121surveys
Se connecter
Menu

Estimation Hierarchical Bayes

Hierarchical Bayes : des utilités pour chaque répondant

En conjoint comme en MaxDiff, Hierarchical Bayes (HB) n'estime pas seulement une moyenne : il calcule des utilités pour chaque répondant. La méthode emprunte de l'information à tout l'échantillon et montre à quel point ta cible décide différemment, avec une mesure honnête de l'incertitude.

Créer et tester est gratuit. Pour publier, tu choisis une offre payante.

Comment fonctionne Hierarchical Bayes

Qu'est-ce que Hierarchical Bayes ?

Hierarchical Bayes est une méthode d'estimation pour les expériences de choix comme le conjoint et le MaxDiff. Chaque répondant ne traite qu'une poignée de tâches : trop peu pour déterminer ses préférences de façon fiable à partir de ses seules réponses. HB résout ce problème en estimant des utilités propres à chaque personne tout en les rapprochant de la distribution de tous les autres. On obtient des utilités partielles individuelles par niveau ou par élément, que tu peux transformer en importances, segments et simulations de marché.

Deux niveaux : population et individu

Le modèle comporte deux niveaux. En haut, il décrit la répartition des utilités dans la population : une moyenne et une dispersion par paramètre. En bas se trouve chaque individu, dont les utilités sont vues comme un tirage dans cette distribution. Une personne qui a peu répondu ou de manière contradictoire est davantage ramenée vers le centre ; une personne aux choix nets et cohérents garde un profil bien à elle. C'est ce « borrowing strength » qui rend possibles des estimations individuelles stables à partir de quelques tâches seulement.

Pourquoi pas un simple modèle logit ?

Un logit multinomial agrégé estime un seul jeu d'utilités pour tout le monde. Avec une cible hétérogène, cette moyenne masque des camps opposés : si une moitié prête à peine attention au prix et que l'autre y est très sensible, le logit affiche une sensibilité moyenne qui ne correspond à personne. S'y ajoute la propriété IIA : une nouvelle offre prend des parts à toutes les offres existantes en proportion, même si elle ressemble fortement à une seule d'entre elles. Si tu simules avec des utilités individuelles, les offres similaires se concurrencent surtout entre elles, et les parts de marché deviennent plus réalistes.

Des tirages plutôt qu'un seul chiffre

HB s'estime par des méthodes de Monte-Carlo par chaînes de Markov (MCMC). Au lieu d'une valeur ponctuelle, on obtient de nombreux tirages dans la distribution a posteriori : des valeurs plausibles pour chaque paramètre, compte tenu des données et du modèle. Tu en tires des moyennes, mais aussi des plages d'incertitude, pour une utilité isolée comme pour une part de marché simulée. Plus les tirages sont dispersés, plus tu dois interpréter un résultat avec prudence.

Vérifier la convergence

Un calcul MCMC n'est fiable que si les chaînes ont trouvé la même distribution. Trois indicateurs sont courants : le R-hat compare la dispersion à l'intérieur des chaînes et entre elles, et doit être proche de 1. La taille d'échantillon effective (ESS) indique à combien de tirages indépendants correspondent les tirages corrélés. Les divergences signalent les zones que l'échantillonneur n'a pas pu explorer proprement. Si l'une de ces valeurs est anormale, le résultat ne doit pas finir dans un rapport sans vérification.

Hierarchical Bayes dans 121surveys

  • Pour le conjoint et le MaxDiff

    Tu lances le calcul HB directement dans l'analyse d'une question conjoint ou MaxDiff. Il estime des utilités par répondant et en déduit les résultats que tu connais déjà : utilités partielles et importances en conjoint, classement des éléments en MaxDiff.

  • Calcul en arrière-plan

    Le calcul HB ne bloque jamais ta requête : il tourne dans un processus séparé en arrière-plan. Selon la taille de l'étude, il dure de quelques minutes à quelques heures, et un indicateur de progression affiche la phase en cours : chargement des données, tirages, enregistrement. Tu peux continuer à travailler et revenir plus tard ; un second clic ne lance pas de calcul en double.

  • Avec tes filtres actuels

    Le calcul porte exactement sur les réponses que ton analyse affiche : filtres, période et exclusion des réponses de test s'appliquent comme dans la vue. Tu peux ainsi estimer HB pour une seule cible ou une seule période de terrain, par exemple.

  • Le diagnostic sous les yeux

    Pour chaque calcul, l'analyse affiche le R-hat, la taille d'échantillon effective et le nombre de divergences. Si un calcul ne remplit pas tous les critères, 121surveys signale le résultat comme peu fiable au lieu de le présenter discrètement comme un bon résultat.

  • Des tirages pour optimiser le portefeuille

    En conjoint, un calcul HB enregistre 100 tirages éclaircis par répondant. L'optimisation de portefeuille s'appuie dessus : elle cherche jusqu'à cinq produits offrant la plus grande portée ou la meilleure marge sur coûts variables face à ton marché de référence et au non-achat, puis évalue les meilleures propositions avec un intervalle à 95 %. Les tirages sont supprimés au bout de 90 jours.

  • D'abord des estimations rapides, puis HB

    En conjoint, l'analyse commence par des comptages et passe au modèle logit dès qu'il y a assez de réponses ; au-delà d'un nombre minimal, elle te propose HB. Le conseiller méthodologique de l'éditeur et de l'analyse t'indique ces deux seuils. En MaxDiff, tu vois d'abord l'analyse par comptage et tu lances HB en plus si tu as besoin de valeurs individuelles.

Questions fréquentes

Combien de réponses faut-il pour Hierarchical Bayes ?

Cela dépend du plan d'expérience : nombre de tâches par répondant, d'attributs et de niveaux. Plus le modèle doit déterminer de paramètres par personne, plus il lui faut d'information. 121surveys indique dans le conseiller méthodologique le seuil à partir duquel HB est proposé et calcule, pour le conjoint et le MaxDiff, une taille minimale à partir de ton plan. Des règles empiriques figées qui ignorent le plan ne disent pas grand-chose.

Les résultats HB sont-ils toujours meilleurs que le logit ?

Pas forcément. Avec une cible homogène, les deux sont proches et le logit est plus rapide. HB montre sa force quand les personnes diffèrent nettement et que tu veux former des segments ou simuler des parts de marché. Un calcul HB mal convergé est en revanche moins bon qu'un logit propre : c'est pourquoi le diagnostic accompagne chaque résultat.

Pourquoi un calcul HB prend-il autant de temps ?

Le MCMC effectue des milliers de tirages dans la distribution conjointe de tous les paramètres, avec à chaque tirage un jeu complet d'utilités pour chaque répondant. Dans les grandes études à nombreux attributs, cela représente énormément de valeurs. 121surveys calcule tout cela dans un processus séparé pour que le reste de l'application reste rapide, et t'affiche la progression.

Que signifie « peu fiable » dans l'analyse ?

Au moins un indicateur de convergence (R-hat, taille d'échantillon effective ou divergences) dépasse sa limite. Les chiffres restent affichés, mais signalés. Vérifie alors s'il y a assez de réponses, si le plan comporte trop de paramètres pour l'échantillon ou si un filtre réduit trop la base de données, puis relance le calcul.

Puis-je calculer HB pour un sous-groupe seulement ?

Oui. Le calcul reprend les filtres de l'analyse : définis d'abord les filtres ou la période, puis lance HB. Garde en tête qu'un petit sous-groupe fournit aussi moins d'information au niveau supérieur du modèle ; le diagnostic te montre si cela suffit.

Des préférences individuelles plutôt qu'une moyenne

Crée une question conjoint ou MaxDiff, recueille des réponses et lance HB directement dans l'analyse, avec suivi de progression, diagnostic et, en conjoint, l'optimisation de portefeuille fondée sur les tirages.

Commencer gratuitement