121surveys
Inloggen
Menu

Hierarchical-Bayes-schatting

Hierarchical Bayes: nutwaarden voor elke afzonderlijke respondent

Hierarchical Bayes (HB) schat in conjoint- en MaxDiff-onderzoek niet alleen een gemiddelde, maar nutwaarden voor elke respondent. De methode leent daarvoor informatie van de hele steekproef en laat zien hoe verschillend je doelgroep echt kiest – met een eerlijke maat voor de onzekerheid.

Bouwen en testen is gratis. Om te publiceren kies je een betaald abonnement.

Zo werkt Hierarchical Bayes

Wat is Hierarchical Bayes?

Hierarchical Bayes is een schattingsmethode voor keuze-experimenten zoals conjoint en MaxDiff. Elke respondent beantwoordt maar een handvol taken – te weinig om zijn voorkeuren daar alleen betrouwbaar uit af te leiden. HB lost dat op door voor elke persoon eigen nutwaarden te schatten en die tegelijk af te stemmen op de verdeling van alle anderen. Je krijgt individuele deelnutwaarden per niveau of per item, waarmee je belangrijkheden, segmenten en marktsimulaties maakt.

Twee niveaus: populatie en individu

Het model heeft twee niveaus. Bovenaan beschrijft het hoe de nutwaarden in de populatie verdeeld zijn – gemiddelde en spreiding per parameter. Onderaan staat elke afzonderlijke persoon, wiens nutwaarden gelden als een trekking uit die verdeling. Wie weinig of tegenstrijdig heeft geantwoord, wordt sterker naar het midden getrokken; wie duidelijk en consistent koos, houdt een eigen profiel. Deze ‘borrowing strength’ maakt stabiele individuele schattingen uit weinig taken überhaupt mogelijk.

Waarom niet gewoon een logitmodel?

Een geaggregeerd multinomiaal logitmodel schat één set nutwaarden voor iedereen. Bij een heterogene doelgroep verbergt dat gemiddelde tegengestelde kampen: let de ene helft nauwelijks op de prijs en is de andere juist erg prijsgevoelig, dan toont het logit een gemiddelde prijsgevoeligheid die voor niemand klopt. Daarbij komt de IIA-eigenschap: een nieuw aanbod neemt naar verhouding aandeel af van alle bestaande, ook als het sterk op één ervan lijkt. Simuleer je met individuele nutwaarden, dan concurreren vergelijkbare aanbiedingen vooral onderling – en worden de marktaandelen realistischer.

Trekkingen in plaats van één getal

HB wordt geschat met Markov-chain-Monte-Carlo-methoden (MCMC). In plaats van één puntwaarde ontstaan veel trekkingen uit de posterieure verdeling: plausibele waarden voor elke parameter, gegeven de data en het model. Daaruit lees je gemiddelden af, maar ook onzekerheidsmarges – voor een enkele nutwaarde net zo goed als voor een gesimuleerd marktaandeel. Hoe meer de trekkingen spreiden, hoe voorzichtiger je een resultaat moet interpreteren.

Convergentie controleren

Een MCMC-run is alleen betrouwbaar als de ketens dezelfde verdeling hebben gevonden. Drie controlewaarden zijn gebruikelijk: R-hat vergelijkt de spreiding binnen en tussen de ketens en hoort dicht bij 1 te liggen. De effectieve steekproefgrootte (ESS) geeft aan met hoeveel onafhankelijke trekkingen de gecorreleerde trekkingen overeenkomen. Divergenties markeren plekken waar de sampler de verdeling niet goed kon aftasten. Is een van deze waarden opvallend, dan hoort het resultaat niet ongecontroleerd in een rapport.

Hierarchical Bayes in 121surveys: wat je krijgt

  • Voor conjoint en MaxDiff

    Je start de HB-run direct in de analyse van een conjoint- of MaxDiff-vraag. Die schat nutwaarden per respondent en berekent daaruit de resultaten die je van de vraag kent – deelnutwaarden en belangrijkheden bij conjoint, de rangorde van de items bij MaxDiff.

  • Rekent op de achtergrond

    HB draait nooit tijdens je verzoek, maar in een eigen rekenproces op de achtergrond. Afhankelijk van de grootte van het onderzoek duurt een run minuten tot uren; een voortgangsindicator toont de fase – data laden, trekken, opslaan. Intussen werk je gewoon verder en kom je later terug, en een tweede klik start geen dubbele run.

  • Met je huidige filters

    De run rekent met precies de antwoorden die je analyse op dat moment toont: filters, periode en het weglaten van testinzendingen gelden net als in de weergave. Zo schat je HB bijvoorbeeld alleen voor één doelgroep of één veldwerkperiode.

  • Diagnose in beeld

    Bij elke run toont de analyse R-hat, de effectieve steekproefgrootte en het aantal divergenties. Voldoet een run niet aan alle controlewaarden, dan markeert 121surveys het resultaat als niet betrouwbaar, in plaats van het stilletjes als een goed resultaat te tonen.

  • Trekkingen voor portfolio-optimalisatie

    Bij conjoint bewaart een HB-run per respondent 100 uitgedunde trekkingen. Daarop bouwt de portfolio-optimalisatie voort: die zoekt tot vijf producten met het grootste bereik of de hoogste dekkingsbijdrage tegenover je basismarkt en niet-kopen, en beoordeelt de beste voorstellen met een 95%-interval. Na 90 dagen worden de trekkingen verwijderd.

  • Eerst snelle schattingen, dan HB

    Bij conjoint begint de analyse met counts en schakelt ze bij voldoende antwoorden over op het logitmodel; vanaf een minimumaantal wijst ze je op HB. Beide grenzen noemt de methodeadviseur in de editor en in de analyse. Bij MaxDiff zie je eerst de telanalyse en start je HB erbij als je individuele waarden nodig hebt.

Veelgestelde vragen

Hoeveel antwoorden heb ik nodig voor Hierarchical Bayes?

Dat hangt af van het design: het aantal taken per respondent, attributen en niveaus. Hoe meer parameters het model per persoon moet bepalen, hoe meer informatie het nodig heeft. 121surveys noemt in de methodeadviseur de grens vanaf waar HB wordt aangeboden en berekent voor conjoint en MaxDiff een minimale omvang op basis van je design. Vaste vuistregels zonder blik op het design zeggen weinig.

Zijn HB-resultaten altijd beter dan logit?

Niet vanzelf. Bij een homogene doelgroep liggen beide dicht bij elkaar en is het logit sneller. HB laat zijn kracht zien als mensen duidelijk verschillen en je segmenten wilt vormen of marktaandelen wilt simuleren. Een HB-run met slechte convergentie is juist slechter dan een schoon logit – daarom hoort de diagnose bij elk resultaat.

Waarom duurt een HB-run zo lang?

MCMC trekt vele duizenden keren uit de gezamenlijke verdeling van alle parameters – bij elke trekking een volledige set nutwaarden voor elke respondent. Bij grote onderzoeken met veel attributen loopt dat op tot heel veel waarden. 121surveys rekent dit in een eigen proces, zodat de rest van de applicatie snel blijft, en toont je de voortgang.

Wat betekent ‘niet betrouwbaar’ in de analyse?

Minstens één convergentiewaarde – R-hat, effectieve steekproefgrootte of divergenties – ligt buiten de grens. De cijfers blijven zichtbaar, maar gemarkeerd. Controleer dan of er genoeg antwoorden zijn, of het design te veel parameters heeft voor de steekproef of dat een filter de databasis te klein maakt, en reken opnieuw.

Kan ik HB voor alleen een subgroep berekenen?

Ja. De run neemt de filters van de analyse over: stel eerst filters of een periode in en start dan HB. Houd er rekening mee dat een kleine subgroep ook minder informatie levert voor het bovenste niveau van het model – de diagnose laat zien of het genoeg is.

Individuele voorkeuren in plaats van een gemiddelde

Maak een conjoint- of MaxDiff-vraag, verzamel antwoorden en start HB direct in de analyse – met voortgangsindicator, diagnose en bij conjoint de portfolio-optimalisatie op basis van de trekkingen.

Gratis beginnen