Seçim modelleme - Choice modelling

Seçim modellemesi , belirli bir bağlam veya bağlamda yapılan açık tercihler veya belirtilen tercihler yoluyla bir bireyin veya segmentin karar sürecini modellemeye çalışır . Tipik olarak, öğelerin (A, B ve C) konumlarını bazı ilgili gizli ölçeklerde (tipik olarak ekonomide " fayda " ve çeşitli alanlarda ) tahmin etmek için ayrı seçimler (A yerine B; B yerine A, B ve C) kullanmaya çalışır. İlgili alanlar). Aslında, ekonometri , pazarlama , sosyometri ve diğer alanlarda, fayda maksimizasyonu, tüketici teorisine uygulanan optimizasyon ve verilere , örneğe , hipoteze ve belirli özelliklere bağlı olarak az ya da çok doğru olabilecek çok sayıda diğer tanımlama stratejileri dahil olmak üzere birçok alternatif model mevcuttur. karar modelleniyor. Ek olarak, seçim modellemesi, tüketicilerin birden çok boyutta kalite iyileştirmeleri için ödeme yapma istekliliğini tahmin etmek için en uygun yöntem olarak kabul edilmektedir .

İlgili terimler

Seçim modelleme terimi ile eşanlamlı olarak kabul edilen birkaç terim vardır. Bazıları doğrudur (tipik olarak disiplin veya kıtaya özgü olsa da) ve bazıları, akademik ortamda yanlış kabul edilmesine rağmen (birleşik analiz gibi) endüstri uygulamalarında kullanılmaktadır.

Bunlar aşağıdakileri içerir:

  1. Belirtilen tercih ayrık seçim modelleme
  2. Ayrık seçim
  3. Seçim deneyi
  4. Belirtilen tercih çalışmaları
  5. Birleşik analiz
  6. Kontrollü deneyler

Terminolojideki anlaşmazlıklar devam etse de, alana yönelik yeni ve ampirik araştırmalar için disiplinler arası bir kaynak sağlamayı amaçlayan akademik derginin Journal of Choice Modeling olarak adlandırılması dikkat çekicidir.

Teorik arka plan

Seçim modellemesinin arkasındaki teori, ekonomistler ve matematiksel psikologlar tarafından bağımsız olarak geliştirildi. Seçim modellemesinin kökenleri, Thurstone'un 1920'lerdeki gıda tercihleri ​​araştırmasına ve rastgele fayda teorisine kadar izlenebilir . Ekonomide rastgele fayda teorisi daha sonra Daniel McFadden tarafından ve matematiksel psikolojide öncelikle Duncan Luce ve Anthony Marley tarafından geliştirildi. Temelde, seçim modellemesi, bir bireyin A maddesinden B maddesine göre elde ettiği faydanın (fayda veya değer), tekrarlanan seçimlerde B maddesine göre A maddesini seçtiği frekansın bir fonksiyonu olduğunu varsayar. Normal dağılımı kullanması nedeniyle Thurstone, bu ikili seçimi çok terimli bir seçim çerçevesine ( probit bağlantı işlevi yerine çok terimli lojistik regresyon gerektiren) genelleştiremedi , dolayısıyla yöntemin 30 yıldan fazla bir süredir zayıf kalmasının nedeni. Bununla birlikte, 1960'lardan 1980'lere kadar yöntem aksiyom haline getirildi ve çeşitli çalışma türlerinde uygulandı.

Açıklanan ve belirtilen tercih çalışmaları arasındaki ayrım

Seçim modellemesi hem ortaya çıkan tercih (RP) hem de belirtilen tercih (SP) çalışmalarında kullanılmaktadır. RP çalışmaları, öğelere atfettikleri değeri tahmin etmek için bireyler tarafından halihazırda yapılan seçimleri kullanır - "tercihlerini ve dolayısıyla değerleri (faydaları) - seçimleriyle açıklarlar". SP çalışmaları, bu değerleri tahmin etmek için deneysel koşullar altında yapılan bireyler tarafından yapılan seçimleri kullanır - "tercihlerini kendi seçimleriyle belirtirler". McFadden , inşa edilmeden önce Bay Area Rapid Transit (BART) talebini tahmin etmek için açıklanmış tercihleri ​​(önceki taşıma çalışmalarında yapılan) başarıyla kullandı . Luce ve Marley daha önce rasgele fayda teorisini aksiyomatize etmişlerdi ancak bunu gerçek dünya uygulamasında kullanmamışlardı; ayrıca psikoloji öğrencilerini içeren SP çalışmalarında yöntemi test etmek için uzun yıllar harcadılar.

Tarih

McFadden'in çalışması, ona 2000 yılında İktisadi Bilimler alanında Nobel Anma Ödülü'nü kazandırdı . Ancak, seçim modellemesindeki çalışmaların çoğu, yaklaşık 20 yıldır belirtilen tercihler alanında ilerliyordu. Bu tür çalışmalar, üretilmesi potansiyel olarak pahalı olan yeni ürünlere olan talebi tahmin etme ihtiyacı nedeniyle, başlangıçta nakliye ve pazarlama olmak üzere çeşitli disiplinlerde ortaya çıktı. Bu çalışma, aşağıdakileri yapmak için ağırlıklı olarak birleşik analiz ve deney tasarımı alanlarından yararlandı:

  1. Tüketicilere, seviyeleri olan belirli özellikler (öznitelikler) tarafından tanımlanan mal veya hizmetleri sunun, örneğin "10 $, 20 $, 30 $" seviyeli "fiyat"; "Garanti yok, 10 yıl garanti" düzeylerinde "takip hizmeti";
  2. Tüketicinin fayda işlevini (karar kuralı) tahmin etmek için gereken seçenek sayısını en aza indiren bu malların konfigürasyonlarını sunun.

Spesifik olarak amaç, analistin tüketicinin bir telefonun olası her özelliğinden elde ettiği değeri (parasal birimler cinsinden) tahmin edebilmesi için (örneğin) cep telefonlarının minimum çift / üçlü vb. Sayısını sunmaktı. Birleşik analizdeki işlerin çoğunun aksine, kategori derecelendirme ölçeklerindeki ( Likert ölçekleri ) derecelendirmelerden ziyade ayrı seçimler (A'ya karşı B; B'ye karşı A, B ve C) yapılacaktı . David Hensher ve Jordan Louviere, ilk belirtilen tercih seçimi modelleriyle büyük ölçüde itibar görmektedir. Joffre Swait ve Moshe Ben-Akiva gibi diğerleriyle birlikte önemli figürler olarak kaldılar ve önümüzdeki otuz yıl boyunca nakliye ve pazarlama alanlarında, yöntemlerin geliştirilmesine ve yaygınlaştırılmasına yardımcı oldular. Bununla birlikte, ağırlıklı olarak ulaşım ekonomisi ve pazarlamada çalışan diğer birçok figür teori ve pratiğe katkıda bulundu ve çalışmanın geniş çapta yayılmasına yardımcı oldu.

Birleşik analiz ile ilişki

Başlangıçtan beri seçim modellemesi, terminolojinin standardizasyon eksikliğinden muzdaripti ve yukarıda verilen tüm terimler onu tanımlamak için kullanıldı. Bununla birlikte, en büyük anlaşmazlığın coğrafi olduğu kanıtlanmıştır: Amerika'da, oradaki endüstri uygulamasının ardından, "seçim temelli birleşik analiz" terimi hakim hale gelmiştir. Bu, seçim modellemesinin (1) birleşik analizden miras alınan nitelik ve seviye yapısını yansıttığı, ancak (2) tüketicilerden elde edilen sonuç ölçüsü olarak sayısal derecelendirmelerden ziyade farklı seçimlerin kullanıldığını gösterdiği yönündeki bir arzuyu yansıtıyordu. Dünyanın başka yerlerinde, ayrık seçim deneyi terimi hemen hemen tüm disiplinlerde hakim hale geldi. Louviere (pazarlama ve ulaşım) ve çevre ve sağlık ekonomisindeki meslektaşları, Amerikan terminolojisini yalanladılar, yanıltıcı olduğunu ve gizli seçim deneylerinin geleneksel birleşik yöntemlerden temel bir farkı olduğunu iddia ettiler: ayrık seçim deneyleri test edilebilir bir insan kararı teorisine sahiptir. bunların temelini oluştururken (rastgele fayda teorisi), birleşik yöntemler ise , derecelendirme ölçeği sayılarının ne anlama geldiğini açıklamak için hiçbir psikolojik kurama sahip olmayan sayısal derecelendirmelerden istatistiksel tasarımları kullanarak bir malın değerini ayrıştırmanın bir yoludur .

Bir seçim modeli tasarlamak

Bir seçim modeli veya ayrık seçim deneyi (DCE) tasarlamak genellikle aşağıdaki adımları izler:

  1. Değerlenecek mal veya hizmeti belirlemek;
  2. Hangi özelliklerin ve seviyelerin mal veya hizmeti tam olarak tanımladığına karar vermek;
  3. Bir Oluşturma Deneysel tasarım ya bir tasarım kataloğundan ya da bir yazılım programı aracılığıyla bu özelliklerle ve seviyeleri, için uygundur;
  4. Anketin oluşturulması, tasarım kodlarının (sayılarının) ilgili nitelik seviyeleriyle değiştirilmesi;
  5. Anketi, kağıt ve kalem de dahil olmak üzere çeşitli formatlardan herhangi birinde, ancak giderek artan bir şekilde web anketleri yoluyla yanıtlayanlardan oluşan bir örnekleme yönetmek;
  6. Ekonomik talep teorisi ile tutarlılık açısından çekici özellikleri göz önüne alındığında , genellikle Multinomial lojistik regresyon modelinden başlayarak, uygun modelleri kullanarak verileri analiz etmek .

Değer verilecek mal veya hizmeti belirlemek

Bu genellikle en kolay görevdir ve genellikle şu şekilde tanımlanır:

  • akademik bir çalışmadaki araştırma sorusu veya
  • müşterinin ihtiyaçları (bir tüketici malı veya hizmeti bağlamında)

Hangi özelliklerin ve seviyelerin mal veya hizmeti tam olarak tanımladığına karar vermek

Bir mal veya hizmet, örneğin mobil (cep) telefon, tipik olarak bir dizi özellik (özellik) ile tanımlanır. Telefonlar genellikle şekil, boyut, bellek, marka vb. İle tanımlanır. DCE'de değiştirilecek özellikler, yanıtlayanların ilgisini çekebilecek tüm özellikler olmalıdır. Anahtar özniteliklerin çıkarılması, tipik olarak katılımcıların DCE'de eksik olanlar hakkında çıkarımlar (tahminler) yapmasına neden olarak değişken sorunlarının atlanmasına yol açar. Seviyeler tipik olarak şu anda mevcut olanların tümünü içermelidir ve genellikle gelecekte mümkün olanları içerecek şekilde genişletilir - bu özellikle ürün geliştirmeye rehberlik etmede yararlıdır.

Bir tasarım kataloğundan veya bir yazılım programı aracılığıyla bu niteliklere ve seviyelere uygun deneysel bir tasarım oluşturmak

DCE'lerin ve birleşik analizlerin bir gücü, tipik olarak tam faktöriyelin bir alt kümesini sunmalarıdır. Örneğin, iki marka, üç şekil, üç boyut ve dört miktar belleğe sahip bir telefonun 2x3x3x4 = 72 olası yapılandırması vardır. Bu tam faktöryeldir ve çoğu durumda yanıtlayanlara uygulanamayacak kadar büyüktür. Tam faktöryel alt kümeleri çeşitli şekillerde üretilebilir, ancak genel olarak şu amaca sahiptirler: malı açıklayan belirli sınırlı sayıda parametrenin tahminini mümkün kılmak: ana etkiler (örneğin markayla ilişkili değer, diğer her şeyi elinde bulundurmak eşittir), iki yönlü etkileşimler (örneğin, bu markayla ilişkili değer ve en küçük boyut, o marka ve en küçük boyut), vb. Bu genellikle, kasıtlı olarak daha yüksek sıralı etkileşimleri düşük dereceli etkileşimlerle karıştırarak elde edilir. Örneğin, iki yönlü ve üç yönlü etkileşimler ana etkilerle karıştırılabilir. Bunun aşağıdaki sonuçları vardır:

  • Profillerin (konfigürasyonların) sayısı önemli ölçüde azalır;
  • Belirli bir ana etki için bir regresyon katsayısı, ancak ve ancak karıştırılan terimler (daha yüksek dereceli etkileşimler) sıfır ise tarafsızdır;
  • Bir regresyon katsayısı, bilinmeyen bir yönde önyargılıdır ve karıştırılan etkileşim terimleri sıfır değilse, bilinmeyen bir büyüklükte olur;
  • Karmaşık terimler sıfırdan farklı ise, analizde sorunu çözmek için hiçbir düzeltme yapılamaz.

Bu nedenle araştırmacılar, tasarımın iki yönlü ve daha yüksek dereceli etkileşimlerin sıfırdan farklı olup olmayacağına ilişkin olarak alınacak kritik kararları içerdiği konusunda defalarca uyarıldı; tasarım aşamasında bir hata yapmak sonuçları etkili bir şekilde geçersiz kılar, çünkü yüksek dereceli etkileşimlerin sıfır olmadığı hipotezi test edilemez.

Tasarımlar kataloglardan ve istatistiksel programlardan edinilebilir. Geleneksel olarak, tüm nitelik seviyelerinin birbirinden bağımsız olarak tahmin edilebildiği Ortogonallik özelliğine sahiptiler . Bu sıfır doğrusallık sağlar ve aşağıdaki örnekle açıklanabilir.

Hem lüks arabalar hem de kullanılmış alt sınıf araçlar satan bir otomobil bayisi düşünün. Fayda maksimizasyonu ilkesini kullanarak ve bir MNL modeli varsayarak, bu bayiden bir araba satın alma kararının, aşağıdakilerin her birinin toplam faydaya olan bireysel katkısının toplamı olduğunu varsayıyoruz.

  • Fiyat
  • Marka (BMW, Chrysler, Mitsubishi)
  • Menşei (Alman, Amerikan)
  • Verim

Bununla birlikte, satış verilerinde çok terimli regresyon kullanmak bize bilmek istediğimiz şeyi söylemeyecektir. Bunun nedeni, bu bayideki arabalar aşağıdakilerden biri olduğundan, verilerin çoğu eşdoğrusaldır:

  • yüksek performans, pahalı Alman arabaları
  • düşük performans, ucuz Amerikan arabaları

İnsanların otomobilleri Avrupalı ​​oldukları için mi, BMW oldukları için mi yoksa yüksek performanslı oldukları için mi satın aldıklarını bize söyleyecek yeterli bilgi yok ve hiç olmayacak. Bu, RP verilerinin genellikle uygunsuz olmasının ve neden SP verilerinin gerekli olmasının temel nedenidir. RP verilerinde bu üç özellik her zaman bir arada bulunur ve bu durumda mükemmel bir şekilde ilişkilendirilir . Yani: tüm BMW'ler Almanya'da üretilir ve yüksek performansa sahiptir. Bu üç özellik: başlangıç, işaret ve performansın eşdoğrusal veya ortogonal olmadığı söylenir. Yalnızca deneysel koşullarda, SP verileri aracılığıyla, performans ve fiyat bağımsız olarak değiştirilebilir - etkileri ayrıştırılabilir.

Bir Seçim Deneyindeki deneysel tasarım (aşağıda), varsayımsal senaryoları veya seçim setlerini yanıtlayanlara kontrol etmek ve sunmak için katı bir şemadır . Aynı deney için, her biri farklı özelliklere sahip farklı tasarımlar kullanılabilir. En iyi tasarım, egzersizin amaçlarına bağlıdır.

Deneyi ve modelin nihai yeteneklerini yönlendiren deneysel tasarımdır. Kamuya açık alanda optimal deneylere yakın deneylerin yapılmasına izin veren çok verimli birçok tasarım mevcuttur.

Örneğin, Latin kare 16 17 tasarımı, en fazla 16 17 (yaklaşık 295 ve ardından on sekiz sıfır) konfigürasyona sahip olabilen bir ürünün tüm ana etkilerinin tahminine izin verir . Dahası, bu sadece 256 katılımcıdan oluşan bir örnek çerçevede gerçekleştirilebilir.

Aşağıda çok daha küçük bir tasarıma bir örnek verilmiştir. Bu 3 4 ana efekt tasarımıdır.

0 0 0 0
0 1 1 2
0 2 2 1
1 0 1 1
1 1 2 0
1 2 0 2
2 0 2 2
2 1 0 1
2 2 1 0

Bu tasarım, tüm yüksek dereceli etkileşimlerin sıfır olduğunu varsayarak , 81 (3 4 ) olası ürün konfigürasyonundan ana etkilerin tahmin edilmesine izin verecektir . Yaklaşık 20 katılımcıdan oluşan bir örnek, 81 olası ürün konfigürasyonunun tamamının ana etkilerini istatistiksel olarak anlamlı sonuçlarla modelleyebilir.

Yaygın olarak kullanılan diğer deneysel tasarımların bazı örnekleri:

  • Dengeli tamamlanmamış blok tasarımları (BIBD)
  • Rastgele tasarımlar
  • Ana etkiler
  • Daha yüksek sipariş etkileşim tasarımları
  • Tam faktöryel

Daha yakın zamanlarda verimli tasarımlar üretildi. Bunlar tipik olarak (bilinmeyen ancak tahmin edilen) parametrelerin varyansının işlevlerini en aza indirir. Ortak bir işlev, parametrelerin D-verimliliğidir . Bu tasarımların amacı, tahmin edilen fayda parametrelerinin istatistiksel önemini elde etmek için gereken örnek boyutunu azaltmaktır. Bu tür tasarımlar, istatistiksel kesinliği daha da iyileştirmek için genellikle parametreler için Bayesçi öncelikleri dahil etmiştir. Daha fazla sayıda katılımcıyı işe alma maliyetleri göz önüne alındığında, son derece verimli tasarımlar son derece popüler hale geldi. Bununla birlikte, bu tasarımların geliştirilmesindeki kilit figürler, özellikle aşağıdakiler olmak üzere olası sınırlamalar konusunda uyarıda bulunmuştur. İyi A ve iyi B olabildiğince farklı olduğunda tasarım verimliliği tipik olarak maksimize edilir: örneğin, telefonu tanımlayan her özellik (özellik) A ve B arasında farklılık gösterir. Bu, katılımcıyı fiyat, marka, boyut, bellek vb. Arasında ticaret yapmaya zorlar; hiçbir öznitelik A ve B'de aynı düzeye sahip değildir. Bu, yanıtlayana bilişsel yük getirebilir ve bu da, yanıtlayanın gerçek fayda işlevini (karar verme) yansıtmayan basitleştirilmiş buluşsal yöntemler ("her zaman en ucuz telefonu seçin") kullanmasına yol açabilir. kural). Son zamanlarda yapılan deneysel çalışmalar, katılımcıların, yüksek verimli bir tasarıma kıyasla daha az verimli bir tasarıma yanıt verirken gerçekten farklı karar kurallarına sahip olduğunu doğrulamıştır.

Deneysel tasarımlar hakkında daha fazla bilgi burada bulunabilir . Bununla birlikte, ana etkileri tahmin eden küçük tasarımların tipik olarak bunu, kasıtlı olarak ana etkilerle yüksek dereceli etkileşimleri karıştırarak yaptığını yinelemek gerekir. Bu, uygulamada bu etkileşimler sıfır olmadıkça, analistin ana etkilere ilişkin yanlı tahminler elde edeceği anlamına gelir. Dahası (1) bunu test etmenin hiçbir yolu yoktur ve (2) analizde düzeltmenin bir yolu yoktur. Bu, DCE'lerde tasarımın önemli rolünü vurgulamaktadır.

Anketin oluşturulması

Anketin oluşturulması tipik olarak şunları içerir:

  • Deneysel tasarım kodlarının (tipik olarak yukarıdaki örnekte verilen sayılar), söz konusu malın nitelik seviyeleriyle değiştirilmesi için bir "bul ve değiştir" yapmak.
  • Ortaya çıkan yapılandırmaları (örneğin cep telefonu / cep telefonu türleri), yanıtlayanların sosyodemografik özelliklerine ilişkin sorulardan daha geniş bir ankete yerleştirmek. Bu, analiz aşamasında verileri bölümlere ayırmaya yardımcı olabilir: örneğin, erkekler tercihlerinde kadınlardan farklı olabilir.

Anketi, kağıt ve kalem de dahil olmak üzere çeşitli formatlardan herhangi birinde, ancak giderek artan bir şekilde web anketleri yoluyla yanıtlayanlardan oluşan bir örnekleme yönetmek

Geleneksel olarak, DCE'ler kağıt ve kalem yöntemleriyle uygulanıyordu. Web'in gücüyle birlikte giderek artan bir şekilde internet anketleri norm haline geldi. Bunların maliyet, katılımcıları anketin farklı versiyonlarına rastgele dağıtma ve tarama kullanma açısından avantajları vardır. İkincisinin bir örneği, cinsiyette dengeyi sağlamak olabilir: Çok fazla erkek cevap verirse, kadınların sayısının erkeklerinkine uyması için elenebilir.

Ekonomik talep teorisi ile tutarlılık açısından çekici özellikleri göz önüne alındığında , genellikle çok terimli lojistik regresyon modelinden başlayarak, uygun modelleri kullanarak verileri analiz etmek

Bir DCE'den gelen verileri analiz etmek, analistin belirli bir karar kuralı türünü veya ekonomistlerin terimleriyle fayda denkleminin işlevsel formunu üstlenmesini gerektirir. Bu genellikle tasarım tarafından belirlenir: Bir ana efekt tasarımı kullanılmışsa, iki yönlü ve daha yüksek dereceli etkileşim terimleri modele dahil edilemez. Regresyon modelleri daha sonra tipik olarak tahmin edilir. Bunlar genellikle koşullu logit modeliyle başlar - geleneksel olarak, biraz yanıltıcı olsa da, seçim modelleyicileri tarafından çok terimli lojistik (MNL) regresyon modeli olarak adlandırılır. MNL modeli, gözlemlenen seçim frekanslarını (bir oran ölçeğinde tahmin edilen olasılıklar olarak) lojistik fonksiyon aracılığıyla fayda tahminlerine (bir aralık ölçeğinde) dönüştürür. Her öznitelik seviyesi ile ilişkili fayda (değer) tahmin edilebilir, böylece analistin olası herhangi bir konfigürasyonun (bu durumda, arabanın veya telefonun) toplam faydasını oluşturmasına izin verilir. Ancak, piyasa dışı çevresel faydaları ve maliyetleri tahmin etmek için alternatif olarak bir DCE kullanılabilir.

Güçlü

  • Katılımcıları öznitelikler arasındaki değiş tokuşları düşünmeye zorlar;
  • Referans çerçevesini, bir dizi öznitelik ve ürün alternatifini dahil ederek katılımcılara açık hale getirir;
  • Öznitelikler için örtük fiyatların tahmin edilmesini sağlar;
  • Birden çok senaryo için refah etkilerinin tahmin edilmesini sağlar;
  • Parasal olmayan terimlerle alternatif "hizmet ürünü" için müşteri talebinin düzeyini tahmin etmek için kullanılabilir; ve
  • Katılımcıların stratejik davranma teşvikini potansiyel olarak azaltır.

Zayıf yönler

  • Ayrık seçimler yalnızca oran veya aralık verilerinden daha az bilgi sağlayan sıra verileri sağlar;
  • Sıralı verilerden yapılan çıkarımlar, bir aralık / oran ölçeğinde tahminler üretmek için, hata dağılımları ve yanıtlayanın karar kuralı (fayda fonksiyonunun işlevsel formu) hakkında varsayımlar gerektirir;
  • Pratikte kullanılan kesirli faktöryel tasarımlar, tasarımı küçük yapmak için kasıtlı olarak iki yönlü ve daha yüksek dereceli etkileşimleri daha düşük dereceli (tipik olarak ana etkiler) tahminlerle karıştırır: eğer yüksek dereceli etkileşimler sıfır değilse, o zaman ana etkiler hiçbir şekilde önyargılıdır analistin bu eski postayı bilmesi veya düzeltmesi için;
  • Birey tarafından olasılık dışı (deterministik) karar verme, rastgele fayda teorisini ihlal eder: rastgele bir faydalı model altında, fayda tahminleri sonsuz hale gelir.
  • Orada bu logit ve probit model olarak tüm sınırlı bağımlı değişken modellerinin temel bir zayıflık: aracı (gerçek pozisyonlar) ve mükemmel latent ölçekte sapma karıştırdı . Başka bir deyişle, ayrılamazlar.

Ortalama varyans karışıklığı

Yatchew ve Griliches ilk olarak, sınırlı bağımlı değişken modellerinde (bağımlı değişkenin geleneksel doğrusal regresyonda olduğu gibi sürekli bir değerden ziyade ayrı bir değer kümesinden herhangi birini aldığı) araçların ve varyansların karıştırıldığını kanıtladı . Bu sınırlama, aşağıdaki nedenle seçim modellemesinde akut hale gelir: MNL regresyon modelinden veya başka herhangi bir seçim modelinden büyük bir tahmini beta şu anlama gelebilir:

  1. Katılımcılar öğeyi gizli ölçeğin en üstüne yerleştirir (ona çok değer verirler) veya
  2. Katılımcılar maddeyi ölçeğin en üstüne yerleştirmezler ANCAK tercihlerinden çok emindirler, sürekli (sıklıkla) maddeyi yanlarında sunulan diğerlerine göre seçerler veya
  3. (1) ve (2) 'nin bir kombinasyonu.

Bunun, bir regresyon modelinin çıktısının yorumlanması için önemli çıkarımları vardır. Tüm istatistiksel programlar, varyansı bir sabite eşit olarak ayarlayarak ortalama varyans karışıklığını "çözer"; tüm tahmin edilen beta katsayıları, aslında, tahmini bir beta ile tahmini bir lambda (varyansın ters fonksiyonu) ile çarpılır. Bu, analisti sorunu görmezden gelmeye teşvik eder. Bununla birlikte, bir dizi büyük beta katsayılarının güçlü tercihleri ​​mi (büyük bir gerçek beta) yoksa seçimlerdeki tutarlılığı mı (büyük bir gerçek lambda) yoksa ikisinin bir kombinasyonunu mu yansıttığını düşünmelidir. Tüm tahminleri birbirine bölerek - tipik olarak fiyat değişkenininki - karıştırılmış lambda terimini pay ve paydadan iptal eder. Bu, ekonomistlere katılımcının her özellik seviyesi için ödeme yapma istekliliğini sağladığı ek fayda ile sorunu çözer. Bununla birlikte, "fayda alanında" tahmin edilen sonuçların "alan ödeme istekliliği" ile tahmin edilenlerle eşleşmediği bulgusu, karışık sorunun bu "numara" ile çözülmediğini göstermektedir: varyanslar, özniteliğe özgü veya başka bir işlev olabilir. değişkenler (tutarsızlığı açıklar). Bu, alandaki güncel bir araştırma konusudur.

Geleneksel derecelendirmeye dayalı birleşik yöntemlere karşı

Seçim modellerinde ortaya çıkmayan derecelendirme sorularıyla ilgili başlıca sorunlar şunlardır:

  • takas bilgisi yok. Derecelendirmelerle ilgili bir risk, katılımcıların algılanan 'iyi' nitelikler arasında ayrım yapmama ve hepsini çekici olarak değerlendirmemesidir.
  • değişken kişisel ölçekler. Farklı bireyler 1'den 5'e kadar farklı bir ölçekte '2'ye değer verir. Her ölçek ölçüsünün frekanslarının toplanması teorik temele sahip değildir.
  • göreceli ölçü yok. Bir analist 1 olarak derecelendirilen bir şeyi 2 olarak derecelendiren bir şeyle nasıl karşılaştırır? Biri diğerinin iki katı mı? Yine, verileri bir araya getirmenin teorik bir yolu yoktur.

Diğer çeşitler

Sıralama

Sıralamalar, bireyi ilgi konusu öğeler için göreli tercihler göstermeye zorlama eğilimindedir. Bu nedenle, bunlar arasındaki ödünleşmeler, bir DCE'de olduğu gibi, tipik olarak tahmin edilebilir. Bununla birlikte, sıralama modelleri, her sıralama derinliğinde aynı fayda fonksiyonunun tahmin edilip edilmediğini test etmelidir: örneğin, aynı tahminler (varyans ölçeğine kadar), en üst sıradaki verilerle en alt sıra verilerinden çıkmalıdır.

En iyi-en kötü ölçeklendirme

En iyi-en kötü ölçeklendirme (BWS), derecelendirme ve sıralamaya iyi bilinen bir alternatiftir. İnsanlardan bir dizi alternatif arasından en çok ve en az tercih ettikleri seçenekleri seçmelerini ister. Seçim olasılıklarını çıkararak veya bütünleştirerek, her bir alternatif için fayda puanları, bireyler ve / veya gruplar için bir aralık veya oran ölçeğinde tahmin edilebilir. MaxDiff modeli de dahil olmak üzere, bireyler tarafından en iyi-en kötü verileri üretmek için çeşitli psikolojik modeller kullanılabilir .

Kullanımlar

Seçim modellemesi özellikle şunlar için kullanışlıdır:

  • Alımı tahmin etmek ve yeni ürün geliştirmeyi rafine etmek
  • Mal ve hizmetler için zımni ödeme istekliliğinin (WTP) tahmin edilmesi
  • Ürün veya hizmet uygulanabilirlik testi
  • Ürün özelliklerinin tüketici tercihi üzerindeki etkilerinin tahmin edilmesi
  • Ürün özelliklerinin çeşitleri
  • Marka değerini ve tercihini anlamak
  • Talep tahminleri ve optimum fiyatlandırma

Ayrıca bakınız

Referanslar

Dış bağlantılar