我們許多復(fù)雜的鏈接都包含許多變量。通過簡單的劃分，如果我們有100個，則環(huán)保企業(yè)vi設(shè)計公司每個人平均只會影響總影響力的1％。然后，當(dāng)我們向客戶展示模擬器時，他們感到驚訝的是，將100個輸入變量之一乘以1個評分標(biāo)度點的一半會導(dǎo)致結(jié)果太小而無法引起高級管理層的興趣或引起他們的興趣。像其他潛在問題一樣，最好在設(shè)計階段修復(fù)此問題–盡可能減少預(yù)測模型中的變量數(shù)量。

我們可能將一些事務(wù)調(diào)查與關(guān)系調(diào)查聯(lián)系起來，并將關(guān)系調(diào)查與某些結(jié)果度量聯(lián)系起來。螺栓連接本身包含錯誤，這是兩個不同過程的結(jié)果：

• 事務(wù)調(diào)查和關(guān)系調(diào)查是在不同的上下文中進行的，即使它們的措辭相同，其中的問題也可能會因所詢問的上下文而有所偏差。可能沒有辦法解決這個問題，但是要意識到這一點并使上下文盡可能相似是值得的。

• 包含交易和關(guān)系調(diào)查的樣本可能非常不同，并且以復(fù)雜的方式很難通過簡單的權(quán)重進行分類。僅舉一個例子，許多交易調(diào)查會進行基于頻率的抽樣（例如，頻繁的客戶會收到更多調(diào)查），而關(guān)系調(diào)查則不會。

• 與生動的術(shù)語相類推的可能是，不同的上下文和采樣效果意味著螺栓太緊，在孔中擺動，而連接到螺栓的螺母的螺紋尺寸錯誤，可能方向相反。結(jié)果，應(yīng)該盡量減少鏈接模型中內(nèi)置的螺栓數(shù)量。

當(dāng)環(huán)保企業(yè)vi設(shè)計公司跨受訪者查看兩個或多個變量一起上下移動時，就會發(fā)生多重共線性。如果在三個零售屬性“寬走道”，“光線充足的停車場”和“廣泛選擇”之間發(fā)生多重共線性，那么當(dāng)三個屬性中的任何一個較高時，三個屬性均趨于高，而當(dāng)任何一個屬性較低時，則趨于低。 –即它們是高度相關(guān)的。因此，當(dāng)我們要模擬“寬通道”的改進時，例如，如果我們僅以不發(fā)生這種情況的方式對其進行模擬（就其本身而言，其他兩個屬性的得分都沒有增加），我們就是在懲罰該屬性，相對于自然界（或我們的數(shù)據(jù)集中）的發(fā)生方式。

多重共線性會導(dǎo)致一系列技術(shù)問題，最重要的是，這會導(dǎo)致模型變得不穩(wěn)定–在模型所產(chǎn)生的重要性中增加了誤差，使結(jié)果可能極具誤導(dǎo)性（某些重要性可能比應(yīng)有的要小得多） ，而其他的可能更大）。

多重共線性問題的最佳解決方案是將其固定在研究的設(shè)計階段：仔細地預(yù)先測試和構(gòu)建屬性列表以完善其心理計量特性。另外，我們可以選擇在鏈接模型中的重要性權(quán)重基于有效的已聲明重要性重要性度量，例如最佳最壞縮放，Q排序，成對比較方法或恒定總和縮放。如果我們不嘗試從受暈輪影響的高度相關(guān)的預(yù)測變量中得出重要性，則多重共線性問題就消失了。

受訪者彼此不同。環(huán)保企業(yè)vi設(shè)計公司有不同的口味和喜好以及快捷按鈕。您可以想象，如果我們能夠為每個受訪者建立一個單獨的重要性模型，那么人們對不同屬性的權(quán)重將有所不同，這就是受訪者異質(zhì)性的含義。

當(dāng)我們運行派生的重要性模型時，環(huán)保企業(yè)vi設(shè)計公司獲得了一組屬性重要性權(quán)重，這些權(quán)重代表了所有受訪者的平均重要性。當(dāng)然，這個平均值可以掩蓋一些非常重要的差異。實際上，平均值可能根本代表不了任何受訪者。