
V systému SPSS lze zadávat tzv. doplňkové kategorie (řádkové nebo sloupcové), které neovlivňují analýzu, ale jsou kresleny v grafu. Jejich maximální počet je stanoven výpočtem, kdy od počtu kategorií řádkové, resp. sloupcové, proměnné odečteme hodnotu 2. Dále lze nastavit použitou míru vzdálenosti (k dispozici je standardní míra chí-kvadrát a navíc Euclidovská míra), standardizaci (standardně jsou řádky a sloupce centrovány, tzn. je odečítána střední hodnota) a normalizační metodu. Ta může být například symetrická (jestliže mají být zkoumány rozdíly nebo podobnosti mezi kategoriemi obou proměnných), hlavní, řádková hlavní (je zkoumána podobnost mezi kategoriemi řádkové proměnné), sloupcová hlavní (zkoumána podobnost mezi kategoriemi sloupcové proměnné) a uživatelská, která je specifikována číslem v rozmezí hodnot -1 (sloupcová hlavní) a 1 (řádková hlavní), přičemž 0 znamená symetrický přístup. Navíc jsou k dispozici různá grafická zobrazení. V SPSS jsou pro jednoduchou korespondenční analýzu k dispozici dvě procedury, přičemž proceduru CORRESPONDENCE lze částečně specifikovat pomocí dialogových oken (viz výše) a procedura ANACOR je přístupná pouze prostřednictvím příkazového režimu. Pro vícenásobnou korespondenční analýzu je určen příkaz HOMALS, který je možno specifikovat prostřednictvím dialogových oken.
Literatura:
Getting Started with the Market Research Application. SAS Institute Inc., Cary 1997.
Jezlová, V.: Conjoint analýza v marketingových výzkumech. Diplomová práce, VŠE, Praha 2001.
SPSS Base 10.0. SPSS Inc., Chicago 1999.
SPSS Categories 10.0. SPSS Inc., Chicago 1999.
SPSS Conjoint 8.0. SPSS Inc., Chicago 1997.
Svoboda, L.: Conjoint analýza. Acta Oeconomica Pragensia, 3 (1995), č. 1, str. 193-204.