121surveys
Logg inn
Meny

Hierarchical Bayes-estimering i analysen

Hierarchical Bayes: nytteverdier for hver enkelt respondent

Hierarchical Bayes (HB) anslår ikke bare et gjennomsnitt i conjoint- og MaxDiff-studier, men nytteverdier for hver respondent. Metoden låner informasjon fra hele utvalget og viser hvor ulikt målgruppen din faktisk velger – med et ærlig mål på usikkerheten.

Det er gratis å bygge og teste. For å publisere velger du en betalt plan.

Slik fungerer Hierarchical Bayes

Hva er Hierarchical Bayes?

Hierarchical Bayes er en estimeringsmetode for valgeksperimenter som conjoint og MaxDiff. Hver respondent svarer bare på en håndfull oppgaver – for få til å fastsette preferansene sikkert ut fra dem alene. HB løser dette ved å anslå egne nytteverdier for hver person og samtidig forankre dem i fordelingen til alle de andre. Resultatet er individuelle delnytter per nivå eller per element, som du kan gjøre om til viktighet, segmenter og markedssimuleringer.

To nivåer: populasjon og individ

Modellen har to nivåer. Det øverste beskriver hvordan nytteverdiene fordeler seg i populasjonen – gjennomsnitt og spredning per parameter. Det nederste inneholder hver enkelt person, der nytteverdiene regnes som en trekning fra denne fordelingen. Den som har svart lite eller motstridende, trekkes sterkere mot midten; den som har valgt tydelig og konsekvent, beholder en egen profil. Det er denne «borrowing strength» som i det hele tatt gjør stabile individuelle anslag fra få oppgaver mulig.

Hvorfor ikke bare en logitmodell?

En aggregert multinomisk logit anslår ett eneste sett nytteverdier for alle. I en heterogen målgruppe skjuler gjennomsnittet motstridende leirer: Bryr den ene halvdelen seg knapt om prisen mens den andre er svært prisfølsom, viser logitmodellen en middels prisfølsomhet som ikke stemmer for noen. I tillegg kommer IIA-egenskapen: Et nytt tilbud tar andeler proporsjonalt fra alle eksisterende, selv om det ligner sterkt på bare ett av dem. Simulerer du med individuelle nytteverdier, konkurrerer like tilbud først og fremst med hverandre – og markedsandelene blir mer realistiske.

Trekninger i stedet for ett enkelt tall

HB anslås med Markov chain Monte Carlo (MCMC). I stedet for én punktverdi får du mange trekninger fra posteriorfordelingen: plausible verdier for hver parameter gitt data og modell. Fra dem leser du av gjennomsnitt, men også usikkerhetsintervaller – for en enkelt nytteverdi like mye som for en simulert markedsandel. Jo mer trekningene sprer seg, desto mer forsiktig bør du tolke et resultat.

Sjekk konvergensen

En MCMC-kjøring er bare pålitelig hvis kjedene har funnet den samme fordelingen. Tre kontrollverdier er vanlige: R-hat sammenligner spredningen innenfor og mellom kjedene og bør ligge nær 1. Den effektive utvalgsstørrelsen (ESS) forteller hvor mange uavhengige trekninger de korrelerte trekningene tilsvarer. Divergenser markerer steder der sampleren ikke klarte å utforske fordelingen skikkelig. Er én av verdiene påfallende, hører ikke resultatet ukontrollert hjemme i en rapport.

Hierarchical Bayes i 121surveys: dette får du

  • For conjoint og MaxDiff

    Du starter HB-kjøringen rett i analysen av et conjoint- eller MaxDiff-spørsmål. Den anslår nytteverdier per respondent og regner ut resultatene du kjenner fra spørsmålet – delnytter og viktighet for conjoint, rangeringen av elementene for MaxDiff.

  • Regner i bakgrunnen

    HB kjører aldri mens du venter på en side, men i en egen beregningsprosess i bakgrunnen. Avhengig av hvor stor studien er, tar en kjøring fra minutter til timer, og en fremdriftsvisning viser fasen – laster data, trekker, lagrer. I mellomtiden kan du jobbe videre og komme tilbake senere, og et nytt klikk starter ikke en dobbel kjøring.

  • Med filtrene du har valgt

    Kjøringen regner på nøyaktig de svarene analysen din viser akkurat nå: filtre, tidsrom og utelatelse av testinnsendinger gjelder som i visningen. Slik kan du for eksempel anslå HB for bare én målgruppe eller én innsamlingsperiode.

  • Diagnosen rett foran deg

    For hver kjøring viser analysen R-hat, den effektive utvalgsstørrelsen og antall divergenser. Oppfyller ikke en kjøring alle kontrollverdiene, merker 121surveys resultatet som ikke pålitelig, i stedet for å vise det i det stille som et godt resultat.

  • Trekninger til porteføljeoptimering

    For conjoint lagrer en HB-kjøring 100 tynnede trekninger per respondent. Porteføljeoptimeringen bygger på dem: Den leter etter opptil fem produkter med størst rekkevidde eller høyest dekningsbidrag mot basismarkedet ditt og alternativet å ikke kjøpe, og vurderer de beste forslagene med et 95 %-intervall. Etter 90 dager slettes trekningene.

  • Først raske anslag, så HB

    For conjoint starter analysen med counts og går over til logitmodellen når det er nok svar; fra et minsteantall gjør den deg oppmerksom på HB. Begge grensene oppgir metodeveilederen i editoren og i analysen. For MaxDiff ser du først telleanalysen og starter HB i tillegg når du trenger individuelle verdier.

Ofte stilte spørsmål

Hvor mange svar trenger jeg for Hierarchical Bayes?

Det avhenger av designet: antall oppgaver per respondent, attributter og nivåer. Jo flere parametere modellen må fastsette per person, desto mer informasjon trenger den. 121surveys oppgir i metodeveilederen grensen der HB blir tilbudt, og regner for conjoint og MaxDiff ut en minstestørrelse fra designet ditt. Faste tommelfingerregler som ser bort fra designet, sier lite.

Er HB-resultater alltid bedre enn logit?

Ikke automatisk. I en homogen målgruppe ligger de nær hverandre, og logitmodellen er raskere. HB viser sin styrke når personer skiller seg tydelig fra hverandre og du vil lage segmenter eller simulere markedsandeler. En HB-kjøring med dårlig konvergens er derimot dårligere enn en ren logit – derfor hører diagnosen med til hvert resultat.

Hvorfor tar en HB-kjøring så lang tid?

MCMC trekker mange tusen ganger fra den felles fordelingen av alle parametere – ved hver trekning et helt sett nytteverdier for hver respondent. I store studier med mange attributter blir det svært mange verdier. 121surveys regner dette i en egen prosess, slik at resten av appen holder seg rask, og viser deg hvor langt kjøringen har kommet.

Hva betyr «ikke pålitelig» i analysen?

Minst én konvergensverdi – R-hat, effektiv utvalgsstørrelse eller divergenser – ligger utenfor grensen. Tallene vises likevel, men er merket. Sjekk da om det finnes nok svar, om designet har for mange parametere for utvalget, eller om et filter gjør datagrunnlaget for lite, og regn ut på nytt.

Kan jeg kjøre HB for bare en undergruppe?

Ja. Kjøringen tar over filtrene i analysen: Sett først filtre eller tidsrom, og start deretter HB. Husk at en liten undergruppe også gir det øverste nivået i modellen mindre informasjon – diagnosen viser om det holder.

Individuelle preferanser i stedet for et snitt

Lag et conjoint- eller MaxDiff-spørsmål, samle inn svar og start HB rett i analysen – med fremdriftsvisning, diagnose og, for conjoint, porteføljeoptimering basert på trekningene.

Kom i gang gratis