Estimación Hierarchical Bayes
Hierarchical Bayes: utilidades para cada persona encuestada
En los estudios conjoint y MaxDiff, Hierarchical Bayes (HB) no estima solo una media, sino utilidades para cada persona encuestada. Para ello toma prestada información de toda la muestra y muestra lo distinto que decide de verdad tu público, con una medida honesta de la incertidumbre.
Crear y probar es gratis. Para publicar, eliges un plan de pago.
Cómo funciona Hierarchical Bayes
¿Qué es Hierarchical Bayes?
Hierarchical Bayes es un método de estimación para experimentos de elección como conjoint y MaxDiff. Cada persona responde solo un puñado de tareas, demasiado pocas para determinar sus preferencias con seguridad a partir de ellas. HB lo resuelve estimando utilidades propias para cada persona y orientándolas a la vez hacia la distribución de todas las demás. El resultado son utilidades parciales individuales por nivel o por elemento, que puedes convertir en importancias, segmentos y simulaciones de mercado.
Dos niveles: población e individuo
El modelo tiene dos niveles. El superior describe cómo se distribuyen las utilidades en la población: media y dispersión de cada parámetro. En el inferior está cada persona, cuyas utilidades se consideran una extracción de esa distribución. Quien ha respondido poco o de forma contradictoria se acerca más al centro; quien ha elegido de forma clara y coherente conserva un perfil propio. Este «borrowing strength» es lo que hace posibles estimaciones individuales estables con pocas tareas.
¿Por qué no basta un modelo logit?
Un logit multinomial agregado estima un único conjunto de utilidades para todos. Con un público heterogéneo, esa media oculta bandos opuestos: si una mitad apenas se fija en el precio y la otra es muy sensible a él, el logit muestra una sensibilidad media que no se ajusta a nadie. A esto se suma la propiedad IIA: una oferta nueva quita cuota a todas las existentes de forma proporcional, aunque se parezca mucho a una sola. Si simulas con utilidades individuales, las ofertas parecidas compiten sobre todo entre sí y las cuotas de mercado resultan más realistas.
Extracciones en lugar de una sola cifra
HB se estima con métodos de Monte Carlo basados en cadenas de Markov (MCMC). En vez de un valor puntual se obtienen muchas extracciones de la distribución a posteriori: valores plausibles para cada parámetro, dados los datos y el modelo. De ellas obtienes medias, pero también rangos de incertidumbre, tanto para una utilidad concreta como para una cuota de mercado simulada. Cuanto más se dispersen las extracciones, con más cautela debes interpretar un resultado.
Comprobar la convergencia
Una ejecución MCMC solo es fiable si las cadenas han encontrado la misma distribución. Hay tres indicadores habituales: el R-hat compara la dispersión dentro de las cadenas y entre ellas, y debería estar cerca de 1. El tamaño muestral efectivo (ESS) indica a cuántas extracciones independientes equivalen las extracciones correlacionadas. Las divergencias señalan zonas que el muestreador no pudo recorrer bien. Si alguno de estos valores es llamativo, el resultado no debe ir a un informe sin revisarlo.
Hierarchical Bayes en 121surveys
Para conjoint y MaxDiff
Inicias el cálculo HB directamente en el análisis de una pregunta conjoint o MaxDiff. Estima utilidades por persona y de ellas obtiene los resultados que ya conoces: utilidades parciales e importancias en conjoint, la clasificación de los elementos en MaxDiff.
Cálculo en segundo plano
HB nunca se ejecuta durante tu solicitud, sino en un proceso de cálculo propio en segundo plano. Según el tamaño del estudio, un cálculo tarda de minutos a horas, y un indicador de progreso muestra la fase: carga de datos, extracciones, guardado. Mientras tanto puedes seguir trabajando y volver más tarde; un segundo clic no lanza un cálculo duplicado.
Con tus filtros actuales
El cálculo usa exactamente las respuestas que muestra tu análisis en ese momento: filtros, periodo y exclusión de los envíos de prueba se aplican igual que en la vista. Así puedes estimar HB, por ejemplo, solo para un público o un periodo de campo.
El diagnóstico a la vista
Para cada cálculo, el análisis muestra el R-hat, el tamaño muestral efectivo y el número de divergencias. Si un cálculo no cumple todos los criterios, 121surveys marca el resultado como poco fiable en lugar de presentarlo en silencio como uno bueno.
Extracciones para optimizar la cartera
En conjoint, un cálculo HB guarda 100 extracciones reducidas por persona. En ellas se basa la optimización de cartera, que busca hasta cinco productos con el mayor alcance o el mayor margen de contribución frente a tu mercado base y la no compra, y valora las mejores propuestas con un intervalo del 95 %. Las extracciones se borran a los 90 días.
Primero estimaciones rápidas, luego HB
En conjoint, el análisis empieza con recuentos y pasa al modelo logit cuando hay respuestas suficientes; a partir de un número mínimo te sugiere HB. El asesor de métodos del editor y del análisis te indica ambos umbrales. En MaxDiff ves primero el análisis por recuentos y lanzas HB además cuando necesitas valores individuales.
Preguntas frecuentes
¿Cuántas respuestas necesito para Hierarchical Bayes?
Depende del diseño: del número de tareas por persona, de atributos y de niveles. Cuantos más parámetros tenga que determinar el modelo para cada persona, más información necesita. 121surveys indica en el asesor de métodos el umbral a partir del cual se ofrece HB y calcula para conjoint y MaxDiff un tamaño mínimo a partir de tu diseño. Las reglas fijas que ignoran el diseño dicen poco.
¿Los resultados HB son siempre mejores que el logit?
No necesariamente. Con un público homogéneo, ambos quedan cerca y el logit es más rápido. HB muestra su fuerza cuando las personas difieren claramente y quieres formar segmentos o simular cuotas de mercado. En cambio, un cálculo HB con mala convergencia es peor que un logit limpio; por eso el diagnóstico acompaña a cada resultado.
¿Por qué tarda tanto un cálculo HB?
El MCMC extrae muchos miles de veces de la distribución conjunta de todos los parámetros y, en cada extracción, un conjunto completo de utilidades para cada persona. En estudios grandes con muchos atributos se acumulan así muchísimos valores. 121surveys lo calcula en un proceso propio para que el resto de la aplicación siga siendo rápido y te muestra el progreso.
¿Qué significa «poco fiable» en el análisis?
Al menos un indicador de convergencia (R-hat, tamaño muestral efectivo o divergencias) está fuera del límite. Las cifras se siguen mostrando, pero marcadas. Comprueba entonces si hay respuestas suficientes, si el diseño tiene demasiados parámetros para la muestra o si un filtro deja la base de datos demasiado pequeña, y vuelve a calcular.
¿Puedo calcular HB solo para un subgrupo?
Sí. El cálculo toma los filtros del análisis: define primero los filtros o el periodo y luego inicia HB. Ten en cuenta que un subgrupo pequeño también aporta menos información al nivel superior del modelo; el diagnóstico te muestra si es suficiente.
Preferencias individuales en lugar de una media
Crea una pregunta conjoint o MaxDiff, recoge respuestas e inicia HB directamente en el análisis, con indicador de progreso, diagnóstico y, en conjoint, la optimización de cartera basada en las extracciones.
