Come usare lo strumento
Apri un file di dati o usa i dati di esempio, scegli la struttura (larga o lunga) e indica le colonne di ID intervistato, task, item mostrati e scelte migliore e peggiore. Punteggi da conteggi e logit aggregato compaiono subito.
Con “Esegui la stima HB” il Bayes gerarchico parte in un thread in background e mostra l'avanzamento; al termine puoi passare dai risultati HB a quelli del logit aggregato, esportare utilità e punteggi riscalati di ogni intervistato e scegliere una rosa di item nel simulatore delle quote di preferenza.
Il metodo: conteggi, logit aggregato e Bayes gerarchico
Punteggio da conteggi = (volte scelto come migliore − volte scelto come peggiore) ÷ volte mostrato. Non richiede un modello ed è un buon primo controllo, ma risente degli abbinamenti tra item. Il logit aggregato tratta ogni scelta migliore come una scelta logit tra gli item mostrati (utilità +u) e ogni scelta peggiore come una scelta tra gli item rimasti (utilità −u), cioè il modello best-worst sequenziale, e fornisce un insieme di utilità con errori standard per l'intervistato medio.
Il Bayes gerarchico assume che le utilità βₙ di ogni intervistato seguano una normale multivariata N(b, D): b viene estratto da una normale, D da una Wishart inversa (varianza a priori 1, gradi di libertà = numero di parametri + 5), e βₙ viene aggiornato con passi Metropolis a passeggiata casuale, regolando il tasso di accettazione verso il 30% durante il burn-in. Le utilità sono le medie a posteriori delle estrazioni salvate; il seme è fisso, quindi gli stessi dati danno sempre lo stesso risultato.
- Punteggio riscalato: pᵢ = exp(uᵢ) ÷ (exp(uᵢ) + a − 1), con a item mostrati per task, poi normalizzato a 100; con l'HB si calcola per intervistato e poi si fa la media.
- Diagnostica di convergenza: root likelihood (RLH) rispetto al livello casuale, tasso di accettazione Metropolis, ampiezza del salto e R̂ split-half delle medie della popolazione (≤ 1,1 indica assenza di deriva tra le due metà).
- Limiti del browser: l'HB gestisce al massimo 5000 intervistati e 60 parametri; oltre, lo strumento avvisa prima di partire.
Esempio con i dati di esempio
I dati sintetici di esempio hanno 300 intervistati, ciascuno con 8 task da 5 claim su uno snack; ogni claim è mostrato 1200 volte in tutto. “Ottimo sapore” è stato scelto come più importante 590 volte e come meno importante 27 volte, con un punteggio da conteggi di 0,47.
Nel logit aggregato (R² di McFadden = 0,132) al primo posto c'è “Ottimo sapore” (22,2 punti), seguito da “Prezzo basso” (14,3) e “Ingredienti naturali” (14,2); all'ultimo posto c'è “Prodotto localmente” (3,0). Su scala a rapporto, il primo claim è 7,4 volte più importante dell'ultimo. Simulando i primi tre come rosa di candidati, la loro quota di preferenza complessiva tra tutti e dieci i claim è del 58,5%.
Eseguendo l'HB sui dati di esempio emerge che circa un terzo degli intervistati, attento alla salute, valuta ingredienti naturali, pochi zuccheri e biologico molto più della media: proprio la differenza che il modello aggregato nasconde.
Quando è adatta e quando no
Ogni risposta MaxDiff è un compromesso, quindi non succede come nelle scale di valutazione che “tutto sia importante”: è ideale per ordinare claim, caratteristiche, benefici o messaggi pubblicitari.
- Da circa 8 a 40 item, 3–6 per task, con ogni item visto da ogni intervistato circa 3 volte o più.
- Ti servono punteggi individuali per segmentare o come input per una rosa di candidati in stile TURF.
- Gli item sono prodotti completi con prezzo e attributi: usa la conjoint basata sulle scelte (CBC).
- Ti serve un'intenzione d'acquisto assoluta: i punteggi MaxDiff standard sono relativi e anche il primo di una lista debole ottiene un punteggio alto.
Come interpretare i risultati
Leggi i punteggi riscalati come rapporti: un item con 20 punti è preferito il doppio di uno con 10, e con dieci item la media è 10. Se gli intervistati sono molto divisi, guarda le medie HB invece del logit aggregato; prima di usare i punteggi individuali verifica che l'RLH sia ben sopra il livello casuale e che R̂ non superi 1,1.