Hierarchical Bayes-skattning
Hierarchical Bayes: nyttovärden för varje enskild respondent
Hierarchical Bayes (HB) skattar inte bara ett genomsnitt i conjoint- och MaxDiff-studier, utan nyttovärden för varje respondent. Metoden lånar information från hela urvalet och visar hur olika din målgrupp faktiskt väljer – med ett ärligt mått på osäkerheten.
Att bygga och testa är gratis. För att publicera väljer du en betald plan.
Så fungerar Hierarchical Bayes
Vad är Hierarchical Bayes?
Hierarchical Bayes är en skattningsmetod för valexperiment som conjoint och MaxDiff. Varje respondent besvarar bara en handfull uppgifter – för få för att säkert bestämma preferenserna enbart utifrån dem. HB löser det genom att skatta egna nyttovärden för varje person och samtidigt förankra dem i fördelningen hos alla andra. Resultatet är individuella delnyttor per nivå eller per objekt, som du kan omvandla till viktighet, segment och marknadssimuleringar.
Två nivåer: population och individ
Modellen har två nivåer. Den övre beskriver hur nyttovärdena fördelar sig i populationen – medelvärde och spridning per parameter. Den undre rymmer varje enskild person, vars nyttovärden ses som en dragning ur den fördelningen. Den som svarat lite eller motsägelsefullt dras starkare mot mitten; den som valt tydligt och konsekvent behåller en egen profil. Det är denna ”borrowing strength” som gör stabila individuella skattningar från få uppgifter möjliga över huvud taget.
Varför inte bara en logitmodell?
En aggregerad multinomial logit skattar en enda uppsättning nyttovärden för alla. I en heterogen målgrupp döljer det genomsnittet motsatta läger: om ena halvan knappt bryr sig om priset och den andra är mycket priskänslig, visar logitmodellen en medelhög priskänslighet som inte stämmer för någon. Till det kommer IIA-egenskapen: ett nytt erbjudande tar andelar proportionellt från alla befintliga, även om det liknar ett av dem mycket. När du simulerar med individuella nyttovärden konkurrerar liknande erbjudanden främst med varandra – och marknadsandelarna blir mer realistiska.
Dragningar i stället för en enda siffra
HB skattas med Markov chain Monte Carlo (MCMC). I stället för ett punktvärde får du många dragningar ur aposteriorifördelningen: rimliga värden för varje parameter givet data och modell. Ur dem läser du av medelvärden men också osäkerhetsintervall – för ett enskilt nyttovärde lika väl som för en simulerad marknadsandel. Ju mer dragningarna sprider sig, desto försiktigare bör du tolka ett resultat.
Kontrollera konvergensen
En MCMC-körning är bara pålitlig om kedjorna har hittat samma fördelning. Tre kontrollvärden är vanliga: R-hat jämför spridningen inom och mellan kedjorna och bör ligga nära 1. Den effektiva urvalsstorleken (ESS) anger hur många oberoende dragningar de korrelerade dragningarna motsvarar. Divergenser markerar ställen där samplern inte kunde utforska fördelningen ordentligt. Avviker något av värdena ska resultatet inte gå okontrollerat in i en rapport.
Hierarchical Bayes i 121surveys
För conjoint och MaxDiff
Du startar HB-körningen direkt i analysen av en conjoint- eller MaxDiff-fråga. Den skattar nyttovärden per respondent och räknar fram de resultat du känner igen från frågan – delnyttor och viktighet för conjoint, rangordningen av objekten för MaxDiff.
Räknar i bakgrunden
HB körs aldrig medan du väntar på en sida, utan i en egen beräkningsprocess i bakgrunden. Beroende på studiens storlek tar en körning minuter till timmar, och en förloppsindikator visar fasen – laddar data, drar, sparar. Under tiden kan du arbeta vidare och komma tillbaka senare, och ett andra klick startar ingen dubbel körning.
Med dina aktuella filter
Körningen räknar på exakt de svar som din analys visar just nu: filter, tidsperiod och att testsvar utesluts gäller precis som i vyn. På så sätt kan du till exempel skatta HB för bara en målgrupp eller en insamlingsperiod.
Diagnosen i sikte
För varje körning visar analysen R-hat, den effektiva urvalsstorleken och antalet divergenser. Uppfyller en körning inte alla kontrollvärden markerar 121surveys resultatet som inte tillförlitligt, i stället för att i tysthet visa det som ett bra resultat.
Dragningar för portföljoptimering
För conjoint sparar en HB-körning 100 glesade dragningar per respondent. På dem bygger portföljoptimeringen, som söker upp till fem produkter med störst räckvidd eller högst täckningsbidrag mot din basmarknad och alternativet att inte köpa, och bedömer de bästa förslagen med ett 95-procentigt intervall. Efter 90 dagar raderas dragningarna.
Först snabba skattningar, sedan HB
För conjoint börjar analysen med counts och går över till logitmodellen när det finns tillräckligt med svar; från ett minsta antal tipsar den om HB. Båda gränserna anger metodrådgivaren i editorn och i analysen. För MaxDiff ser du först räkneanalysen och startar HB som komplement när du behöver individuella värden.
Vanliga frågor
Hur många svar behöver jag för Hierarchical Bayes?
Det beror på designen: antalet uppgifter per respondent, attribut och nivåer. Ju fler parametrar modellen måste bestämma per person, desto mer information behöver den. 121surveys anger i metodrådgivaren gränsen från vilken HB erbjuds och räknar för conjoint och MaxDiff ut en minsta storlek utifrån din design. Fasta tumregler som bortser från designen säger lite.
Är HB-resultat alltid bättre än logit?
Inte automatiskt. I en homogen målgrupp ligger de nära varandra, och logitmodellen är snabbare. HB visar sin styrka när personer skiljer sig tydligt åt och du vill bilda segment eller simulera marknadsandelar. En HB-körning med dålig konvergens är däremot sämre än en ren logit – därför hör diagnosen till varje resultat.
Varför tar en HB-körning så lång tid?
MCMC drar många tusen gånger ur den gemensamma fördelningen för alla parametrar – vid varje dragning en hel uppsättning nyttovärden för varje respondent. I stora studier med många attribut blir det väldigt många värden. 121surveys räknar detta i en egen process så att resten av appen förblir snabb, och visar dig förloppet.
Vad betyder ”inte tillförlitligt” i analysen?
Minst ett konvergensvärde – R-hat, effektiv urvalsstorlek eller divergenser – ligger utanför gränsen. Siffrorna visas ändå, men markerade. Kontrollera då om det finns tillräckligt med svar, om designen har för många parametrar för urvalet eller om ett filter gör dataunderlaget för litet, och räkna om.
Kan jag köra HB för bara en delgrupp?
Ja. Körningen tar över analysens filter: ställ först in filter eller tidsperiod och starta sedan HB. Tänk på att en liten delgrupp också ger modellens övre nivå mindre information – diagnosen visar om det räcker.
Individuella preferenser i stället för ett snitt
Skapa en conjoint- eller MaxDiff-fråga, samla in svar och starta HB direkt i analysen – med förloppsindikator, diagnos och, för conjoint, portföljoptimering baserad på dragningarna.
