ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO
Transkrypt
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO NR 394 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 15 2004 ANDRZEJ B K Akademia Ekonomiczna Wrocław MIKROEKONOMETRYCZNE METODY BADANIA PREFERENCJI WPROWADZENIE Główn przyczyn wyborów konsumenckich s potrzeby, których lista pozostaje otwarta. Realne mo liwo ci zaspokojenia potrzeb s jednak uwarunkowane ró nymi czynnikami, które ogólnie nazwa si ograniczeniami bud etowymi (na przykład dochody, ceny, czas). Na tle nierównowagi mi dzy potrzebami i mo liwo ciami ich zaspokojenia powstaje konieczno warto ciowania potrzeb i dokonywania wyborów. Teorie post powania konsumenta na rynku, uznaj ce model racjonalnego zachowania (homo oeconomicus), opieraj si na zało eniu, e konsumenci dokonuj takich wyborów, które maksymalizuj osi gane korzy ci przy istniej cych ograniczeniach bud etowych. Syntetycznym odzwierciedleniem tych korzy ci jest u yteczno 1. W kontek cie decyzji rynkowych u yteczno jest miar zaspokojenia potrzeb i uzasadnieniem wyborów. Konsumenci dokonuj c wyborów, maksymalizuj subiektywnie odczuwan u yteczno . Kieruj si przy tym indywidualnymi upodobaniami, gustami, przyzwyczajeniami, które mo na nazwa preferencjami. Preferencje maj decyduj cy wpływ na u yteczno , bo od indywidualnych preferencji konsumenta zale y subiektywna u yteczno przedmiotu wyboru. Teorie u yteczno1 Pojawia si tutaj wa na kwestia wymiernej reprezentacji korzy ci, a wi c mierzalno ci u yteczno ci. 22 Andrzej B k ci zmierzaj do wyja nienia postaw konsumentów i ich wymiernej charaktery styki, opieraj c si wła nie na poj ciu preferencje. Preferencje okre lone wzgl dem opcji wyboru umo liwiaj zdefiniowanie funkcji u yteczno ci, która z kolei pozwala zwi za z ka d opcj okre lon charakterystyk liczbow . W uj ciu formalnym przez preferencje rozumie si preporz dek (relacj binarn zwrotn i przechodni ) lub preporz dek liniowy (relacj binarn zwrotn , przechodni i spójn ) okre lony w przestrzeni profilów dóbr lub usług (koszyków towarów). Relacja preferencji umo liwia przypisanie konsumentowi in dywidualnej skali preferencji, na której mo na warto ciowa profile produktów i optymalizowa wybory2. W badaniach empirycznych w analizie preferencji wykorzystuje si obserwacje historyczne oraz dane o charakterze antycypacyjnym, opisuj ce intencje konsumentów. Rozró nia si zatem metody analizy preferencji ujawnionych oraz metody analizy preferencji wyra onych (rysunek 1). Metody pomiaru preferencji Preferencje ujawnione metody analizy danych historycznych Preferencje wyra one Podej cie kompozycyjne Podej cie dekompozycyjne Podej cie mieszane metody oceny poziomów i atrybutów tradycyjne metody conjoint analysis hybrydowe metody conjoint analysis metody oparte na wyborach adaptacyjna metoda conjoint analysis Rys. 1. Metody pomiaru preferencji konsumentów w badaniach marketingowych 2 ródło: opracowano na podstawie: [4], s. 9; [20], s. 2–3; [9], s. 83. Zob. [15], s. 54–55. Mikroekonometryczne metody badania preferencji 23 Preferencje ujawnione (revealed preferences) stanowi odbicie rzeczy wistych decyzji rynkowych konsumentów. Podstaw ich analizy jest najcz ciej materiał statystyczny zgromadzony w wyniku rejestracji danych o przeszłych wyborach rynkowych konsumentów (wtórne ródła danych). Innym ródłem danych do tych bada mog by przeprowadzane a posteriori sonda e bezpo rednie lub po rednie dotycz ce wcze niej dokonanych przez konsumentów wyborów rynkowych. Preferencje wyra one (stated preferences) dotycz natomiast hipotetycznych (deklarowanych) zachowa rynkowych konsumentów. W tym wypadku metody bada s oparte na danych zgromadzonych a priori za pomoc sonda y po rednich lub bezpo rednich (pierwotne ródła danych)3, których celem jest rejestracja intencji wyra anych przez konsumentów w momencie pomiaru. W analizie preferencji wyra onych znajduj zasto sowanie metody reprezentuj ce podej cie kompozycyjne, dekompozycyjne lub mieszane. Charakter podej cia ma decyduj cy wpływ na sposób gromadzenia danych o preferencjach (pomiar preferencji), stosowane metody analizy preferencji i posta modelu opisuj cego preferencje. W artykule scharakteryzowano dwie grupy dekompozycyjnych metod badania preferencji wyra onych: metody conjoint analysis i metody dyskretnych wyborów. Wskazano tak e na ich miejsce w mikroekonomii i mikroekonometrii. Jest to o tyle wa ne, e metody te powstawały w ró nym czasie i na potrzeby ró nych dziedzin wiedzy (na przykład psychologii), obecnie za s wa nym narz dziem stosowanym w badaniach zachowa konsumentów. 1. CHARAKTERYSTYKA METOD DEKOMPOZYCYJNYCH Teorie u yteczno ci mieszcz si w obr bie mikroekonomii, natomiast metody dekompozycyjne mo na zaklasyfikowa jako narz dzia badawcze mikroekonometrii. W metodach tych wykorzystuje si dane o jednostkowych obiektach badania, w szczególno ci o konsumentach i produktach, które w lite raturze przedmiotu nazywa si mikrodanymi (microdata) dla podkre lenia ich szczegółowo ci. Metody badawcze stosowane w mikroekonometrii, w tym me3 Klasyfikacja metod zbierania danych ze ródeł wtórnych i pierwotnych jest zamieszczona mi dzy innymi w [8], s. 51. Podstawow metod pomiaru preferencji w podej ciu dekompozycyjnym jest ankieta (bezpo rednia, komputerowa lub internetowa) zaliczana do po rednich metod pomiarów sonda owych. 24 Andrzej B ! k tody dekompozycyjne stosowane do pomiaru preferencji, umo" liwiaj # ,,wydobycie” ukrytych w mikrodanych informacji, które mog# słu" y$ wspomaganiu rynkowych procesów decyzyjnych i wyja % nieniu zasad post & powania konsumentów. Mikroekonometria jest dynamicznie rozwijaj # c# si & gał& zi # ekonometrii, o czym % wiadcz# mi & dzy innymi wyró" nienia Nagrod# Nobla jej wybitnych reprezentantów4, badaj # cych mikrodane za pomoc# metod dyskretnych wyborów. Podstawowym zało" eniem dekompozycyjnych metod pomiaru preferencji wyra' onych wykorzystywanych w badaniach marketingowych jest prezentacja respondentom zbioru obiektów opisanych zmiennymi obja % niaj # cymi, z których ka" da przyjmuje okre % lone warto % ci. Głównym celem bada( jest pomiar preferencji konsumentów wzgl& dem ocenianych obiektów. Wynikiem pomiaru jest zbiór warto % ci zmiennej obja % nianej, reprezentuj # cy preferencje empiryczne respondentów. Zgodnie z terminologi # stosowan# w literaturze przedmiotu, zmienne obja % niaj # ce opisuj # ce dobra lub usługi nazywa si & atrybutami (attributes), ze wzgl & du na niemetryczny charakter skal pomiaru ich warto % ci, lub czynnikami (factors), natomiast ich realizacje s # nazywane poziomami (levels), zgodnie z terminologi # stosowan # w planowaniu do % wiadcze( 5. Atrybuty i ich poziomy generuj # ró" ne warianty dóbr lub usług, nazywane profilami (profiles, stimulus, treatments, runs). Liczba wszystkich mo" liwych do wygenerowania profilów zale" y od liczby atrybutów i poziomów (jest to iloczyn liczby poziomów wszystkich atrybutów)6. Zale" no % ci mi& dzy atrybutami, poziomami i profilami s# zilustrowane na rysunku 2, przedstawiaj # cym jeden atrybut (A) o trzech poziomach i dwa atrybuty (B i C) o dwóch poziomach. 4 Nagrod Banku Szwecji w dziedzinie ekonomii za 2000 r. otrzymali J.J. Heckman i D.L. McFadden, zajmuj cy si mikroekonometri , analiz mikrodanych i metodami dyskretnych wyborów. 5 Układy do wiadczalne odgrywaj w metodach dekompozycyjnych bardzo wa n rol i stanowi jeden z najwa niejszych etapów procedury badawczej 6 Zbiór profilów to inaczej produkt kartezja) ski zbiorów poziomów poszczególnych atrybutów. Mikroekonometryczne metody badania preferencji → Atrybuty B 1 2 C 1 2 ↓ B1 ↓ C1 Poziomy Profile 1 A 1 2 3 ↓ A1 25 A1 B1 C2 → : : : : A3 B2 C2 → Rys. 2. Zale* no + ci mi , dzy atrybutami, poziomami i profilami 2 : 12 = 3 x 2 x 2 - ródło: opracowanie własne. Na podstawie zgromadzonych ocen respondentów (u" yteczno % ci całkowitych profilów) dokonuje si & podziału (dekompozycji) całkowitych preferencji w celu oszacowania tak zwanych u" yteczno % ci cz# stkowych poziomów atrybutów oraz obliczenia udziałów poszczególnych atrybutów w całkowitej u" yteczno % ci ka" dego profilu7. Model dekompozycyjny reprezentuje zale" no %$ mi& dzy preferencjami konsumentów a atrybutami profilów, któr# w sposób ogólny mo" na przedstawi $ w postaci równania: ( ) U ij = f i X,. ,ε ij , (1) gdzie: U ij – u/ yteczno 01 rzeczywista j-ego profilu dla i-tego konsumenta, fi – funkcja preferencji i-tego konsumenta, X – macierz zawieraj 2 ca realizacje zmiennych obja 0 niaj 2 cych opisuj 2 cych profile (poziomy atrybutów lub realizacje zmiennych sztucznych), 3 – macierz parametrów (u/ yteczno 0 ci cz2 stkowych), ε ij – składnik losowy modelu. 7 Por. [5]. 26 Andrzej B 4 k O wyborze metody pomiaru i analizy preferencji (w tym tak/ e o postaci modelu dekompozycyjnego) stosowanego w konkretnym badaniu decyduje przede wszystkim8 skala pomiaru preferencji (rysunek 3). Pomiar preferencji konsumentów na skalach mocnych (metrycznych) implikuje stosowanie metod conjoint analysis (na przykład modelu regresji wielorakiej ze zmiennymi sztucznymi). Pomiar preferencji na skalach słabych (niemetrycznych, na przykład nominalnej) przes2 dza o konieczno 0 ci stosowania metod dyskretnych wyborów (na przykład wielomianowego lub warunkowego modelu logitowego). Istotna ró/ nica mi 5 dzy tymi dwoma grupami metod dotyczy podstaw teoretycznych, sposobów i skal pomiaru preferencji (metod gromadzenia danych) oraz postaci formułowanych modeli. Ogólna idea badawcza jest jednak wspólna9 (tabela 1). W obu przypadkach przedstawia si 5 respondentom do oceny zbiór profilów opisanych atrybutami w celu uzyskania informacji o u/ yteczno 0 ciach całkowitych, a nast5 pnie za pomoc 2 metod statystycznych i algorytmów komputerowych przeprowadza dekompozycj 5 u/ yteczno 0 ci całkowitych i oblicza u/ yteczno 0 ci cz2 stkowe10. Z tego wzgl 5 du metody te zalicza si5 do grupy tak zwanych dekompozycyjnych metod badania preferencji wyra/ onych. Do najwa/ niejszych etapów procedury badawczej przedstawionej w tabeli 1 nale/62 : etap gromadzenia danych (wybór metody gromadzenia i generowanie układu czynnikowego) oraz etap estymacji parametrów (u/ yteczno 0 ci cz2 stkowych) sformułowanego modelu. Etapy te scharakteryzowano w dalszej cz570 ci artykułu. 8 Na ostateczn 8 form9 modelu maj 8 wpływ tak: e inne czynniki, mi 9 dzy innymi zało : one cele badania, metoda gromadzenia danych, poziom agregacji danych. 9 W literaturze przedmiotu pozostaje otwarta dyskusja dotycz8 ca wzajemnych relacji mi 9 dzy metodami conjoint analysis i metodami dyskretnych wyborów. 10 Por. [5]. Mikroekonometryczne metody badania preferencji 27 Metody conjoint analysis Pomiar na skalach mocnych Atrybuty U ij = f i (X, ; , ε ij ) Skala pomiaru preferencji Pomiar na skalach słabych Składnik losowy U < yteczno= ci cz > stkowe Funkcja u< yteczno= ci i-tego konsumenta Metody dyskretnych wybor ów Rys. 3. Zwi ? zek mi@ dzy skal? pomiaru preferencji a metodami pomiaru preferencji A ródło: opracowanie własne. Tabela 1 Wybrane etapy procedury pomiaru preferencji wyraB onych metodami conjoint analysis i metodami dyskretnych wyborów Etap procedury Dekompozycyjne metody pomiaru preferencji wyraB onych pomiaru preferencji metody conjoint analysis metody dyskretnych wyborów 1 2 3 Ustalenie podstaw aksjomatyczna teoria addyteoria uB yteczno C ci losowej, teoretycznych tywnego jednoczesnego poktórej zr @ by i podstawowe miaru ł? cznego conjoint me- załoB enia zaproponował w asurement, której podstawy 1927 r. Thurstone ([3], s. 214– sformułowali Luce i Tukey 217) w 1964 r. ([3], s. 50–55) Wybór skali pomia- skale niemetryczne i meskale niemetryczne: ru preferencji tryczne: − nominalna − porz ? dkowa − porz ? dkowa − przedziałowa − ilorazowa 28 1 Wybór metody gromadzenia danych o preferencjach Generowanie profilów do badaE Wybór modelu Estymacja uB yteczno C ci cz ? stkowych Ocena wiarygodnoC ci pomiaru Wykorzystanie wyników A Andrzej B D k 2 kompletne profile porównania profilów parami − porównania par atrybutów jednostopniowe procedury generowania układów czynnikowych: • pełny układ czynnikowy, • cz@FC ciowy układ czynnikowy liniowy model regresji wielorakiej klasyczna metoda najmniejszych kwadratów, metoda monotonicznej analizy wariancji, algorytmy LINMAP, PREFMAP − − ocena trafno C ci i rzetelno C ci − 3 kompletne profile jednostopniowe lub dwustopniowe procedury generowania układów czynnikowych: • pełny układ czynnikowy, • cz @GC ciowy układ czynnikowy model probabilistyczny waB ona metoda najmniejszych kwadratów, alternatywne metody najmniejszych kwadratów, metoda najwi @ kszej wiarygodno C ci, metody symulacyjne (MCMC), algorytmy numeryczne (E-M) ocena trafno C ci i rzetelno C ci szacowanie udziałów w rynku szacowanie udziałów w rynku (po C rednio), segmentacja (bezpo C rednio), segmentacja (dwufazowa) (jednofazowa) ródło: opracowanie własne. 2. METODY CONJOINT ANALYSIS Conjoint analysis to zespół numerycznych metod analizy danych preferencyjnych opartych na załoH eniach wynikaj I cych z teorii tak zwanego addytywnego pomiaru łI cznego (conjoint measurement). Dane preferencyjne dotyczI zbioru profilów ocenianych przez respondentów. Poszczególne profile tworzI ce zbiór s I opisane tymi samymi atrybutami, ale róH ni I si J mi J dzy sobI poziomami tych atrybutów. Liczba profilów w zbiorze zaleH y od liczby atrybutów i liczby poziomów kaH dego z nich. Zadaniem respondentów jest uszeregowanie profilów w kolejno K ci od najbardziej do najmniej poH6I danego (pomiar na skali porzI dkowej) lub wymierna ocena liczbowa (w procentach, punktach itp.) kaH - Mikroekonometryczne metody badania preferencji 29 dego z profilów (pomiar na skali przedziałowej lub ilorazowej). W metodach conjoint analysis istotny jest fakt wynikaj I cy z teorii addytywnego pomiaru łI cznego, H e na „warto K ci” profilów wpływaj I ł L cznie poziomy wszystkich atrybutów (st M d nazwa tych metod). W sensie technicznym conjoint analysis obejmuje algorytmy zrealizowane w postaci programów komputerowych, które w kolejnych iteracjach poszukuj M najlepszych, w sensie zdefiniowanej funkcji kryterium, estymatorów parametrów sformułowanych modeli. PoczM tkowo podstawowym kierunkiem rozwoju conjoint analysis były metody estymacji parametrów addytywnych modeli pomiaru (modele regresji wielorakiej i monotonicznej analizy wariancji). Obecnie buduje si N modele nieliniowe i modele uwzgl N dniaj M ce interakcje atrybutów. Gromadzenie danych. Materiałem badawczym, który jest wykorzystywany w conjoint analysis, s M dane marketingowe uzyskiwane najczN7O ciej w wyniku badaP ankietowych. Pozyskiwanie danych to jeden z głównych problemów w całej procedurze badaP . Wybór metody gromadzenia danych wpływa na złoQ ono OR obliczeniowM zadania estymacji parametrów modelu conjoint analysis. Q Q Metoda gromadzenia danych ma równie wa ny wpływ na poziom wiarygodno O ci ocen dokonywanych przez respondentów. W literaturze przedmiotu wymienia si N najczN7O ciej nastN puj M ce metody gromadzenia danych11: a) metodN pełnych profilów (full-profile method, full-concept method, fullprofile approach); Q b) metodN korzystaj M c M z macierzy kompromisów, nazywanM równie metodM prezentacji dwóch atrybutów jednocze O nie lub metod M porównywania atrybutów parami (trade-off matrix approach, two-attributes-at-atime approach, trade-off approach); c) metodN porównywania profilów parami (method of paired comparisons, pairwise comparison). Q Metoda pełnych profilów obejmuje zbiór wszystkich mo liwych wariantów, bN d M cych kombinacj M atrybutów i ich poziomów (tabela 2). Liczba prezentowanych respondentowi profilów jest równa iloczynowi poziomów poszczeQ Q gólnych atrybutów i mo e przyjmowa R du e warto O ci. W metodzie pełnych profilów respondent dokonuje oceny profilów, okre O laj M c porzM dek rangowy (skala porzM dkowa) lub wymiernM atrakcyjno OR profilów (skala przedziałowa Q lub ilorazowa). Do pozytywnych cech tej metody nale y przedstawienie re11 Zob. [18]; [19]. 30 Andrzej B S k spondentom do oceny profilów opisanych wszystkimi atrybutami jednocze O nie (jest to sytuacja, z któr M konsument styka siN w rzeczywisto O ci, wybieraj M c w O ród produktów lub usług dostN pnych na rynku). Prezentuj M c wszystkie atryQ buty jednocze O nie, uwzgl N dnia si N te wyst N puj M ce mi N dzy nimi interakcje, które mogM generowaR efekty synergiczne, niewidoczne w innym wypadku. Za Q najpowa niejszM słabo OR metody uznaje siN ograniczonM liczbN atrybutów i poziomów uwzgl N dnianych w projektowanym eksperymencie. Restrykcje zwi M zane z rozmiarem eksperymentu sM szczególnie istotne w kompletnych układach czynnikowych. Tabela 2 U Marka Milka Wedel Alpen Gold Goplana Cudbury Metoda pełnych profilów Gatunek Cena [zł] Opakowanie mleczna 1,5 małe gorzka 2,0 duT e mleczna 2,5 duT e gorzka 2,0 małe mleczna 1,5 małe Ranga ródło: opracowanie własne. Metoda korzystaj L ca z macierzy kompromisów polega na prezentowaniu respondentom do oceny par atrybutów w formie tablic dwuwymiarowych (macierzy). Liczba kolumn macierzy jest równa liczbie poziomów pierwszego z atrybutów, natomiast liczba wierszy odpowiada liczbie poziomów drugiego z atrybutów (rysunek 5). Rozpatrywane sM wszystkie pary atrybutów, co oznaQ cza, e dla m atrybutów otrzymuje siN m(m − 1) / 2 macierzy. Respondent ocenia Q ka dM par N atrybutów osobno, wpisuj M c na przeci N ciu kolumn i wierszy rangi Q wskazuj M ce na jego preferencje. W tej metodzie jest mo liwe uwzgl N dnienie Q Q du ej liczby atrybutów, poniewa respondent dokonuje w danym momencie kompromisowego rangowania kombinacji otrzymanych na skutek zestawienia tylko dwóch atrybutów. Do wad tej metody zalicza si N wynikaj M c M z jej istoty Q sztuczno OR , polegaj M cM na tym, e respondent musi oceniaR obiekt w poszczególnych krokach ankiety na podstawie fragmentarycznych informacji (wyłM czaj M c skrajny przypadek, kiedy do badaP wyselekcjonowano tylko dwa atrybuty). W rzeczywisto O ci bowiem obiekt dost N pny na rynku jest postrzegany przez Mikroekonometryczne metody badania preferencji 31 Atrybut 2: marka Poziomy konsumenta jako obraz bN dM cy rezultatem oddziaływania wszystkich atrybutów jednocze O nie i interakcji zachodzM cych mi N dzy nimi. Ponadto metoda ta w syQ Q tuacji du ej liczby atrybutów stwarza pewnM uci M liwo OR dla respondenta, który Q w swoich ocenach musi braR je wszystkie pod uwagN . Mo e to prowadzi R do Q przeceniania znaczenia atrybutów mniej wa nych i niedoceniania rangi atrybutów istotnych. Atrybut 1: cena Poziomy 1,5 2,0 2,5 Milka Wedel Goplana Rys. 4. Metoda porównywania atrybutów parami U ródło: opracowanie własne. Metoda porównywania parami polega na prezentacji profilów parami, Q przy czym ka dy z nich jest opisany kompletnym zestawem atrybutów. ReQ spondent nie jest tutaj zmuszony do percepcji du ej liczby obiektów, ale na Q ka dym etapie okre O lania swoich preferencji wskazuje na jeden z dwóch prezentowanych profilów. W zwi M zku z tym przy liczbie n profilów dokonuje n (n − 1) / 2 wskazaP . W celu uzyskania jednoznaczno O ci ocen respondentów Q postuluje si N przestrzeganie zasady przechodnio O ci preferencji, oznaczaj M cej, e Q je eli A V B i B W C , to A X C (gdzie symbol Y oznacza preferencj Z lewego argumentu wzgl Z dem prawego). A marka: Milka gatunek: mleczna cena: 1,50 zł opakowanie: małe Rys. 5. Metoda porównywania parami \ ródło: opracowanie własne. B marka: Wedel gatunek: gorzka LUB cena: 2,00 zł opakowanie: du[ e 32 Andrzej B ] k Generowanie zbioru profilów. Metody gromadzenia danych wymagaj ^ przygotowania zbioru profilów. W tym celu wykorzystuje si _ układy planowania do ` wiadczea stosowane w wielu naukach do ` wiadczalnych. Układy planowania do ` wiadczea znajduj ^ zastosowanie w procesie przygotowywania danych do modelu conjoint analysis na etapie generowania zbioru profilów przedstawianych respondentom. Rodzaj wykorzystywanego schematu planowania do ` wiadczenia zaleb y od typu modelu conjoint analysis (model tradycyjny, model oparty na wyborach) oraz metody gromadzenia danych (metoda pełnych profilów, metoda porównaa parami, wybór ze zbioru profilów). W tradycyjnej procedurze conjoint analysis pomiar preferencji respondentów jest najcz_c` ciej przeprowadzany za pomoc ^ rankingu, ratingu lub porównaa parami profilów uwzgl _ dnionych w badaniu. Charakterystyczn ^ cech^ takich pomiarów jest korzystanie z pełnych profilów analizowanych produktów lub usług (czyli opisanych wszystkimi atrybutami). W badaniu sondab owym uwzgl_ dnia si _ wszystkie mob liwe do utworzenia profile (wykorzystuje si _ kompletny układ czynnikowy) lub tylko ich podzbiór (wykorzystuje si _ cz^ stkowy układ czynnikowy). Kompletny układ czynnikowy mob na stosowa d tylko w przypadku małej liczby atrybutów i poziomów. Liczba profilów w pełnym układzie czynnikowym wynika z iloczynu liczebno ` ci poziomów poszczególnych atrybutów12 i przyjmuje na ogół dub e warto ` ci (na przykład kompletny układ czynnikowy 4132 23 generuje 288 profilów13, natomiast cz^ stkowy ortogonalny układ czynnikowy pozwala zredukowad t_ liczb_ do 16 profilów). Procedury planowania do ` wiadczea , które mob na wykorzystad w modelach conjoint analysis, s^ dost _ pne w wielu pakietach statystycznych (na przykład SPSS, SAS/STAT, STATISTICA). Estymacja modelu conjoint analysis. W tradycyjnych metodach conjoint analysis wykorzystuje si _ najcz_7` ciej model regresji wielorakiej ze zmiennymi sztucznymi. W modelu tym zmienna obja ` niana przyjmuje warto ` ci (na przy- 12 P= m ∏l j , gdzie P – liczba profilów, l j – liczba poziomów j-ego atrybutu, m – liczba j =1 atrybutów. Zapis 41 3 2 2 3 oznacza jeden atrybut o czterech poziomach, dwa atrybuty o trzech poziomach oraz trzy atrybuty o dwóch poziomach. 13 Mikroekonometryczne metody badania preferencji 33 kład oceny punktowe lub rangi) przypisane przez danego respondenta poszczególnym profilom przedstawionym do oceny. Wpływ kab dego poziomu poszczególnych atrybutów na ocen_ profilu przez respondenta uwzgl _ dnia si _ przez wprowadzenie do modelu regresji sztucznych zmiennych obja ` niaj ^ cych. Na podstawie uzyskanych ocen preferencji szacuje si _ za pomoc ^ metody najmniejszych kwadratów ub yteczno ` ci cz^ stkowe dla kab dego respondenta z osobna i warto ` ci ` rednie dla badanej próby oraz okre ` la relatywn^ wab no `d kab dego atrybutu w procesie oceny przez respondentów poszczególnych profilów. Liniowy addytywny model regresji wielorakiej conjoint analysis jest wyrab ony wzorem: Y = β 0 + β1Z1 + β 2 Z 2 + e + β pZ p + ε , (2) gdzie: Y – zmienna obja ` niana, której warto ` ciami s ^ ub yteczno ` ci całkowite respondentów, β 0 – wyraz wolny modelu, β1 − β p – parametry modelu, Z1 − Z p – zmienne obja ` niaj ^ ce (atrybuty opisuj ^ ce profile), ε – składnik losowy modelu, k = 1, 2 , f , p – liczba atrybutów. Niemetryczne rzeczywiste zmienne obja ` niaj ^ ce (atrybuty) Z1 − Z p s ^ kodowane za pomoc ^ zmiennych sztucznych, które wskazuj ^ na wyst _ powanie okre` lonych poziomów w poszczególnych profilach. W praktyce najcz_c` ciej stosuje si _ kodowanie zero-jedynkowe, które prowadzi do zast^ pienia p atrybutów ( Z1 − Z p ) zmiennymi sztucznymi ( X 1 − X m ), których liczba wynosi m = ∑k =1 Lk − p , gdzie: Lk – liczba poziomów (kategorii) k-tej zmiennej objap niaj ^ cej. Wynika st ^ d, b e do zakodowania wszystkich poziomów danego atrybutu wystarcza liczba zmiennych sztucznych o 1 mniejsza od liczby poziomów tego atrybutu. Po przekodowaniu atrybutów liniowy model regresji wielorakiej conjoint analysis ze zmiennymi sztucznymi mob na przedstawi d w nast _ puj ^ cej formie: ` 34 Andrzej B g k Y = b0 + b1 X 1 + b2 X 2 + h + bm X m + e , (3) gdzie: Y – zmienna obja i niana, której warto i ciami s j uk yteczno i ci całkowite respondentów, b0 – wyraz wolny modelu, b1 − bm – uk yteczno i ci czj stkowe modelu, X 1 − X m – zmienne sztuczne reprezentuj j ce poziomy atrybutów opisuj j cych profile, e – składnik losowy modelu, j = 1, 2, l , m – liczba zmiennych sztucznych. Liniowe modele regresji conjoint analysis sj szacowane na poziomie indywidualnym (jeden model dla kak dego respondenta) lub zagregowanym (jeden model dla całej próby). 3. METODY DYSKRETNYCH WYBORÓW Podstawowa idea metod dyskretnych wyborów14 polega na symulacji rzeczywistych wyborów rynkowych. W metodach dyskretnych wyborów respondent ma mok liwo im wyboru tego profilu, który jest dla niego najbardziej atrakcyjny. Istnieje takk e mok liwo im rezygnacji z wyboru któregokolwiek profilu (na przykład opcja „k aden z oferowanych”), jek eli przedstawione propozycje nie spełniaj j oczekiwan respondenta (potencjalnego nabywcy). W metodach dyskretnych wyborów na wybór okre i lonego profilu wpływaj j łj cznie poziomy wszystkich atrybutów (podobnie jak w conjoint analysis), ale respondenci nie muszj porzj dkowa m lub oceniam wszystkich. Odniesieniem teoretycznym tych metod jest teoria uk yteczno i ci losowej, poniewak wybory respondentów nie sj całkowicie deterministyczne. W sensie technicznym metody oparte na wyborach to zbiór algorytmów obliczeniowych, bo dj cych komputerowj implementacj j probabilistycznych 14 Ta grupa metod jest nazywana takp e analizq conjoint opart q na wyborach lub dyskretnym modelowaniem wyborów (choice-based conjoint analysis, discrete choice modeling, discrete choice experiment, experimental choice analysis, quantal choice models). Mikroekonometryczne metody badania preferencji 35 modeli regresji (mi o dzy innymi wielomianowych modeli logitowych i probitowych). Gromadzenie danych. W metodach dyskretnych wyborów na etapie gromadzenia danych wykorzystywana jest metoda wyboru ze zbiorów profilów. Podstawowj zalet j tej metody jest symulacja rzeczywistych sytuacji wyboru, w których bior j udział konsumenci lub inni uczestnicy rynku. Jej cech j charakterystycznj jest uwzgl o dnienie w podzbiorach tak zwanego profilu odniesienia (reference profile, base profile), w stosunku do którego sj szacowane prawdopodobien stwa wyboru pozostałych profilów. Bardzo czo sto funkcj o profilu odniesienia pełni opcja „k aden z oferowanych”, która daje respondentowi mok liwo im rezygnacji z wyboru, jek eli k aden profil z oferty nie spełnia jego oczekiwan (tabela 3). Tabela 3 Metoda wyboru ze zbioru profilów w Kraj Cena Polska Niemcy Czechy Dania Holandia 2,00–4,00 zł pow. 4,00 zł pow. 4,00 zł 2,00–4,00 zł do 2,00 zł v Alkohol Opakowanie pow. 5,00% kufel do 1,00% puszka do 1,00% puszka 1,80–5,00% butelka do 1,00% kufel aden z tych profilów Pojemno rts pow. 0,50 l 0,50 l 0,33 l 0,50 l 0,33 l Wybieram opcj u 1 2 3 4 5 6 ródło: opracowanie własne. Metoda wyborów ze zbioru profilów wymaga przygotowania profilów i ich podziału na podzbiory, z których bo dj wybieram respondenci. Podobnie jak w procedurze conjoint analysis, równiek w metodach dyskretnych wyborów układy czynnikowe odgrywaj j podstawowj rolo na etapie przygotowania zbiorów danych prezentowanych respondentom. Na etapie przygotowania danych wykorzystuje si o jednostopniowe lub dwustopniowe procedury generowania układów czynnikowych, które mogj bym symetryczne (liczba poziomów kak dego atrybutu jest taka sama) lub asymetryczne (liczba poziomów atrybutów mok e bym rók na), natomiast wygenerowane podzbiory mogj zawieram takj samj (fixed choice set) lub zrók nicowan j (variable choice set) liczbo profilów. 36 Andrzej B x k W procedurach jednostopniowych korzysta si y z czz stkowych układów czynnikowych typu LMP , gdzie L oznacza liczby poziomów ka{ dego z atrybutów, M jest liczb z wszystkich atrybutów, a P – liczb z profilów w ka{ dym z podzbiorów15. Układ ten jest typowym planem symetrycznym dla M × P czynników, z których ka{ dy składa siy z L poziomów. Jest to post y powanie jednostopniowe, poniewa{ po wygenerowaniu układu w ka{ dym wierszu macierzy eksperymentu otrzymuje si y P profilów (ka{ dy wiersz oznacza jeden podzbiór), z których ka{ dy jest opisany za pomoc z M atrybutów. Liczba podzbiorów wynika z przyj y tego planu redukcji układu kompletnego o rozmiarze LMP . W procedurach dwustopniowych w celu uzyskania podzbiorów profilów czz stkowe układy czynnikowe sz stosowane dwukrotnie: a) najpierw generuje si y zbiór profilów, które by dz przedmiotem oceny respondentów (tak, jak w tradycyjnej metodzie conjoint analysis); b) nast y pnie generuje si y podzbiory zawieraj z ce wybrane profile; z ka{ dego podzbioru respondent wybiera jeden profil (lub nie wybiera { adnego – opcja „ { aden z oferowanych” ). W metodach dyskretnych wyborów korzysta si y najczy7| ciej z układów czz stkowych i nieortogonalnych. Poszukuje si y (zwykle za pomocz algorytmów iteracyjnych) takiego układu profilów, którego zawarto |} informacyjna w stosunku do układu kompletnego lub ortogonalnego jest najwi y ksza w | wietle przyj y tego kryterium16. Takie układy nazywa si y efektywnymi lub optymalnymi. Układy czynnikowe kompletne lub czz stkowe, ortogonalne lub efektywne, które sz podstawz do gromadzenia danych o preferencjach w metodach dyskretnych wyborów, mo{ na wzgl y dnie łatwo wygenerowa} za pomocz procedur pakietu statystycznego SAS/STAT. Je{ eli układ ortogonalny nie istnieje, to procedury te poszukuj z najbardziej efektywnego układu nieortogonalnego. Estymacja modelu dyskretnych wyborów. Głównym celem estymacji modelu dyskretnych wyborów jest oszacowanie prawdopodobie~ stwa, z jakim i-ty konsument wybierze j-z kategori y zmiennej obja | nianej Y = [ yk ] (na przykład j-y profil) przy k-tej kombinacji warto | ci zmiennych obja | niaj z cych (reprezentowanej przez k-ty wektor macierzy X), czyli 15 16 Zob. [2]. Do najcz ciej stosowanych wska ników efektywno ci układu nieortogonalnego nale miary D, A oraz G efektywno ci. Por. [11]. Mikroekonometryczne metody badania preferencji ( ) Pij = P y k = j|xkT . 37 (4) W typowych zastosowaniach zakłada si y jednorodno |} zbioru obserwacji (preferencji empirycznych respondentów), czyli homogeniczno |} 17 konsumentów. Prawdopodobie~ stwo wyboru Pij szacuje si y na poziomie zagregowanym, wykorzystuj z c wyłz cznie informacje pochodzz ce z badanej próby. W tym celu najczy7| ciej stosuje siy warunkowy model logitowy. Warunkowy model logitowy (CLM – Conditional Logit Model) został zaproponowany przez D. McFaddena18 jako uogólnienie wielomianowego modelu logitowego. Podstawowym kryterium rozró{ niania19 tych modeli jest charakter zmiennych obja | niaj z cych, czyli macierzy X w modelu (1). Je{ eli zmienne obja | niaj z ce charakteryzuj z konsumentów, to na ogół wykorzystuje si y wielomianowy model logitowy. Je | li natomiast zmienne obja | niaj z ce opisuj z obiekty b y dz ce przedmiotem wyboru (na przykład profile produktów lub usług), to z reguły stosuje si y warunkowy model logitowy20. W warunkowym modelu logitowym prawdopodobie~ stwo wyboru i-tego profilu ze zbioru liczz cego n elementów jest szacowane na podstawie zale{ no21 | ci : Pki = e vi ∑e n l =1 = vl exp (xkiT ) ∑ n l =1 exp (xklT (k = 1, , p; i = 1, , n) , (5) ) gdzie: xki – k-ty wektor macierzy X opisuj z cy i-ty (wybrany) profil, xkl – k-ty wektor macierzy X opisuj z cy l-ty profil, 17 Zało enie o niejednorodno ci zbioru obserwacji prowadzi do formułowania innych modeli, na przykład modeli klas ukrytych lub modeli o parametrach losowych (korzysta si w nich z informacji pochodz cych spoza próby). 18 Zob. [6]. 19 W literaturze przedmiotu mo na spotka przykłady zarówno respektowania (zob. [13]; [1]) jak i ignorowania (zob. np. [12]) tego rozró nienia. W sensie formalnym modele te s ekwiwalentne, poniewa wielomianowy model logitowy mo na przekształci do postaci warunkowego modelu logitowego i odwrotnie (zob. [13], s. 180–182). 20 Podstaw tego stwierdzenia nie s reguły formalne, lecz przykłady praktycznych zastosowa obu modeli. Por. [1]. 21 Por. [14], s. 352–355; [6], s. 335; [10], s. 72; [13], s. 151–183. 38 Andrzej B x k – wektor parametrów (warto β j jest zwi zana z j- zmienn obja niaj c ). Parametry warunkowego modelu logitowego szacuje si za pomoc metody najwi kszej wiarygodno ci lub alternatywnych metod najmniejszych kwadratów. Warunkowy model logitowy jest bardzo cz sto wykorzystywany w procedurach modelowania dyskretnych wyborów, w których szacuje si prawdopodobie stwo wyboru spo ród oferowanych profilów okre lonej opcji. Z tego wzgl du znajduje zastosowania w pomiarze preferencji wyra onych. PODSUMOWANIE Ze wzgl du na du6 liczb opracowanych dot d metod badania preferencji wyra onych pojawia si wa ny problem wyboru wła ciwego podej cia w konkretnych badaniach empirycznych. Wybór metody (modelu) zale y przede wszystkim od celu, przedmiotu i zakresu projektowanego badania rynkowego, kosztów, decyzji badacza (wynikaj cej na przykład ze szczegółowej znajomo ci wła ciwo ci poszczególnych metod), a tak e od uwarunkowa technicznych (na przykład dost pno ci odpowiedniego oprogramowania komputerowego). W tabeli 4 zestawiono najwa niejsze charakterystyki obu omawianych metod. Wskazuj one na wi ksz elastyczno metod dyskretnych wyborów. Chodzi przede wszystkim o bardziej naturaln konstrukcj badania (skala nominalna, wybór ze zbioru opcji, opcja rezygnacji), a tak e o mo liwo uwzgl dnienia w modelu efektów interakcji, mo liwo estymacji na poziomie indywidualnym, segmentowym i zagregowanym. Mikroekonometryczne metody badania preferencji 39 Tabela 4 Charakterystyczne cechy metod conjoint analysis i dyskretnych wyborów Charakterystyka Metody conjoint analysis Metody dyskretnych wyborów ilorazowa, przedziałowa, Skala pomiaru preferencji nominalna, porz dkowa porz dkowa (zmiennej obja nianej) Liczba atrybutów do 10 (zwykle do 6) 6–8 Liczba poziomów do 15 9–15 Charakterystyka profilów pełne profile pełne profile Forma ankiety papierowa, komputerowa papierowa, komputerowa metoda pełnych profilów Metoda gromadzenia da(rating, ranking), metoda wybór ze zbiorów profilów nych porówna parami (paired comparisons) addytywny, z interakcjami, Rodzaj modelu addytywny, liniowy liniowy, nieliniowy jeden (wygenerowanie jeden (jednostopniowy) lub Eksperyment czynnikowy zbioru profilów) dwa (dwustopniowy) Sztuczne zmienne obja niatak tak j ce tak (na przykład opcja „ aden Profil odniesienia nie z oferowanych” ) Poziom estymacji u yteczna poziomie indywidual- na poziomie zagregowanym, no ci cz stkowych (agreganym, zagregowanym segmentowym, indywidualnym cji danych) Rozkład składnika losowenormalny normalny, Gumbela (Weibulla) go Transformacja zmiennej liniowa, monotoniczna logitowa, probitowa obja nianej logitowy (wielomianowy, waregresji wielorakiej, morunkowy), klas ukrytych (mieModel notonicznej analizy waszanki rozkładów), parametrów riancji losowych Metoda estymacji MNK, MONANOVA MNW, E-M, MCMC pseudo R2, statystyki oparte na 2 Miara dopasowania R funkcji wiarygodno ci (AIC, BIC) SAS/STAT, LIMDEP, Oprogramowanie kompute- SPSS, SYSTAT, SawtoSawtooth Software, LATENT rowe oth Software, SAS/STAT GOLD, GLIMMIX Obszary wykorzystania segmentacja, symulacja szacowanie udziałów w rynku wyników udziałów w rynku i wielko ci popytu, segmentacja ródło: opracowanie własne na podstawie [18]; [17]. 40 Andrzej B k W literaturze przedmiotu22 podkre la si , e zarówno metody conjoint analysis jak i metody dyskretnych wyborów umo liwiaj osiagniecie podobnych celów badawczych oraz prowadz do uzyskania zbli onych rezultatów i wniosków, pomimo e w obu metodach otrzymuje si ró ne oszacowania parametrów zbudowanych modeli. Trudno równie wskaza na zasadnicz przewag którego z innych podej , poniewa ka de z nich cechuje si okre lonymi zaletami i jednocze nie nie jest wolne od pewnych mankamentów. Zagadnienia te nie s jednak ostatecznie jednoznacznie rozstrzygni te i wymagaj dalszych bada . LITERATURA 1. Categorial Analysis. Part 1. URL 1999, http://pytheas.ucs.indiana.edu/~statmath /stat/all/cat/printable.htm. Indiana University. 2. Chrzan K., Orme B.: An Overview and Comparison of Design Strategies for Choice-Based Conjoint Analysis. URL 2000, http://www.sawtoothsoftware/ TechPap. htm, Sawtooth Software. 3. Coombs C.H., Dawes R.M., Tversky A.: Wprowadzenie do psychologii matematycznej. PWN, Warszawa 1977. 4. Green P.E., Srinivasan V.: Conjoint Analysis in Marketing: New Developments with Implications for Research and Practice. „ Journal of Marketing” 1990, October. 5. Green P.E., Wind Y.: New Way to Measure Consumers’ Judgments. „ Harvard Business Review” 1975, July–August. 6. Haaijer R., Wedel M.: Conjoint Choice Experiments: General Characteristics and Alternative Model Specifications. W: Conjoint Measurement: Methods and Applications. Red. A. Gustafsson, A.Herrmann, F.Huber. Springer, Berlin 2000. 7. Hair J.F., Anderson R.E., Tatham R.L., Black W.C.: Multivariate Data Analysis with Readings. Prentice-Hall, Englewood Cliffs 1995. 8. Kaczmarczyk S.: Badania marketingowe. Metody i techniki. Wyd. III. Polskie Wydawnictwo Ekonomiczne, Warszawa 2002. 9. Kemperman A.: Temporal Aspects of Theme Park Choice Behavior. URL 2000, http://alexandria.tue.nl/extra2/200013915.pdf, Technische Universiteit Eindhoven. 22 Zob. [7], s. 583–584. Mikroekonometryczne metody badania preferencji 41 10. Kuhfeld W.F.: Multinomial Logit, Discrete Choice Modeling. An Introduction to Designing Choice Experiments, Collecting, Processing, and Analyzing Choice Data with the SAS® System. URL 2001, http://ftp.sas.com/techsup/download/technote/ts643.pdf, SAS Institute. 11. Kuhfeld W.F., Tobias R.D., Garratt M.: Efficient Experimental Design with Marketing Research Applications. „ Journal of Marketing Research” 1994, November. 12. Lehmann D.R., Gupta S., Steckel J.H.: Marketing Research. Addison-Wesley, Massachusetts 1998. 13. Long J.S.: Regression Models for Categorical and Limited Dependent Variables. SAGE Publications, Thousand Oaks–London–New Delhi 1997. 14. Louviere J.J., Woodworth G.: Design and Analysis of Simulated Consumer Choice or Allocation Experiments: An Approach Based on Aggregate Data. „ Journal of Marketing Research” 1983, November. 15. Malawski A.: Wprowadzenie do ekonomii matematycznej. Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków 1999. 16. McFadden D.: Conditional Logit Analysis of Qualitative Choice Behavior. W: Frontiers in Econometrics. Red. P. Zarembka., Academic Press, New York–San Francisco–London 1974. 17. Orme B.: Which Conjoint Method Should I Use? URL 1998, http://www.sawtoothsoftware/TechPap.htm. Sequim, Sawtooth Software Inc. 18. Vriens M., Wittink D.R.: Conjoint Analysis in Marketing. maszynopis powielony, 1994 19. Walesiak M., B k A.: Conjoint analysis w badaniach marketingowych. Wydawnictwo Akademii Ekonomicznej, Wrocław 2000. 20. Zwerina K.: Discrete Choice Experiments in Marketing. Physica-Verlag, Heidelberg–New York 1997. MICROECONOMETRICS METHODS IN THE PREFERENCE RESEARCH Summary The paper presents two groups of microeconometric methods as useful tool in consumer preference measurement tasks. Especially the paper refers to: 42 Andrzej B k − utility and preference terms, − most important aspects of conjoint analysis and discrete choice methods, − research procedure applied in preferences measurement, − characteristics of selected steps of the procedure (data collection and model estimation). Finally, there are given some general conclusions with reference to application of conjoint analysis and discrete choice methods in consumer behaviour analysis. Translated by Andrzej B k