Como projetar experimentos para Pesquisa de Mercado (com um toque)?

Considere um tipo de leilão em que você recebe, digamos, 1000 clientes em potencial. Com base nas informações sobre esses possíveis candidatos (idade, sexo, raça, renda, desempenho educacional e similares), você pode "fazer lances" para apresentar seu produto a uma fração deles, digamos 250. (Ignore o custo dos lances.) Para maximizar suas chances de selecionar o subconjunto certo, eu provavelmente usaria um modelo de "probabilidade" de nosso produto criado usando regressão logística. Eu posso me atrapalhar bastante nessa parte.

No entanto, para construir o modelo de probabilidade de produto, tenho que fazer alguma pesquisa de mercado, testando o discurso do produto em assuntos que podemos recrutar da população em geral. Isso é realmente bastante caro. Além disso, provavelmente deve estar sintonizado com a demografia da população a partir da qual as perspectivas são extraídas. Por exemplo, um projeto fatorial, por exemplo, pode nos pedir para recrutar sujeitos de teste em igual proporção entre os níveis do fator raça, quando na realidade é provável que encontremos muito poucos nativos americanos, digamos, nas mil perspectivas, e podemos simplesmente optar por não lançar a eles em geral. (Triste mas verdadeiro.)

Como esse experimento deve ser planejado? Para ser concreto, as variáveis de design são todos fatores categóricos e ordinais, a fração de lance é um parâmetro de entrada (1/4 no exemplo citado acima), assim como o número máximo de sujeitos que podem ser recrutados. Parece que talvez uma combinação de projeto experimental e amostragem aleatória possa ser apropriada, mas estou aberto a todas as sugestões e sugestões razoáveis.

Devo também observar que, dados os prováveis tamanhos de efeitos pequenos e os pequenos grupos de recrutamento de amostras que podemos pagar, é improvável que a pesquisa de mercado produza coeficientes de regressão estatisticamente significativos. Portanto, a super otimização do projeto experimental é provavelmente tola, e qualquer procedimento razoavelmente não insano será suficiente.

experiment-design marketing

— shabbychef
fonte

Você poderia esclarecer quais são os fatores do experimento que você deseja criar? Entendo que você deseja testar um produto em uma amostra, mas até agora não vejo a manipulação experimental, exceto, talvez, pelo recrutamento estratificado de diferentes domínios da população.

— Tomka

Sim, com o 'experimento', quero dizer como escolher o grupo de recrutas. Podemos selecionar recrutas para (quase) qualquer combinação das variáveis demográficas - idade, raça, sexo, desempenho educacional etc. - e essa é minha tarefa.

— shabbychef

Qual é o seu principal motivo para não usar uma amostra simples de probabilidade da população com n = 1000?

— Tomka

Devido a restrições orçamentárias, o número de recrutas que podemos amostrar é muito menor - da ordem de 50. Para esse tamanho e número de variáveis de design, uma amostra aleatória não 'parecerá' representativa devido a um erro de amostragem. Espero que um projeto experimental seja melhor.

— shabbychef

Eu acho que você pode estar procurando uma amostra estratificada para alguns dos grupos, mas isso não é um experimento. A idéia seria garantir que todos os grupos relevantes estivessem presentes no seu conjunto de dados e, em seguida, usar a ponderação de design para a população. Ainda assim, n = 50 talvez seja pequeno demais para ser estratificado para todos os dados sociodemográficos mencionados. Além disso, o erro de amostragem pode prejudicar a qualidade de suas previsões, mesmo que os tamanhos de associação / efeito sejam fortes.

— Tomka

Uma abordagem para o seu problema é usar uma amostra estratificada. Um objetivo da estratificação é garantir que certos domínios (grupos) da população sejam representados na amostra, que de outra forma seriam muito escassos para inferência válida, por exemplo, devido à pequena probabilidade de seleção.

$n=50$

W_{Eu} = \frac{π_{s}}{π_{p o p}},

$w_i=\frac{\pi_s}{\pi_{pop}},$

π_{s}

$\pi_s$

π_{p o p}

$\pi_{pop}$

$n=50$ $n=50$

$n$

$n=50$

As características com probabilidade de seleção muito baixa são as candidatas à estratificação, enquanto as variáveis com probabilidade de seleção alta o suficiente / equilibrada em suas categorias podem ser ignoradas no projeto de amostragem. Agora que você identificou os estratos cruciais para sua população e modelo , pode construir a estratégia de design de amostragem neles (ou seja, amostrar aleatoriamente todos os estratos relevantes para preencher todas as 'células').

$n=50$

— tomka
fonte

Isso me leva muito longe para onde eu preciso ir. muito obrigado!

— shabbychef