La regresión de preferencias es una técnica estadística que utilizan los especialistas en marketing para determinar los beneficios principales preferidos por los consumidores . Suele complementar las técnicas de posicionamiento de productos , como el escalamiento multidimensional o el análisis factorial , y se utiliza para crear vectores ideales en mapas perceptuales .
A partir de los datos brutos de las encuestas, los investigadores aplican técnicas de posicionamiento para determinar las dimensiones importantes y trazar la posición de los productos de la competencia en esas dimensiones. A continuación, realizan una regresión de los datos de la encuesta en relación con las dimensiones. Las variables independientes son los datos recopilados en la encuesta. La variable dependiente es el dato de preferencia. Como todos los métodos de regresión, la computadora ajusta los pesos para predecir mejor los datos. La línea de regresión resultante se conoce como vector ideal porque la pendiente del vector es la relación de las preferencias por las dos dimensiones.
Si se utilizan todos los datos en la regresión, el programa derivará una única ecuación y, por lo tanto, un único vector ideal. Este suele ser un instrumento poco preciso, por lo que los investigadores refinan el proceso con análisis de conglomerados. Esto crea conglomerados que reflejan segmentos de mercado . Luego se realizan regresiones de preferencias independientes sobre los datos dentro de cada segmento. Esto proporciona un vector ideal para cada segmento.
El método de importancia autodeclarada es un método alternativo en el que se utilizan datos directos de encuestas para determinar las ponderaciones en lugar de imputaciones estadísticas. Un tercer método es el análisis conjunto en el que se utiliza un método aditivo.