基于线性弹道蓄能器(LBA)的消费者偏好认知建模gydF4y2Ba
分享:gydF4y2Ba
|
李Jiani(蒂芙尼)gydF4y2Ba 商业分析学科gydF4y2Ba 悉尼大学gydF4y2Ba |
|
Assoc。Minh-Ngoc Tran教授gydF4y2Ba 商业分析学科gydF4y2Ba 悉尼大学gydF4y2Ba |
理解态度和偏好在许多领域都是一个重要的话题。测量偏好最常用的分析方法之一是离散选择实验(DCE)[5]。在这些实验中，受访者被给予假设的场景，涉及几种不同属性组合的产品，如品牌和价格。在每次试验中，他们被要求选择他们最有可能购买的产品。分析这些选择数据并提取选择背后信息的最常用模型是多项logit (MNL)模型[2]。这个模型是基于期望效用理论发展起来的，假设每个选项都有一个感知效用，并且个人会选择期望效用最高的选项[4]。尽管MNL模型已被广泛应用于离散反应分析，但它仅提供了有限的洞察力，以理解决策的认知过程。利用认知科学中的线性弹道累加器(LBA)模型可以解决这一问题，该模型不仅考虑了所做的选择，还考虑了所需要的时间[1]。gydF4y2Ba
LBA模型假设决策是一个证据积累过程[1]。对每个选项分别同时收集证据，被调查者选择证据累加器最先达到其相应证据阈值的选项。除了选择本身，LBA模型还可以推断选择决策的潜在认知方面，比如每个选项的证据积累速度，以及每个选项触发选择反应所需的证据数量。gydF4y2Ba
LBA的关键元素是起点(gydF4y2BakgydF4y2Ba)，漂移率(gydF4y2BadgydF4y2Ba)，响应阈值(gydF4y2BabgydF4y2Ba)，以及响应时间(gydF4y2BatgydF4y2Ba)．起点(gydF4y2BakgydF4y2Ba)指决策过程开始时的证据量。不同的累加器有不同的起点，起点是均匀分布产生的随机值:gydF4y2BaUgydF4y2Ba(0,gydF4y2Ba一个gydF4y2Ba）gydF4y2Ba．漂移率(gydF4y2BadgydF4y2Ba)为证据积累的速度，分别从不同的正态分布中独立采样，均值不同gydF4y2BavgydF4y2Ba1gydF4y2Ba,gydF4y2BavgydF4y2Ba2gydF4y2Ba、……gydF4y2BavgydF4y2BangydF4y2Ba，gydF4y2Ba对于不同的累加器和一个共同的方差gydF4y2Ba年代gydF4y2Ba．响应阈值(gydF4y2BabgydF4y2Ba)是每个累加器触发响应所需的证据量。响应时间(gydF4y2BatgydF4y2Ba)由两部分组成。第一种是无决策时间(gydF4y2BaτgydF4y2Ba)，它发生在证据积累之前和之后，如刺激编码和运动反应产生。第二个是累加器达到其阈值所花费的时间。我们总是假设非决策过程的响应时间在试验中是恒定的。累积过程如图1所示。gydF4y2Ba
图1:LBA[1]的二进制选择版本的图形演示gydF4y2Ba |
由于个体偏好和群体偏好对营销策略都至关重要，因此引入了两个层面的参数，即个体层面的参数gydF4y2BaαgydF4y2BajgydF4y2Ba= (gydF4y2BaαgydF4y2BajgydF4y2Ba, 1gydF4y2Ba、……gydF4y2BaαgydF4y2BajgydF4y2Ba, 5gydF4y2Ba）gydF4y2BaTgydF4y2Ba和组级别参数gydF4y2BaμgydF4y2BaαgydF4y2Ba,gydF4y2BaΣgydF4y2BaαgydF4y2BaLBA。对个体层面的参数采用正态分布来捕捉主体间的变化，即:gydF4y2BaαgydF4y2BajgydF4y2Ba∼(gydF4y2BaμgydF4y2BaαgydF4y2Ba,gydF4y2BaΣgydF4y2BaαgydF4y2Ba）gydF4y2Ba．在决策的认知过程中，个体层面的参数捕捉到被试内部的变化，而群体层面的参数捕捉到被试之间的变化。gydF4y2Ba
将LBA应用于市场营销的一个障碍是，获取响应时间信息(即客户做出购买选择所需的时间)是不切实际的。然而，需要响应时间信息来计算可能性。为了解决这个问题，需要对原LBA的似然函数进行修改，以适应只有选择数据可用的情况。我们通过使用重要性抽样来做到这一点gydF4y2Ba，它对棘手的可能性产生一个无偏估计，只包含选择数据。每个人的可能性gydF4y2BapgydF4y2Ba（gydF4y2BaRgydF4y2BaEgydF4y2BajgydF4y2Ba|gydF4y2BaαgydF4y2BajgydF4y2Ba）gydF4y2Ba可以无偏估计，如下式所示，在哪里gydF4y2BaRgydF4y2BaTgydF4y2BakgydF4y2Ba样本来自gydF4y2BaggydF4y2Ba（gydF4y2BaRgydF4y2BaTgydF4y2Ba）gydF4y2Ba和gydF4y2BaggydF4y2Ba（gydF4y2BaRgydF4y2BaTgydF4y2Ba）gydF4y2Ba是一个易于抽样的建议密度。gydF4y2Ba
|
模型参数包括组级参数gydF4y2BaμgydF4y2BaαgydF4y2Ba,gydF4y2BaΣgydF4y2BaαgydF4y2Ba以及个体层面的参数gydF4y2BaαgydF4y2Ba1gydF4y2Ba、……gydF4y2BaαgydF4y2Ba米gydF4y2Ba,在那里gydF4y2Ba米gydF4y2Ba是个体的数量。为了接近完整的后关节gydF4y2BapgydF4y2Ba（gydF4y2BaμgydF4y2BaαgydF4y2Ba,gydF4y2BaΣgydF4y2BaαgydF4y2Ba,gydF4y2BaαgydF4y2Ba1gydF4y2Ba、……gydF4y2BaαgydF4y2Ba米gydF4y2Ba|gydF4y2BaDgydF4y2Ba）gydF4y2Ba，我们使用流形高斯变分贝叶斯(manifold Gaussian variational Bayes, manifold GVB)，它是一种稳定的算法，对初始化[6]不太敏感。伪代码实现概述在算法1中。gydF4y2Ba
算法1:流形GVB，自然梯度[6]gydF4y2Ba 
|
以上分析提供了对过去选择的决策过程的洞察。此外，我们还对个人未来可能做出的选择感兴趣。为了根据过去的选择预测未来的选择，采用后验预测分布。新选择的后验预测分布gydF4y2BaygydF4y2Ba＊gydF4y2Ba可以用下式计算。gydF4y2Ba
|
请注意,gydF4y2BapgydF4y2Ba（gydF4y2BaygydF4y2Ba＊gydF4y2Ba|gydF4y2BaDgydF4y2Ba）gydF4y2Ba可以无偏估计的VB近似gydF4y2BapgydF4y2Ba（gydF4y2BaαgydF4y2BajgydF4y2Ba|gydF4y2BaDgydF4y2Ba）gydF4y2Ba．因此，估计后验预测分布的伪代码实现可以总结为算法2。gydF4y2Ba
算法2:后验预测分布估计gydF4y2Ba 
|
我们为营销人员提供了一个工具来分析各种因素如何影响消费者的决策和每个人购买特定产品的可能性。这些信息可以用来帮助制定基于市场营销目标的营销策略。例如，利用预测概率信息，营销人员可以确定最有可能购买其产品的目标群体。通过分析特定群体的特征，如性别或年龄，可以相应地设计营销策略，以应对具有类似特征的更大群体。另一个例子是，由于偏好强度提供了个人对每个属性(如品牌名称或价格)的敏感程度的信息，营销人员可以利用这一信息，并将更偏好的属性纳入他们的营销策略。gydF4y2Ba
引用:gydF4y2Ba
- Brown, S.和Heathcote, A.(2008)。选择响应时间的最简单完整模型:线性弹道累积。gydF4y2Ba认知心理学gydF4y2Ba57(3): 153 - 178。gydF4y2Ba
- Hausman, J.和McFadden, D.(1984)。多项logit模型的规范试验。gydF4y2Ba计量经济学:计量经济学学会杂志gydF4y2Ba, 1219 - 1240页。gydF4y2Ba
- Hawkins, G. E.， Marley, A.， Heathcote, A.， Flynn, T. N.， Louviere, J. J.， and Brown, S. D.(2014)。整合了态度和偏好的认知过程和描述模型。gydF4y2Ba认知科学gydF4y2Ba38(4): 701 - 735。gydF4y2Ba
- McFadden, D.和Train, K.(2000)。离散响应的混合mnl模型。gydF4y2Ba应用计量经济学杂志gydF4y2Ba15(5): 447 - 470。gydF4y2Ba
- 穆勒，S.，洛克辛，L.，卢维埃，J. J.(2010)。你所看到的不一定是你所得到的:询问消费者什么是重要的可能并不能反映他们的选择。gydF4y2Ba营销信gydF4y2Ba,(4): 335 - 350。gydF4y2Ba
- Tran M.-N。，Nguyen, D. H., and Nguyen, D. (2019). Variational bayes on manifolds.arXiv预印本arXiv: 1908.03097gydF4y2Ba．gydF4y2Ba
- Tran M.-N。，Nott, D. J., and Kohn, R. (2017). Variational bayes with intractable likelihood.计算和图形统计杂志gydF4y2Ba26(4): 873 - 882。gydF4y2Ba