Cómo usar la herramienta
Abre un archivo de datos o pulsa «Usar datos de ejemplo», elige la estructura (ancha o larga) e indica las columnas de ID del encuestado, tarea, ítems mostrados y elecciones de mejor y peor. Las puntuaciones por recuento y el logit agregado aparecen al instante.
Al pulsar «Ejecutar la estimación HB», el bayesiano jerárquico se ejecuta en segundo plano mostrando el progreso; al terminar puedes alternar entre los resultados HB y del logit agregado, exportar las utilidades y puntuaciones reescaladas de cada encuestado y elegir una lista corta de ítems en el simulador de cuotas de preferencia.
Método: recuentos, logit agregado y bayesiano jerárquico
Puntuación por recuento = (veces elegido mejor − veces elegido peor) ÷ veces mostrado. No requiere modelo y sirve como primera comprobación, pero depende de con qué otros ítems se mostró cada uno. El logit agregado trata cada elección de mejor como una elección logit entre los ítems mostrados (utilidad +u) y cada elección de peor como una elección entre los restantes (utilidad −u), el modelo secuencial best-worst, y da un conjunto de utilidades para el encuestado medio con sus errores estándar.
El bayesiano jerárquico supone que las utilidades de cada encuestado βₙ siguen una normal multivariante N(b, D): b se extrae de una normal, D de una Wishart inversa (varianza previa 1, grados de libertad = número de parámetros + 5) y βₙ se actualiza con pasos Metropolis de paseo aleatorio, ajustando la tasa de aceptación hacia el 30 % durante el calentamiento. Las utilidades son las medias posteriores de las iteraciones guardadas; la semilla aleatoria es fija, así que los mismos datos dan siempre el mismo resultado.
- Puntuación reescalada: pᵢ = exp(uᵢ) ÷ (exp(uᵢ) + a − 1), con a el número de ítems mostrados por tarea, normalizada para sumar 100; con HB se calcula por encuestado y luego se promedia.
- Diagnóstico de convergencia: raíz de la verosimilitud (RLH) frente al azar, tasa de aceptación de Metropolis, tamaño de salto y R̂ por mitades de las medias poblacionales (≤ 1,1 indica que no hay deriva clara entre las dos mitades).
- Límites del navegador: HB admite como máximo 5000 encuestados y 60 parámetros; si se superan, se avisa antes de empezar.
Ejemplo práctico
Los datos sintéticos de ejemplo tienen 300 encuestados que completan 8 tareas cada uno; cada tarea muestra 5 claims de un snack y cada claim aparece 1200 veces en total. «Gran sabor» se eligió como el más importante 590 veces y como el menos importante 27 veces: una puntuación por recuento de 0,47.
En el logit agregado (R² de McFadden = 0,132), el primero es «Gran sabor» (22,2 puntos), seguido de «Precio bajo» (14,3) y «Ingredientes naturales» (14,2); el último es «Producción local» (3,0). En escala de razón, el primero es 7,4 veces más importante que el último. Simulando los tres primeros como lista corta, reúnen el 58,5 % de la preferencia entre los diez claims.
Si ejecutas HB con los datos de ejemplo verás que alrededor de un tercio de encuestados, preocupados por la salud, valoran ingredientes naturales, bajo en azúcar y ecológico muy por encima de la media: justo la diferencia que el modelo agregado oculta.
Cuándo usarlo y cuándo no
En MaxDiff cada respuesta es una elección entre opciones, así que no ocurre lo de las escalas de valoración, donde todo parece importante. Es ideal para ordenar claims, características, beneficios o mensajes publicitarios.
- Entre 8 y 40 ítems aproximadamente, con 3–6 mostrados por tarea y cada ítem visto unas 3 veces o más por encuestado.
- Necesitas puntuaciones individuales para segmentar o como base de una lista corta al estilo TURF.
- Los ítems son productos completos con precio y atributos: usa un análisis conjunto basado en elecciones (CBC).
- Necesitas una intención de compra absoluta: las puntuaciones MaxDiff estándar son relativas y el primero de una lista débil también puntúa alto.
Cómo interpretar los resultados
Lee las puntuaciones reescaladas como razones: un ítem con 20 puntos es el doble de preferido que uno con 10, y con diez ítems la media es 10. Si las opiniones están muy divididas, da prioridad a las medias HB frente al logit agregado; antes de usar puntuaciones individuales, comprueba que el RLH está claramente por encima del azar y que R̂ no supera 1,1.