121surveys
Accedi
Menu

Stima Hierarchical Bayes

Hierarchical Bayes: utilità per ogni singolo rispondente

Negli studi conjoint e MaxDiff, Hierarchical Bayes (HB) non stima solo una media ma le utilità di ogni rispondente. Per farlo prende in prestito informazione da tutto il campione e mostra quanto il tuo target decida davvero in modo diverso, indicando onestamente l'incertezza.

Creare e testare è gratis. Per pubblicare scegli un piano a pagamento.

Come funziona Hierarchical Bayes

Che cos'è Hierarchical Bayes?

Hierarchical Bayes è un metodo di stima per esperimenti di scelta come conjoint e MaxDiff. Ogni rispondente svolge solo pochi compiti, troppo pochi per determinare in modo affidabile le sue preferenze basandosi solo su di essi. HB risolve il problema stimando utilità proprie per ogni persona e allineandole al tempo stesso alla distribuzione di tutti gli altri. Il risultato sono utilità parziali individuali per livello o per elemento, da trasformare in importanze, segmenti e simulazioni di mercato.

Due livelli: popolazione e individuo

Il modello ha due livelli. Quello superiore descrive come sono distribuite le utilità nella popolazione: media e dispersione per ogni parametro. Quello inferiore contiene ogni singola persona, le cui utilità sono considerate un'estrazione da questa distribuzione. Chi ha risposto poco o in modo contraddittorio viene attirato di più verso il centro; chi ha scelto in modo chiaro e coerente mantiene un profilo proprio. È questo «borrowing strength» a rendere possibili stime individuali stabili a partire da pochi compiti.

Perché non basta un modello logit?

Un logit multinomiale aggregato stima un unico insieme di utilità per tutti. Con un target eterogeneo questa media nasconde schieramenti opposti: se metà dei rispondenti bada poco al prezzo e l'altra metà è molto sensibile, il logit mostra una sensibilità media che non vale per nessuno. In più c'è la proprietà IIA: una nuova offerta sottrae quote a tutte le offerte esistenti in proporzione, anche se somiglia molto a una sola di esse. Se simuli con utilità individuali, le offerte simili competono soprattutto tra loro e le quote di mercato diventano più realistiche.

Estrazioni invece di un unico numero

HB si stima con metodi Markov Chain Monte Carlo (MCMC). Invece di un valore puntuale si ottengono molte estrazioni dalla distribuzione a posteriori: valori plausibili per ogni parametro, dati i dati e il modello. Da esse ricavi le medie ma anche gli intervalli di incertezza, sia per una singola utilità sia per una quota di mercato simulata. Più le estrazioni sono disperse, più devi interpretare il risultato con cautela.

Verificare la convergenza

Un'esecuzione MCMC è affidabile solo se le catene hanno trovato la stessa distribuzione. Gli indicatori usuali sono tre: R-hat confronta la dispersione all'interno delle catene e tra di esse e dovrebbe essere vicino a 1. La dimensione campionaria effettiva (ESS) indica a quante estrazioni indipendenti corrispondono le estrazioni correlate. Le divergenze segnalano i punti in cui il campionatore non è riuscito a esplorare bene la distribuzione. Se uno di questi valori è anomalo, il risultato non va in un report senza verifica.

Hierarchical Bayes in 121surveys: cosa trovi

  • Per conjoint e MaxDiff

    Avvii l'elaborazione HB direttamente nell'analisi di una domanda conjoint o MaxDiff. Stima le utilità per rispondente e ne ricava i risultati che conosci già: utilità parziali e importanze nel conjoint, la classifica degli elementi nel MaxDiff.

  • Calcolo in background

    HB non gira mai durante la tua richiesta, ma in un processo di calcolo separato in background. A seconda della dimensione dello studio, un'elaborazione dura da minuti a ore; un indicatore di avanzamento mostra la fase: caricamento dati, estrazioni, salvataggio. Nel frattempo puoi continuare a lavorare e tornare più tardi, e un secondo clic non avvia un'elaborazione doppia.

  • Con i tuoi filtri attuali

    L'elaborazione usa esattamente le risposte che la tua analisi mostra in quel momento: filtri, periodo ed esclusione degli invii di prova valgono come nella vista. Così puoi stimare HB, per esempio, solo per un target o per un periodo di rilevazione.

  • La diagnostica sempre visibile

    Per ogni elaborazione l'analisi mostra R-hat, la dimensione campionaria effettiva e il numero di divergenze. Se un'elaborazione non soddisfa tutti i criteri, 121surveys segnala il risultato come non affidabile invece di presentarlo in silenzio come un buon risultato.

  • Estrazioni per ottimizzare il portafoglio

    Nel conjoint un'elaborazione HB salva 100 estrazioni diradate per rispondente. Su di esse si basa l'ottimizzazione del portafoglio, che cerca fino a cinque prodotti con la massima copertura o il margine di contribuzione più alto rispetto al tuo mercato di base e al non acquisto, e valuta le proposte migliori con un intervallo al 95 %. Le estrazioni vengono cancellate dopo 90 giorni.

  • Prima stime rapide, poi HB

    Nel conjoint l'analisi parte dai conteggi e passa al modello logit quando le risposte sono sufficienti; oltre un numero minimo ti segnala HB. Entrambe le soglie te le indica il consulente metodologico nell'editor e nell'analisi. Nel MaxDiff vedi prima l'analisi per conteggi e avvii HB in aggiunta quando ti servono valori individuali.

Domande frequenti

Quante risposte servono per Hierarchical Bayes?

Dipende dal disegno: numero di compiti per rispondente, di attributi e di livelli. Più parametri il modello deve determinare per ogni persona, più informazione gli serve. 121surveys indica nel consulente metodologico la soglia da cui viene proposto HB e calcola per conjoint e MaxDiff una dimensione minima a partire dal tuo disegno. Regole empiriche fisse che ignorano il disegno dicono poco.

I risultati HB sono sempre migliori del logit?

Non automaticamente. Con un target omogeneo i due risultati sono vicini e il logit è più rapido. HB dà il meglio quando le persone differiscono in modo netto e vuoi creare segmenti o simulare quote di mercato. Un'elaborazione HB con scarsa convergenza è invece peggiore di un logit pulito: per questo la diagnostica accompagna ogni risultato.

Perché un'elaborazione HB richiede così tanto tempo?

L'MCMC estrae molte migliaia di volte dalla distribuzione congiunta di tutti i parametri, e a ogni estrazione un intero insieme di utilità per ogni rispondente. Negli studi grandi con molti attributi si accumulano così moltissimi valori. 121surveys esegue il calcolo in un processo separato, così il resto dell'applicazione resta veloce, e ti mostra l'avanzamento.

Che cosa significa «non affidabile» nell'analisi?

Almeno un indicatore di convergenza (R-hat, dimensione campionaria effettiva o divergenze) è fuori soglia. I numeri restano visibili, ma segnalati. Controlla allora se ci sono abbastanza risposte, se il disegno ha troppi parametri per il campione o se un filtro rende troppo piccola la base dati, e ricalcola.

Posso calcolare HB solo per un sottogruppo?

Sì. L'elaborazione riprende i filtri dell'analisi: imposta prima filtri o periodo, poi avvia HB. Tieni presente che un sottogruppo piccolo fornisce anche meno informazione al livello superiore del modello; la diagnostica ti mostra se basta.

Preferenze individuali invece di una media

Crea una domanda conjoint o MaxDiff, raccogli le risposte e avvia HB direttamente nell'analisi, con indicatore di avanzamento, diagnostica e, nel conjoint, l'ottimizzazione del portafoglio basata sulle estrazioni.

Inizia gratis