Słownik metodologiczny · Pomiar i skale

MaxDiff (best–worst scaling) – jak zmierzyć, co jest najważniejsze?

W MaxDiff respondent wskazuje w kolejnych małych zestawach element najważniejszy i najmniej ważny. Pokazujemy plan zestawów, wyniki zliczeniowe, warunkowy logit, udziały preferencji i przykład w R.

W skrócie: MaxDiff (best–worst scaling) to metoda pomiaru ważności lub preferencji: respondent ogląda kolejne zestawy kilku elementów z dłuższej listy i w każdym wskazuje najlepszy i najgorszy. Z wyborów liczy się wynik zliczeniowy (najlepszy − najgorszy) albo użyteczności z warunkowego modelu logitowego.

Co to jest MaxDiff?

MaxDiff (ang. maximum difference scaling, best–worst scaling, BWS) to metoda pomiaru ważności lub preferencji. Respondent widzi kolejne zestawy kilku elementów z dłuższej listy – np. 4 z 7 cech oferty – i w każdym wskazuje element najważniejszy i najmniej ważny. Finn i Louviere (1992) zastosowali takie wybory, by ustalić, jakich działań w sprawie bezpieczeństwa żywności oczekują obywatele: sam deklarowany poziom niepokoju nie mówił, co zrobić. W odróżnieniu od analizy conjoint elementy nie są poziomami atrybutów profilu, tylko osobnymi pozycjami listy.

Plan zestawów

Każdy element powinien pojawić się tyle samo razy, a każda para elementów – równie często. Spełnia to zbalansowany plan blokowy niekompletny (BIBD). W przykładzie poniżej 7 zestawów po 4 elementy pokazuje każdą z 7 cech 4 razy, a każdą parę 2 razy. Dobór liczby zestawów i ich wielkości omawia wpis MaxDiff – plan badania i analiza.

Wyniki zliczeniowe i warunkowy logit

  • Wynik zliczeniowy: (liczba wyborów „najlepszy” − liczba wyborów „najgorszy”) / liczba pokazów elementu, od −1 do 1.
  • Model: warunkowy logit, krewny wielomianowej regresji logistycznej. W przykładzie wybór „najgorszy” to osobny zbiór wyboru z pozostałych elementów z odwróconym znakiem użyteczności – to uproszczenie.
  • Udziały preferencji: exp(β) podzielone przez sumę exp(β) wszystkich elementów.

Przykład

150 osób wybierało najważniejszą i najmniej ważną cechę sklepu internetowego (dane symulowane). Najwyższy wynik zliczeniowy miała jakość (0.48; udział 34.6%), potem cena (0.33; 24.1%), a najniższy ekologia (−0.47; 3.6%). Wyniki zliczeniowe i model dały ten sam porządek wszystkich 7 cech.

MaxDiff a skala Likerta i ranking

Na skali Likerta każdą cechę można ocenić jako „bardzo ważną”. MaxDiff wymusza wybór, podobnie jak skala ipsatywna. Ranking długiej listy jest trudny, a MaxDiff dzieli go na małe wybory. Lee, Soutar i Louviere (2007) porównali tę metodę z ocenami i rankingiem przy pomiarze wartości i uznali, że może dawać lepsze wyniki.

Na co uważać

  • Wynik względny. MaxDiff mówi, co jest ważniejsze od czego, ale nie, czy cokolwiek jest ważne w ogóle.
  • Powtarzane wybory. Każda osoba daje wiele zbiorów wyboru, więc do testów użyj błędów standardowych odpornych na klastrowanie.
  • Za długie zestawy. Długi zestaw męczy – sprawdź w pilotażu czas wypełniania i zrozumienie zadania.
Przykład reprodukowalny

MaxDiff w R

Kod symuluje wybory 150 osób w 7 zestawach planu BIBD, liczy wyniki zliczeniowe, dopasowuje warunkowy model logitowy funkcją clogit() (zbiory „najlepszy” i „najgorszy” jako osobne zbiory wyboru) i przelicza współczynniki na udziały preferencji.

Wyniki zliczeniowe, warunkowy logit i udziały preferencji

Dane wejściowe: dane symulowane z set.seed(4670): 150 osób, 7 cech sklepu internetowego, 7 zestawów po 4 cechy.

Co odczytać: wiersz BW (wynik zliczeniowy), beta (użyteczności względem ceny) i udzial_proc (udziały preferencji w %).

R
library(survival)
set.seed(4670)
el <- c("cena", "jakosc", "marka", "dostawa", "opinie", "gwarancja", "ekologia")
u  <- c(1.2, 1.5, -0.3, 0.4, 0.6, 0, -0.8)              # prawdziwe użyteczności
zestawy <- rbind(c(1,2,3,5), c(2,3,4,6), c(3,4,5,7), c(1,4,5,6),  # plan BIBD: 7 zestawów
                 c(2,5,6,7), c(1,3,6,7), c(1,2,4,7))             # po 4 elementy
n <- 150; wiersze <- list(); licz <- matrix(0, 3, 7, dimnames = list(c("best", "worst", "pokazy"), el))
for (i in 1:n) for (s in 1:7) {
  z <- zestawy[s, ]; g <- u[z] - log(-log(runif(4)))       # szum Gumbela
  b <- z[which.max(g)]; r <- setdiff(z, b)
  w <- r[which.max(-u[r] - log(-log(runif(3))))]            # najgorszy z pozostałych
  licz["best", b] <- licz["best", b] + 1; licz["worst", w] <- licz["worst", w] + 1
  licz["pokazy", z] <- licz["pokazy", z] + 1
  X <- diag(7)[c(z, r), ]; X[5:7, ] <- -X[5:7, ]            # zbiór "worst" ze znakiem minus
  wiersze[[length(wiersze) + 1]] <- data.frame(X, wyb = c(z == b, r == w),
                                               zbior = paste(i, s, rep(c("b", "w"), c(4, 3))))
}
wynik <- (licz["best", ] - licz["worst", ]) / licz["pokazy", ]   # wynik zliczeniowy
dd <- do.call(rbind, wiersze); names(dd)[1:7] <- el
m <- clogit(wyb ~ jakosc + marka + dostawa + opinie + gwarancja + ekologia + strata(zbior),
            data = dd)                                       # "cena" = poziom odniesienia
beta <- c(cena = 0, coef(m))
round(rbind(BW = wynik, beta = beta, udzial_proc = 100 * exp(beta) / sum(exp(beta))), 2)
Wynik w R
             cena jakosc marka dostawa opinie gwarancja ekologia
BW           0.33   0.48 -0.28    0.00   0.07     -0.12    -0.47
beta         0.00   0.36 -1.43   -0.80  -0.62     -1.08    -1.90
udzial_proc 24.05  34.56  5.77   10.85  12.98      8.19     3.60

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet survival: clogit()). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R [R package]. https://CRAN.R-project.org/package=survival

Najczęstsze pytania

Czym MaxDiff różni się od analizy conjoint?

W conjoint respondent ocenia profile złożone z poziomów kilku atrybutów naraz. W MaxDiff porównuje osobne elementy jednej listy, np. cechy oferty, i wskazuje najważniejszy i najmniej ważny w każdym zestawie.

Ile zestawów i elementów na zestaw przygotować w MaxDiff?

Tyle, by każdy element pojawił się kilka razy, a pary elementów równie często – najłatwiej w planie zbalansowanym (BIBD). W przykładzie 7 zestawów po 4 elementy pokazuje każdą z 7 cech 4 razy.

Jak policzyć wynik MaxDiff bez specjalnego oprogramowania?

Dla każdego elementu odejmij liczbę wyborów „najgorszy” od liczby wyborów „najlepszy” i podziel przez liczbę pokazów. Wynik od −1 do 1 da się policzyć w arkuszu albo w R; model logitowy dodaje błędy standardowe i udziały preferencji.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Finn, A., & Louviere, J. J. (1992). Determining the appropriate response to evidence of public concern: The case of food safety. Journal of Public Policy & Marketing, 11(2), 12–25. https://doi.org/10.1177/074391569201100202
  2. Lee, J. A., Soutar, G. N., & Louviere, J. (2007). Measuring values using best-worst scaling: The LOV example. Psychology & Marketing, 24(12), 1043–1058. https://doi.org/10.1002/mar.20197

Cytowania BibTeX

@article{finn1992determining, author={Finn, Adam and Louviere, Jordan J.}, title={{Determining the appropriate response to evidence of public concern: The case of food safety}}, journal={Journal of Public Policy \& Marketing}, year={1992}, volume={11}, number={2}, pages={12--25}, doi={10.1177/074391569201100202}}
@article{lee2007measuring, author={Lee, Julie Anne and Soutar, Geoffrey N. and Louviere, Jordan}, title={{Measuring values using best-worst scaling: The LOV example}}, journal={Psychology \& Marketing}, year={2007}, volume={24}, number={12}, pages={1043--1058}, doi={10.1002/mar.20197}}
R