中文摘要：

多维产品消费者偏好的获取和预测是学术界和企业界关注的热点和难点问题之一。自我明示法一种比较适用于多属性复杂产品的偏好获取方法，但产品属性数量过多时，完整自我明示数据会产生属性重要性估计偏差的问题，稀疏自我明示数据通过允许消费者自由选择属性进行评价克服了这一问题，但评价缺失会影响对偏好预测的准确度。本项目旨在结合两类数据，发展出一套适用于多维产品消费者偏好获取和预测的混合方法。具体而言，通过完整数据提供的消费者层面的核心属性识别和重要性调整等信息，采用恰当的数据借补方法对稀疏数据中的缺失值进行借补，结合混合筛选准则模型提高稀疏数据的预测正确率。本项目将通过多维产品消费者两类自我明示数据、自述偏好和实际选择等实证数据对这一联合稀疏和完整数据的混合方法进行验证。本项目的研究结论不仅可以为多维产品偏好预测领域的学术前沿拓展做出贡献，也能为企业实践提供有价值的建议和指导。

结论摘要：

近些年来随着产品的功能和复杂程度都不断提升，产品属性数量日益增长，许多产品往往具有数量众多的产品属性。传统的消费者偏好获取技术在预测和获取复杂产品的消费者偏好时存在明显的局限性。非限制性自我明示法(Unrestricted Self-Explicated Approach)是一种在实际应用领域新出现的消费者偏好数据获取方法，该方法允许被调查者选择部分产品属性进行评价，为解决复杂产品的偏好获取问题提供了新的思路，但学术界对此方法的理论基础、预测有效性等问题还未进行过系统性的研究。现有文献认为消费者在面临多属性的复杂产品选择问题时，往往会采用简洁的决策启发式策略(Decision Heuristics)，而不是直接根据补偿式准则在所有的产品属性上对备选产品进行比较和选择。非限制性自我明示法允许消费者自由选择评价属性，本质上更贴近于消费者的实际选择和决策过程，隐含了基于核心属性的决策启发式过程。此外非限制性自我明示方法降低属性评价个数，以减少重要性评价的偏差，但可能产生数据不完整的问题。本研究从理论上探讨非限制性自我明示数据收集方法的优势，并通过大样本的二手数据进行实证分析，该数据采用非限制性自我明示法收集消费者对汽车属性层面的偏好和重要性评价，本研究比较了完整和非完整的自我明示数据对消费者自述选择的预测准确率，结果显示两类数据在预测准确率上没有显著差异，从而证实非限制性自我明示法能很好地获取复杂产品的偏好。通过搭建Logit模型，本研究采用完整数据中的自述偏好选择(stated preference)对其自我明示的属性水平评价进行调整，以识别偏好形成过程中的核心属性，证明包括核心属性的非完整数据可以更好地预测消费者的偏好，从而证实非限制性自我明示法的有效性。分层Logit模型的结果还表明消费者特征影响其对核心属性的选择。本研究对基于完整数据模拟产生的非完整数据进行分析，进一步验证了非完整数据的有效性。此外，为了控制消费者的自我选择偏差，本项目还用实验室实验验证了非限制性自我明示法的有效性，结果表明非完整数据的缺失并未对偏好获取准确性产生不良影响。鉴于非限制性自我明示法是一种新的偏好获取方法，国内外学术界还未对此问题进行过系统性研究，本研究的结论既弥补了现有的偏好获取和测量理论的空白，也有助于解决企业在商业实践中遇到的现实问题，具有比较重要的理论和实际意义。