编辑推荐：
为解决多块 L 型数据中消费者异质性分析难题，研究人员结合 SO-PLS 回归与两步法（TSP）提出 SO-TSP 方法。以挪威酸奶研究为例，分两步分析感官属性、消费者偏好与属性数据，发现该方法可揭示消费者细分与动态感官、属性间复杂关系，为相关研究提供新工具。
在食品研发与市场推广的广袤天地里，精准捕捉消费者对食品的感知与偏好恰似解开一道复杂的密码。过往研究中，L 型数据结构常被用于刻画消费者偏好（Y）、感官属性（X）与消费者属性（Z）的关联，然而当面对动态变化的感官属性（如进食过程不同阶段的感知）和多维度的消费者属性（如健康与口味态度）构成的多块 L 型数据时，传统分析方法往往力不从心，难以同时解析多块数据间的复杂交互与消费者群体异质性。如何在这数据的迷宫中找到一条清晰的路径，深入挖掘不同消费者群体对动态感官体验的响应差异，以及这些差异与消费者属性之间的内在联系，成为摆在研究者面前的重要课题。
为突破这一困境，来自挪威 Nofima AS 等机构的研究人员开展了一项富有创新性的研究，相关成果发表在《Food Quality and Preference》。研究者以挪威消费者对酸奶的偏好为切入点，收集了进食过程起始阶段（X1）和中末期（X2）的两部分动态感官属性数据、消费者偏好数据（Y）以及健康态度（Z1）和口味态度（Z2）两部分消费者属性数据，构建起多块 L 型数据架构，旨在开发一种能够有效分析此类复杂数据结构的新方法，揭示消费者异质性背后的规律。
关键技术方法
研究主要采用序贯正交偏最小二乘回归（SO-PLS）与两步法（TSP）结合的SO-TSP 方法。第一步，运用 SO-PLS 将消费者偏好数据（Y）与动态感官属性数据（X1、X2）进行回归分析，通过主成分预测（PCP）相关性对消费者进行分段；第二步，利用 SO-PLS 将代表分段的虚拟变量与消费者属性数据（Z1、Z2）进行回归，解析不同消费者群体属性差异。研究还涉及数据分块处理、模型组件筛选（基于 M?ge 图确定组件数量）等关键步骤，样本来自 101 名定期食用酸奶的挪威消费者，数据通过 EyeQuestion 软件采集。
研究结果
1. 动态感官属性与消费者偏好的关联（Step 1）
通过 SO-PLS 回归分析发现，进食起始阶段的感官属性（X1，采用 2 个组件）与中末期感官属性（X2，正交于 X1，采用 1 个组件）对消费者偏好（Y）均有显著影响。模型的均方根误差（RMSEC）为 17.02，较无回归模型有显著提升，表明动态感官属性的分阶段分析能有效解释消费者偏好差异。基于主成分预测（PCP）得分与相关载荷的可视化分析，将消费者分为两个显著不同的群体，揭示出消费者对酸奶动态感官体验的偏好存在异质性。
2. 消费者分段与属性数据的关联（Step 2）
将第一步得到的两个消费者分段作为虚拟变量，通过 SO-PLS 与健康态度（Z1）和口味态度（Z2）数据进行回归分析。结果显示，不同分段的消费者在健康与口味态度上存在显著差异：某一分段消费者更倾向于将口味作为偏好的主要驱动因素，而另一分段则对健康属性更为关注。这表明消费者的偏好异质性与其内在的属性态度密切相关，SO-TSP 方法能够有效捕捉这种跨数据块的复杂关联。
研究结论与意义
本研究首次将 SO-PLS 与 TSP 结合，开发出适用于多块 L 型数据的 SO-TSP 分析方法。通过挪威酸奶研究的实证应用，证实该方法能够：
- 有效解析动态感官属性分阶段对消费者偏好的贡献，突破传统静态分析的局限；
- 基于主成分预测（PCP）实现消费者群体的可视化分段，为市场细分提供新视角；
- 揭示消费者属性（如健康与口味态度）与偏好分段的内在关联，为产品定制化开发提供理论依据。
研究为食品科学领域中多维度、动态数据的分析提供了灵活且强大的工具，有助于研究者更深入地理解消费者异质性的本质，推动 “以消费者为中心” 的食品研发模式发展。未来可进一步拓展该方法在其他食品品类及更复杂数据结构中的应用，探索更多消费者属性（如社会人口学特征）与动态感官体验的交互作用，为精准食品科学研究开辟新路径。
