도구 사용법
데이터 파일을 열거나 ‘샘플 데이터 사용’을 누르고 데이터 형식(와이드 또는 롱)을 고른 뒤 응답자 ID, 과제, 제시 항목, 최선·최악 선택 열을 지정하세요. 카운트 점수와 집계 로짓이 바로 나타납니다.
‘HB 추정 실행’을 누르면 계층적 베이즈가 백그라운드 스레드에서 진행률을 보여 주며 실행됩니다. 끝나면 HB와 집계 로짓 결과를 전환해 보고, 응답자별 효용과 환산 점수를 내보내고, 선호 점유율 시뮬레이터에서 후보 항목 세트를 골라 볼 수 있습니다.
방법: 카운트, 집계 로짓, 계층적 베이즈
카운트 점수 = (최선 선택 횟수 − 최악 선택 횟수) ÷ 제시 횟수입니다. 모형이 필요 없어 첫 점검용으로 좋지만 어떤 항목과 함께 제시되었는지에 영향을 받습니다. 집계 로짓은 각 최선 선택을 제시 항목 중 로짓 선택(효용 +u)으로, 최악 선택을 남은 항목 중 선택(효용 −u)으로 보는 순차적 최선-최악 모형으로, 평균 응답자의 효용과 표준오차를 줍니다.
계층적 베이즈는 응답자 효용 βₙ가 다변량 정규분포 N(b, D)를 따른다고 가정합니다. b는 정규분포에서, D는 역 Wishart 분포(사전 분산 1, 자유도 = 모수 수 + 5)에서 추출하고, βₙ는 랜덤워크 Metropolis 단계로 갱신하며 번인 동안 수락률을 30% 쪽으로 조정합니다. 효용은 저장 추출의 사후 평균이며 시드가 고정되어 같은 데이터는 항상 같은 결과를 냅니다.
- 확률 환산 점수: pᵢ = exp(uᵢ) ÷ (exp(uᵢ) + a − 1), a는 과제당 제시 항목 수이며 합계 100으로 맞춥니다. HB는 응답자별로 계산한 뒤 평균합니다.
- 수렴 진단: 루트 우도(RLH)와 무작위 수준 비교, Metropolis 수락률, 점프 크기, 모집단 평균의 분할 R̂(1.1 이하면 앞뒤 절반 사이에 뚜렷한 표류 없음).
- 브라우저 한도: HB는 응답자 최대 5,000명, 모수 60개까지이며 넘으면 시작 전에 알려 줍니다.
계산 예시
합성 샘플 데이터에서는 응답자 300명이 각자 과제 8개를 수행했고, 과제마다 스낵 제품 소구점 5개가 제시되었으며 각 소구점은 전체 과제에서 1,200회 제시되었습니다. ‘뛰어난 맛’은 가장 중요함으로 590회, 가장 덜 중요함으로 27회 선택되어 카운트 점수가 0.47입니다.
집계 로짓(McFadden R² = 0.132)에서 1위는 ‘뛰어난 맛’(22.2점)이고 그다음은 ‘저렴한 가격’(14.3), ‘천연 원료’(14.2)이며 마지막은 ‘국내 생산’(3.0)입니다. 비율 척도이므로 1위는 마지막보다 7.4배 중요합니다. 상위 3개를 후보 조합으로 시뮬레이션하면 소구점 10개 전체에서 선호 점유율 합계는 58.5%입니다.
샘플 데이터로 HB를 실행하면 건강을 중시하는 약 3분의 1의 응답자가 천연 원료, 저당, 유기농을 평균보다 훨씬 높게 평가한다는 것을 볼 수 있습니다. 집계 모형이 가려 버리는 바로 그 차이입니다.
적합한 경우와 적합하지 않은 경우
MaxDiff의 모든 응답은 트레이드오프이므로 평가 척도처럼 ‘전부 중요함’이 나오지 않습니다. 소구점, 기능, 혜택, 광고 메시지의 순위를 매기는 데 알맞습니다.
- 항목 약 8–40개, 과제당 3–6개 제시, 응답자당 각 항목을 약 3회 이상 보는 설계.
- 세분화에 쓸 개인별 점수나 TURF식 후보 조합의 입력값이 필요할 때.
- 항목이 가격과 속성을 가진 완성 제품인 경우. 선택 기반 컨조인트(CBC)를 쓰세요.
- 절대적인 구매 의향이 필요한 경우. 표준 MaxDiff 점수는 상대적이라 약한 목록의 1위도 점수가 높습니다.
결과 해석
확률 환산 점수는 비율로 해석합니다. 20점 항목은 10점 항목보다 두 배 선호되며, 항목이 10개면 평균은 10점입니다. 응답자 의견이 크게 갈리면 집계 로짓보다 HB 평균을 보세요. 개인별 점수를 쓰기 전에 RLH가 무작위 수준보다 분명히 높고 R̂가 1.1 이하인지 확인하세요.