Problemy estymacji parametrów w modelach dekompozycyjnych z dyskretną zmienną objaśnianą

• Autorzy: Andrzej Bąk

Warianty tytułu

Problems of Parameters Estimation in Decompositional Models with Discrete Dependent Variables

• Języki publikacji: PL

Abstrakty

W badaniach preferencji wykorzystuje się metody umożliwiające pomiar (kwantyfikację) preferencji oraz modele odwzorowujące zachowania rynkowe konsumentów. Ważną grupę narzędzi badawczych w tym obszarze stanowią tzw. metody dekompozycyjne.
W metodach dekompozycyjnych w celu pomiaru i analizy preferencji formułowane są modele odwzorowujące zależności między ocenami profilów (są to wyniki pomiaru preferencji konsumentów) a poziomami atrybutów opisującymi te profile. Skala pomiaru preferencji ma wpływ na stosowane w badaniach preferencji metody zarówno dekompozycyjne (metody analizy łącznej lub wyborów dyskretnych), jak i estymacji modelu (chodzi tutaj przede wszystkim o poziom agregacji danych i stosowane techniki estymacji użyteczności cząstkowych). Dalsze konsekwencje tych rozstrzygnięć znajdują odbicie w możliwościach wykorzystania wyników estymacji i sposobach ich interpretacji.
W artykule omówiono typy skal pomiaru preferencji (zwłaszcza skale dyskretne), źródła i konsekwencje niejednorodności preferencji konsumentów oraz dekompozycyjne modele niemetryczne, uwzględniające niejednorodność preferencji. (fragment tekstu)

EN

The paper presents some problems linked with nonmetric decompositional models. There are presented:
- four types of measurement scales (especially discrete scales),
- sources and consequences of consumer preferences heterogeneity,
- nonmetric decompositional models included heterogeneity of preferences. (original abstract)

Słowa kluczowe

PL

Zmienna objaśniająca; Estymacja

EN

Exogenous variable; Estimation

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2005
• Tom: 12
• Numer: nr 1076 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 180--189

Twórcy

autor

Andrzej Bąk

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Allenby G.M., Arora N., Ginter J.L., Incorporating Prior Knowledge into the Analysis of Conjoint Study, "Journal of Marketing Research" 1995,32 (maj), s. 152-162.
• Bazarnik J., Grabiński T., Kąciak E., Mynarski S., Sagan A., Badania marketingowe. Metody i oprogramowanie komputerowe, AE, Kraków 1992.
• Bąk A., Dekompozycyjne metody pomiaru preferencji w badaniach marketingowych, "Prace Naukowe AE we Wrocławiu" nr 1013. Monografie i Opracowania nr 157, AE, Wrocław 2004.
• DeSarbo W.S., Ansari A., Chintagunta P., Himmelberg C., Jedidi K., Johnson R., Kamakura W., Lenk P., Srinivasan K., Wedel M., Representing Heterogeneity in Consumer Response Models, "Marketing Letters" 1997, 8 (3), s. 335-348.
• Green P.E., Srinivasan V., Conjoint Analysis in Consumer Research: Issues and Outlook, "Journal of Consumer Research" 1978, 5 (wrzesień), s. 103-123.
• Green P.E., Wind Y., New Way to Measure Consumers' Judgments, "Harvard I Business Review" 1975, 53 (lipiec-sierpień), s. 107-117.
• Huber J., Achieving Individual-Level Predictions from CBC Data: Comparing ICE : and Hierarchical Bayes, http://www.sawtoothsoftware.corn/techpap.shtml. Sequim, Sawtooth Software, 1998.
• Johnson R.M., Understanding HB: An Intuitive Approach, http://www.sawtooth-software.com/techpap.shtml. Sequim, Sawtooth Software, 2000.
• Lehmann D.R., Gupta S., Steckel J.H., Marketing Research, Addison-Wesley, Reading, Massachusetts 1998.
• Moore W.L., Levels of Aggregation in Conjoint Analysis: An Empirical Comparison, "Journal of Marketing Research" 1980, 17 (listopad), s. 516-523.
• Ramaswamy V., Cohen S.H., Latent Class Models for Conjoint Analysis, [w:] Conjoint Measurement: Methods and Applications red. A. Gustafsson, A. Herrmann, F. Huber, Springer, Berlin 2000, s. 361-392.
• Rossi P.E., Allenby G.M., Bayesian Statistics and Marketing, http://galton.uchi-cago.edu, 2002.
• Sagan A., Badania marketingowe. Podstawowe kierunki, AE, Kraków 1998.
• Vriens M., Market Segmentation. Analytical Developments and Application Guidelines, Millward Brown IntelliQuest, 2001.
• Walsh B., Markov Chain Monte Carlo and Gibbs Sampling, http://nitro.bio-sci.arizona.edu/courses/EEB596/handouts/ Gibbs.pdf, 2002.
• Wedel M., Kamakura W.A., Market Segmentation. Conceptual and Methodological Foundations, Kluwer Academic Publishers, Boston-Dordrecht-London 1998.
• Zwerina K., Discrete Choice Experiments in Marketing, Physica-Verlag, Heidelberg-New York 1997.