Estimação Hierarchical Bayes
Hierarchical Bayes: utilidades para cada inquirido
Em estudos conjoint e MaxDiff, o Hierarchical Bayes (HB) não estima apenas uma média, mas utilidades para cada inquirido. Para isso, vai buscar informação a toda a amostra e mostra o quão diferente o teu público decide na realidade, com uma medida honesta da incerteza.
Criar e testar é grátis. Para publicar, escolhes um plano pago.
Como funciona o Hierarchical Bayes
O que é o Hierarchical Bayes?
O Hierarchical Bayes é um método de estimação para experiências de escolha como o conjoint e o MaxDiff. Cada inquirido responde apenas a meia dúzia de tarefas, poucas demais para determinar as suas preferências com segurança só a partir delas. O HB resolve isto ao estimar utilidades próprias para cada pessoa e, ao mesmo tempo, ao alinhá-las com a distribuição de todas as outras. Obténs utilidades parciais individuais por nível ou por item, que podes transformar em importâncias, segmentos e simulações de mercado.
Dois níveis: população e indivíduo
O modelo tem dois níveis. No superior, descreve como as utilidades se distribuem na população: média e dispersão de cada parâmetro. No inferior está cada pessoa, cujas utilidades são vistas como uma extração dessa distribuição. Quem respondeu pouco ou de forma contraditória é puxado com mais força para o centro; quem escolheu de forma clara e coerente mantém um perfil próprio. É este «borrowing strength» que torna possíveis estimativas individuais estáveis com poucas tarefas.
Porque não basta um modelo logit?
Um logit multinomial agregado estima um único conjunto de utilidades para todos. Num público heterogéneo, essa média esconde campos opostos: se uma metade quase não liga ao preço e a outra é muito sensível a ele, o logit mostra uma sensibilidade média que não serve a ninguém. Junta-se a isto a propriedade IIA: uma nova oferta retira quota a todas as existentes de forma proporcional, mesmo que se pareça muito com apenas uma delas. Se simulares com utilidades individuais, as ofertas semelhantes concorrem sobretudo entre si e as quotas de mercado ficam mais realistas.
Extrações em vez de um único número
O HB é estimado com métodos de Monte Carlo via cadeias de Markov (MCMC). Em vez de um valor pontual, surgem muitas extrações da distribuição a posteriori: valores plausíveis para cada parâmetro, dados os dados e o modelo. A partir delas obténs médias, mas também intervalos de incerteza, tanto para uma utilidade isolada como para uma quota de mercado simulada. Quanto mais dispersas forem as extrações, com mais cautela deves interpretar um resultado.
Verificar a convergência
Uma execução MCMC só é fiável se as cadeias tiverem encontrado a mesma distribuição. Há três indicadores habituais: o R-hat compara a dispersão dentro das cadeias e entre elas e deve ficar perto de 1. O tamanho efetivo da amostra (ESS) diz a quantas extrações independentes correspondem as extrações correlacionadas. As divergências assinalam zonas que o amostrador não conseguiu percorrer bem. Se algum destes valores for estranho, o resultado não deve entrar num relatório sem verificação.
Hierarchical Bayes na 121surveys
Para conjoint e MaxDiff
Inicias o cálculo HB diretamente na análise de uma pergunta conjoint ou MaxDiff. Estima utilidades por inquirido e calcula a partir delas os resultados que já conheces da pergunta: utilidades parciais e importâncias no conjoint, a ordenação dos itens no MaxDiff.
Cálculo em segundo plano
O HB nunca corre durante o teu pedido, mas num processo de cálculo próprio em segundo plano. Conforme o tamanho do estudo, um cálculo demora de minutos a horas, e um indicador de progresso mostra a fase: carregar dados, extrair, guardar. Entretanto, podes continuar a trabalhar e voltar mais tarde, e um segundo clique não inicia um cálculo em duplicado.
Com os teus filtros atuais
O cálculo usa exatamente as respostas que a tua análise mostra nesse momento: filtros, período e exclusão das submissões de teste aplicam-se tal como na vista. Assim, podes estimar o HB, por exemplo, só para um público ou um período de recolha.
Diagnóstico à vista
Em cada cálculo, a análise mostra o R-hat, o tamanho efetivo da amostra e o número de divergências. Se um cálculo não cumprir todos os critérios, a 121surveys assinala o resultado como pouco fiável, em vez de o apresentar em silêncio como um bom resultado.
Extrações para otimizar o portefólio
No conjoint, um cálculo HB guarda 100 extrações desbastadas por inquirido. A otimização do portefólio assenta nelas: procura até cinco produtos com o maior alcance ou a maior margem de contribuição face ao teu mercado de base e à não compra e avalia as melhores propostas com um intervalo de 95 %. As extrações são apagadas ao fim de 90 dias.
Primeiro estimativas rápidas, depois HB
No conjoint, a análise começa com contagens e passa para o modelo logit quando há respostas suficientes; a partir de um número mínimo, sugere o HB. O consultor de métodos no editor e na análise indica-te os dois limiares. No MaxDiff vês primeiro a análise por contagens e inicias o HB adicionalmente quando precisas de valores individuais.
Perguntas frequentes
De quantas respostas preciso para o Hierarchical Bayes?
Depende do desenho: do número de tarefas por inquirido, de atributos e de níveis. Quanto mais parâmetros o modelo tiver de determinar por pessoa, mais informação precisa. A 121surveys indica no consultor de métodos o limiar a partir do qual o HB é proposto e calcula, para conjoint e MaxDiff, uma dimensão mínima com base no teu desenho. Regras fixas que ignoram o desenho dizem pouco.
Os resultados HB são sempre melhores do que o logit?
Não automaticamente. Num público homogéneo, os dois ficam próximos e o logit é mais rápido. O HB mostra a sua força quando as pessoas diferem claramente e queres formar segmentos ou simular quotas de mercado. Já um cálculo HB com má convergência é pior do que um logit limpo; por isso o diagnóstico acompanha cada resultado.
Porque é que um cálculo HB demora tanto?
O MCMC extrai muitos milhares de vezes da distribuição conjunta de todos os parâmetros e, em cada extração, um conjunto completo de utilidades para cada inquirido. Em estudos grandes com muitos atributos, isto soma imensos valores. A 121surveys calcula tudo num processo próprio, para que o resto da aplicação continue rápido, e mostra-te o progresso.
O que significa «pouco fiável» na análise?
Pelo menos um indicador de convergência (R-hat, tamanho efetivo da amostra ou divergências) está fora do limite. Os números continuam visíveis, mas assinalados. Verifica então se há respostas suficientes, se o desenho tem parâmetros a mais para a amostra ou se um filtro deixa a base de dados demasiado pequena, e volta a calcular.
Posso calcular o HB só para um subgrupo?
Sim. O cálculo adota os filtros da análise: define primeiro os filtros ou o período e depois inicia o HB. Lembra-te de que um subgrupo pequeno também dá menos informação ao nível superior do modelo; o diagnóstico mostra-te se chega.
Preferências individuais em vez de uma média
Cria uma pergunta conjoint ou MaxDiff, recolhe respostas e inicia o HB diretamente na análise, com indicador de progresso, diagnóstico e, no conjoint, a otimização do portefólio com base nas extrações.
