Estimación bayesiana del parámetro de decepción en modelos de elección discreta bajo el paradigma RRM (Random Regret Minimization): aplicación al diseño de exhibiciones en grandes superficies

• Autores: Carlos Gabriel Contreras Serrano
• Localización: Comunicaciones en Estadística, ISSN 2027-3355, ISSN-e 2339-3076, Vol. 18, Nº. 1, 2025, págs. 29-49
• Idioma: español
• Títulos paralelos:
  • Bayesian Estimation of the Disappointment Parameter in Discrete Choice Models under the RRM (Random Regret Minimization) Paradigm: Application to Display Design in Large Retail Stores
• Enlaces
  • Texto completo (pdf)
• Resumen

  • El presente estudio compara dos enfoques metodológicos para analizar experimentos de elección discreta con el fin de identificar la estrategia óptima de organización de productos en góndolas de supermercados y reducir la complejidad cognitiva para el comprador durante el proceso de compra. Se contrastan el modelo Logit Multinomial Mixto basado en la Maximización de la Utilidad Aleatoria (RUM) y el Modelo Logit Multinomial Mixto con estimación bayesiana de parámetros bajo el enfoque de Minimización del Arrepentimiento Aleatorio (RRM). El experimento, diseñado de manera factorial fraccionada y realizado con la participación de 748 compradores colombianos en la categoría de crema dental, revela que el modelo RRM bayesiano ofrece predicciones más sensibles en comparación con el MNLRUM, especialmente en productos con participaciones de mercado medianas o pe-que ̃nas. Asimismo, la obtenci ́on de distribuciones posteriores de los parámetros que impactan variables como precio, beneficios, marca y posición en la góndola permite realizar simulaciones precisas de diversos escenarios. Estas simulaciones capturan la heterogeneidad no observada en las preferencias individuales de los compradores, lo que favorece la toma de decisiones en la negociación de estrategias de exhibición con grandes superficies. Además, las distribuciones posteriores ofrecen ventajas adicionales al contar con densidades empíricas conocidas, superando las limitaciones de los métodos estándar de estimación de parámetros en términos de optimización estadística.

• Referencias bibliográficas
  • Albert, J., & Chib, S. (1993). Bayesian analysis of binary and polychotomous response data. Journal of the American Statistical Association.
  • Allenby, G. (1997). An introduction to hierarchical Bayesian modeling. Advanced Research Techniques Forum. Tutorial Notes: American Marketing...
  • Allenby, G., & Rossi, P. (1999). Marketing models of consumer heterogeneity. Journal of Econometrics.
  • Ancarani, F., & Shankar, V. (2004). Price levels and price dispersion within and across multiple retailer types: Further evidence and...
  • Ato, M., López, J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en psicología. Anales de Psicología.
  • Bauer, R., Menrad, K., & Decker, T. (2015). Adaptive hybrid methods for choice-based conjoint analysis: A comparative study. International...
  • Bell, D. E. (1982). Regret in decision making under uncertainty. Operational Research.
  • Ben-Akiva, M., McFadden, D., Train, M., Walker, J., Bhat, C., Bierlaire, M., & Munizaga, M. (2002). Hybrid choice models: Progress and...
  • Bhat, C. (2001). Quasi-random maximum simulated likelihood estimation of the mixed multinomial logit model. Transportation Research Part B:...
  • Bianchi-Aguiar, T., Hübner, A., Carravilla, M. A., & Oliveira, J. (2001). Retail shelf space planning problems: A comprehensive review...
  • Chorus, C. G. (2010). A new random regret minimization. European Journal of Transport Infrastructure.
  • Chorus, C. G. (2012). Random regret-based discrete choice modelling: A tutorial. Springer.
  • Contreras, G. (2020). Modelos econométricos de elección desde la economía del comportamiento: Modelamiento de elección discreta basada en...
  • Farley, K., Thompson, C., Hanbury, A., & Chambers, C. (2013). Exploring the feasibility of conjoint analysis as a tool for prioritizing...
  • Gamerman, D. (1997). Sampling from the posterior distribution in generalized linear models. Statistics and Computing.
  • Greene, W. H., & Hensher, D. A. (2010). Modeling ordered choices: A primer. Cambridge University Press.
  • Hess, S., & Palma, D. (2019). Apollo: A flexible, powerful and customisable freeware package for choice model estimation and application....
  • Hübner, A., & Kuhn, H. (2024). Decision support for managing assortments, shelf space, and replenishment in retail. Flexible Services...
  • Lenk, P. (2009). Simulation of pseudo-bias correction to the harmonic mean estimator of integrated likelihoods. Journal of Computational and...
  • McCulloch, R., & Rossi, P. (1994). An exact likelihood analysis of the multinomial probit model. Journal of Econometrics.
  • McFadden, D., & Train, K. (2000). Mixed MNL models for discrete response. Journal of Applied Econometrics.
  • Muller, H., Kroll, E. B., & Vogt, B. (2012). Do real payments really matter? A re-examination of the compromise effect in hypothetical...
  • Oppewal, H., Louviere, J., & Timmermans, H. (1994). Modeling hierarchical conjoint processes with integrated choice experiments. Journal...
  • Pietrini, R., Paolanti, M., Mancini, A., Frontoni, E., & Zingaretti, P. (2024). Shelf management: A deep learning-based system for shelf...
  • Revelt, D., & Train, K. (1998). Mixed logit with repeated choices: Households’ choices of appliance efficiency level. Review of Econometrics...
  • Robert, C., & Casella, G. (2004). Monte Carlo statistical methods (2nd ed.). Springer.
  • Robinson, F., Feufel, M., Shalin, V., Steele-Johnson, D., & Springer, B. (2020). Rational adaptation: Contextual effects in medical decision...
  • Rossi, P., Allenby, G., & McCulloch, R. (2005). Bayesian statistics and marketing. John Wiley & Sons.
  • Rossi, P., McCulloch, R., & Allenby, G. (1996). The value of purchase history data in target marketing. Marketing Science.
  • Shankar, V., Inman, J., Mantrala, M., Kelley, E., & Rizley, R. (2011). Innovations in shopper marketing: Current insights and future research...
  • Silayoi, P., & Speece, M. (2007). The importance of packaging attributes: A conjoint analysis approach. European Journal of Marketing.
  • Simonson, I. (1992). The influence of anticipating regret and responsibility on purchasing decision. Journal of Consumer Research.
  • Tang, L., Luo, X., Cheng, Y., Yang, F., & Ran, B. (2014). Constructing an optimal orthogonal choice design with alternative-specific attributes...
  • Train, K. (2001). A comparison of hierarchical Bayes and maximum simulated likelihood for mixed logit. Journal of Choice Modelling.
  • Train, K. (2009). Discrete choice methods with simulation. Cambridge University Press.
  • Train, K., & Sonnier, G. (2005). Mixed logit with bounded distributions of correlated partworths. Bayesian Analysis.