La méthode de notation présente l’avantage de fournir non seulement l’ordre des préférences entres les différentes options proposées, mais également la force des préférences. Toutefois, comme les personnes ne passent pas par ce type de procédure lorsqu’ils font des choix dans la réalité, la méthode de notation, tout comme celle de classement, peut être critiquée pour son caractère artificiel.
La méthode de notation est associée à la théorie de l’intégration de l’information (IIT) 55 et à la théorie du jugement social (SJT). Seule la première permet de faire des hypothèses quant à la forme de la distribution statistique des variables aléatoires (ce qui permet ensuite d’obtenir des intervalles de confiance lors du traitement des données, afin de mesurer la validité du modèle). C’est donc la seule méthode qui permet de construire des modèles et qui a les moyens de les falsifier. L’utilisation de modèles d’intégration de l’information pour estimer les utilités partielles à partir de notation est appelé “ functional measurement ” (FM). Si les axiomes relatifs à ce type de modèle sont satisfaits, des techniques telles que l’analyse de la variance ou l’analyse par régression multilinéaire peuvent être utilisées pour traiter les données. La théorie du jugement social (SJT) est basée sur le modèle de Brunswick 56 qui est une théorie descriptive sur la relation entre le stimuli réel, le stimuli perçu et les réponses des individus à chacun des stimuli. Toutefois, par l’intermédiaire de cette technique, on ne peut pas faire d’hypothèses concernant la forme de la distribution des variables aléatoire, on doit donc faire l’hypothèse que les modèles de régression multilinéaire sont des descripteurs adéquats des réponses fournies par la méthode de notation.
La méthode de notation, comme celle du classement, possède toutefois l’inconvénient de ne pas permettre d’estimer directement les choix faits par les individus. Pour passer aux prévisions de choix, il faut que (a) « la plus haute notation soit égale au 1er choix » ou que (b) «les valeurs prévues des notations satisfassent au modèle LOGIT multinomial ». Le principal avantages des données issues de classement est que l’on n’a pas à faire d’hypothèses concernant la cardinalité des mesures. Malheureusement, le comportement statistique des données de classement n’a pas été formellement axiomatisé. Aussi, les propriétés des paramètres estimés sont inconnues, et les spécifications des fonctions d’utilité en compétition ne peuvent être testées. C’est le contraire pour les données de notation : si elles satisfont aux propriétés de mesures cardinales, des tests puissants peuvent être menés sur la forme des modèles et leur adéquation. Mais la satisfaction des conditions de cardinalité est toujours difficile à obtenir. Ces deux problèmes peuvent être évités en utilisant la méthode des choix.
Pour plus de détails sur la théorie, voir ANDERSON N.H., [1981], Foundations of information integration theory, Academic Press, New York.
BRUNSWICK E., [1956], Perception and the representative design of experiments, University of California Press.