Como usar a ferramenta
Abra o arquivo ou clique em “Usar dados de exemplo”, escolha o formato (largo ou longo) e indique as colunas de ID do entrevistado, tarefa, itens exibidos e escolhas de melhor e pior. Os escores de contagem e o logit agregado aparecem na hora.
Clique em “Rodar a estimação HB” para o Bayes hierárquico rodar em segundo plano, com barra de progresso. Ao terminar, você alterna os resultados entre HB e logit agregado, exporta as utilidades e os escores reescalonados de cada entrevistado e escolhe uma lista curta de itens no simulador de participação de preferência.
Método: contagens, logit agregado e Bayes hierárquico
Escore de contagem = (vezes escolhido como melhor − vezes escolhido como pior) ÷ vezes exibido. Não precisa de modelo e é uma boa primeira verificação, mas depende de com quais itens cada um apareceu. O logit agregado trata cada escolha de melhor como uma escolha logit entre os itens exibidos (utilidade +u) e cada escolha de pior como uma escolha entre os itens restantes (utilidade −u) — o modelo sequencial de melhor e pior — e dá um conjunto de utilidades para o entrevistado médio, com erros padrão.
O Bayes hierárquico supõe que as utilidades βₙ de cada entrevistado seguem uma normal multivariada N(b, D): b é amostrado de uma normal, D de uma Wishart inversa (variância a priori 1, graus de liberdade = número de parâmetros + 5), e βₙ é atualizado por passos de Metropolis de passeio aleatório, com a taxa de aceitação ajustada para cerca de 30% durante o burn-in. As utilidades são as médias a posteriori dos draws salvos; a semente é fixa, então os mesmos dados sempre dão o mesmo resultado.
- Escore reescalonado: pᵢ = exp(uᵢ) ÷ (exp(uᵢ) + a − 1), em que a é o número de itens exibidos por tarefa, normalizado para somar 100; no HB, calculado por entrevistado e depois promediado.
- Diagnóstico de convergência: root likelihood (RLH) comparado com o acaso, taxa de aceitação do Metropolis, tamanho do passo e R̂ de metades das médias populacionais (≤ 1,1 indica que não há deriva clara entre as duas metades).
- Limites do navegador: o HB aceita até 5.000 entrevistados e 60 parâmetros; acima disso, a ferramenta avisa antes de começar.
Exemplo resolvido
Nos dados sintéticos de exemplo, 300 entrevistados fizeram 8 tarefas cada, com 5 apelos de snack por tarefa, e cada apelo apareceu 1.200 vezes no total. “Sabor excelente” foi escolhido como mais importante 590 vezes e como menos importante 27 vezes, com escore de contagem de 0,47.
No logit agregado (R² de McFadden = 0,132), o primeiro lugar é Sabor excelente (22,2 pontos), seguido de Preço baixo (14,3) e Ingredientes naturais (14,2); o último é Produção local (3,0). Na escala de razão, o primeiro colocado é 7,4 vezes mais importante que o último. Simulando os três primeiros como lista curta, eles somam 58,5% da preferência entre os dez apelos.
Rodando o HB nos dados de exemplo, aparece o que o modelo agregado esconde: cerca de um terço dos entrevistados, focados em saúde, valoriza muito mais que a média os ingredientes naturais, o pouco açúcar e os orgânicos.
Quando usar e quando não usar
Cada resposta do MaxDiff é uma troca, então não acontece o “tudo é importante” das escalas de avaliação; é ideal para priorizar apelos, recursos, benefícios ou mensagens.
- Use com cerca de 8 a 40 itens, 3 a 6 por tarefa, com cada entrevistado vendo cada item umas 3 vezes ou mais.
- Use quando precisar de escores individuais para segmentar ou alimentar uma lista curta no estilo TURF.
- Não use quando os itens são produtos completos com preço e atributos — use análise conjunta baseada em escolha (CBC).
- Não use quando precisar de intenção de compra absoluta — os escores do MaxDiff padrão são relativos, e o primeiro de uma lista fraca também tem escore alto.
Como interpretar o resultado
Leia os escores reescalonados como razões: um item com 20 pontos é duas vezes mais preferido que um com 10; com dez itens, a média é 10. Quando há opiniões muito divididas, prefira as médias HB ao logit agregado; antes de usar escores individuais, confira se o RLH está bem acima do acaso e se o R̂ não passa de 1,1.