Hierarchical Bayes
Hierarchical Bayes: Nutzwerte für jede einzelne Person
Hierarchical Bayes (HB) schätzt in Conjoint- und MaxDiff-Studien nicht nur einen Durchschnitt, sondern Nutzwerte für jede befragte Person. Das Verfahren leiht sich dafür Information aus der ganzen Stichprobe und zeigt, wie unterschiedlich deine Zielgruppe wirklich entscheidet – mit einer ehrlichen Angabe der Unsicherheit.
Bauen und testen ist kostenlos. Zum Veröffentlichen wählst du einen bezahlten Tarif.
So funktioniert Hierarchical Bayes
Was ist Hierarchical Bayes?
Hierarchical Bayes ist ein Schätzverfahren für Wahlexperimente wie Conjoint und MaxDiff. Jede Person beantwortet nur eine Handvoll Aufgaben – zu wenig, um ihre Präferenzen allein daraus sicher zu bestimmen. HB löst das, indem es für jede Person eigene Nutzwerte schätzt und sie zugleich an der Verteilung aller anderen ausrichtet. Heraus kommen individuelle Teilnutzen je Ausprägung oder je Gegenstand, die du zu Wichtigkeiten, Segmenten und Marktsimulationen weiterverarbeiten kannst.
Zwei Ebenen: Population und Person
Das Modell hat zwei Ebenen. Oben beschreibt es, wie die Nutzwerte in der Population verteilt sind – Mittelwert und Streuung je Parameter. Unten steht jede einzelne Person, deren Nutzwerte als Ziehung aus dieser Verteilung gelten. Wer wenig oder widersprüchlich geantwortet hat, wird stärker zur Mitte gezogen; wer klar und konsistent gewählt hat, behält ein eigenes Profil. Dieses „Borrowing strength“ macht stabile Einzelschätzungen aus wenigen Aufgaben überhaupt erst möglich.
Warum nicht einfach ein Logit-Modell?
Ein aggregiertes Multinomial-Logit schätzt einen einzigen Satz Nutzwerte für alle. Bei einer heterogenen Zielgruppe verdeckt dieser Mittelwert gegensätzliche Lager: Achtet die eine Hälfte kaum auf den Preis und ist die andere sehr preissensibel, zeigt das Logit eine mittlere Preisempfindlichkeit, die auf niemanden zutrifft. Dazu kommt die IIA-Eigenschaft: Ein neues Angebot nimmt allen bestehenden proportional Anteile weg, auch wenn es einem davon sehr ähnlich ist. Simulierst du über individuelle Nutzwerte, konkurrieren ähnliche Angebote vor allem untereinander – die Marktanteile werden realistischer.
Ziehungen statt einer einzigen Zahl
HB wird mit Markov-Chain-Monte-Carlo-Verfahren (MCMC) geschätzt. Statt eines Punktwerts entstehen viele Ziehungen aus der A-posteriori-Verteilung: plausible Werte für jeden Parameter, gegeben die Daten und das Modell. Aus ihnen liest du Mittelwerte, aber auch Unsicherheitsbereiche ab – für einen einzelnen Nutzwert genauso wie für einen simulierten Marktanteil. Je stärker die Ziehungen streuen, desto vorsichtiger solltest du ein Ergebnis deuten.
Konvergenz prüfen
Ein MCMC-Lauf ist nur belastbar, wenn die Ketten dieselbe Verteilung gefunden haben. Drei Prüfwerte sind üblich: R-hat vergleicht die Streuung innerhalb und zwischen den Ketten und sollte nahe bei 1 liegen. Die effektive Stichprobengröße (ESS) sagt, wie vielen unabhängigen Ziehungen die korrelierten Ziehungen entsprechen. Divergenzen markieren Stellen, an denen der Sampler die Verteilung nicht sauber abtasten konnte. Ist einer der Werte auffällig, gehört das Ergebnis nicht ungeprüft in einen Bericht.
Hierarchical Bayes in 121surveys
Für Conjoint und MaxDiff
Den HB-Lauf startest du direkt in der Auswertung einer Conjoint- oder MaxDiff-Frage. Er schätzt Nutzwerte je Person und rechnet daraus die Ergebnisse, die du von der Frage kennst – Teilnutzen und Wichtigkeiten bei Conjoint, die Rangfolge der Gegenstände bei MaxDiff.
Rechnet im Hintergrund
HB läuft nie während deiner Anfrage, sondern in einem eigenen Rechenprozess im Hintergrund. Je nach Größe der Studie dauert ein Lauf Minuten bis Stunden; eine Fortschrittsanzeige nennt die Phase – Daten laden, Ziehen, Speichern. Du kannst in der Zwischenzeit weiterarbeiten und später zurückkommen, und ein zweiter Klick startet keinen doppelten Lauf.
Mit deinem Filterstand
Der Lauf rechnet auf genau den Antworten, die deine Auswertung gerade zeigt: Filter, Zeitraum und der Ausschluss von Testeinreichungen gelten wie in der Ansicht. So schätzt du HB zum Beispiel nur für eine Zielgruppe oder einen Erhebungszeitraum.
Diagnose im Blick
Zu jedem Lauf zeigt die Auswertung R-hat, die effektive Stichprobengröße und die Zahl der Divergenzen. Erfüllt ein Lauf nicht alle Prüfwerte, kennzeichnet 121surveys das Ergebnis als nicht belastbar, statt es stillschweigend wie ein gutes zu präsentieren.
Ziehungen für die Portfolio-Optimierung
Bei Conjoint speichert ein HB-Lauf je Person 100 ausgedünnte Ziehungen. Darauf baut die Portfolio-Optimierung auf, die bis zu fünf Produkte mit der größten Reichweite oder dem höchsten Deckungsbeitrag gegen deinen Basismarkt und den Nichtkauf sucht und die besten Vorschläge mit einem 95-%-Intervall bewertet. Nach 90 Tagen werden die Ziehungen gelöscht.
Erst schnelle Schätzungen, dann HB
Bei Conjoint beginnt die Auswertung mit Counts und wechselt bei genügend Antworten zum Logit-Modell; ab einer Mindestzahl weist sie auf HB hin. Beide Grenzen nennt dir der Methodenberater im Editor und in der Auswertung. Bei MaxDiff siehst du zuerst die Zählauswertung und startest HB dazu, wenn du individuelle Werte brauchst.
Häufige Fragen
Wie viele Antworten brauche ich für Hierarchical Bayes?
Das hängt vom Design ab: von der Zahl der Aufgaben je Person, der Merkmale und der Ausprägungen. Je mehr Parameter das Modell für eine Person bestimmen muss, desto mehr Information braucht es. 121surveys nennt die Grenze, ab der HB angeboten wird, im Methodenberater und rechnet für Conjoint und MaxDiff eine Mindestgröße aus deinem Design aus. Feste Faustzahlen ohne Blick auf das Design sagen wenig.
Sind HB-Ergebnisse immer besser als Logit?
Nicht automatisch. Bei einer homogenen Zielgruppe liegen beide nah beieinander, und das Logit ist schneller. HB spielt seine Stärke aus, wenn sich Personen deutlich unterscheiden und du Segmente bilden oder Marktanteile simulieren willst. Ein HB-Lauf mit schlechter Konvergenz ist dagegen schlechter als ein sauberes Logit – deshalb gehört die Diagnose zu jedem Ergebnis.
Warum dauert ein HB-Lauf so lange?
MCMC zieht viele tausend Mal aus der gemeinsamen Verteilung aller Parameter – bei jeder Ziehung für jede Person einen ganzen Satz Nutzwerte. Bei großen Studien mit vielen Merkmalen kommen so sehr viele Werte zusammen. 121surveys rechnet das in einem eigenen Prozess, damit die übrige Anwendung schnell bleibt, und zeigt dir den Fortschritt.
Was bedeutet „nicht belastbar“ in der Auswertung?
Mindestens ein Prüfwert der Konvergenz – R-hat, effektive Stichprobengröße oder Divergenzen – liegt außerhalb der Grenze. Die Zahlen stehen trotzdem da, aber gekennzeichnet. Prüfe dann, ob genug Antworten vorliegen, ob das Design zu viele Parameter für die Stichprobe hat oder ob ein Filter die Datenbasis zu klein macht, und rechne neu.
Kann ich HB nur für eine Teilgruppe rechnen?
Ja. Der Lauf übernimmt den Filterstand der Auswertung: Setze zuerst Filter oder Zeitraum und starte dann HB. Bedenke, dass eine kleine Teilgruppe auch weniger Information für die obere Ebene des Modells liefert – die Diagnose zeigt dir, ob es reicht.
Individuelle Präferenzen statt Durchschnitt
Lege eine Conjoint- oder MaxDiff-Frage an, sammle Antworten und starte HB direkt in der Auswertung – mit Fortschrittsanzeige, Diagnose und, bei Conjoint, der Portfolio-Optimierung auf Basis der Ziehungen.
