CATA数据下同一产品线上与感官测试的统计差异评估方法问询

核心分析逻辑 #

你手里的是同一产品、两组测试（线上/感官）的CATA选择次数列联表，本质是要对比两组消费者对食品质地属性的感知分布差异，需同时处理样本量不均和多属性关联这两个核心问题。

具体统计方法 #

1. 单个质地属性的差异检验 #

• 卡方检验：针对单个属性的选择次数列联表（2组×2选择状态：选/不选），当两组样本量都较大时适用；若单元格期望频数<5，需改用Fisher精确检验（适配感官测试小样本场景）。
• 比例差异量化：计算两组选择比例的差值，同时给出*风险比（RR）或优势比（OR）*的95%置信区间，更直观呈现差异幅度。

2. 多属性整体差异检验 #

CATA涉及多个质地属性，单个属性检验会放大Ⅰ类错误，需做整体差异判断：

• 多重对应分析（MCA）：将两组数据纳入同一MCA维度空间，通过观察两组在空间中的聚类距离，判断整体感知模式是否存在显著差异；可结合置换检验验证空间差异的统计显著性。
• 置换检验（Permutation Test）：对整个列联表的分组标签进行随机置换，重复计算两组差异统计量（如卡方值总和），通过实际统计量在置换分布中的位置判断显著性，完全不依赖分布假设，适配小样本。

3. 样本量不均的加权处理 #

由于线上组样本量远大于感官组，可通过加权平衡两组权重：

• 采用逆样本量加权：给每个样本赋予权重1/组内样本量，再进行卡方检验或MCA分析，避免大样本组过度主导结果。
• 加权卡方检验：直接在卡方检验中引入权重参数，调整组间样本量的影响。

误差校正策略 #

1. 多重比较校正 #

若对每个质地属性单独检验，必须校正Ⅰ类错误：

• Bonferroni校正：将显著性水平α除以检验的属性数量，保守但操作简单。
• Benjamini-Hochberg（BH）校正：控制错误发现率（FDR），更适合探索性研究，减少假阴性结果。

2. 小样本误差校正 #

感官测试组样本量偏小，可通过以下方法提升结果稳健性：

• Bootstrap自助法：对感官组样本进行重复抽样（有放回），生成多个模拟样本，计算属性选择比例的置信区间，替代传统正态近似置信区间。
• 合并小类别：若部分属性选择次数极低（如<3），可考虑合并相似属性（需基于专业知识），提升检验效能。

3. 抽样偏差校正 #

线上与感官测试的参与者群体可能存在差异（如年龄、食品认知水平），若有参与者人口统计学数据：

• 倾向得分匹配（PSM）：根据参与者特征计算倾向得分，匹配线上组与感官组中特征相似的样本，消除群体差异带来的误差后再做检验。

实操建议 #

• 按产品单独分析：先针对苹果、马苏里拉奶酪等单个产品逐一检验，再跨产品总结共性差异。
• 可视化辅助：用堆叠柱状图展示每个属性在两组中的选择比例，或MCA得分图呈现整体感知差异，让结果更直观。
• 工具实现：R语言可通过chisq.test()/fisher.test()做组间检验，FactoMineR包实现MCA，boot包完成Bootstrap分析；SPSS也支持上述大部分分析功能。

内容的提问来源于stack exchange，提问作者Luca