Bayesovské statistické modely

Ondřej Vilikus

Disertační práce

Bayesian statistical modelling

Anotace:

Analýza conjoint představuje oblíbenou metodu pro výzkum spotřebitelských preferencí. Jedním z faktorů, který přispěl k rostoucí popularitě této metody v posledních letech, je stále častější využívání hierarchických bayesovských modelů, které se osvědčily při řešení problému, jak odhadnout dostatečně spolehlivě preference každého respondenta, aniž bychom je museli přetěžovat neúměrným množstvím rozhodovacích úloh. Prvním cílem dizertační práce bylo ověřit, zdali je použití bayesovských modelů nejlepší volbou ve všech situacích, případně jaká jsou omezení tohoto přístupu. Pro tyto účely jsem provedl studii na simulovaných datech. Vlastní použitý algoritmus umožňuje generování datových souborů lišících se v několika uvažovaných parametrech, ale maximálně srovnatelných v ostatních aspektech. Výsledky ukazují, že hierarchický model je, až na některé výjimečné situace, volbou vedoucí k nejlepší schopnosti předpovídat rozhodnutí jednotlivých respondentů v kontrolních úlohách. Největší přínos použití hierarchického modelu je v situacích, kdy je populace silně heterogenní a kdy je množství dostupných dat omezené. V takových situacích lze odhalit strukturu heterogenních preferencí s podstatně nižšími nároky na množství potřebných rozhodovacích úloh. Druhým cílem práce je zodpovězení otázky, zdali můžeme zvýšit i efektivitu dotazování v analýze conjoint zařazením některých přímých otázek. Navrhovaná hybridní metoda založená na výběru (HCBC) kombinuje úlohy analýzy conjoint s přímými otázkami ohledně preference úrovní jednotlivých atributů. Ty jsou použity jak při odhadu rozhodovacího modelu, tak ke zefektivnění návrhu zobrazovaných profilů v úlohách analýzy conjoint. Hybridní metoda byla ve srovnávací praktické studii na základě odpovědí 421 respondentů náhodně rozřazených do tří testovacích skupin porovnána s klasickým provedením metody založené na výběru (CBC) a s adaptivní metodou založenou na výběru (ACBC). Navrhovaná metoda se ukázala jako užitečná alternativa umožňující další snížení počtu rozhodovacích úloh předložených jednotlivým respondentům a jako možné řešení některých situací, kdy nám výrazně odlišná důležitost testovaných atributů neumožňuje efektivně zachytit preference z hlediska všech atributů.

Abstract:

Conjoint analysis is a popular method in consumer preferences research. One of the factors that caused the increasing popularity of this method in recent years is wide use of hierarchical Bayesian models which has been found invaluable in solving the problem of how to obtain reliable estimates of individual preferences without need for overloading respondents with too many conjoint tasks. First goal of my dissertation was to confirm whether the use of Bayesian models is the best choice under all circumstances or whether there are some limitations of this approach. For this purpose I conducted a study based on simulated datasets. Algorithm used enabled generation of datasets that differed in several parameters of interest but which were most comparable in other aspects. Results show that hierarchical models represent choice leading to highest accuracy in predicting respondents' choices in holdout tasks. Use of hierarchical models is most beneficial in the situation of strongly heterogeneous population yet limited amount of available data. In these cases we are able to capture the structure of heterogeneity with significantly lower number of choice task necessary from each respondent. Second goal of the dissertation was to answer the question whether we can increase also the effectiveness of the questioning in conjoint analysis by adding several direct questions. Suggested hybrid choice-based conjoint method (HCBC) combines conjoint analysis tasks with direct questions regarding the preference of levels for each attribute. These are used during the estimation of the model and for increasing the effectiveness if the conjoint analysis tasks design. The HCBC was compared with traditional choice-based conjoint (CBC) and adaptive choice-based conjoint (ACBC) based on practical study involving 421 respondents randomly assigned in one of three test groups. Suggested method has been found as useful alternative that can help with reducing number of choice task needed and as a solution for some situations when diverse importance of the attributes tested does not allow for indirect estimation of preferences with respect to all attributes tested.

Klíčová slova

heterogenní preference, hierarchické modely, metoda založená na výběru, hybridní přístup, analýza conjoint

Keywords

choice-based conjoint, hybrid approach, heterogeneous preferences, hierarchical models, conjoint analysis

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 30. 9. 2007

Obhajoba závěrečné práce

• Obhajoba proběhla 12. 9. 2013
• Vedoucí: Petr Hebák
• Oponent: Petr Berka, Jiří Militký

Vysoká škola ekonomická v Praze

Doktorský studijní program / obor:
Kvantitativní metody v ekonomice / Statistika