Strong Preferences or Simplifying Heuristics? Using Internal Validity Tests and Latent Class Analysis to Better Understand Stated Preference Survey Results. A Case Example in Health Preferences Research
Notice bibliographique
Résumé
OBJECTIVES: Internal-validity tests (IVTs) are used in discrete choice experiments (DCEs) to check decision heuristics, choice logic, response consistency, and tradeoffs. There is no standard for how many IVT failures classify respondents as having unacceptable data quality or how to account for failures in choice models. We assessed IVT failures and used latent class analysis to identify choice patterns consistent with statistically informative DCE data. METHODS: We conducted a DCE with 4 attributes (3 ordered), 12 experimental choice tasks, and 2 constructed IVT choice tasks. Respondents with IVT failures were asked questions about their choices. We evaluated preference heterogeneity controlling for attribute dominance using a 4-class latent class model with attribute-specific alternative-specific constants and compared with a 1-class model without attribute-specific alternative-specific constants. RESULTS: Of the 201 respondents, 34 had IVT failures of which 38% to 42% provided reasons other than nonattendance or simplifying heuristics. Comparing the 4-class latent class model no-dominance class with the 1-class model, the coefficients of 2 ordered attributes were significantly different, illustrating potential bias due to simplifying heuristics. Attribute-specific dominance class probability varied by number of choice tasks respondents exhibited attribute dominance on, ranging from 8 to 10 for a class-membership probability of 50%. CONCLUSIONS: IVT "failures" should be interpreted as unexpected responses warranting further inquiry. Including understanding questions could yield insights about stated preferences; however, these increase respondent burden and may not explain simplifying heuristics. Single subjective "rules of thumb" for attribute dominance thresholds may not be adequate. Latent class models controlling for attribute dominance are a data-driven approach that should be considered to assess simplifying heuristics and attribute dominance thresholds.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,170 | 0,549 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,007 | 0,014 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».