Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
Optymalizacja liczebności próby i liczby zadań na respondenta w analizie conjoint z wykorzystaniem danych sztucznych
Języki publikacji
Abstrakty
Szersze wykorzystanie hierarchicznych modeli bayerowskich pozwala na uzyskanie dokładnych oszacowań zachowań respondenta bez konieczności uwzględniania wielu scenariuszy. Z drugiej strony trudne jest oszacowanie przed przeprowadzeniem badania liczby atrybutów i liczby ich poziomów dla danej liczebności próby z uwzględnieniem kosztów zmian. W opracowaniu prezentowane jest podejście bazujące na przetwarzaniu wsadowym danych symulowanych o pewnych charakterystykach. Głównym celem jest poszukiwanie optymalnej kombinacji liczebności próby i liczby zadań na respondenta, która pozwala na uzyskanie zadanej dokładności i optymalnej wartości kosztów, ale także badanie wrażliwości proponowanej rekomendacji ze względu na zmiany wartości ustalonych parametrów. (oryginalny abstrakt)
Because of the increase in computing speed and availability of easy-to-use commercial software for estimating hierarchical Bayesian (HB) models application of these methods became a standard in analyzing choice-based conjoint data. Today market researchers can estimate models of complexity that was not attainable or would require great amount of resources few decades ago. On the other hand it might make many practitioners forget that even the capabilities of HB models are not unlimited and that there are many factors that have a negative impact on the success of the study. This article emphasizes the need to carefully design the study with respect to the sample size and number of tasks shown to the respondents used and recommends checking sufficiency of the setup with use of simulated datasets. These should reflect possible scenarios and impact of various factors. (fragment of text)
Słowa kluczowe
Rocznik
Strony
77-83
Opis fizyczny
Twórcy
autor
- University of Economics, Prague, Czech Republic
Bibliografia
- Allenby, G.M., Arora, N., Ginter, J.L. (1995) Incorporating prior knowledge into the analysis of conjoint studies. "Journal of Marketing Research" 32, 152-162.
- Green, P.E., Rao, V.R. (1971) Conjoint measurement for quantifying judgmental data. "Journal of Marketing Research" 8, 355-363.
- Johnson, R.M. (1987) Adaptive conjoint analysis. Sawtooth Software Inc. 1987 Sawtooth Software Conference Proceedings, 253-266.
- Lenk, P.J., DeSarbo, W.S., Green, P.E., Young, M.R. (1996) Hierarchical Bayes conjoint analysis: recovery of partworth heterogeneity from reduced experimental designs. "Marketing Science" 15 (2), 173-191.
- Louviere, J.J., Woodworth, G. (1983) Design and analysis of simulated consumer choice or allocation experiments: an approach based on aggregate data. "Journal of Marketing Research" 20, 350-367.
- McFadden, D. (1974) Conditional logit analysis of qualitative choice behavior. "Frontiers in Econometrics" 1 (2), 105-142.
- Tang, J., Vandale, W., Weiner, J. (2006) Sample planning for CBC models: our experience. Sawtooth Software Inc., 2006 Sawtooth Software Conference, 111-116.
- Vriens, M., Wedel, M., Wilms, T. (1996) Metric conjoint segmentation methods: a Monte Carlo comparison. "Journal of Marketing Research" 33 (1), 73-85.
- Wirth, R. (2010) HB-CBC, HB-Best-worst-CBC or no HB at all? Sawtooth Software Inc., 2010 Sawtooth Software Conference Proceedings, 321-356.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171249953