潜在クラス分析は、因子分析、クラスター分析と似ていますが少し異なります。
回答者やユーザーをその特徴に基づいていくつかのグループに分けるという点では同じです。
回答者を分類して各グループ（クラスター）の特徴とその割合を分析することが目的です。
クラスター分析では、クラスターの分け方（個数）は分析者の主観により意味合いを取りながら行いますが、潜在クラス分析では出力結果からグループの数を決めることができます。
CBCには専用の潜在クラス分析ツールが存在します。
私たちの周りの事象には、直接的に観測できる世界（顕在的な世界）と直接見ることができない（潜在的な世界）があるそうです。
と言われると何のことやら・・・ですが、
例えば、車などでもトヨタ派のユーザーや、ホンダ好き、日産フリークなど実際に乗っている（目に見える）車で分類は可能です。（当たり前です）
しかし、単純な分類ではない、もっとディープな分類とでも言いましょうか。その下にある潜在的な分類が可能ということです。
例えば、トヨタの先進派とか、ホンダ走り屋派・・・などでしょうか。
つまり潜在クラス分析をうまく使うことにより今まで表面的にしか見えていなかった分類とは異なる新しい分類が見えてくるということです。今まで見えていなかった情報を取り出すことができるようになる訳です。
潜在クラス分析とクラスター分析は似ていると言いましたが、少し異なります。
CBCの潜在クラス分析を少し離れて、一般的な意味において潜在クラス分析とクラスタ分析の違いについて見てみましょう。
因子分析では、数量（量的な変数）のみを扱うのに対し、潜在クラス分析では、数量・選択肢（質的変数）のいずれも対象にすることができる。
クラスター分析も因子得点などの数量（量的な変数）を扱うのに対し、潜在クラス分析では、量的な変数だけでなく質的な変数も同時に扱うことができる。
そして、因子分析やクラスター分析とも、因子数やクラスター数とも概ね分析者の主観により数が決定されるのに対し、潜在クラス分析では、分析者ではなく、統計的な意味づけにおいて数が決定されるということが異なってきます。
どのようにCBCコンジョイント分析の結果からグループ分けを行うのかその流れを見てみましょう。
通常のCBC調査を実施後、各個別回答を元にLCA(以降、潜在クラス分析をこのように表記します）を実施します。
当初クラスター数は通常分析の簡便性も考えて2～5つ程度に分けることでスタートします。
LCA は因子分析やクラスター分析よりも大量サンプル数に対して強い側面があります。因子分析やクラスター分析ではサンプル数が多かったり、対象の説明変数が多かったりする場合は膨大な処理時間と場合によっては計算不能ということもありますが、LCAでは時間も比較的短く（とは言ってもサンプル数と変数の多さによっては、かなり時間がかかりますが）出力結果を得られます。
クラスタ数の妥当性を確認します。上記ではとりあえず2～5個のクラスターでスタートしました。LCAでは2、3、4、5個それぞれについて結果を出力します。それと同時に分析ステータスの情報も得られます。これにはPercent of certanity 『確かさの比率』という情報が含まれています。
例えば、
となった場合、グループ4つ分けの場合までは、分けたことにより確かさは急上昇しています。しかし、4つ以降は確かさの比率は頭打ちです。よってこの場合はグループ４つ目までを採用すること決定する訳です。
クラスター数を決定したので、シミュレーションソフトウェアにこのクラスター番号を取り込みます。
取り込んだクラスター別に平均効用値および平均重要度のクロス集計を行います。
クラスター別クロス集計の結果や必要に応じコンジョイント以外の一般的な質問や属性などもクロス集計し、総合的に各クラスターの特徴を捉え、ネーミングとして総称を与えます。おそらく今まで気づかなかった新しい情報に気づくことができるようになっているでしょう。
コンジョイント出張セミナー（無料）を実施しています。
詳細・お申し込みはこちらからどうぞ。
