Estymacja Hierarchical Bayes
Hierarchical Bayes: użyteczności dla każdego respondenta z osobna
W badaniach conjoint i MaxDiff Hierarchical Bayes (HB) szacuje nie tylko średnią, lecz użyteczności każdego respondenta. Metoda pożycza w tym celu informację z całej próby i pokazuje, jak bardzo różnie naprawdę decyduje twoja grupa docelowa – z rzetelną miarą niepewności.
Tworzenie i testowanie jest bezpłatne. Aby opublikować, wybierasz płatny plan.
Jak działa Hierarchical Bayes
Czym jest Hierarchical Bayes?
Hierarchical Bayes to metoda estymacji dla eksperymentów wyboru, takich jak conjoint i MaxDiff. Każdy respondent wykonuje tylko kilka zadań – za mało, by na ich podstawie pewnie określić jego preferencje. HB rozwiązuje ten problem, szacując osobne użyteczności dla każdej osoby i jednocześnie dopasowując je do rozkładu wszystkich pozostałych. Wynikiem są indywidualne użyteczności cząstkowe dla każdego poziomu lub elementu, które przekształcisz w ważności, segmenty i symulacje rynku.
Dwa poziomy: populacja i jednostka
Model ma dwa poziomy. Na górnym opisuje, jak użyteczności rozkładają się w populacji – średnią i rozrzut dla każdego parametru. Na dolnym znajduje się każda osoba, której użyteczności traktuje się jako losowanie z tego rozkładu. Kto odpowiadał mało lub niespójnie, jest silniej przyciągany do środka; kto wybierał jasno i konsekwentnie, zachowuje własny profil. To właśnie „borrowing strength” umożliwia stabilne oszacowania indywidualne na podstawie niewielu zadań.
Dlaczego nie wystarczy model logitowy?
Zagregowany wielomianowy model logitowy szacuje jeden zestaw użyteczności dla wszystkich. Przy niejednorodnej grupie docelowej ta średnia zasłania przeciwstawne obozy: jeśli połowa ledwie zwraca uwagę na cenę, a druga połowa jest na nią bardzo wrażliwa, logit pokaże średnią wrażliwość, która nie pasuje do nikogo. Do tego dochodzi własność IIA: nowa oferta odbiera udział wszystkim istniejącym proporcjonalnie, nawet jeśli bardzo przypomina tylko jedną z nich. Gdy symulujesz na indywidualnych użytecznościach, podobne oferty konkurują głównie ze sobą, a udziały rynkowe stają się bardziej realistyczne.
Losowania zamiast jednej liczby
HB szacuje się metodami Monte Carlo opartymi na łańcuchach Markowa (MCMC). Zamiast jednej wartości punktowej powstaje wiele losowań z rozkładu a posteriori: wiarygodne wartości każdego parametru przy danych i modelu. Odczytasz z nich średnie, ale też przedziały niepewności – zarówno dla pojedynczej użyteczności, jak i dla symulowanego udziału w rynku. Im większy rozrzut losowań, tym ostrożniej trzeba interpretować wynik.
Sprawdzanie zbieżności
Przebieg MCMC jest wiarygodny tylko wtedy, gdy łańcuchy znalazły ten sam rozkład. Typowe są trzy wskaźniki: R-hat porównuje rozrzut wewnątrz łańcuchów i między nimi i powinien być bliski 1. Efektywna liczebność próby (ESS) mówi, ilu niezależnym losowaniom odpowiadają skorelowane losowania. Dywergencje oznaczają miejsca, w których sampler nie zdołał poprawnie przebadać rozkładu. Jeśli któraś z tych wartości budzi wątpliwości, wynik nie powinien trafić do raportu bez sprawdzenia.
Hierarchical Bayes w 121surveys
Dla conjoint i MaxDiff
Obliczenie HB uruchamiasz bezpośrednio w analizie pytania conjoint lub MaxDiff. Szacuje ono użyteczności każdego respondenta i wylicza z nich znane ci wyniki – użyteczności cząstkowe i ważności w conjoint, ranking elementów w MaxDiff.
Obliczenia w tle
HB nigdy nie liczy się w trakcie twojego zapytania, tylko w osobnym procesie w tle. W zależności od wielkości badania przebieg trwa od minut do godzin, a wskaźnik postępu pokazuje etap – wczytywanie danych, losowanie, zapisywanie. W międzyczasie możesz dalej pracować i wrócić później, a drugie kliknięcie nie uruchamia podwójnego obliczenia.
Z twoimi bieżącymi filtrami
Obliczenie obejmuje dokładnie te odpowiedzi, które w danej chwili pokazuje twoja analiza: filtry, okres i pominięcie odpowiedzi testowych działają tak jak w widoku. Dzięki temu oszacujesz HB na przykład tylko dla jednej grupy docelowej albo jednego okresu badania.
Diagnostyka na widoku
Przy każdym obliczeniu analiza pokazuje R-hat, efektywną liczebność próby i liczbę dywergencji. Jeśli przebieg nie spełnia wszystkich kryteriów, 121surveys oznacza wynik jako niewiarygodny, zamiast po cichu przedstawiać go jak dobry.
Losowania do optymalizacji portfela
W conjoint przebieg HB zapisuje 100 przerzedzonych losowań na respondenta. Na nich opiera się optymalizacja portfela, która szuka do pięciu produktów o największym zasięgu lub najwyższej marży pokrycia względem twojego rynku bazowego i rezygnacji z zakupu, a najlepsze propozycje ocenia z przedziałem 95%. Po 90 dniach losowania są usuwane.
Najpierw szybkie oszacowania, potem HB
W conjoint analiza zaczyna od zliczeń i przy wystarczającej liczbie odpowiedzi przechodzi na model logitowy; od pewnej minimalnej liczby podpowiada HB. Oba progi podaje ci doradca metod w edytorze i w analizie. W MaxDiff najpierw widzisz analizę zliczeń, a HB uruchamiasz dodatkowo, gdy potrzebujesz wartości indywidualnych.
Najczęściej zadawane pytania
Ile odpowiedzi potrzebuję do Hierarchical Bayes?
To zależy od planu badania: liczby zadań na osobę, atrybutów i poziomów. Im więcej parametrów model musi wyznaczyć dla jednej osoby, tym więcej informacji potrzebuje. 121surveys podaje w doradcy metod próg, od którego oferowane jest HB, i dla conjoint oraz MaxDiff wylicza minimalną liczebność z twojego planu. Sztywne reguły kciuka bez spojrzenia na plan niewiele mówią.
Czy wyniki HB są zawsze lepsze niż logit?
Nie automatycznie. Przy jednorodnej grupie docelowej oba wyniki są zbliżone, a logit działa szybciej. HB pokazuje swoją siłę, gdy ludzie wyraźnie się różnią, a ty chcesz tworzyć segmenty lub symulować udziały w rynku. Przebieg HB ze słabą zbieżnością jest natomiast gorszy niż czysty logit – dlatego diagnostyka należy do każdego wyniku.
Dlaczego obliczenie HB trwa tak długo?
MCMC losuje wiele tysięcy razy ze wspólnego rozkładu wszystkich parametrów – przy każdym losowaniu cały zestaw użyteczności dla każdego respondenta. W dużych badaniach z wieloma atrybutami daje to bardzo wiele wartości. 121surveys liczy to w osobnym procesie, aby reszta aplikacji działała szybko, i pokazuje ci postęp.
Co oznacza „niewiarygodny” w analizie?
Co najmniej jeden wskaźnik zbieżności – R-hat, efektywna liczebność próby lub dywergencje – wykracza poza granicę. Liczby nadal są widoczne, ale oznaczone. Sprawdź wtedy, czy jest dość odpowiedzi, czy plan nie ma zbyt wielu parametrów jak na próbę albo czy filtr nie zawęża zbytnio danych, i przelicz ponownie.
Czy mogę policzyć HB tylko dla podgrupy?
Tak. Obliczenie przejmuje filtry analizy: najpierw ustaw filtry lub okres, potem uruchom HB. Pamiętaj, że mała podgrupa dostarcza też mniej informacji dla górnego poziomu modelu – diagnostyka pokaże ci, czy to wystarczy.
Indywidualne preferencje zamiast średniej
Utwórz pytanie conjoint lub MaxDiff, zbierz odpowiedzi i uruchom HB bezpośrednio w analizie – ze wskaźnikiem postępu, diagnostyką, a w conjoint także z optymalizacją portfela opartą na losowaniach.
