消费者颜色偏好与数据分析方法研究：实验比较与 Monte Carlo 模拟

1. Analysis of Research Strategies to Determine

1.1 论文中的数据分析内容

1. 四种实验方法的比较
   • N-Alternative Forced Choice (N-AFC)：让参与者在同时呈现的多种颜色中选择最喜欢的一种。
   • Rank-Order：要求参与者把所有颜色从最喜欢到最不喜欢排序。
   • Rating：给每个颜色打分，比如 0%-100% 表示不喜欢到最喜欢。
   • Paired Comparison：两两颜色比较，每次选一个更喜欢的，最后得到整体排序。
2. 数据转换与标准化处理
   • 把不同方法的原始结果（选择次数、排序、打分、配对比较结果）转化为统一的 比例值 (0%–100%)。
   • 再通过 Thurstone’s Law of Comparative Judgement（案例V） 转换成 区间尺度 z 分数，使不同方法的数据可以比较。
3. 统计分析与结果
   • 比较四种方法得出的偏好顺序：多数情况下结果一致（橙色最受欢迎，绿色最不受欢迎）。
   • 使用 相关系数 (r²) 来衡量不同方法之间的一致性，以及样本量大小对稳定性的影响。
4. Monte Carlo 模拟分析
   • 从 41 个样本中反复随机抽取不同数量的子样本（比如 n=36, 31, 26…直到 n=1）。
   • 每次计算颜色偏好顺序与完整样本的相关性（r²）。
   • 发现：当样本量小于 11 时，Rating、Rank-Order、Paired Comparison 更稳定；而 N-AFC 方法波动大。

1.1.1 Monte Carlo 模拟分析

1. 基本定义：Monte Carlo 模拟是一种基于随机数和概率统计的计算方法。

2. 核心思想：用大量随机样本来模拟和逼近复杂问题的可能结果，从而得到一个概率分布而不是单一的确定结果。

   简单说，就是“用随机数去模拟各种可能发生的情况，看大规模模拟之后的整体趋势”。

3. 为什么需要 Monte Carlo 模拟？

   1. 很多现实问题（金融风险、项目工期、物理实验、排队模型等）太复杂，无法直接用数学公式精确解出结果。
   2. 比如：
      • 股票价格未来 1 年的波动？
      • 一个建筑项目完工的时间？
      • 投资组合的风险收益？
   3. 这些问题都存在不确定性，Monte Carlo 就是用随机模拟去近似求解。

1.2 涉及的数据分析原理解释

1. 比例数据 (Proportion Data)

   • 将原始数据转化为百分比，方便不同方法之间比较。
   • 例如：如果 100 个人中有 40 人最喜欢蓝色，那么蓝色的偏好比例就是 40%。

2. 区间尺度转化 (Interval Scaling, z-score)

   • 使用统计学方法（如 标准正态分布反函数）将比例值转化为 z 分数，消除了比例在极端（0% 或 100%）的限制，使数据能进行线性比较。

3. 相关系数 r² (Coefficient of Determination)

   • 衡量不同实验方法结果与总体结果的一致性。
   • r²=1 表示完全一致，r² 越低说明差异越大。

4. Monte Carlo 模拟

   • 一种随机抽样重复试验的方法。
   • 用来评估在不同样本规模下，实验方法的结果是否稳定。
   • 通过多次模拟得到一个概率分布，而不是依赖单次实验结果。

5. 分析原理（步骤）：

   Monte Carlo 模拟通常包含以下流程：

   1. 确定输入变量及其概率分布：（例如：股票年回报率符合正态分布（均值 8%，标准差 15%））

   2. 随机抽样：根据定义的分布，利用计算机生成大量随机数（成千上万次）

   3. 计算模型结果：将每次抽样代入模型公式，计算出对应的结果。

   4. 统计与分析：

      1. 把所有模拟结果汇总，形成结果的概率分布。
      2. 从中可以得到：平均值、中位数、标准差、置信区间、最坏/最好情况概率等。

   5. 举例（现实生活场景）：

      1. 🎲 例子 1：掷骰子

         1. 我想知道连续掷两个骰子，总和大于 8 的概率。
         2. 可以写出数学公式直接算，但 Monte Carlo 模拟是另一种方法：
            1. 模拟掷 100 万次骰子（随机生成 1~6 的点数）。
            2. 统计有多少次结果大于 8。
            3. 用次数/总次数 ≈ 概率。
         3. 结果会接近真实概率（≈ 0.278）。

      2. 💰 例子 2：投资收益

         1. 假设你买了一个基金，年化收益率平均 8%，但波动（标准差）15%。
         2. 用 Monte Carlo：
            1. 在未来 10 年里，每年随机抽取一个“收益率”来模拟基金表现。
            2. 重复 1 万次，得到 1 万条“基金 10 年后的价值曲线”。
            3. 汇总结果 → 可以看到 10 年后资产的 分布：
               • 70% 的概率资产翻倍；
               • 10% 的概率资产亏损；
               • 最坏 1% 的情况甚至腰斩。

         这样比“单纯说平均收益 8%”更有参考价值，因为它揭示了风险区间。

1.3 生活中的例子帮助理解

1. N-AFC（多选一）
   类似于点菜时，服务员把菜单上 6 道菜都端到你面前，让你直接选出“最想吃的那一道”。
   • 问题：如果参与者人数少，可能因为偶然选择导致结果偏差大。
2. Rank-Order（排序）
   就像你写“最喜欢的手机品牌排行榜”，把苹果、华为、三星、小米等从最喜欢到最不喜欢依次排列。
   • 优点：即使人数少，也能比较稳定地反映整体趋势。
3. Rating（打分）
   类似于电影评分（豆瓣 1–10 分制），每个人对每部电影都给分，最后算平均值。
   • 优点：能反映偏好强度（喜欢很多 vs 稍微喜欢）。
4. Paired Comparison（两两比较）
   像世界杯点球大战，每次两支球队对比，选一个胜出，最后得出冠军。
   • 缺点：如果参赛者太多，两两比较会非常耗时。
5. Monte Carlo 模拟
   就像你想知道“抛硬币 10 次正反面分布”是不是稳定。你会模拟成千上万次，每次都随机抛 10 次，然后统计结果，最终得到一个分布。
   • 在论文中，作者用它来测试“如果只收集到 6 个人的数据，结果还可信吗？”

1.4 数据转换

1.4.1 为什么要转换数据？

论文里有四种实验方法：

• AFC（多选一） → 得到的是 “次数”；

• Rank-Order（排序法） → 得到的是 “名次”；

• Rating（打分法） → 得到的是 “分数”；

• Paired Comparison（两两比较） → 得到的是 “胜出次数”；

问题来了：

• 次数、名次、分数、胜出次数，本质上不是同一种量纲，没法直接比较。
• 举个例子：一个人说“蓝色是第一名”，另一个人说“蓝色打 80 分”，这两种数据如果直接放在一起，没有可比性。

👉 所以，需要把它们 转化到同一个标准化的区间（0% ~ 100%），然后再进一步转化成 可以比较的数值（z 分数）。

1.4.2 第一步：转化为比例 (0% – 100%)

就是把各种形式的回答，统一换算成一个比例值。

• AFC（多选一）：如果 100 个人里有 40 人最喜欢蓝色 → 蓝色偏好率 = 40%
• Rank-Order（排序）：假设 5 个人对蓝色排序分别是 1, 2, 3, 2, 1（分别代表蓝色的位置） → 平均名次 = 1.8 → 再转化为比例（例如计算成“蓝色有 70% 的人把它放在前三名”）。
• Rating（打分）：每个人对蓝色打分：70%、80%、90%、60% → 平均值 = 75%
• Paired Comparison（两两比较）：蓝色 vs 红色，10 次比较中蓝色赢 7 次 → 蓝色胜率 = 70%

这样，所有方法最后都可以变成类似：

蓝色：75%  
橙色：65%  
绿色：20%  
……

1.4.3 第二步：转化为区间尺度 z 分数

虽然比例已经能看了，但有一个问题：

• 当比例接近 0% 或 100% 时，它的变化空间很小，不利于统计比较。
• 比如从 90% 到 95%，看起来差了 5%，但实际差距可能比 40% 到 45% 要大得多。

👉 这时，就需要用到 Thurstone’s Law of Comparative Judgement（色彩心理学里常用），把比例转成 z 分数。

什么是 z 分数？

• 它来自标准正态分布。
• 把比例（p 值）代入正态分布的反函数，就能得到一个对称的数值。
• 中间（50%）对应 z=0，越偏向两端（0% 或 100%），z 的绝对值越大。

例子：

• 50% → z = 0 （中性）
• 84% → z = +1 （比平均好 1 个标准差）
• 16% → z = –1 （比平均差 1 个标准差）

这样，就能把所有颜色的偏好值都映射到一个 连续的、可比的数轴上。

1.4.4 实际生活类比

1. 投票选美比赛

   • 有的人只告诉你“谁第一名”；

   • 有的人给每个人打分（90分、80分…）；

   • 有的人只做一轮一轮 PK。

     → 这些原始结果格式都不一样，没法直接说“谁最漂亮”。

     → 所以先要转成“百分比（多少人支持）”，再进一步变成一个统一的“标准化分数（z 分数）”。

2. 考试成绩转 GPA

   • 有的学校用百分制（85 分），

   • 有的用等级制（A, B, C），

   • 有的用 5 星制。

     → 统一换算成 GPA（比如 A=4.0，85分≈3.7），才能放在一起比较学生成绩。

     这里 GPA 就相当于论文里的 “z 分数”。

3. 外卖评分

   • 有人说“好吃”，有人打 5 星，有人给 9 分。

   • 平台为了排序，需要把它们转化为同一标准（比如 0–100 的分数，再标准化）。

1.5 总结

这篇论文的核心数据分析思路是：

• 先把不同实验方法的数据转化为统一的区间尺度；
• 再通过 相关系数 和 Monte Carlo 模拟 检验方法的稳定性；
• 结论是：当参与人数较少时，Rating、Rank-Order、Paired Comparison 更适合，而 N-AFC 容易不稳定。

2. CRA_Yu_Westland_Li_Pan_Shin_Won

2.1 论文中的数据分析内容提炼

1. 研究对象与实验设计
   • 共选择了 54 种日常家居产品（如牙刷、咖啡机、洗发水、拖鞋等）。
   • 每个产品被设计成 六种颜色版本（红、橙、黄、绿、蓝、紫）。
   • 实验分为 两种形式：
     • 线上实验：173 名参与者，选择他们愿意购买的颜色。
     • 实验室实验：39 名参与者，除选择颜色外，还评估颜色与产品功能/性能的关系（用 5 点李克特量表，转化为 0–100% 分值）。
2. 关键数据指标
   • 颜色一致率（Colour Consistency Rate）
     • 定义：参与者是否选择了与自己“最喜欢颜色”一致的产品颜色。
     • 计算方式：某产品选择与个人最喜欢颜色一致的比例。
     • 随机情况下理论值为 17%（因为 6 种颜色）。
     • 实验结果：
       • 在线实验平均一致率：34.2%
       • 实验室实验平均一致率：30.1%
         👉 说明个人颜色偏好确实影响购买决策。
   • 功能/性能相关性评分
     • 例如：参与者评估“颜色是否影响该产品性能/功能”。
     • 结果：
       • 高相关性：漱口水 (66.7%)、洗洁精 (57.1%)、沐浴露 (56.4%)。
       • 低相关性：剪刀 (13.5%)、开瓶器 (16%)、椅子 (16.7%)。
   • 相关性分析
     • 研究者计算了 颜色一致率与功能/性能相关性之间的相关性：
       • 在线实验：R² = 0.41
       • 实验室实验：R² = 0.64
         👉 越是“颜色强烈暗示功能”的产品，个人颜色喜好影响越小。

2.2 涉及的数据分析原理

1. 对照基准 (Baseline Comparison)
   • 设定 随机选择下的理论概率 17%，作为基准。
   • 如果实验结果明显高于 17%，说明个人颜色偏好对购买决策有显著影响。
     👉 这是典型的 假设检验思路：和“无效假设”(随机选择) 对比。
2. 相关性分析 (Correlation Analysis)
   • 使用 R²（决定系数） 衡量颜色一致率与功能/性能评分之间的关系。
   • R² 越高，说明产品的“功能相关性”越能解释颜色偏好的作用强弱。
     👉 这是 回归分析/相关性分析 的应用。
3. 分类比较 (Group Comparison)
   • 研究对比了不同产品、不同颜色、不同实验条件（线上 vs 实验室）的差异。
     👉 属于 多维度数据分析，常用于消费者研究。

2.3 生活中的实际例子

1. 漱口水的颜色选择
   • 大多数人觉得蓝色漱口水“更干净、杀菌力强”，绿色漱口水可能让人联想到“苹果味”或“天然”。
   • 即使你最喜欢的颜色是紫色，你可能也不会买紫色的漱口水。
     👉 功能相关性强，个人偏好影响弱。
2. 牙刷的颜色选择
   • 功能上，红色和蓝色牙刷没什么差别。
   • 在这种情况下，人们更容易选择自己喜欢的颜色。
     👉 功能相关性弱，个人偏好影响强。
3. 家电的颜色选择
   • 烤箱、咖啡机等加热产品，很多消费者倾向选择红色或黑色，因为联想到“热、稳重、耐用”。
   • 而苹果 iPod Nano 则可以推出彩色系列，消费者愿意根据喜好挑选。
     👉 部分产品靠颜色“功能暗示”，部分产品依赖“个人偏好驱动”。

2.4 总结

论文中的数据分析核心是：

• 通过 颜色一致率 测量个人喜好对购买行为的影响；
• 通过 相关性分析 验证“功能/性能相关性”与个人喜好作用的关系；
• 得出结论：
  • 当颜色与产品功能/性能强相关时，个人偏好作用弱（如漱口水、洗洁精）；
  • 当颜色与功能无关时，个人偏好作用强（如牙刷、椅子）。

换句话说，颜色的营销价值，要看产品类型：

• 日常消耗品：颜色→功能暗示更重要。
• 个性化产品：颜色→个人偏好更重要。

3. Proceeding_official (dragged)2

3.1 论文中的数据分析方法

1. 实验设计与数据采集
   • 研究对象：60 块彩色织物样本（20 种颜色 × 3 种材质：棉、麻、丝）。
   • 测试人群：80 名受试者（男女各 40，18-35 岁，具备色彩科学训练）。
   • 实验方式：心理物理学实验，参与者在标准光源 D65 下观看并触摸样本。
   • 评价指标：使用 7 点 Likert量表（从“冷-暖”、“薄-厚”、“男性化-女性化”、“不愉快-愉快”等八个维度进行打分）。
2. 数据表示与处理
   • 每块织物的颜色用 CIELAB 色彩空间（L*, a*, b*）进行量化。
     • L* = 明度（亮暗）
     • a* = 红-绿通道
     • b* = 黄-蓝通道
   • 数据处理：将主观评价量表分数转化为区间数据进行统计分析。
3. 统计分析方法
   • 配对 t 检验（Paired t-test）
     检验不同材质间（棉 vs 麻、麻 vs 丝、棉 vs 丝）在八个感知维度上的差异显著性。结果发现，>70%对比显著，尤其在“厚薄”、“冷暖”、“男性化-女性化”维度。
   • 相关分析
     分析 CIELAB 色彩值与感知评价之间的相关性。例如：
     • 明度 L* 与“丝绸-唤醒度”的相关系数高达 0.89。
     • a* 值（红-绿轴）更强烈影响了麻的“女性化”感知（r=0.50）。
     • b* 值（黄-蓝轴）更影响棉布的“愉悦”感知（r=0.55）。

3.2 涉及的数据分析原理

1. 心理量表 → 定量化
   • 把主观的“暖/冷”“喜欢/不喜欢”用 7分制数字化，便于统计。
   • 原理：把“定性感受”转化为“定量数据”，才能比较和分析。
2. 显著性检验（t检验）
   • 判断不同材质或颜色带来的感知差异是否真实存在而非偶然。
   • 原理：如果p值 < 0.05，就认为差异显著。
3. 相关分析
   • 研究数值型变量之间的关系（比如明度和愉悦感）。
   • 原理：相关系数 r 接近 ±1 代表强相关，接近 0 代表弱相关。
4. 多变量分析
   • 一个感知结果往往同时受到多因素（材质、颜色、明度、色相）的影响。
   • 原理：通过分解 a*, b*, L* 等参数，找到主导因素。

3.3 生活中的类比与例子

1. Likert 量表的生活应用
   • 在餐厅吃饭后，你可能被要求对“味道”“服务”“环境”打 1-7 分。这与论文中让受试者评价“冷暖感”“厚薄感”是一样的原理。
2. 显著性检验的例子
   • 比如商场要验证“红色促销标签是否比蓝色标签更吸引人”。他们可以记录两组标签下的购买率，用t检验来判断差异是否显著。
3. 相关分析的例子
   • 天气与冰淇淋销量：温度（数值）与销量（数值）常常有正相关，越热卖得越多。
   • 对应到论文中：布料越亮（L*值高），受试者对“丝绸-唤醒度”的打分就越高。
4. 多变量影响的例子
   • 选购一部手机，你的满意度不仅取决于“外观颜色”，还取决于“重量、手感、品牌”。这和论文中研究“颜色+材质共同影响人类感知”是一样的道理。

✅ 总结：这篇论文通过 心理量表 → 定量化、统计检验、相关分析 等方法，揭示了“颜色”和“材质”如何影响人们对织物的感知。这套数据分析思路完全可以迁移到日常场景，比如消费者调查、市场营销、产品设计等领域。

3.4 配对 t 检验

3.4.1 什么是配对 t 检验？

配对 t 检验是一种统计方法，用来比较同一组对象在不同条件下的差异是否显著。

👉 “这两个情况的差别，是真实存在的，还是只是巧合？”

• 核心思想：看“差异”是不是偶然的。

• 前提：同一对象在两种情境下都有结果（成对数据）。

• 结果解读：

  • p < 0.05 → 差异显著，说明条件真的影响了结果；
  • p ≥ 0.05 → 差异不显著，说明差异可能只是随机波动；

• 假设你想知道：“苹果手机是不是比安卓手机拍照更好看？”

• 你找了 50 个朋友，每个人用 同一场景拍两张照片：一张用苹果，一张用安卓。

  然后让他们打分（比如 1-7 分）。

  • 如果大家普遍觉得苹果分数更高，而且差距不是一点点，那么配对 t 检验会告诉你：

    → “是的，这差别是真的，不是运气。”

  • 如果差距很小，很多人时高时低，配对 t 检验就会告诉你：

    → “这可能只是随机波动，不算真差别。”

• 为什么叫“配对”？

  因为同一个人要同时体验两种情况（苹果 vs 安卓），结果是一对一对的，这就是“配对数据”。

3.4.2 在论文里的应用

研究者想知道：

“同一种颜色放在不同材质的布料上，人们的感知是不是会变？”

论文比较了同一种颜色，但放在不同材质上（棉 vs 麻、麻 vs 丝、棉 vs 丝），人们的感知是否不同。

例子：

• 一块“红色棉布” vs “红色丝绸”

  受试者对“厚薄感”“冷暖感”“男性化-女性化”打分不同。

  如果这个差异在统计学上显著（p < 0.05），就能说明：材质确实会改变人对颜色的感知

• 比如：红色棉布 vs 红色丝绸
• 让同一个人分别给这两块布的“厚薄感、冷暖感、男性化-女性化”等打分。
• 然后比较这两组打分的差异。

如果统计出来差异很大（p<0.05），说明材质真的改变了人们对颜色的感觉。如果差异很小，就说明只是巧合，材质其实没啥影响。

3.4.3 生活中的类比

3.4.3.1 场景 1：咖啡店饮品口感

• 你喝同一款“拿铁”，但杯子材质不同：
  • 纸杯 → 感觉比较轻便、普通
  • 陶瓷杯 → 感觉更有质感、咖啡更香
• 如果调查 80 个人的评分，再用配对 t 检验，就能判断：“杯子材质”是不是对“口感体验”真的有显著影响。

3.4.3.2 场景 2：考试成绩对比

• 学生在期中考试和期末考试都参加了（同一组学生 → 成对数据）。
• 用配对 t 检验，可以判断：期末的平均分和期中相比是否有显著提高。
• 如果显著 → 说明学习方法/复习有效；如果不显著 → 可能只是随机波动。

3.4.3.3 场景 3：健身前后体重

• 20 个人在健身前、健身后都称体重。
• 用配对 t 检验比较“健身前后体重差异”是否显著。
• 如果显著 → 说明健身计划真的有效。
• 如果不显著 → 说明效果可能并不稳定。

3.5 总结

• 配对 t 检验 关注的是“同一样本两种条件下的差异”。

• 在论文中：

  → 是“同一种颜色”放在“不同材质”上，人们打分的差异。

• 在生活中：

  → 可以用在饮品体验、考试成绩前后对比、健身效果等场景。

这样理解：它就是一把“检测差异是不是靠谱的尺子”。

4. Yu_Westland_Chen_Li_CRA_2021

4.1 论文中的数据分析内容

4.1.1 实验设计与数据收集

• 实验对象：37 位参与者（男女各半）。
• 测试产品：51种不同类别的产品（如闹钟、牙膏、衣服、食品、电子产品等）。
• 颜色选择：6 种基本颜色（红、橙、黄、绿、蓝、紫），使用 Adobe 系统定义并在实验室控制显示条件下呈现。
• 研究方法：
  • 6-AFC（6选1强制选择）：参与者在每个产品的六种颜色中选择他们最愿意购买的。
  • Rank-order 排序：参与者将六种颜色按个人喜好排序。
  • 访谈：进一步询问参与者为什么选择某一颜色，以及对颜色本身的联想。

4.1.2 数据分析方法

• 颜色一致率（Colour Consistency Rate）
  • 定义：某个产品的颜色选择与参与者个人偏好排序的一致程度。
  • 结果：大约 33.7% 的选择落在个人最喜欢的颜色，22.6%落在第二喜欢，依次递减。说明个人颜色偏好会影响购买决策，但不是唯一决定因素。
• 颜色联想分析（Colour Association Analysis）
  • 使用 NVivo 软件进行“模板分析法（Template Approach）”。
  • 逐步方法：
    1. 按颜色名称建立编码框架（如红=激情、文化、警示）。
    2. 对访谈记录进行编码。
    3. 聚合相似数据，形成主题（如“蓝=冷静”、“绿=自然/清新”）。
• 产品-颜色联想得分（Product-Colour Association Score）
  • 定义：产品颜色选择原因中，与颜色本身联想一致的比例。
  • 结果：平均得分约为 34.56%。
  • 高分产品：除臭剂（83%）、剃须水（82%）、奶酪（76%） → 强烈受颜色联想影响。
  • 低分产品：鞋子（3%）、耳机（5%）、游戏机（9%） → 几乎不受颜色联想影响。
• 相关性分析
  • 将 产品-颜色联想得分 与 颜色一致率进行相关性检验。
  • 结果：相关系数 r² = 0.32（中等相关）。
  • 结论：当颜色联想强时，个人偏好影响较弱；反之，个人偏好作用更大。

4.1.3 论文结论

• 消费者的颜色偏好确实影响产品购买颜色的选择，但 颜色联想是新的重要“主导因子”。
• 不同产品类别受到颜色联想的影响差异很大。
• 平均来看，约三分之一的购买理由可以直接追溯到颜色联想。

4.2 涉及的数据分析原理解释

4.2.1 偏好一致性分析（Preference Consistency Analysis）

• 原理：通过比较“个人总体偏好”与“实际选择”，衡量一致性。
• 现实例子：
  • 你最喜欢蓝色，但买衣服时并不总选蓝色。若某产品类别（比如牙刷）功能无关颜色，你会更倾向选择蓝色 → 偏好一致率高。
  • 但买食物（比如牛奶包装），可能选择白色或绿色，因为它们有“纯净/健康”的联想，即使你不喜欢白色。

4.2.2 质性编码与模板分析（Qualitative Coding & Template Analysis）

• 原理：把受访者的描述转化为分类标签，并统计频率，提炼主题。
• 现实例子：
  • 如果受访者说“我觉得蓝色很安静”，研究者会把这句话编码为“蓝=冷静”。
  • 类似编码汇总后，就能看出蓝色与“冷静/清爽”联想最强。

4.2.3 相关性分析（Correlation Analysis）

• 原理：通过相关系数检验两个变量之间的关系（如颜色联想得分 vs 偏好一致率）。
• 现实例子：
  • 当产品高度依赖颜色联想（如“绿色=环保” → 绿色垃圾桶），消费者不会只按个人最喜欢的颜色买，而是优先考虑“联想”。
  • 而鞋子、耳机这类功能/联想弱的产品，消费者会更随个人偏好。

4.3 结合实际生活的例子

1. 食品包装
   • 红色辣酱：红色=热辣、刺激 → 消费者会认为红色更正宗，即使个人不爱红色。
   • 绿色酸奶：绿色=健康、自然 → 更容易让人觉得低脂、环保。
2. 日用品
   • 蓝色洗衣液：蓝色=清新、干净 → 提高信任感。
   • 黄色清洁剂：黄色=强力、去污 → 给人强清洁力的心理暗示。
3. 电子产品
   • 手机壳：大部分人按个人喜好颜色买，因为功能不依赖颜色。
   • 耳机：颜色联想弱，基本随个人审美走。

✅ 总结一下：这篇论文通过 实验+访谈+统计分析+质性编码 的混合方法，验证了一个新的数据分析框架：消费者的产品颜色决策不仅取决于个人偏好，还取决于颜色联想。换句话说，买牙刷可能看个人喜欢的颜色，但买食物、护肤品等更容易受到“红=热辣、绿=健康、蓝=清新”等颜色联想影响。

4.4 流程原理：一步步怎么做？

你可以把它想象成 “收拾一屋子杂乱的书和东西”：

1. 收集材料

   • 论文里：研究者收集了参与者在访谈里说的话，比如“我觉得蓝色很安静”、“绿色让我想到健康”。

   • 生活类比：就像你采访同学“你喜欢什么水果？为什么？”，收集到很多回答：有人说“苹果甜”，有人说“香蕉好消化”，有人说“草莓好看”。

2. 初步分类（建立编码框架）

   • 论文里：研究者先给颜色起标签框架，比如“红=激情、警示”，“蓝=冷静、清新”，“绿=自然、环保”。

   • 生活类比：你把同学的水果理由归类：

     • 味道类（甜、酸）

     • 健康类（好消化、维生素多）

     • 外观类（好看、鲜艳）。

3. 给回答打标签（编码）

   • 论文里：每一句话被标记上对应的标签，比如“蓝色让我想到安静” → 打上“蓝=冷静”；“绿色像大自然” → 打上“绿=自然”。

   • 生活类比：把“我喜欢苹果，因为甜” → 打上标签“味道-甜”；“我喜欢草莓，因为颜色好看” → 打上标签“外观-好看”。

4. 聚合同类信息（模板分析 Template Approach）

   • 论文里：所有“蓝=冷静”的回答聚在一起，所有“绿=自然”的回答聚在一起。最后统计每类出现的次数和比例。

   • 生活类比：你发现大部分同学喜欢水果是因为“味道”，其次是“健康”，最后才是“外观”。

5. 总结规律

   • 论文结果：发现消费者选择某些产品颜色的原因，跟这些颜色的“典型联想”是一致的。比如：
     • 绿色牙膏 → 因为“绿色=清新、自然”；
     • 蓝色洗衣液 → 因为“蓝色=干净、冷静”。
   • 生活类比：你总结出 → 人们选水果，味道因素（甜/好吃）比外观因素（好看）更重要。

4.5 为什么叫“模板分析”？

“模板”不是 PPT 模板，而是指一个 “初步的分类框架”。研究者先假设一些可能的分类（比如颜色=联想），然后在收集到的数据里不断验证和调整。

• 一开始模板可能粗糙：

  • 红色=激情；
  • 蓝色=冷静；
  • 绿色=自然。

• 收集到更多回答后，可能细化：红色不仅是激情，还可能是“警示”；蓝色不仅冷静，还可能是“科技感”。

  👉 模板就像“空格表格”，数据填进去，最后形成更准确的分类体系。

4.6 举个完整生活例子

假设你要研究 “人们为什么喜欢不同的饮料”：

1. 访谈收集到的话：

   • “我喜欢可乐，因为它让我兴奋。”
   • “我喜欢绿茶，因为很健康。”
   • “我喜欢牛奶，因为有营养。”
   • “我喜欢果汁，因为酸甜可口。”

2. 建立模板（初步分类框架）：

   • 功能类（健康、营养）
   • 体验类（兴奋、味道）

3. 编码：

   • 可乐=体验类-兴奋
   • 绿茶=功能类-健康
   • 牛奶=功能类-营养
   • 果汁=体验类-味道

4. 聚合：

   • 功能类：健康+营养 = 2票
   • 体验类：兴奋+味道 = 2票

5. 总结规律：

   • 一半人喜欢饮料是因为功能（健康、营养），一半是因为体验（好喝、刺激）。

6. 总结：质性编码与模板分析 = 用标签法，把零散的文字答案变成有规律的数据，再总结出普遍规律。
   就像：

   1. 收拾房间 → 把书放到书架，衣服放到衣柜，玩具放到盒子。
   2. 研究访谈 → 把“蓝色=冷静”“绿色=自然”都归到一个类里，再统计多少人这么说。

5. SPSS 与 Python 对比表

5.1 优势对比

5.1.1 SPSS 的优势

1. 上手快，点点鼠标就能跑统计，适合非程序员。
2. 输出结果直观，符合论文要求（表格/显著性/置信区间）。
3. 教学和社会科学研究中应用广泛，培训课程多。

5.1.2 Python 的优势

1. 免费开源，成本低。
2. 灵活性强，不仅能做统计，还能做机器学习、AI、自动化。
3. 可扩展性极高（和 Excel、数据库、网页爬虫、API 结合）。
4. 高度可重复，适合科研、工业级项目。
5. 社区活跃，学习资源丰富。

📌 总结一句话：

• SPSS 更像“统计计算器” → 快速得出结果，适合研究者。
• Python 更像“统计实验室” → 你能自定义方法、自动化、扩展到 AI。

6. The Effects of colour in human fabric perceptions

6.1 论文中的数据分析内容

1. 实验方法设计（数据收集方式）

   • N-Alternative Forced Choice (N-AFC)：让参与者从多个颜色中选择自己最喜欢的。
   • Rank-Order 排序：要求参与者按喜好程度对所有颜色进行排序。
   • Rating 评分：让参与者对每个颜色进行打分（如 0–100 分）。
   • Paired Comparison 成对比较：让参与者两两比较颜色，每次选出一个。

   👉 这些方法产生了不同类型的数据（分类数据、排序数据、区间数据），论文通过这些实验获取人类对布料颜色的偏好与感知。

2. 统计分析方法

   • 方差分析 (ANOVA)：用来比较不同颜色、不同布料在感知结果上的差异是否显著。

   • 相关分析：研究颜色偏好和其他特征（如材质光滑度、柔软度）之间的关系。

   • 多维尺度分析 (MDS)：把复杂的颜色感知数据映射到二维或三维空间中，帮助直观地看出颜色之间的相似度。

   • 聚类分析：将偏好相近的颜色或布料分到一组，发现潜在模式。

3. 关键结论

   • 不同颜色显著影响人们对布料的“温暖感、柔软感、质量感”的主观评价。

   • 数据显示，暖色调（红、橙）更容易让人觉得布料柔软温暖；冷色调（蓝、绿）更偏向“坚硬、清凉”的感知。

   • 色彩与材质本身的交互效应也很明显：同一种颜色在丝绸和粗布上的感知完全不同。

6.2 数据分析原理解释 + 生活例子

1. Forced Choice / 排序 / 打分

   • 原理：通过不同的调查问法获取不同粒度的数据。
   • 例子：你去奶茶店，老板问你：
     • Forced Choice：你要奶茶还是咖啡？（二选一）
     • Rank-Order：把奶茶、咖啡、果汁、可乐从最喜欢到最不喜欢排个顺序。
     • Rating：给奶茶、咖啡、果汁分别打分（比如奶茶 90 分，咖啡 70 分）。
   • 这三种方式得到的数据不同，研究者根据实验目的选择合适的方法。

2. 方差分析 (ANOVA)

   • 原理：比较多个组的均值，看差异是不是“显著”而不是随机波动。

   • 例子：假设有 30 个人试穿三种颜色的 T 恤（红、蓝、绿），然后对“舒适度”打分。ANOVA 能告诉我们红色和蓝色 T 恤的舒适度评分差异是不是有统计意义，而不是因为“碰巧样本不同”。

3. 多维尺度分析 (MDS)

   • 原理：把“相似度”或“距离”数据映射到二维/三维图里，让人能直观理解。

   • 例子：假设你喜欢的饮料有奶茶、绿茶、咖啡、可乐。别人觉得奶茶和绿茶很像，但咖啡和可乐差异大。MDS 会画出一个二维坐标图，把“像的东西”放在一起，“不像的东西”放远一点。

4. 聚类分析

   • 原理：把数据分组，让同类的东西聚在一起。

   • 例子：商场根据购物记录把人群分为“爱买运动装”“爱买奢侈品”“爱买居家用品”。

   • 在论文里，研究者把“偏好相似的颜色和布料”分组，帮助时尚设计师定位市场。

✅ 总结：

这篇论文主要用到了 实验设计 + 统计分析方法（ANOVA、相关分析、MDS、聚类） 来研究颜色对布料感知的影响。

现实生活中，你可以把这种分析方法类比到 饮料选择、衣服购买、甚至美食口味 上，用不同的数据收集和分析方法，帮助理解人们的偏好和感知规律。

公众号：AI悦创【二维码】