あなたの分析ソリューション

XLSTATでの CATA (Check-All-That-Apply) 分析の実行

11/12/2018

XLSTATでCATA 分析を実行するデータセット

このチュートリアルでは、Aresら (2014)のデータを用います。119人の消費者によって15個の属性について6個の製品(5個が標準で1個が理想)を評価しているデータです。データはバイナリ形式で記録されています (0: チェックされなかった属性 1: チェックされた属性)。さらに、すべての製品(理想のを除く)が、各消費者によって全体的に評価されています。

データは、垂直形式で、消費者と製品の組み合わせごとに1行となっています。

データと結果のExcel シートは、こちらをクリックしてダウンロードできます。 

 

このチュートリアルの目的

このチュートリアルの目的は、専門的な審査員よりも市場をよく代表する標準的な消費者によってテストされる製品を評価するために、CATA (check-all-that-apply) 分析を実行することです。 

 

XLSTATでの CATA 分析のセットアップ

CATA 分析を実行するには、XLSTAT-官能データ分析 / CATA データ分析をクリックします。 

XLSTAT Sensory Data Analysis menu CATA EN

一般 タブでは、まず垂直データ形式を選択していることを確認します。CATA データ・フィールドでは、属性表を選択します。そして、製品、審査員、選好データのフィールドで、それぞれProduct、Consumer, Likingの列を選びます。理想製品のフィールドに理想製品の識別子を取り込みます。

cata general

XLSTATでの CATA 分析の結果の解釈: 第1部

最初の表は、属性と調査された製品から生じるデータのみを考慮しています。最初の列は、各属性について別々に製品を比較するCochranの Q 検定に関するp値が入っています。表の残りの部分は、製品と属性の各組み合わせでの 1の値を持つ(チェックを入れた)審査員の比率が入っています。

高い比率は、その属性が、検討されている製品で、多くの消費者にチェックを入れられていることを意味します。 

cata cochran

任意の属性について、消費者がその属性を感じるかどうかに対する説明変数 (Products) の効果を検定するCochranのQ 検定が可能です。 p値が有意しきい値よりも低いと、その製品が他と有意に異なることを示します。表のセル内に小さな文字で表記されるp値が有意であれば、ユーザーは多重(対)比較を検討することに興味があるでしょう:同じ文字を共有する2つの製品は、有意に異なりません。共通の文字を持たない2つの製品は、有意に異なります。

香りに関する2つ(Odourless と intense odour) を除くすべての属性が有意水準0.05で有意なp値を持つことがわかります。たとえば、Crispy 属性を見ると、製品 257 が“crispiest(最もパリパリしている”ですが、548よりも有意にcrisper(よりパリパリ)ではないことがわかります(記号に注意)。製品 992 と 366 は、ほとんど crispy ではなく、お互いに有意に異なっていません。

続く2元表は、属性表での審査員の度数です。これはコレスポンデンス分析(CA)を構築するのに使用します。  

行と列の間の独立性が検定されます(この結果は、(カイ2乗距離を用いた)伝統のCAでのみ利用可能です)。p値が有意水準 (0.05) よりも低いので、我々は官能プロファイルの観点から製品間に実際の差が存在する可能性がとても高いと結論づけます。 

 

cata ca

分析の品質は良好です(説明された合計イナーシャの90.39% が最初の2つの次元に乗っています)。分析のマップによれば、理想製品は、比較的 tasty, juicy および sweet で、intense odour (強い香り)とapple flavour(リンゴの香り)を持ちます。

一方、比較的、sour(酸味), bitter(苦味), grainy(ザラザラ), soft, mealy, tasteless(無味)などの特性を持ちません。製品 548 は、理想製品に最も近いようです、それに反して製品106 はbitterness(苦味)、 sourness(酸味)、astringency(渋み)のせいで理想製品から比較的遠いようです。製品 366 と 992 も理想製品から比較的に遠いです。

コレスポンデンス分析に関するより詳細は、こちらにあります。

そして、属性と選好スコア(最後の行)を含む相関行列が表示されます。いくつか強い相関がみられます。 sweetと sourの間の負の相関は、人々が sourにチェックを入れるとsweetにはチェックをいれないこと、また逆も真なりであるを示します。 選好スコアは、コレスポンデンス分析で理想製品にリンクされた属性(Juicy, tasty, apple flavour)に対して正に相関する(しかし弱い)ことがわかります。

cata correlation matrix

相関係数に主座標分析(PCoA: Principal Coordinates Analysis) が適用され、結果が2次元のマップで可視化されます。最初の2次元が変動の40.78%を説明し、スクリー・プロットは最初の2次元が属性間の関係性を解釈するのに十分であることを示します。ここで再び、我々は選好が属性 juicy、tasty、apple flavourに関連していいることがわかります。

cata coordinate analysis

主座標分析に関するより詳細は、こちらにあります。

XLSTATでのCATA 分析の結果の解釈:第2部

選好データがある場合、次の結果はペナルティ分析です。

現実にはその属性が欠損していて理想製品にはあるという不調和に基づく最初の分析は、must have(なければならない) 属性を識別することを可能にします。要約表は、各属性でP(No)|(Yes) と P(Yes)|(Yes) が発生する度数を示します。下図のグラフィカルな表現は、これらの発生の度数とレコードのパーセンテージを示します。 

cata penalty 1

そして、2つのシチュエーション間の選好での平均降下(Mean drops)が属性ごとに提示され、それらの有意度が検定されます。たとえば、firm 属性はテストされた製品と理想製品の間で 1.5 選好ポイントが増加することを示唆しています。この増加は、0.05 (P < 0.0001)で有意です。

注意: 理想製品がない場合では、この分析は属性の有無の分析に置き換えられます。 

cata penalty 1

平均インパクト(mean impact) グラフは、有意な平均インパクトを持つ属性を示します。平均の増大は青色で表示され、“must haves”として識別され、平均の減少は赤色で表示されます。 

cata penalty 1

平均降下 vs % グラフも、“must haves”を明確に識別することを可能にします。Y軸はセル [1,1] とセル [0,1] の間の差(理想と製品がチェックの場合マイナス理想のみがチェックの場合)です。X 軸は任意の属性で製品のチェックなしで理想製品のチェックを含む回答のパーセンテージ(それはその属性が理想製品をよく記述するが、実際の製品にはなぜか買欠損しているシチュエーションにあたる)を表します。したがって、X 軸でも Y 軸でも高い座標に関連づけられた属性(tasty、sweet、juicy、apple flavour、crispy、firm、 intense odour)は、ここで再び “must haves”であるとして現れます。

cata penalty 1

2番目の分析は、“nice to have” (あってもよい)属性を識別することができます。これは最初の分析と似ていますが、属性が理想では欠損していて、実際の製品では欠損していないという不調和に基づきます。

注意: この分析は理想製品が利用可能な場合のみ可能です。

平均インパクト(mean impact) グラフは、有意な平均インパクトを持つ属性を示します。平均の増大は青色で表示され、“nice to haves”(あってもよい)として識別され、平均の減少は赤色で表示され、must not haves(あってもならない)として識別されます。

cata penalty 1

平均降下 vs % グラフも、 “must not haves” と “nice to haves”を明確に識別することができます。Y軸はセル [0,0] とセル [1,0] (理想と製品が非チェックの場合マイナス製品のみチェックの場合)の間の差に対応します。X 軸は任意の属性について理想製品のチェックなしで製品のチェックを含む回答のパーセンテージ(それはその属性が理想製品をよく記述するが、実際の製品にはなぜか買欠損しているシチュエーションにあたる)を表します。したがって、Y 軸で低い座標に関連づけられた属性(sour、bitter、soft、mealy、grainy、tasteless、odourless)は、ここで再び “must not haves”であるとして現れます。 Y 軸で高い座標に関連づけられた属性が、“nice to haves”です。 

cata penalty 1

前の2つの分析は、最終的に1つのマップに要約されます。ここで再び、tasty、sweet、apple flavour、firm、crispy、intense odourが“must haves“として現れ、sour、bitter astringent、 soft、mealy、grainy、tasteless、odourlessが “must not haves”です。  

cata penalty 1

そして、属性ごとに1つの 2x2 表が表示されます。各表の左に理想製品について記録された値があり、上部が調査されている製品で得られた値です。表のセル内に平均プリファレンス(審査員と製品での平均)および 0や1の組み合わせに対応するすべてのレコードの%があります。 

任意の属性について、その属性が理想製品でチェックされていて(2行目)、チェックされている 製品(セル [1,1]) のプリファレンスが、それがチェックされていないとき (セル [1,0])よりも高いなら、その属性は “must have”です。対称的に、その属性が理想製品でチェックされておらず(1行目)、チェックされていない製品(セル [0,0]) のプリファレンスが、それがチェックされているとき(セル [0,1])よりも高いなら、その属性は “must not have”です。その属性が理想製品でチェックされておらず(1行目)、チェックされた製品 (セル [0,1]) のプリファレンスが、チェックされていないとき (セル[0,0])とだいたい同じなら、その属性は “does not harm”(害にならない)です。最後に (セルl [0,1]) > (セル [0,0])なら、その属性は“nice to have”です。

たとえば、tasty属性では、調査された(理想でない)製品のレコードの28%が、調査された製品でも理想製品でもチェックされています。これらのレコードの平均選好は、7.8です。

 

xlstat penalty table

要約表の最後に、15 個の属性のうちの6属性が“must haves”であり、7属性"must not haves"であることがわかります。残りの2 属性は"does not harms"です。

 

xlstat penalty table

参考文献

Ares G, Daubera C, Fernándeza E, Giméneza A, Varelab P (2014). Penalty analysis based on CATA questions to identify drivers of liking and directions for product reformulation. Food Quality and Preference, 32A, 65-76.

Meyners M., Castura J. C., Carr B. T. (2013). Existing and new approaches for the analysis of CATA data. Food Quality and Preference, 30(2), 309-319.

 

 

1c26995d494fb3061dd0ae8571ffc0a4@xlstat.desk-mail.com
https://cdn.desk.com/
false
desk
読み込み中
秒前
1 分前
分前
1 時間前
時間前
1 日前
日前
バージョン情報
false
無効な文字が見つかりました
/customer/portal/articles/autocomplete
9283