Hierarchical Bayes-estimering
Hierarchical Bayes: nytteværdier for hver enkelt respondent
Hierarchical Bayes (HB) estimerer ikke kun et gennemsnit i conjoint- og MaxDiff-undersøgelser, men nytteværdier for hver respondent. Metoden låner information fra hele stikprøven og viser, hvor forskelligt din målgruppe reelt vælger – med et ærligt mål for usikkerheden.
Det er gratis at bygge og teste. For at udgive vælger du en betalt plan.
Sådan fungerer Hierarchical Bayes
Hvad er Hierarchical Bayes?
Hierarchical Bayes er en estimeringsmetode til valgeksperimenter som conjoint og MaxDiff. Hver respondent besvarer kun en håndfuld opgaver – for få til sikkert at fastlægge præferencerne ud fra dem alene. HB løser det ved at estimere egne nytteværdier for hver person og samtidig forankre dem i fordelingen hos alle de andre. Resultatet er individuelle delnytter pr. niveau eller pr. element, som du kan omsætte til vigtighed, segmenter og markedssimuleringer.
To niveauer: population og individ
Modellen har to niveauer. Det øverste beskriver, hvordan nytteværdierne fordeler sig i populationen – middelværdi og spredning pr. parameter. Det nederste rummer hver enkelt person, hvis nytteværdier betragtes som en trækning fra den fordeling. Den, der har svaret lidt eller modstridende, trækkes stærkere mod midten; den, der har valgt klart og konsekvent, beholder sin egen profil. Det er denne „borrowing strength“, der overhovedet gør stabile individuelle estimater ud fra få opgaver mulige.
Hvorfor ikke bare en logitmodel?
En aggregeret multinomial logit estimerer ét samlet sæt nytteværdier for alle. I en heterogen målgruppe skjuler gennemsnittet modsatrettede lejre: Hvis den ene halvdel knap ser på prisen og den anden er meget prisfølsom, viser logitmodellen en middel prisfølsomhed, som ikke passer på nogen. Dertil kommer IIA-egenskaben: Et nyt tilbud tager andele proportionalt fra alle eksisterende, også selvom det minder meget om ét af dem. Simulerer du med individuelle nytteværdier, konkurrerer lignende tilbud især med hinanden – og markedsandelene bliver mere realistiske.
Trækninger i stedet for ét enkelt tal
HB estimeres med Markov chain Monte Carlo (MCMC). I stedet for en punktværdi opstår mange trækninger fra posteriorfordelingen: plausible værdier for hver parameter givet data og model. Ud fra dem aflæser du gennemsnit, men også usikkerhedsintervaller – for en enkelt nytteværdi lige så vel som for en simuleret markedsandel. Jo mere trækningerne spreder sig, desto mere forsigtigt bør du tolke et resultat.
Tjek konvergensen
En MCMC-kørsel er kun pålidelig, hvis kæderne har fundet den samme fordeling. Tre kontrolværdier er almindelige: R-hat sammenligner spredningen inden for og mellem kæderne og bør ligge tæt på 1. Den effektive stikprøvestørrelse (ESS) fortæller, hvor mange uafhængige trækninger de korrelerede trækninger svarer til. Divergenser markerer steder, hvor sampleren ikke kunne afsøge fordelingen ordentligt. Er en af værdierne påfaldende, hører resultatet ikke ukontrolleret hjemme i en rapport.
Hierarchical Bayes i 121surveys: det får du
Til conjoint og MaxDiff
Du starter HB-kørslen direkte i analysen af et conjoint- eller MaxDiff-spørgsmål. Den estimerer nytteværdier pr. respondent og beregner ud fra dem de resultater, du kender fra spørgsmålet – delnytter og vigtighed ved conjoint, rangordenen af elementerne ved MaxDiff.
Regner i baggrunden
HB kører aldrig, mens du venter på en side, men i en separat beregningsproces i baggrunden. Afhængigt af undersøgelsens størrelse tager en kørsel minutter til timer, og en statusvisning angiver fasen – indlæser data, trækker, gemmer. Imens kan du arbejde videre og vende tilbage senere, og et klik mere starter ikke en dobbelt kørsel.
Med dine aktuelle filtre
Kørslen regner på præcis de svar, som din analyse viser lige nu: filtre, periode og udeladelse af testbesvarelser gælder som i visningen. Så kan du for eksempel estimere HB for kun én målgruppe eller én indsamlingsperiode.
Diagnosen for øje
For hver kørsel viser analysen R-hat, den effektive stikprøvestørrelse og antallet af divergenser. Opfylder en kørsel ikke alle kontrolværdier, markerer 121surveys resultatet som ikke pålideligt i stedet for i stilhed at vise det som et godt.
Trækninger til porteføljeoptimering
Ved conjoint gemmer en HB-kørsel 100 udtyndede trækninger pr. respondent. Porteføljeoptimeringen bygger på dem: Den søger op til fem produkter med størst rækkevidde eller højest dækningsbidrag over for dit basismarked og fravalg af køb og vurderer de bedste forslag med et 95 %-interval. Efter 90 dage slettes trækningerne.
Først hurtige estimater, så HB
Ved conjoint begynder analysen med counts og skifter til logitmodellen, når der er svar nok; fra et minimumsantal gør den dig opmærksom på HB. Begge grænser oplyser metodevejlederen i editoren og i analysen. Ved MaxDiff ser du først tælleanalysen og starter HB oveni, når du har brug for individuelle værdier.
Ofte stillede spørgsmål
Hvor mange svar skal jeg bruge til Hierarchical Bayes?
Det afhænger af designet: antallet af opgaver pr. respondent, attributter og niveauer. Jo flere parametre modellen skal fastlægge pr. person, desto mere information kræver den. 121surveys angiver i metodevejlederen den grænse, hvorfra HB tilbydes, og beregner for conjoint og MaxDiff en minimumsstørrelse ud fra dit design. Faste tommelfingerregler uden blik for designet siger ikke meget.
Er HB-resultater altid bedre end logit?
Ikke automatisk. I en homogen målgruppe ligger de tæt på hinanden, og logitmodellen er hurtigere. HB viser sin styrke, når personer adskiller sig tydeligt, og du vil danne segmenter eller simulere markedsandele. En HB-kørsel med dårlig konvergens er til gengæld dårligere end en ren logit – derfor hører diagnosen med til hvert resultat.
Hvorfor tager en HB-kørsel så lang tid?
MCMC trækker mange tusinde gange fra den fælles fordeling af alle parametre – ved hver trækning et helt sæt nytteværdier for hver respondent. I store undersøgelser med mange attributter bliver det til rigtig mange værdier. 121surveys regner det i en separat proces, så resten af programmet forbliver hurtigt, og viser dig, hvor langt kørslen er.
Hvad betyder „ikke pålideligt“ i analysen?
Mindst én konvergensværdi – R-hat, effektiv stikprøvestørrelse eller divergenser – ligger uden for grænsen. Tallene vises stadig, men markeret. Tjek så, om der er svar nok, om designet har for mange parametre til stikprøven, eller om et filter gør datagrundlaget for lille, og regn igen.
Kan jeg køre HB for kun en delgruppe?
Ja. Kørslen overtager analysens filtre: Sæt først filtre eller periode, og start så HB. Husk, at en lille delgruppe også giver modellens øverste niveau mindre information – diagnosen viser dig, om det er nok.
Individuelle præferencer frem for et gennemsnit
Opret et conjoint- eller MaxDiff-spørgsmål, indsaml svar, og start HB direkte i analysen – med statusvisning, diagnose og ved conjoint porteføljeoptimering på grundlag af trækningerne.
