Analiza danych o preferencjach konsumentów z wykorzystaniem wielomianowych modeli logitowych i programu R

• Autorzy: Andrzej Bąk
• Języki publikacji: PL

Abstrakty

Kategoria preferencji umożliwia kwantyfikację użyteczności (pomiar i analizę). Do pomiaru i analizy preferencji wykorzystuje się m.in. metody wyborów dyskretnych. Metody wyborów dyskretnych są stosowane do analizy danych jakościowych (wyniki pomiaru preferencji są mierzone najczęściej na skali nominalnej). Model wyborów dyskretnych opisuje zależność między wyborem konsumenta a cechami przedmiotu wyboru (produktu lub usługi). Zmienna objaśniana jest w tym modelu nominalna, zaś zmienne objaśniające mogą być mierzone na różnych skalach. Parametry modeli wyborów dyskretnych można szacować za pomocą metody największej wiarygodności. Oszacowanie parametrów modelu wyborów dyskretnych w programie R wymaga zdefiniowania funkcji największej wiarygodności, której konkretna postać zależy od celu badania. W artykule przedstawiono charakterystykę wielomianowych modeli logitowych kategorii nieuporządkowanych (warunkowego modelu logitowego i wielomianowego modelu logitowego), zastosowania tych modeli w badaniach preferencji, estymację parametrów metodą największej wiarygodności z wykorzystaniem programu R. Zamieszczone wyniki badań empirycznych są dowodem zasadności wykorzystanych metod.

EN

Preference category allows to utility quantification (measurement and analysis). Among others discrete choice methods are used to measurement and analysis of preferences. Discrete choice methods are used to analyses qualitative data (the results of the measurement of preferences are usually measured on a nominal scale). Discrete choice model describes the relationship between consumer choice and subject of choice features (product or service). Dependent variable is the model nominal, and the explanatory variables can be measured on different scales. Parameters of discrete choice models can be estimated by the method of maximum likelihood. Estimating discrete choice model parameters in R program requires the definition of maximum likelihood function, whose specific form depends on the purpose of the study. The article presents the characteristics of multinomial logit models of unordered categories (conditional logit model and multinomial logit model), application of these models in studies of preferences, estimation of parameters using maximum likelihood method and R program. Presented empirical findings are proof of the validity of the methods used. (original abstract)

Słowa kluczowe

PL

Strategia marketingowa; Mikroekonomia; Badania empiryczne; Model logitowy; Zmienna objaśniana

EN

Marketing strategy; Microeconomics; Empirical researches; Logit model; Endogenous variable

• Czasopismo: Roczniki Kolegium Analiz Ekonomicznych / Szkoła Główna Handlowa
• Rocznik: 2011
• Numer: nr 23
• Strony: 11--24

Twórcy

autor

Andrzej Bąk

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Agresti A., Categońcal Data Analysis. Second Edition. Wiley, New York 2002.
• Bąk A., Dekompozycyjne metody pomiaru preferencji w badaniach marketingowych, Prace Naukowe nr 1013 Akademii Ekonomicznej we Wrocławiu, Seria: Monografie i Opracowania nr 157, Wydawnictwo AE we Wrocławiu, Wrocław 2004.
• Bąk A., Rybicka A., Application of Discrete Choice Methods in Consumer Preference Analysis, 2004, w: Baier D., Wemecke K.-D. (red.), Innovations in Classification, Data Science, and Information Systems, Proc. 27th Annual GfKl Conference, University of Cottbus, March 12-14, 2003. Springer-Verlag, Heidelberg-Berlin, s. 305-312.
• Bierlaire M., Discrete Choice Models. URL: http://web.mit.edu/mbi/www/ michel. html. Cambridge, Massachusetts Institute of Technology, 1997.
• Categorial Analysis - Part 1, 1999, http://pytheas.ucs.indiana.edu/~statmath'' stat/all/ca1/printable.htm, Indiana University.
• Coombs C.H., Dawes R.M., Tversky A., Wprowadzenie do psychologii matematycznej, PWN, Warszawa 1977.
• Gruszczyński M., Modele i prognozy zmiennych jakościowych w finansach i bankowości, Oficyna Wydawnicza SGH, Warszawa 2002.
• Haaijer R., Wedel M., Conjoint Choice Experiments: General Characteristics and Altemative Model Specifications, w: Gustafsson A., Herrmann A., Huber F. (red.), Conjoint Measurement: Methods and Applications, Berlin 2000, Springer, s. 319-360.
• Jackman S., Models for Unordered Outcomes, Politicał Science 150C/350C, 2007, http://jackman.stanford.edu/classes/ (02.05.2009).
• Kuhfeld W.F., Multinomial Logit, Discrete Choice Modeling. An Introduction to Designing Choice Experiments, Collecting, Processing, and Analyzing Choice Data with the SAS® System, 1996, http://ftp.sas. com/techsup/download/tech- note/ts273.pdf, Cary, SAS Institute Inc.
• Lorig J.S., Regression Models for Categorical and Limited Dependent Variables, SAGE Publications, Thousand Oaks - London - New Dełhi l997.
• Louviere J. J., Woodworth G., Design and Analysis of Simulated Consumer Choice or AUocation Experiments: An Approach Based on Aggregate Data, "Journal of Marketing Research", 20 November 1983, s. 350-367.
• McFadden D., Conditional Logit Analysis of Qualitative Choice Behavior, w: Frontiers in Econometrics, red. P. Zarembka, Academic Press, New York-San Francisco-London 1974, s. 105-142.
• Rószkiewicz M., Narzędzia statystyczne w analizach marketingowych, C.H. Beck, Warszawa 2002.
• So Y., Kuhfeld W.F., Multinomal Logit Models, w: SUGI 20 Conference Proceedings, 1995, http://support.sas.com/techsup/technotes/ts722g.df, Cary, SAS.