Cursuri Informatica Marketing

Simulri de marketing
Eric EISENSTAT
Radu HERMAN
SIMULRI DE MARKETING
Editura
2012
2
Eric Eisenstat, Radu Herman
2012 Editura InfoMega

Toate drepturile rezervate. Reproducerea
materialelor din aceast lucrare se poate
face doar cu acordul scris al editurii. Autorii
i asum rspunderea asupra materialului
publicat.
http://www.infomega.ro
CIP nr. CIP nr. 23133 / 06.12.2012
Descrierea CIP a Bibliotecii Naionale a Romniei
EISENSTAT, ERIC
Simulri de marketing / Eisenstat Eric, Herman
Radu. - Bucureti : InfoMega, 2012
Bibliogr.
ISBN 978-973-7853-76-9
I. Herman, Radu
339.138
Cuprins
Cuvnt nainte...............................................................................................................5
I Introducere .......7
1 Despre ce este vorba ....7
2 Aplicaii de simulare n marketing ..13
2.1 Privire de ansamblu . . . . . . . . . .. . . . . . . . . . . . . ...13
2.2 Procesul simulrii de marketing . . . . . . . . . . . . . . .15
2.3 Proiectarea simulrilor pozitive .. . . . .. . . . . . . .16
2.4 Proiectarea simulrilor normative. . . . . . . . . . . ... .17
2.5 Proiectarea simulrilor instrumentale . . . .. . . . . .... . . . . ...19
Bibliografie..................................................................................................................21
3 O privire asupra tehnicilor de modelare i simulare ....23
3.1 Privire de ansamblu . . . . .. . . . . . . . . . . . ... . 23
3.2 Modelare teoretic . . . . . . . . . . . . ... . . . .. . . 25
3.3 Modelare empiric. . . . . . . . . . . .... . . . . . . . . . . . ..28
3.4 Abordarea echilibrat . . . . .... . . . . . . . 29
Bibliografie..................................................................................................................32
II Drumul ctre simulare .......33
4 Rezolvarea ecuaiilor neliniare i Metoda Newton ......33
4.1 Privire de ansamblu . . . . . . . . . . . . . . . . .. . . ... 33
4.2 Metoda Newton unidimensional . .. . . .. 34
4.3 Metoda Newton multidimensional ..... . . ... 41
4.4 Rolul n simulrile de marketing. . . . . . . . ... 43
Bibliografie...............................................................................................................,,.48
5 Metodele Monte Carlo i inferena Bayesian. .........49
5.1 Privire de ansamblu . . . . . . . . . . . .. . . . . . . .49
5.2 Integrarea Monte Carlo . . .. . . . . . . . ... 50
5.3 Extensii comune . . .... . . . . . . . ...... . 57
5.4 Inferena Bayesian . . . . . . . . . ....... . . . .. 59
Bibliografie..................................................................................................................71
4
III Alegerea consumatorului n aplicaiile de marketing .73

6 Teoria Utilitii Aleatoare i simularea cu Analiza Conjoint......73
6.1 Privire de ansamblu . . ... . . . . . . . . . . . . . . . . . ..73
6.2 Modelarea utilitii aleatoare... . . .. . . . . . 74
6.3 Estimarea . . . . . . . . . . . . . . . . . . ..76
6.4 Inferen i interpretare . . . . . . . . ....80
6.5 Simulare . . . . . . . . . . . . . . . . . . ... 89
6.6 O not pentru definirea seturilor de alegeri. . . .. . . .... . 99
Bibliografie................................................................................................................ 101
7 Modelul logit i derivatele sale...103
7.1 Privire de ansamblu . . . . . . . . . . . . . . . ... . 103
7.2 Logit binar . . . . . . . . . . . .. . . . . . . ..104
7.3 Logit multinomial i independena alternativelor irelevante ........106
7.4 Logit nested . . . . . . . . . . . . . . . . . . .110
7.5 Logit ordonat . . . . . . . . . . . . . . . .. 115
7.6 napoi la logit mixt: o simulare complet a cotelor de pia ale camerelor
digitale.120
Bibliografie................................................................................................................130
Cuvnt nainte
Modelarea i simularea reprezint o tehnologie de cercetare puternic care
evolueaz rapid i care ofer aplicaii de marketing n organizaiile actuale.
Proiectarea i implementarea simulrilor de marketing pentru dezvoltarea
aplicaiilor de marketing i a politicilor din lumea real reprezint o ocupaie
interesant - i fr ndoial o activitate recompensat financiar din cadrul
domeniului de cercetare de marketing.
Acest text (i probabil cursul introductiv de acompaniere) v vor oferi o
idee despre ce anume este incitant. Totui, nu v ateptai s devenii un expert
n simulri; este o cale lung pn la metodologia modern de simulare. Dar,
parcurgnd acest text ar trebui s fii bine pregtii pentru a v mbunti
aptitudinile i nelegerea cursurilor de nivelul celor de licen. Pentru cei care
nu i doresc s devin specializai n simulri de marketing, acest text i
propune s ofere nite baze conceptuale i practice pentru o comunicare
fluent i pertinent n cadrul proiectelor care implic simularea, care a ctigat
deja un grad considerabil de rutin n profesia de marketing.
Contribuia autorilor la realizarea acestui material este urmtoarea:
Lect. Univ. Dr. Eric Eisenstat, pentru Capitolul 4, Capitolul 5, Capitolul 6,
Capitolul 7
Asist. Univ. Dr. Radu Herman, pentru Capitolul 1, Capitolul 2, Capitolul 3
Autorii sunt contieni c lucrarea are inegaliti, c sunt teme sau probleme
insuficient tratate, c este susceptibil de mbuntiri i de aceea vor fi
recunosctori tuturor celor care vor trimite observaii i sugestii n acest sens.
6
I Introducere
1 Despre ce e vorba
Acesta este un scenariu obinuit de marketing. Un productor de camere
digitale realizeaz i vinde trei tipuri de camere, de urmtoarele dimensiuni:
keychain, handheld i SLR. Trsturile principale, precum preurile i costurile
unitare de producie ale fiecrui produs sunt reprezentate n Tabelul 1.1. La
ntlnirea anual a conducerii, Directorul de Cercetare i Dezvoltarea anun c
departamentul vine cu o nou tehnologie care le va permite s mreasc
rezoluia camerei handheld de la 8 megapixeli la 10 megapixeli, iar lungimea
factorului de focalizare (adic capacitatea de zoom) a lentilelor de la 5x la 10x.
Ingeniozitatea este c aceste mbuntiri vor putea fi realizate cu aceleai costuri
de producie i fr alterarea altor atribute de producie. CEO-ul companiei
solicit Directorul de Marketing pentru a analiza i propune cum va fi
introdus n pia aceast nou tehnologie.
Rezoluie
Keychain
Handheld
SLR
2mp
8mp
12mp
Zoom
LCD
Greutate
0x
100g
5x
2.5in
300g
30x
3.0in
500g
Tabel 1.1: Modele de camere digitale
Pre
50
150
350
Cost
unitar
40
50
60
Mai specific, ea este instruit c planul propus de marketing are trebui orientat
nspre nlocuirea camerei actuale handheld cu una care este identic la toate
caracteristicile, dar cu 10 megapixeli n loc de 8 i un zoom de 10x n loc de 5x.
Suplimentar, este solicitat ca planul de marketing s fie astfel realizat ca s nu
genereze schimbri semnificative n actualele cote de pia ale celor trei produse
realizate de ctre firm.
Ambele condiii apar din anumite particulariti specifice ale procesului de
producie: toate liniile de producie sunt optimizate pentru a realiza exact
8
cantitile specifice solicitate n acest moment de ctre pia. De aceea, sporind

cantitatea produs de ctre un anumit tip de camer ar crete semnificativ
costurile marginale de producie, n timp ce reducerea cantitii produse ar
cauza o cheltuial ineficient reflectat n costurile fixe.
tiind acestea, Directorul de Marketing organizeaz o sesiune de brainstorm
cu personalul de la marketing. Toi sunt de acord c un model nou de camer
handheld ar trebui introdus ca o mbuntire care s substituie actualul model,
meninndu-se toate caracteristicile actuale, dar cu mbuntiri reflectate ntrun numr suplimentar de megapixeli i putere de zoom. Exist puine
preocupri legate de diseminarea informaiilor ntre consumatori cu privire la
noul model existnd tehnici de promovare care s-au dovedit eficiente, iar
piaa intit este recunoscut ca fiind avid de tehnologie. De aceea, este
acceptat c o dat ce noul model va fi disponibil, consumatorii vor deveni pe
deplin contieni de existena produsului i de noile trsturi, suficient de
rapid, iar adoptarea noii tehnologii nu este o problem.
Totui, un numr de ntrebri importante se ridic. Cele mai importante
sunt legate de:
Cum ar trebui poziionat noul model (relativ la keychain i camerele SLR,
precum i camerele competitorilor)?
Care va fi preul noului model?
Cum ar trebui vndute n continuare celelalte produse modelul keychain i
SLR? De exemplu, ar trebui ajustate preurile acestor camere?
Pentru a adresa aceste preocupri, Directorul de Marketing cheam trei
analiti de top n marketing. i solicit fiecrui analist s realizeze o investigare
n profunzime pentru a propune o soluie concret. Fiecare soluie este
propus cu un buget de cheltuieli, personal de asisten i timp de o lun
pentru a finaliza sarcina.
Dup finalizarea sarcinii, cei trei analiti se ntlnesc cu Directorul de
Marketing pentru a discuta ce au cercetat. Analistul 1 prezint o viziune simpl
a situaiei. Bazndu-se pe afirmaia c n medie clienii sunt dispui s plteasc
aproximativ 25 per megapixel i 10 per lungimea factorului de focalizare, el
argumenteaz c este necesar doar sporirea preului noului model de la 150
la 250. n consecin, valoarea medie a fiecrei camere rmne neschimbat i
de aceea nu vor fi influenate cotele de pia; pe de alt parte, profitul unitar
pentru fiecare camer handheld sporete cu 100. De aceea, nu este necesar

alt aciune suplimentar ajustrii a preului.
Analistul 2 nu este mulumit de aceast cercetare. El subliniaz c abordarea
simplist a Analistului 1 ignor reacia strategic a firmelor concurente. ntradevr, exist un mic productor de camere digitale care vinde un singur
model de camer handheld similar cu cel prezent al firmei, avnd caracteristicile
prezentate n Tabelul 1.2. n medie, modelul curent handheld al firmei prezint
o valoare similar cu modelul handheld al firmei concurente. Cnd modelul
curent este nlocuit cu un model mbuntit la un pre mai mare, este foarte
probabil ca firma concurent s rspund printr-o diminuare a preului camerei
vndute (i probabil s modifice unele componente ale planului de marketing).
Rezoluie
Handheld
Zoom
LCD
Greutate
Pre
7mp
7x
2.0in
250g
165
Tabel 1.2. Caracteristici ale camerei firmei concurente.
Cost
unitar
50
Fr o analiz atent a interaciunii strategice ntre furnizorii din pia,

Analistul 2 susine c este inutil o tentativ de previziune a efectelor asupra
cotelor de pia a unei aciuni particulare de marketing. De exemplu,
competitorul ar putea rspunde la creterea de 100 a preului prin creterea
uoar a preului camerei sale. n aceast situaie, toate cotele de pia ale
produselor prezente ale firmei ar crete. Alternativ, competitorul i-ar putea
orienta atenia pe aspectul c deoarece camera sa este semnificativ mai
inferioar fa de modelul mbuntit - ar putea reaciona prin diminuarea
preului, conducnd la diminuarea cotelor de pia ale produselor prezente ale
firmei. n acelai timp, nu este evident care dintre aceste strategii de pre ale
concurentului vor fi realizate.
Analistul 3 ofer o alt perspectiv: este de acord c abordarea Analistului 1
este prea simplist i admite c reacia strategic a competitorului merit o
analiz, dar susine c nu reprezint elementul cel mai important care a fost
omis din concluzia Analistului 1. Adic, este important de luat n considerare
cum concureaz produsele ntre ele n decizia de achiziie a consumatorului,
independent de cine le produce i le comercializeaz. De aceea, ar trebui
analizat competiia ntre propriile produse ale firmei.
10
Mai exact, ea argumenteaz c datorit mbuntirilor privind rezoluia i

puterea de zoom a lentilelor, modelul upgradat va fi mai apropiat n atribute cu
camera SLR a firmei. Privit alternativ, modelele handheld i SLR al firmei vor
deveni substitute mai apropiate dup upgradarea produsului. Mai mult, aceste
similitudini n atribute vor fi percepute diferit de la consumator la consumator
corespunztor preferinelor diferite ale indivizilor aa c analiza bazat pe
valorile medii (cum a propus Analistul 1) sporete semnificativ n eroare. n
aceast situaie, ea previzioneaz c o sporire a preului de 100 care s
conduc la o cretere n medie a valorii camerei handheld are anse s fie prea
mic: ea va induce un segment semnificativ al consumatorilor care
achiziioneaz n prezent camera SLR (cel mai profitabil dintre cele trei
produse) s i ajusteze preferinele de achiziie nspre un produs cu pre mai
mic, dar similar n atribute, aa cum este modelul handheld.
Analistul 3 sugereaz c datorit percepiei certe c modelul handheld
mbuntit ar fi un substitut mai apropiat al camerei SLR, ar fi o eroare
fundamental pentru firm s continue s-l trateze ca fiind un produs de strict
recreaie fotografic, aa cum a fost potrivit pentru modelul curent (la fel ca i
modelul handheld oferit de competitori). n schimb, ar fi mai neleapt
stimularea percepiei consumatorului prin repoziionarea noului model ca fiind
unul accesibil ca pre, adic o alternativ compact a camerei SLR sub nivelul
curent de 350. Cu toate acestea, Analistul 3 are o reinere n propunerea unor
preuri exacte fr o analiz mai profund.
Ca rspuns, Directorul de Marketing aplaud intuiia Analistului 3 i o
felicit pentru munca bine realizat. Mai mult, el propune c dac Analistul 3
poate oferi o justificare empiric mai concret a argumentelor intuitive, ar fi
recompensat cu o promovare i o mrire de salariu.
De ce au primit concluziile Analistului 3 aa o reacie favorabil de la
Director? Dac acordai o atenie mai ridicat cursurilor de economie i
marketing, vei avea deja o idee destul de bun de ce explicaiile Analistului 3
sunt mai bine argumentate dect cele ale colegilor analiti. Dar dac ai fi fost
Analistul 3 n aceast situaie, cum ai fi rspuns provocrii Directorului
privind obinerea promovrii respective i a mririi de salariu? Dup citirea
acestui text, ar trebui s fii ncreztori n a ti exact cum s abordai problema
i s convingei Directorul c motivaia este ntr-adevr formal justificabil
prin utilizarea tehnicilor de modelare i simulare!
Aa cum reiese, aceasta reprezint o aplicaie rudimentar de instrumente de

simulare n contextul de marketing: un mod riguros i formal de explorare i
justificare a relaiilor teoretice. Totui, acesta reprezint doar vrful icebergului! Modelarea i simularea reprezint o tehnologie de cercetare puternic care
evolueaz rapid i care ofer aplicaii de marketing n organizaiile actuale.
Proiectarea i implementarea simulrilor de marketing pentru dezvoltarea
aplicaiilor de marketing i a politicilor din lumea real reprezint o ocupaie
interesant - i fr ndoial o activitate recompensat financiar din cadrul
domeniului de cercetare de marketing.
Acest text (i probabil cursul introductiv de acompaniere) v vor oferi o
idee despre ce anume este incitant. Totui, nu v ateptai s devenii un expert
n simulri; este o cale lung pn la metodologia modern de simulare. Dar,
parcurgnd acest text ar trebui s fii bine pregtii pentru a v mbunti
aptitudinile i nelegerea cursurilor de nivelul celor de licen. Pentru cei care
nu i doresc s devin specializai n simulri de marketing, acest text i
propune s ofere nite baze conceptuale i practice pentru o comunicare
fluent i pertinent n cadrul proiectelor care implic simularea, care a ctigat
deja un grad considerabil de rutin n profesia de marketing.
12
2 Aplicaiile de simulare n Marketing

2.1 Privire de ansamblu
De ce simuleaz firmele? Capitolul 1 a evideniat un scenariu care
exemplific una din cele mai ntlnite motivaii pentru aplicarea simulrilor n
contextul de marketing, iar restul crii este construit pe aceast fundaie.
Scopul acestui capitol este de a oferi o privire de ansamblu a rolului simulrii
n aplicaiile economice i de marketing. Acest lucru este important nu doar
pentru nelegerea modului n care aplicaiile tehnicilor de simulare pot fi
extinse la diferite aspecte de marketing, dar i pentru a oferi o apreciere mai
cuprinztoare despre cum este mai eficient simularea utilizat n cadrul unei
aplicaii particulare de marketing.
n acest spirit, trebuie considerat mai n profunzime ce i propun de obicei
marketerii s fac. ntr-adevr, marketingul (ca economia n general) este un
fenomen social iar cu ceea ce se confrunt marketerul n mod tipic este o cutie
neagr similar celei descrise n Figura 2.1. n aceast cutie neagr este o pnz
mpletit a preferinelor individuale umane, percepii, emoii, inteligen,
psihologie etc. care sunt transformate i remodelate de ctre dinamica grupului
social, iar aceastea reacioneaz cu proprietile fizice ale lumii pentru a genera
un echilibru delicat pentru comportamentul de pia. nsi echilibrul este cu
greu o construcie static se modific constant, evolueaz, se adapteaz etc.
Figura 2.1: Cutia neagr ntlnit de marketeri n designul politicilor de

marketing.
14
Confruntat cu aceast cutie neagr, scopul marketerului este de a interveni

ntr-un astfel de mod prin care s modifice echilibrul nspre un obiectiv
predefinit adic, s sporeasc cererea unui anumit produs pentru un anumit
tip de indivizi. Adic, marketerul aspir la exercitarea unui anumit grad de
control asupra echilibrului comportamentului uman (generat de cutia neagr)
prin alterarea unuia sau mai multor inputuri. Exist evident puin sens n
ncercarea de a realiza orbete o astfel de ncercare; pentru a nu fi o intervenie
pur ad hoc, cercettorul trebuie s obin suficient din viziunea a ceea ce se
desfoar n cutia neagr. Totui, ncercarea de a descurca n ntregime pnza
complicat a forelor care determin echilibrul comportamentului uman este
zadarnic. Astfel, cum reuete un marketer s abordeze o astfel de aciune?
La fel ca n tiinele sociale, economitii i marketerii reuesc s explice
fenomenele sociale apelnd la metodele puternice cunoscute ca i modelare. Pe
scurt, ideea fundamental a unui model economic este s scrie unele aspecte
ale cutiei negre ntr-un astfel de mod care s evidenieze ceea ce este esenial i s
dea la o parte ceea ce este mai puin relevant. Cu alte cuvinte, reprezint o
abstractizare a realitii proiectat specific pentru a reprezenta un fenomen
particular ntr-un astfel de mod care s fie cel mai folositor pentru un scop
practic. n acest sens, modelarea pentru cercettorii sociali nu este doar un
mod pentru examinarea a ceea ce este de altfel un pachet social greu de
descifrat al cutiei negre, dar este i un mod poate singurul pentru ei de a
comunica idei, construi teorii i propune metode. n aplicaiile de marketing
unde tipicul scop final este de a influena comportamentul ntr-un mod dorit,
modelarea este fr ndoial instrumentul cheie din setul de instrumente al
marketerului.
Simularea este strns-legat de metodologie. Mai specific, contribuia sa
principal este c faciliteaz construirea i aplicarea modelelor
comportamentale n proiectarea politicii de marketing. n esen, permite
aplicarea unor tehnici mai generale de modelare prin reducerea poverii
deducerilor analitice asociate cu o complexitate mai ridicat a modelului. Aa
cum a devenit banal n a doua jumtate a secolului XXI, multe din acestea se
datoreaz abilitilor computaionale ale calculatorului, care reprezint o parte
integrat din orice abordare modern a simulrii (pentru o descriere mai larg a
aplicaiilor de simulare n tiinele sociale, vedei Gilbert i Troitzsch, 2005).
Detaliile aspectelor cheie ale construirii de modele n marketing sunt revizuite
n Capitolul 3; atenia acestui capitol este pe diferitele tipuri de proiectare a
simulrii care sunt utilizate de obicei n marketing. Alegerea construciei
simulrii este ghidat de obiectivele particulare care se regsesc pe parcursul

procesului de implementare. Acest proces cum cineva se poate atepta n
contextul de marketing este bine definit i se respect o secven strict de
pai pentru a asigura o implementare eficient a simulrilor de marketing n
practic. Este revizuit mai n profunzime dup cum urmeaz.
2.2 Procesul simulrii de marketing

Implementarea simulrilor de marketing ncepe i se termin cu factorul
decizional. La cel mai general nivel, procesul necesar poate fi considerat ca
fiind compus din mai multe etape majore, care sunt grafic reprezentate n
Figura 2.2. Prima etap este definirea problemei care se dorete a fi rezolvat
prin implementarea simulrii i corespunztor, determinarea obiectivelor
specifice care trebuie atinse. Odat stabilite acestea, echipa de simulare trece la
construirea modelului teoretic pentru a descrie fenomenul relevant de
marketing. Ultima versiune a acestui model ar trebui s fie de natur
cantitativ, i de aceea se bazeaz din plin pe instrumente matematice. n
general, vor rezulta relaii ipotetice ntre construciile cantitative de interes
(adic direcia elasticitilor proprii i ncruciate pentru anumite produse).
Merit menionat c dificultatea asociat cu aceast etap de modelare este c
depinde semnificativ de claritatea i de ct de potrivit este definit problema i
obiectivul pasului iniial al acestui proces.
Odat ce este construit un model ipotetic, el trebuie operaionalizat prin
adugarea specificaiei empirice. Mai multe detalii cu privire la cum se
abordeaz tipic acest aspect se afl discutate n Capitolul 3. n general,
rezultatul acestei etape ar trebui s fie un model care poate fi deja calibrat cu
date din lumea real. n contextul simulrii, astfel de date sunt obinute prin
cercetri de marketing, care pot fi implementate special pentru proiectul de
marketing, sau dintr-un proiect de cercetare realizat anterior. n acest sens,
cercetarea i simularea de marketing reprezint dou metode complementare.
Cu toate acestea, n timp ce cercetarea de marketing este adesea utilizat ca un
instrument de sine stttor de ctre marketeri, simularea nu poate exista n
practic fr cercetarea de marketing deoarece astfel de modele nu pot fi altfel
calibrate.
16
Figura 2.2: Procesul de simulare de marketing.

Odat ce modelul de marketing este calibrat la date, se poate trece la
proiectarea algoritmului de simulare. Totui, n practic, demarcarea dintre
calibrare i proiectarea algoritmului de simulare este de multe ori mai puin
distinct dect reprezentarea n Figura 2.2: n multe configurri, metodologia
utilizat n calibrare este strns legat de algoritmul de simulare. Cu toate
acestea, cele dou etape necesit de multe ori mai multe cicluri de rafinare.
Ulterior, algoritmul finalizat de simulare este executat iar rezultatele sunt
interpretate. Ca etap final, concluziile trase din simulare sunt comunicate
napoi celui care ia deciziile. Aici, specialistul care realizeaz cercetarea trebuie
s aibe grij s traduc corespunztor rezultatul simularrii tehnice, astfel ca s
ofere celui care ia deciziile informaiile care sunt gata aplicabile n procesul
lurii deciziilor.
2.3 Proiectarea simulrilor pozitive

O simulare pozitiv se orienteaz spre descrierea fenomenelor complexe
fr a rezulta un anumit sfat privind o politic. Se aplic de obicei n scenariile
n care nelegerea unui anumit aspect al comportamentului de echilibru este de
interes, aa cum a fost stabilit prin formularea problemei i specificarea
obiectivelor. Intenia este de a arunca o privire n cutia neagr. Desigur c, ntro schem mai mare, atingerea unei mai bune nelegeri a unui fenomen de
marketing faciliteaz o eventual proiectare a unei politici n sensul c
rezultatele unei simulri pozitive ghideaz proiectele viitoare de simulare cu
posibile caracteristici normative. Mai mult, proiectarea pozitiv este adesea
utilizat pentru a propune alternative de politic (dei nu le ierarhizeaz n
vreun anumit fel). De aceea, pentru marketeri, o proiectare pozitiv este o

component esenial n activiti care intesc optimizarea deciziilor de
marketing. Corespunztor, proiectarea simulrilor pozitive tinde s fie relativ
abstract prin natura sa.
Un exemplu de astfel de proiectare poate implica simularea difuzrii de
informaii privind un nou produs, cu o configurare bazat pe un agent
(Gnther et al., 2011). O alt proiectare inovativ implic contruirea unui
magazin virtual (Burke, 2002). Pentru cel din urm, obiectivul principal al
simulrii este replicarea unui anumit magazin ntr-un mediu digital n care
consumatorii pot avea o experien virtual de achiziionare a unor produse.
Aceasta favorizeaz proiectarea unor cercetri experimentale n marketing
adic, poate fi utilizat pentru testarea efectelor posibile ale unor iniiative de
marketing (precum promoiile, rearanjamentele rafturilor i spaiului fizic, etc.)
fr costul exuberant care restricioneaz de obicei aceste experimente de la a
fi implementate n realitate. Desigur, pentru ca magazinul virtual s ofere un
mediu relevant de interpretare a acestor experimente, trebuie s semene cu
suficient precizie cu experiena de achiziie dintr-un magazin real. Din nou,
aceasta este strns legat de metodele de calibrare i modelare utilizate n
construirea algoritmului de simulare care st la baz. Dac are succes, o astfel
de simulare este categoric un instrument pentru ghidarea n proiectarea unei
politici actuale de marketing, dei ea nsi nu este suficient de concludent
pentru determinarea deciziilor privind politica.
2.4 Proiectarea simulrilor normative

Simulrile care intesc ca obiectiv imediat determinarea unei politici se
numesc adeseori proiectri normative. Adic, aceste simulri se bazeaz pe
modele care prescriu specific ce ar trebui s se fac n termenii planificrii de
marketing i desemnarea unei strategii, respectiv ce fel de intrri din cutia
neagr ar trebui alterate pentru a genera schimbarea dorit din ieiri. De
exemplu, cineva poate construi un simulator pentru compararea efectelor
politicii n termenii unui obiectiv predefinit, alturi de un set de msuri
propuse. Setul din urm de politici luate n considerare poate include politici
ncercate anterior sau pot fi luate mpreun cu msuri inovative. ntr-adevr,
simularea politicii este o zon de interes substanial n acest moment. Cu toate
acestea, este nc la nceput de drum. Franses (2005) ofer o descriere atent a
strii curente de dezvoltare i adreseaz unele dintre problemele importante
18
ntmpinate n marketing prin simulrile normative. Cele mai importante ntre

aceste provocri sunt cele legate de calibrare: pentru a fi eficient ca
instrument de optimizare a politicii, simularea proiectat trebuie s fie
construit pe un model care corespunde semnificativ cu realitatea.
Dificultatea legat de calibrarea modelului n aplicaiile normative merge
dincolo de problemele legate de estimarea modelului. O alt important
preocupare este legat de aa numita critic a lui Lucas. ntr-un articol important
(Lucas, 1976), laureatul premiului Nobel, Robert Lucas a susinut c este
nevoie de precauie n utilizarea naiv a modelelor econometrice pentru
determinarea politicii macroeconomice dintr-o anumit perspectiv. Parametrii
modelului estimai n calibrarea modelului macroeconomic pentru datele
istorice observate sunt n general considerate a fi constante. n msura n care
datele macroeconomice au fost generate ntr-un anumit regim de politic,
aceste estimaii sunt relevante pentru perioada istoric captat de ctre date.
Totui, dac o schimbare n politic care este inevitabil obiectivul unei
proiectri normative ar influena relaiile economice astfel ca parametrii
modelului s fie alterai corespunztor, atunci modelul estimat este obligat s
fac predicii eronate sub noul regim politic. Cu alte cuvinte, pentru a face
relevant un astfel de model, se presupune c parametrii modelului nu sunt
influenai de schimbarea propus a regimului.
O problem aproape identic apare atunci cnd sunt aplicate modele de
marketing pentru simularea efectelor unei iniiative poteniale de marketing.
Franses (2005) ofer un exemplu simplu legat de industria auto. Presupunem
c un model care descrie cererea de autoturisme este construit i calibrat
utiliznd date privind preurile istorice i cantitile vndute. Se consider apoi
c echipa de marketing a unui anumit productor auto aplic acest model
pentru simularea efectelor unei strategii care implic reduceri regulate de
preuri. Dac este relevant de presupus c consumatorii nu ar anticipa astfel de
reduceri sau informaiile privind o viitoare reducere nu ar influena
comportamentul privind achiziia autoturismului, atunci modelul calibrat
(utiliznd datele obinute dintr-un regim fr reduceri) poate fi relevant
pentru o astfel de aplicaie normativ. Totui, cineva poate considera alternativ
c odat ce strategia de pre este implementat, cumprtorii auto ar anticipa
promoiile (adic discount-urile la modelele existente cnd noile modele sunt
lansate), iar aceste informaii privind o viitoare promoie i-ar induce
consumatorului amnarea achiziiei. n a doua situaie, un model privind
cererea care consider constani parametrii preferinelor ar tinde s exagereze

prea mult n timp efectele unei reduceri de pre asupra vnzrilor totale.
n termenii exemplului de mai sus, putem clarifica diferena dintre
abordrile pozitive i normative privind simularea dup cum urmeaz. ntr-o
proiectare pozitiv, cineva poate utiliza modelul cererii pentru autoturisme
pentru simularea diferitelor rspunsuri ale vnzrilor la schimbrile de pre,
referitor la cum ar fi fost realizate n trecut (adic perioada n care datele au
fost culese pentru calibrarea modelului) sub ocurile preurilor pur aleatoare. Mai
specific, o astfel de proiectare ar ajuta la primirea unor rspunsuri precum cum
ar rspunde vnzrile la schimbri de preuri neplanificate dac nu se schimb regimul
politic? Desigur, aceasta nu ne ofer direct o politic optim de discount care s
poat fi implementat. Totui, informaiile obinute prin acest tip de simulare
pot fi utilizate ca un ghid n construirea unui model mai adecvat unul care s
depeasc dificultile ridicate critica lui Lucas pentru testarea diferitelor
strategii de reduceri de pre ce au un apel normativ.
2.5 Proiectarea simulrilor instrumentale

Ultimul tip de simulri care merit discutate este legat de testarea diverselor
instrumente analitice utilizate n metodologia de marketing. Cu o construcie
instrumental de simulare este posibil de studiat diferite proprieti de interes
legate de aceste instrumente, ntr-o configurare ipotetic. Aceasta este adesea
folositoare deoarece eficiena unor astfel de instrumente depinde de obicei de
ipotezele privind natura lumii sau mediului de marketing care sunt greu de
controlat sau impracticabil datorit costurilor prohibitive n practic. De
exemplu, simularea poate fi utilizat pentru studierea metodelor de analiz a
datelor care sunt utilizate n cercetarea de marketing. Metodele de analiz a
datelor sunt n general fondate pe ipoteza c eantionul este aleator. Este dificil
i scump de a proiecta experimente cu oameni care s fac lumin privind
modul n care erorile din procesul de eantionare afecteaz inferena obinut
prin aceste metode. Alternativ, cineva poate simula cu uurin o anumit
strategie de eantionare i s introduc - ntr-un mod controlat diferite tipuri
de erori. Ulterior, este posibil de comparat inferena statistic obinut din
metoda de analizare a datelor sub diferite scenarii de eantionare, pentru
nelegerea impactului unor astfel de erori. Aa cum s-a discutat mai n detaliu
la Capitolul 5, generarea ipotetic a eantioanelor aleatorii cu un computer este
20
relativ uor; obinerea eantionelor aleatorii din rspunsurile oamenilor dintr-o

populaie este mai dificil. n acest sens, simularea este utilizat pentru
mbuntirea metodologiei de marketing, dei aceast linie de aplicaii aparine
mai mult muncii academice dect marketingului ca profesie.
Bibliografie
Burke, R. R. (2002). Technology and the customer interface: What consumers
want in the physical and virtual store. Journal of the Academy of Marketing
Science 30, 411432.
Franses, P. H. (2005). On the use of econometric models for policy simulation
in marketing. Journal of Marketing Research 42, 414.
Gilbert, N. and K. G. Troitzsch (2005). Simulation for the Social Scientist
(Second ed.). Berkshire (UK): Open University Press.
Gnther, M., C. Stummer, L. M. Wakolbinger, and M. Wildpaner (2011). An
agent-based simulation approach for the new product diffusion of a novel
biomass fuel. Journal of the Operational Research Society 62,1220.
Lucas, R. (1976). Econometric policy evaluation: A critique. In K. Brunner
and A. Meltzer (Eds.), The Phillips Curve and Labor Markets, CarnegieRochester Conference Series on Public Policy, 1, pp. 1946. New York:
American Elsevier.
22
3 O privire asupra tehnicilor de modelare i simulare

Ar trebui s fie suficient de clar din discuia Capitolului 2 c modelarea este
central n metodologia de marketing. ntr-adevr, toate deciziile de marketing,
aciunile, planurile, strategiile i politicile se bazeaz pe un model despre cum iau
deciziile productorii i consumatorii n atingerea unui echilibru de pia. De
exemplu, momentul n care decizi s taxezi 2 pentru o cutie de bomboane, ai
activat un anume model de marketing: decizia de stabilire a preului trebuie s
se bazeze pe o disponibilitate de plat pentru bomboane, pe deciziile
competitorilor de marketing precedente i ca un rspuns la comportamentul
de fixare al preului, etc. Idea din spatele modelrii formale este de a face explicit
acest raionament ntr-un mod folositor.
Varian (2010) a definit un model (i specific un model economic) ca o
reprezentare simplificat a realitii. Atributul de simplificare a modelului este
pe ct de dorit pe att de inevitabil n aplicaiile economice. Pentru clarificare,
considerm mai nti cum sunt utilizate modelele n tiinele naturii. Un
arhitect construiete un model al unei cldiri ca fiind parte din procesul de
proiectare pentru a nelege mai bine anumite aspecte ale sale i a comunica
mai eficient altora viziunea sa. n aceast situaie, modelul este o versiune la
scar mai mic a cldirii actuale. Un astfel de model nu conine toate trsturile
pe care le-ar putea avea o anumit cldire cabluri, evi etc. ci numai
trsturile de interes specific din context adic trsturile externe, volumele
relative ale diferitelor componente din structur etc. Un astfel de model ar fi
folositor pentru a aprecia mai bine cum s-ar potrivi o eventual structur n
planul urbanistic dintr-un anumit cartier. Desigur, arhitectul are opiunea de a
realiza actuala cldire pentru acest scop, dar mai puin util deoarece: ne
gndim c pentru a obine o imagine exhaustiv a casei integrate n cartier,
cineva va trebui s observe zona respectiv din elicopter.
Un alt exemplu obinuit oferit n textele economice este harta: considerm
ct de folositoare ar fi o hart dac ar fi la o scar real! Conceptul este
transferabil direct atunci cnd ne confruntm cu fenomene sociale. Adic,
chiar dac ar fi fost posibil s descriem realitatea unui anumit fenomen social la
cel mai ridicat detaliu, ar fi foarte folositor pentru un astfel de scop proiectarea
unor politici de marketing? Rspunsul ar fi c nu folosete mai mult dect o
24
hart la mrime real pentru a gsi drumul ntr-un ora necunoscut. Diferena
esenial ntre modelele cldirilor (sau strzilor oraelor) i modelele
fenomenelor sociale este c o reprezentare la mrime real a fenomenelor
sociale este imposibil de realizat. Adic nu putem construi un model 100%
realist al fenomenului social chiar dac ne-am dori. Acest lucru este
semnificativ deoarece, spre deosebire de un arhitect care are o idee destul de
bun privind ceea ce modeleaz, un economist sau marketer nu are. Pentru un
arhitect, decizia privind care aspecte ale actualei cldiri s le abstractizeze sau
s le micoreze i care s fie modelate la un detaliu mai ridicat este relativ uor.
Un economist sau marketer nu este de obicei contient despre toate aspectele
care exist n relaie ntr-un fenomen social. La urma urmelor, scopul nostru
este de a descrie ntr-un mod folositor o cutie neagr, i nu un obiect fizic,
tangibil.
Pentru prevenirea abordrii de modelare de la a deraia ntr-un exerciiu adhoc, economitii i marketerii se bazeaz pe un set de reguli i proceduri pentru
dezvoltarea unor astfel de modele. n general, modelele economice formale sau
analitice sunt matematice prin natur i constau n (i) axiome, (ii) proceduri
logice i (iii) concluzii derivate. Aderarea la aceste principii este ceea ce ne
permite s organizm idei complexe, s asigure c modelele sunt consistente
logic i probabil mai important, s comunice intuiia derivat din aceste
modele ntr-un mod eficient pentru conectarea diferitelor modele mpreun
n extinderea nelegerii cum funcioneaz cutia neagr i astfel s avanseze
teoriile economice i de marketing. ntr-adevr, modelarea formal poate fi
considerat ca fiind limbajul economitilor i marketerilor. Pentru un marketer
care aspir la contruirea unui algoritm bazat pe simulri pe computer este
indispensabil un model analitic care s stea la baza fenomenului de marketing.
n msura n care un algoritm de simulare este puin mai mult dect un set de
instruciuni pe care s le execute computerul, un model analitic de marketing
este piatra de temelie pentru simulare. Privit simplu, nu poate avea loc o
discuie rafinat de simulare de marketing fr o discuie explicit despre un
model analitic care st la baza fenomenelor de marketing care trebuie simulate.
n marketingul academic, modelarea formal a fost n dezvoltare explicit
pentru mai mult de 50 de ani (ncepnd cu munca lui Dorfman i Steiner,
1954; Vidale i Wolfe, 1957; Nerlove i Arrow, 1962). Aa cum se poate
atepta cineva, majoritatea efortului a fost orientat nspre caracterizarea cererii
de produse sau servicii. Totui, modelarea cererii pentru un produs sau grup
particular de produse este o ncercare complex i cu mai multe aspecte, chiar
i la un nivel teoretic. Extinderea unor astfel de modele la nite specificaii

empirice folositoare adic modele care pot fi calibrate la datele reale
necesit o sofisticare i mai mare. Totui, acesta este exact contextul n care
modelele de marketing sunt proiectate i aplicate. n general, modelele de
marketing combin tehnicile provenite din mai multe discipline precum
microeconomie, cercetri operaionale, teoria jocurilor, psihologie cognitiv i
econometrie. Wierenga (2008) ofer o colecie exhaustiv de arhitecturi
contemporane de modelare care sunt utilizate astzi de marketeri profesioniti
i persoane din mediul academic. n acest capitol, vom prezenta unele din
trsturile eseniale ale acestor modele, n particular din perspectiva utilizrii
lor ca o fundaie pentru simulri cu ajutorul computerului. Capitolele care
rmn, descriu n detaliu cea mai important clas de modele care sunt utilizate
n prezent i cum pot fi implementate pentru a fi derivai algoritmi puternici de
simulare.
3.2 Modelare teoretic

Modelele teoretice din marketing sunt orientate n general spre descrierea
cererii (asupra nivelului individual, segment sau pia) pentru un bun, n
termenii variabilelor comune de marketing: acele legate de pre, promoie,
produs sau poziie. Aa cum a fost discutat mai devreme, exist mai multe
aspecte care interacioneaz n aceste modele. De exemplu, cererea la nivel de
pia este o agregare a deciziilor de consum individuale care rezult dintr-un
proces de luare a deciziilor. Cea din urm depinde de un spectru larg de factori
(unele sunt legate de activitile de marketing ale firmelor i altele nu) i de
rutina de optimizare privind procesele cognitive ale individului (adic modul n
care el selecteaz ceea ce percepe ca fiind cel mai potrivit pentru moment).
Totui, pentru a caracteriza corespunztor cererea, ne putem dori s lum n
considerare posibilitatea ca firmele care produc bunul (care este obiectul
cererii) s poat ele nsele s raionalizeze comportamentul la nivel individual i
la nivel de pia i s ncerce s intervin astfel ca s obin un rezultat mai
favorabil (adic s sporeasc cererea pentru produsul lor). Astfel, firmele
productoare se angajeaz n propriul proces de luare a deciziilor care
influeneaz cererea final. De asemenea, firmele concurente pot lua n
considerare comportamentul firmelor productoare i reacioneaz prin
ajustarea propriilor variabile de decizie (adic micornd preurile pentru
26
propriile produse etc.). Aceste decizii pot influena de asemenea cererea pe

care ne-am propus s o caracterizm.
ntr-adevr, cererea pentru un produs (indiferent de nivelul la care este
agregat) apare de obicei n cadrul unui sistem compus din procese de luare a
deciziei care ia n considerare optimizarea anumitor obiective. n cadrul acestui
sistem, variabilele decizionale adic, acelea aflate sub controlul celor care iau
deciziile sunt de obicei denumite variabile endogene deoarece sunt
computate n cadrul sistemului. Variabilele care conduc aceste computaii sunt
considerate ca fiind n ntregime factori externi i sunt denumite variabile
exogene. Un model teoretic caracterizeaz relaiile ipotetice ntre variabilele
exogene i endogene, i prin ele, interaciunea dintre variabilele endogene.
Soluia sistemului la orice moment n timp formeaz un echilibru. Un model
tipic de marketing pentru cerere poate caracteriza un echilibru al pieei ca un
set de cereri la nivel de pia (conduse de alegerile consumului individual)
pentru un grup de produse concurente, alturi de preurile aferente pieei i
investiiile de publicitate (ambele alese de firmele care produc respectivele
produse). Exogene acestui sistem pot fi diferite atribute ale produselor,
veniturile indivizilor, etc. Merit menionat faptul c desemnarea variabilelor ca
exogene i endogene este nsi o decizie important de modelare. La urma
urmelor, cineva i poate imagina foarte multe variabile n cadrul sistemului
cererii ca fiind endogene, dar tentativa de a caracteriza formal exact procesele
care determin aceste variabile n echilibru ar putea s nu serveasc unui scop
practic. n acest caz, aceste variabile sunt mai potrivit de clasificat ca exogene.
Un model teoretic poate caracteriza un echilibru ca fiind instantaneu,
descriind fenomenele fr o msurare explicit a unui aspect care s aibe
legtur cu timpul. La o astfel de abordare se face n general referire ca la
modelare static. Intuitiv, este posibil de interpretat un echilibru static ca fiind
o aproximare a unei stri medii a lumii, sau pe termen lung, un echilibru
stabil care se potrivete unui anumit context. Atunci cnd apar schimbri n
echilibru de-alungul timpului, sau sincronizarea diferitelor decizii care modific
echilibrul se consider c au o anumit importan atunci un model care
caracterizeaz explicit aceast sincronizare este mai potrivit. O astfel de
abordare este cunoscut de obicei ca modelare dinamic i poate fi utilizat
pentru caracterizarea evoluiei unui anumit fenomen. De exemplu, dac
suntem interesai de cererea pentru un produs matur care se gsete pe o
anumit pia, atunci putem opta pentru caracterizarea acestei cereri cu un
model static i poate fi utilizat pentru caracterizarea evoluiei unui anumit
fenomen. Alt exemplu, dac suntem interesai de cererea unui produs matur
care se gsete pe o anumit pia matur i ea, atunci putem opta pentru
caracterizarea acestei cereri cu un model static i ne orientm mai explicit pe
relaiile cererii cu variabilele de marketing de interes. Pe de alt parte, dac
preocuparea principal este introducerea unui nou produs pe o pia volatil,
atunci un model al cererii privind difuzarea care caracterizeaz explicit
propagarea informaiei i evoluiei cererii n timp este mai potrivit.
Un alt aspect important al modelelor de marketing este c deciziile de toate
tipurile dintr-un context de marketing implic incertitudine. n consecin, o
trstur esenial a acestor modele este manevrarea incertitudinii cu
instrumente fondate pe teoria probabilitii. Premisa general a acesteia este c
percepia uman a incertitudinii la toate nivelurile poate fi descris pragmatic
prin distribuii de probabilitate. Aceast afirmaie nu trebuie luat totui prea
literal: cercettorii tiu c un individ care merge la cumprturi ntr-un
supermarket nu i construiete distribuii de probabilitate n minte cu privire
la preurile necunoscute ale unor alternative privind produsele de pe lista de
cumprturi! Dei o discuie exhaustiv privind ultima afirmaie depete
scopul acestei cri, este important de subliniat c fiecare implementare a unui
algoritm de simulare de marketing se bazeaz neaprat pe ipoteze privind
comportamentul uman confruntat cu incertitudinea. Idea de modelare explicit
i riguroas a acestui comportament utiliznd instrumente matematice este de
a oferi o expunere clar i sincer a unor astfel de ipoteze. n schimb, aceasta
permite o interpretare mai potrivit i o comunicare mai eficient a rezultatelor
simulrii.
Modelele specifice de comportament care sunt descrise mai detaliat n
capitolele care urmeaz nglobeaz - relativ explicit diferite surse de
incertitudine. ncorporarea acestor modele de comportament n algoritmi de
simulare de marketing necesit totui un nivel suplimentar de modelare i
controlul unei alte surse de incertitudine aceea care provine din faptul c
cercettorul dintr-un context anume de simulare este capabil de a observa
numai o parte din toate informaiile (adic date) necesare de a descrie n
ntregime modelul de comportament. Aceasta ne conduce din nou la subiectul
cheie, respectiv la calibrarea modelului, care presupune ca cercettorul s
traduc orice model teoretic dat ntr-unul empiric. Aceast tranziie este uneori
tratat n termeni mai explicii (Reiss i Wolak, 2007); alteori, conexiunea unui
model empiric cu partea sa teoretic este confuz. Punctul pn la care relaia
dintre un model teoretic i empiric trebuie realizat explicit este din nou
28
ghidat de ctre obiectivele cercettorului. Cu toate acestea, cineva trebuie s

in minte c aa cum toate deciziile de marketing se bazeaz pe un model de
marketing c toate modelele empirice trebuie s se bazeze pe un model
teoretic. Alegerea privind modelarea este numai dac s se fac sau nu explicit
relaia din urm.
3.3 Modelarea empiric

Metodologia privind modelarea empiric pe care se bazeaz de obicei
simulrile de marketing reprezint aa numitele modele econometrice. Pe scurt,
modelul econometric ofer un mod folositor pentru a corela explicit datele
observabile cu componentele conceptuale ale modelului teoretic i cu diferite
surse de incertitudine. Aceasta faciliteaz construirea algoritmilor eficieni de
simulare i o caracterizare apropriat a incertitudinii care se regsesc n
rezultatele simulrii. Pe de alt parte, cea din urm este indispensabil n
obinerea unei inferene valide i ncorporarea acestor rezultate n deciziile
ulterioare de marketing. n aceast seciune, vom descrie pe scurt cteva din
aspectele modelrii de marketing care sunt cele mai relevante pentru
construirea simulrii. n consecin, discuia care urmeaz este relevant att
pentru modelele econometrice structurale (adic acelea care modeleaz explicit
relaia dintre specificaiile empirice i teoretice) la fel ca i modele
econometrice cu form redus (adic acelea care numai descriu relaiile
empirice). La cel mai general nivel, toate modelele econometrice constau din
dou componente distincte: acelea care sunt observabile i acelea care nu sunt.
n majoritatea aplicaiilor de marketing, un prim pas n implementarea unui
model econometric este separarea componentelor neobservabile n acelea care
pot fi estimate (adic parametri) i acelea care sunt pur aleatoare (adic
erori).1 Figura 3.3 ofer o diagram a acestei analize.
Totui, aceasta nu este singura abordare. Exist o clas mare de modele econometrice cunoscute
ca non-parametrice sau semi-parametrice care au o abstractizare diferit de conceptul de estimare
a parametrilor. Cu toate acestea, aceasta este o abordare mai puin obinuit n modelarea i
simularea de marketing i de aceea depete scopul acestei cri.
Figura 3.1: Componentele unui model empiric de marketing.

Corespunztor, cineva poate trece la construirea modelului prin specificarea
distribuiilor de probabilitate pentru caracterizarea incertitudinii captat de
termenii erorilor. n concordan cu aceasta, cineva poate stabili o strategie de
identificare adic, un plan pentru modul n care datele privind componentele
observabile pot fi utilizate pentru a estima n mod unic parametrii dorii. Odat
ce este obinut un eantion de date, parametrii modelului pot fi estimai
utiliznd rutinele econometrice disponibile. La acest punct, modelul poate fi
considerat calibrat i gata pentru proiectarea algoritmului de simulare.
3.4 Abordarea echilibrat

Urmrind discuia din acest capitol este evident c pentru construirea unui
model n marketing i mai ales mijlocul de simulare presupune un mare numr
de alegeri din cadrul cercetrii, multe dintre ele fiind dificile prin natur. n
acest sens, modelarea fenomenelor sociale este adesea considerat att art ct
i tiin. Construirea eficient a modelelor este o abilitate care vine cu
experien i practic (Varian, 1997). n esen, reprezint un echilibru delicat.
nchidem acest capitol cu o scurt discuie privind pilonii fundamentali care
definesc acest echilibru, n special din punctul de vedere al algoritmilor de
simulare i modelelor generate.
Modelul ideal de marketing pentru construirea algoritmilor de simulare este
unul care gsete echilibrul optim ntre robustee, parcimonie i utilizare, aa
cum poate fi vizualizat n Figura 3.2.
30
Figura 3.2: Echilibrul cadrului pentru construirea modelului.

Robusteea se refer la pertinena modelului n caracterizarea fenomenului
de marketing. n general, acesta este aspectul pe care muli l consider c este
legat de realismul modelului n sensul c atunci cnd un model este mai realist
va descrie mai bine cum anume funcioneaz de fapt piaa. De exemplu, un
model care deduce cererea pieei din deciziile individuale de achiziie dar
trateaz preurile ca fiind fixate exogen de ctre productori poate fi considerat
mai puin realistic dect un model care consider i preurile endogene. n
consecin, primul model ar fi potrivit n situaiile n care productorii fixeaz
preurile fr a lua n considerare cum vor reaciona consumatorii la acele
preuri, dei nu ar descrie precis cererea ntr-o pia n care productorii fixeaz
preurile mai strategic. Pe de alt parte, al doilea model descrie corect ambele
scenarii. n acest sens este mai general i de aceea mai robust.
Pe de alt parte, dezavantajul considerrii preurilor ca variabil endogen este
c modelul devine mai complex. Aceast complexitate poate fi vzut cel puin
n dou moduri. n primul rnd, un model care este mai complex implic mai
multe componente neobservabile i inevitabil mai muli parametri. n al doilea
rnd, calibrarea va fi mai complicat de realizat. Din perspectiva modelrii
econometrice, mai muli parametri ntmpin dou dificulti:
1. Este necesar o strategie mai elaborat de identificare, care n schimb, poate
necesita ipoteze mai restrictive privind termenii erorilor i de aceea, genereaz
un model mai puin robust dintr-un punct de vedere empiric.
Figura 3.3: Relaia teoretic dintre nivelul de complexitate al unui model i

utilitatea sa, n relaie cu dificultatea de calibrare al acestuia cu datele.
2. Reduce precizia cu care este estimat fiecare parametru.
Acest aspect al unui model econometric (adic legat de parametrii si) este
adesea denumit ca fiind gradul su de parcimonie. De aceea, un model care este
mai interesant dintr-un punct de vedere teoretic poate fi mai puin atractiv
empiric deoarece are mai puin parcimonie. Un model care nu poate fi
calibrat rezonabil la date poate descrie numai o realitate virtual i este de
utilitate sczut pentru aplicaiile practice de simulare. Aceasta induce un nivel
optim de robustee (sau realism), aa cum este ilustrat n Figura 3.2.
De asemenea, un model teoretic mai complex care necesit de obicei
metode de rezolvare mai avansate matematic necesit metode mai complexe
din punct de vedere computaional. Dificultatea computaional este o
problem cunoscut atunci cnd vine vorba de estimare. De aceea, modele
teoretice robuste pot fi mai dificil de calibrat chiar dac modelul are un grad
important de parcimonie. Legat de aceasta, este uneori posibil de reformulat
un model empiric ntr-un astfel de mod pentru a menine robusteea sa
teoretic dar n acelai timp s se reduc numrul de parametri, atingndu-se
astfel parcimonie. Totui, fcnd asta, se complic chiar i mai mult
specificarea empiric, apoi este sacrificat din utilitatea sa n sensul c modelul
rezultat devine mai dificil de calibrat la date prin rutinele de estimare. ntr-un
context de simulare, complexitatea computaional extinde de asemenea
algoritmul de proiectare, i de aceea, atinge o importan i mai mare
determinarea unei proiectri optime.
32
Bibliografie
Dorfman, R. and P. Steiner (1954). Optimal advertising and optimal quality.
American Economic Review 44, 826836.
Nerlove, M. and K. J. Arrow (1962). An operations-research study of sales
response to advertising. Econometrica 29, 129142.
Reiss, P. C. and F. A. Wolak (2007). Structural econometric modeling:
Rationales and examples from industrial organization. In J. J. Heckman and E.
E. Leamer (Eds.), Handbook of Econometrics, Volume 6A, Chapter 64, pp.
42774415. Oxford (UK): Elsevier.
Varian, H. R. (1997). How to build an economic model in your spare time. In
M. Szenberg (Ed.), Passion and Craft: Economists at Work. Ann Arbor:
University of Chicago Press.
Varian, H. R. (2010). Intermediate Microeconomics: A Modern Approach
(Eighth ed.). New York: Norton & Company.
Vidale, M. and H. Wolfe (1957). An operations-research study of sales
response to advertising. Operations Research 5, 370381.
Wierenga, B. (2008). Handbook of Marketing Decision Models. New York:
Springer.
II Drumul ctre simulare
4 Rezolvarea ecuaiilor neliniare i Metoda Newton

Majoritatea problemelor n modelarea i simularea de marketing conduce
inevitabil la rezolvarea sistemelor de ecuaii. Rar, acest sistem este relativ
simplu atunci cnd ecuaiile sunt liniare - i care pot fi rezolvate analitic (adic
cu creion i hrtie). Totui, cel mai des, sistemul de ecuaii este destul de
complex i soluiile analitice sunt dificile. n acest caz, ne bazm pe computer
pentru a gsi o soluie numeric.
Algoritmii numerici din cadrul matematicii au evoluat semnificativ n
ultimul secol, n special dup apariia tehnologiei informaiei din ultimele
decenii. Cnd sunt implementate i executate corespunztor, computerele pot
oferi soluii extrem de precise la viteze ridicate pentru sisteme la care oamenii
nu pot visa s le ating. Domeniul problemelor numerice a crescut pentru a fi
o disciplin pe cont propriu, aa c discuia din acest capitol nu este n niciun
caz una exhaustiv (cei interesai de detalii pot studia literatura din analiza
numeric, ncepnd cu textele clasice ca Hildebrand, 1974; Ralston i
Rabinowitz, 1978; Isaacson i Keller, 1966; Press i ceilali, 2007).
Pe de cealalt parte, la fundaia celor mai moderne tehnici de rezolvare a
ecuaiilor se afl un algoritm primitiv: Metoda lui Newton. Originile acestui
algoritm se afl n munca lui Sir Isaac Newton din secolul al XVII-lea, cea
orientat spre rezolvarea iterativ a ecuaiilor polinomiale. Totusi, expunerea
lui Newton era destul de complicat, utiliznd o secven de polinoame pentru
a ajunge la o rdcin aproximativ x. n 1690, Joseph Raphson a oferit o
descriere simplificat utiliznd aproximri succesive ale lui x t pentru rdcina
x a unui polinom dat (de aceea, se face adesea referire ca Metoda NewtonRaphson), iar n 1740, Thomas Simpson a finalizat algoritmul cunoscut n
forma modern, cu extensia de rezolvare general a ecuaiilor neliniare. De
atunci, aceast metod simpl a fost utilizat cu succes pentru a deriva clase
34
ntregi de algoritmi numerici care sunt utilizai ntr-o varietate de contexte

complexe, incluznd simularea sistemului economic.
4.2 Metoda Newton unidimensional

Ideea de baz a Metodei Newton urmeaz a fi prezentat. S presupunem
c avem nevoie s rezolvm o singur ecuaie (adic sistem cu o ecuaie), care
poate fi n general reprezentat astfel:
f ( x) 0
unde x este un scalar (adic unidimensional) i f ( x) este orice funcie de x .

Problema matematic este gsirea rdcinilor lui f ( x) . Dac funcia este ceva
simplu, de exemplu
f ( x ) aebx c (4.1)
atunci o putem rezolva (adic gsim rdcinile) cu creionul utiliznd algebr

simpl pentru a obine
x
1 c
ln (4.2)
b a
De aceea, dac tim de exemplu c a = 2, b = 1 i c = 4, atunci valoarea lui

x care rezolv (4.1) poate fi gsit nlocuind valorile lui a, b i c n (4.2) n
acest caz , x ln 2 .
Alternativ, considernd un caz n care funcia lui f ( x) este puin mai complex:
f ( x ) x aebx c (4.3)
Acum, nu este posibil s rezolvm f ( x ) 0 explicit pentru x utiliznd doar

algebra. Totui, dac sunt cunoscute valorile lui a, b i c, atunci este posibil s
computm (s aproximm) valoarea lui x cu un grad ridicat de precizie
utiliznd o procedur simpl de iterare. Aceasta implic trei componente de
baz:
1. O valoare de start (adic, ghicirea rezonabil a lui x 0 ca o soluie a lui x );

2. O regul de actualizare (adic, o modalitate de obinere a unei aproximri
actualizate a lui x t cnd a fost dat nainte o aproximare a lui xt 1 );
3. Un criteriu de finalizare (adic, ct de aproape ar trebui s fie fa de 0
funcia f ( x) i/sau diferena xt xt 1 pentru ca algoritmul s se opreasc).
De principiu, algoritmul poate fi iniializat cu orice valoare de start x 0 .
Totui, nu este garantat c toate valorile de start vor conduce la o soluie (sau la
soluia dorit dac f ( x) intersecteaz 0 la mai mult de un punct din domeniu).
Mai mult, performana algoritmului n termenii timpului necesar pentru
finalizare poate fi semnificativ afectat de alegerea lui x 0 . De aceea este
recomandat - n general alegerea unei valori de start ct mai aproape de
soluia ecuaiei. Dei poate suna ciudat dac am ti soluia nu ar mai fi
necesar un algoritm numeric afirmaia este menit doar s sugereze c dac
valorile cunoscute a priori ale lui x reprezint aproximri mai bune ale actuale
soluii atunci ele ar trebui preferate ca valori de start; valorilor de start le-ar
trebui acordat o atenie semnificativ, ca alternativ a alegerii aleatoare. n
practic, iniializarea algoritmului cu valori de start poate presupune un proces
de ncercare-i-eroare.
Esena Metodei Newton se bazeaz pe o regul specific de actualizare, care
poate fi scris general pentru problemele unidimensionale ca:
xt xt 1
f ( xt 1 )
(4.4)
f '( xt 1 )
n cuvinte, dac se d o aproximare anterioar xt 1 atunci aceasta se va

actualiza la x t prin scderea raportului dintre funcia f () i derivata sa f '() ,
ambele evaluate ca xt 1 . Clar, asta presupune nu doar computarea nsi a
funciei, dar i derivata funciei, la fiecare punct x t pe care l traverseaz
algoritmul.
De fapt, aceasta reprezint complexitatea tehnic n implementarea Metodei
Newton. n majoritatea cazurilor (n special n contextul unidimensional),
derivata funciei este simplu de obinut analitic cnd este dat funcia f () ; n
situaii rare cnd cea din urm nu este uor de obinut, derivatele pot fi i ele
aproximate numeric. Sub condiii destul de generale, Metoda Newton
36
converge local (adic ntr-o vecintate apropiat de rdcin) de la orice valoare

de start x 0 ctre soluia real x la o rat ptratic. Aceasta nseamn c la
fiecare iteraie, soluia propus x t este aproximativ de dou ori mai aproape de
rdcin dect aproximarea anterioar xt 1 . Totui, este important de inut
minte c convergena ptratic a Metodei Newton pure este garantat doar
pentru valori de start suficient de aproape de x .
Tabelul 1.1 demonstreaz convergena de la x0 0 pentru exemplu de
deasupra (adic rezolvarea ecuaiei x 2e x 4 0 ). n acest exemplu, calculul
de baz ofer derivata f '( x ) 1 2e x i n consecin regula de actualizare este
4 2e xt 1 ( xt 1 1)
xt
(4.5)
1 2e xt 1
Se observ c algoritmul ajunge la soluie (cu patru cifre semnificative) dup

numai trei iteraii aproximarea nu se mai schimb semnificativ dup alte
iteraii (4 i 5). De aceea, rezolvarea ecuaiilor cu Metoda Newton poate fi
foarte rapid. Dintr-o perspectiv puin diferit, f ( x) este efectiv zero (cu
patru cifre semnificative) ncepnd cu a patra iteraie.
t
xt
f ( xt )
f ( x)
0
0
-2
3
1
0.6667
0.5621
4.8955
2
0.5518
0.0247
4.4729
3
0.5463
0.0001
4.4537
4
0.5463
0.0000
4.4537
5
0.5463
0.0000
4.4537
Tabel 4.1: Metoda Newton pentru f ( x ) x 2e x 4

Se observ c, din ambele perspective, a cincea iteraie apare ca fiind de prisos.
ntr-adevr, o implementare eficient a algoritmului ar asigura c iteraia se
finalizeaz nainte de a cincea iteraie (presupunnd c patru cifre semnificative
sunt suficiente pentru nevoile noastre). Aceasta poate fi n schimb uor
realizat prin setarea regulii de finalizare fie oprit doar dac i numai dac
xt xx1 0.0001 sau oprete dac i numai dac f ( x) 0.0001 . Desigur c
cineva poate decide s fie extra prudent i specific ca ambele inegaliti s fie
satisfcute nainte de terminarea execuiei. Oricare din variante privind regula
de terminare conduce algoritmul ctre o finalizare la a patra iteraie pentru
exemplul de mai sus. Indiferent de tipul regulii de terminare este important de
menionat c acest pas final nu implic dificulti suplimentare de computaie

(n afar de cele ntmpinate n pasul de actualizare).
Totui, nu este mereu simplu i un numr de dificulti pot fi ntmpinate.
De exemplu, o condiie necesar pentru convergena algoritmului este ca
derivata f '() s nu fie zero ca soluie a ecuaiei. De aceea, este important de
examinat funcia analitic f ( x) pentru posibilitatea ca aceasta s apar pentru
unele valori ale lui x. Dac pot fi identificate aceste valori, atunci este
recomandat s se verifice c f ( x) nu este de asemenea zero la punctele
respective. Chiar dac pentru ultima se afl c nu este aceast situaie, prezena
punctelor n care derivata este zero tot poate fi problematic pn la situaia ca
algoritmul s ajung la asemenea valori pe parcursul iteraiei ctre punctul de
convergen. Cnd se ntmpl asta, algoritmul va eua; totui, n anumite
situaii se poate ncerca rularea algoritmului cu o valoare diferit de start.
O alt dificultate important cu Metoda Newton este legat de problemele
unde mai multe soluii sunt posibile pe un interval de valori ale lui x. De
exemplu, considerm funcia ptratic simpl f ( x ) x 2 1 . Desigur c
soluiile lui x 2 1 0 sunt uor de gsit analitic; exist dou soluii posibile:
x 1 sau x 1 . Actualizarea regulii devine:
xt
xt21 1
.
2 xt 1
Deci, ce fel de valori de start ar trebui alese i cum afecteaz ele soluia
oferit de ctre algoritm?
Se poate imediat observa c x0 0 nu reprezint o valoare rezonabil de
start. De ce nu? Ea poate - i ar trebui verificat prin f '(0) 0 , i de aceea
algoritmul ar da gre imediat ce ar ncerca s actualizeze mprind la zero. Dar
dac x0 0,1 ? Aceast valoare de start este apropiat i conduce la soluia
x 1 . Similar, algoritmul poate fi iniializat prin x0 0,1 , iar n aceast
situaie este returnat x 1 . Tabelul 1.2 prezint soluiile spre care converge
algoritmul din mai multe alte puncte de start.
Se vede c valorile pozitive de start conduc la rdcina x 1 , n timp ce
valorile negative de start conduc la soluia alternativ x 1 . Aa cum reiese,
aceasta este adevrat n general pentru funcia f ( x ) x 2 1 . Totui, aspectul
38
important de subliniat este c algoritmul va oferi doar o singur soluie

(presupunnd c se atinge convergena).
Valoare
de start
-0,1
-0,5
-2,0
-50
Rezultate
aproximative
Valoare
Rezultate
Iteraii
Iteraii
necesare de start aproximative necesare
*
*
-1,000
7
0,1
1,000
7
-1,000
4
0,5
1,000
4
-1,000
4
2,0
1,000
4
-1,000
9
50
1,000
9
6
*Criteriul de finalizare este f ( xt ) 10
Tabelul 4.2: Rezultatele Metodei Newton pentru f ( x ) x 2 1 , pentru diferite

valori de start
Dac x 0 este iniializat cu un numr negativ, va converge ctre x 1 , dar
nu va oferi nicio informaie despre cealalt rdcin posibil x 1 . Nici mcar
nu avertizeaz c exist o asemenea posibilitate!
ncearc singur
S aplicm unele concepte discutate n aceast seciune prin implementarea
unui algoritm simplu al Metodei Newton n practic. S presupunem c ne
dorim s gsim rdcinile ecuaiei cubice
f ( x ) x 3 1,5 x 2 6 x 1
V amintii de la orele de algebr ct de dificil era rezolvarea ecuaiei cu

creionul. Se vede c gsirea rdcinilor ecuaiilor polinomiale cu Metoda
Newton este incredibil de uoar. De fapt, nici nu avem nevoie de software
specializat pentru acest scop, Excel fiind suficient.
Deci, ncepei pregtirea documentului Excel, el fiind suficient pentru
acomodarea pn la zece iteraii ale algoritmului (mai mult dect suficient
pentru rezolvarea ecuaiilor cubice tipice).
Se observ c n acest caz, valoarea de start este inializat la zero. Att timp
ct nu conduce la f '(0) 0 , reprezint un punct de start n timp ce celelalte
formule sunt configurate n foaia de lucru; mai trziu, ea poate fi modificat
pentru a examina modul de lucru al algoritmului sub valori de start alternative.
Pasul urmtor este programarea evalurii funciei f(x) ale crei rdcini
dorim s le gsim. Formula Excel pentru ecuaii cubice este introdus direct n
celula B3 (la iteraia 0), aa cum este artat n Panelul A de mai jos. n
concordan cu secvena urmtoare din grafic (Panelul B), este introdus n
celula B4 formula funciei derivate, respectiv f '( x ) 3x 2 3x 6 . Mai trebuie
s introducem regula de actualizare, ncepnd cu iteraia 1. Aceasta se
realizeaz prin introducerea formulei corespunztoare ecuaiei (1.4) n celula
C2, aa cum este demonstrat n Panelul C.
(A)
(B)
(C)
Celulele care rmn pot fi completate prin copiere-lipire din celulele preprogramate B3, B4 i C2. n cele din urm se obine
Acum pentru x0 10
40
Care ar fi un start necorespunztor pentru valoarea de start din acest caz

(pont: gndii-v la rdcinile ecuaiei f '( x ) - o ecuaie ptratic)?
Similar, o funcie particular f ( x) poate s nu aibe deloc rdcini (reale) (adic
f ( x ) x 2 1 ), caz n care, indiferent de valoarea de start, algoritmul va
continua s mearg pn cnd va termina forat fr convergen. La fel s-ar
putea ntmpla pentru anumite valori de start suficient de departe de orice
rdcin (adic n afar bazinului de convergen a unei rdcini): algoritmul poate
fi prins ntr-o bucl periodic unde aceleai valori sunt prezente fr ncetare. De
aceea, rezolvarea ecuaiilor numerice cu Metoda Newton presupune puin
precauie: analistul ar trebui s neleag proprietile funciei ale crei rdcini
pot fi gsite numeric la un nivel ridicat de profunzime nainte de a pune la
lucru computerul. Computerul exceleaz numai n termenii puterii de
computaie; inteligena este atribuit omului care l opereaz. Cu acestea n
minte, problemele pentru Metoda Newton cu o singur ecuaie pot fi astfel
formulate:
Algoritmul 1. Metoda Newton unidimensional
1. Setarea valorii iniiale x 0 ;
2. Pentru fiecare iteraie t 1,..., T (unde T reprezint numrul maxim pre-determinat de
iteraii pe care algoritmul poate s le realizeze nainte de a da eroare);
(a) Computarea aproximrii curente a valorii x t din aproximarea anterioar valorii xt 1
ca
xt xt 1
f ( xt 1 )
;
f '( xt 1 )
(b) Verificarea dac algoritmul a avut convergen: dac xt xt 1 1 sau f ( xt ) 2

(sau ambele condiii simultane), returneaz lui x t ca soluie aproximativ, altfel
continu la urmtoarea iteraie t+1 (att timp ct t<T). Not c 1 i 2 sunt puncte
predeterminate prag pentru terminarea execuiei;
3. Dac dup T iteraii algoritmul nu a fost convergent conform criteriului din Pasul 2b,
returneaz o eroare.
Metodele moderne de gsire numeric a rdcinilor pot fi caracterizate ca
fiind extensii ale acestui algoritm de baz care este concentrat pe depirea
diferitelor complicaii discutate mai sus. Mai exact, ele sunt gndite pentru a
oferi un balans optim n termenii controlului posibilelor dificulti care ar
putea aprea. De exemplu, un interes primar n aceast direcie este extinderea
Metodei Newton pentru a garanta o convergen global adic pentru toate
valorile de start. ntr-adevr, acest lucru este posibil cu ajustri relativ simple
ale Algoritmului 1, dar cu costul ratei de convergen, care n algoritmul
rezultat este liniar mai degrab dect ptratic. Cnd cineva este preocupat
despre periodicitate i convergen pentru o gam mare de valori de start,
acesta reprezint un schimb binevenit. Pe de cealalt parte, dac regiunile de
convergen sunt suficient de uor de stabilit analitic a priori, atunci o asemenea
extensie i pierde din atractivitate. nc o dat, analiza riguroas a funciei ale
crei rdcini sunt cutate este necesar pentru a nelege ce tipuri de extensii
(dac exist) sunt de dorit, pentru problema specific analizat.
4.3 Metoda Newton multidimensional

Pn acum am prezentat metoda Newton n contextul unei singure ecuaii
neliniare. Totui, sunt extensii folositoare ale acestui model. Puterea metodei
Newton este vizibil n aplicarea contextului multidimensional, atunci cnd
cineva este interesat n gsirea unei soluii la un sistem de ecuaii neliniare. n acest
cadru, Metoda Newton Multidimensional urmeaz a fi descris n text. S
presupunem c este necesar s rezolvm urmtorul sistem de n ecuaii:
f1 ( x1 ,..., xn ) 0
f 2 ( x1 ,..., xn ) 0
f n ( x1 ,..., xn ) 0,
(4.6)
42
unde x1 ,..., xn reprezint variabilele necunoscute. Presupunem c pentru n

ecuaii, exist aceleai n variabile necunoscute i atunci sistemul este ptratic.
Deoarece ntr-un context multidimensional este mai util s lucrm cu algebr
liniar, s aezm variabilele necunoscute ntr-un vector x de n 1 i s
definim funcia F(x) de n variabile ca
x1
x
x
n
f1 ( x )
F ( x ) . (4.7)
f ( x)
n
Din algebra liniar este tiut c F(x) Jacobian este matricea n n a

derivatelor pariale:
f1 ( x ) f1 ( x )
x x
n
1
J ( x)
f ( x ) f ( x )
n n
x
x
1
1
Acum, utiliznd notaia n-dimensional, Metoda Newton poate fi

prezentat astfel:
Algoritm 4.2. Metoda Newton n-dimensional
1. Stabilirea valorii iniiale x 0 .
2. Pentru fiecare iteraie t 1,..., T (unde T reprezint numrul maxim de iteraii predeterminate pe care algoritmul are voie s-l traverseze nainte de a da eroare)
(a) Computarea aproximrii valorii curente x t din valoarea anterioar aproximat xt 1 ,
adic
xt xt 1 J ( xt 1 ) 1 F ( xt 1 )
(b) Verific
dac
algoritmul
avut
convergen:
dac
xt xt 1 1 sau
F ( xt ) 2 (sau ambele simultane), returneaz pe x t ca soluie aproximativ, altfel
continu la urmtoarea iteraie t+1 (ct timp t<T). Notm c c1 i c2 reprezint

puncte de prag pentru finalizarea execuiei algoritmului.
3. Dac dup T iteraii algoritmul nu a avut convergen conform criteriului din pasul 2b
atunci returneaz o eroare.
n consecin, rezolvarea unui sistem n numeric este simplu deoarece
necesit doar o extensie minor conceptual a Metodei Newton
unidimensionale. n practic, pe de cealalt parte, sunt necesare programe
software mai sofisticate pentru a realiza operaiile algebrice matriciale. n cele
din urm, extensiile la dimensiuni infinite i spaii mai abstracte sunt de
asemenea posibile, dar nu sunt foarte utilizate n aplicaiile de marketing.
4.4 Rolul n simulrile de marketing

Aa cum s-a discutat la nceputul acestui capitol, Metoda Newton este o
tehnic important pentru cei care concep simulrile de marketing deoarece
sistemele de ecuaii neliniare precum cele reprezentate n (1.6) apar natural
n modelarea fenomenelor de marketing. Un motiv principal pentru aceasta
dei nu este strict n acest fel este legat de modelarea matematic a lurii
deciziilor de ctre agenii economici. n aceste scenarii este convenional s
modelezi agenii ca urmrind maximizarea unor funcii obiectiv, care sub
ipotezele obinuite conduc la stabilirea unor condiii necesare de ordinul 1 (CNO).
Dac un singur agent optimizeaz prin realizarea mai multor alegeri sau mai
muli ageni maximizeaz printr-o singur variabil decizional (sau alte
combinaii dintre cele dou), condiiile CNO rezultate sunt organizate exact n
tipul de sistem neliniar pe care metodele derivate Newton sunt structurate
pentru a le rezolva. nchidem acest capitol cu un exemplu mai concret.
Exemplul este realizat n consonan cu o nou ramur de marketing - i care
se dezvolt rapid cunoscut ca i marketing social (Kotler i Zaltman, 1971). n
acest domeniu, marketerii se orienteaz spre aplicarea instrumentelor formale
de marketing n construirea i implementarea campaniilor publice. Premisa
fundamental din spate este c campaniile publice intenioneaz s vnd
schimbri de comportament cam n acelai fel n care campaniile de marketing
intesc s vnd produse i servicii. Prin realizarea acestei analogii, puterea i
sofisticarea tehnicilor de marketing comerciale pot fi ntrite n adaptarea lor
44
pentru scopuri similare n transmiterea mesajelor publice. Cnd instrumentele

formale formale de marketing sunt utilizate n acest mod pentru realizarea de
campanii publice, ele sunt adesea numite ca i campanii sociale de marketing.
Corespunztor, procesul de construire al campaniilor sociale de marketing
poate implica utilizarea de simulri n realizarea arhitecturii strategiilor i
politicilor de marketing social (dei aceasta este n acest moment o arie de
cercetare destul de puin exploatat). Pentru a ilustra un exemplu posibil, s
presupunem c un marketer social este instruit s conceap o campanie de
marketing social fie pentru a ncuraja sau descuraja consumarea unui anume
produs valabil pe pia.2 ncepem cu un model de alegeri ale consumatorului i
productorului. Modelul este fondat pe urmtoarele idei simple (care vin din
cunotinele informale ale industriei n discuie): exist dou tipuri de
consumatori, indexai prin i 1,2 , cu n i reprezentat de numrul de indivizi i
(unde, ntreaga pia este realizat din n n1 n2 consumatori). Consumatorii
n i dintr-o anume categorie sunt identici. n pia exist un singur productor
(adic monopolist) a produsului din discuie. Consumatorii hotrsc ct de
mult s achiziioneze din produs pentru a-i maximiza utilitatea sub
constrngerea bugetar. Pentru fiecare consumator de tipul i, utilitatea depinde
de cantitatea xi consumat din produs, alturi de celelalte dou componente
cantitatea zi reprezentnd valoarea consumului altor bunuri i servicii (adic
bunuri numeraire), respectiv parametrul preferinelor i . Problema standard a
alegerilor consumatorului poate fi apoi enunat formal dup cum urmeaz:
max ui ( xi , zi ;i ) cu restricia pxi zi yi , (4.9)
xi zi
unde p reprezint preul produsului i yi reprezint venitul unui individ de tipul

i.
n acest caz, ipoteza important a unei campanii sociale de marketing este
c transmiterea mesajului public poate modifica preferinele individuale ale
consumatorului, iar apoi indirect prin alegerea sa xi, cantitatea consumat din
produs. De aceea, un marketer social este interesat n s presupunem
diminuarea cantitii totale consumate dintr-un produs de ctre populaia
intit. Aceast cantitate total consumat depinde de alegerile fcute de ctre
indivizi (n funcie de tipul lor), dintre care se presupune c va soluiona tipul
2
De exemplu, se poate dori descurajarea fumatului sau consumului de alcool.
de problem de maximizare declarat n (1.9). Ca i o consecin, cantitatea pe

care fiecare individ alege s o consume depinde de preul produsului i de
parametrii preferinelor individuale. Formal, aceast alegere este reprezentat
prin dou funcii, una pentru fiecare tip de consumator:
x1 x( p,1 ) (4.10)
x2 x( p,2 ) (4.11)
Economitii se refer la aceste ecuaii ca fiind cererea individual; ei stabilesc

relaiile de comportament ntre pre, preferine i cantitatea de produs consumat
de ctre fiecare individ. Cantitatea total din bunul consumat, sau cererea pieei,
este determinat simplu cu x n1 x1 n2 x2 .
Dac cineva dorete s analizeze ct din cererea pieei este afectat de ctre
aciunile de marketing care influeneaz direct preferinele individului, (1.10) i
(1.11) trebuie evaluate pentru diferite 1 i 2 . Din derivarea de deasupra, este
clar c att timp ct preul este fixat, fiecare ecuaie poate fi analizat separat
(vom reveni imediat la acest subiect). ntr-adevr, rezolvarea analitic pentru
mai multe cereri individuale prin specificaii robuste de utilitate reprezint o
activitate fezabil n practic. Cnd acest lucru nu se poate realiza n practic,
totui se poate apela la Metoda Newton unidimensional dup cum urmeaz
mai jos. n concordan cu calculul de baz, condiiile CNO pentru pentru
constrngeri de maximizarea utilitii pot fi exprimate ca
ui ( xi , y pxi ;i )
u ( x , y pxi ; i )
p i i
0 (4.12)
xi
zi
De aceea, prin notarea

f ( xi )
ui ( xi , y pxi ;i )
u ( x , y pxi ;i )
p i i
(4.13)
xi
zi
Metoda Newton unidimensional poate fi uor implementat aa cum este

descris n acest capitol prin computarea lui x i ca o funcie de i (i p), pentru
fiecare tip individual i.
Pe de cealalt parte, o iniiativ de modelare prudent pentru un marketer
social ar lua n considerare comportamentul productorilor, care pot rspunde
46
la reducerea (sau creterea) cererii prin urmrirea aciunii de marketing social,

prin reducerea sau creterea preurilor. Pn la acest punct, o abordare
convenional la modelarea condiiilor de pre, aa cum este privit firma, este
n termenii de maximizare a profitului. Problema este formalizat prin
max px c( x ) (4.14)
p
Unde c () este funcia de cost care msoar costurile totale necesare pentru
a produce o cantitate x din produs. Se presupune mai departe c n derivarea
preului su, productorul aplic acelai model de alegeri ale consumatorului
precum marketerul social, adic
x n1 x ( x, 1 ) n2 x ( p, 2 ) (4.15)
cu x ( p, i ) care apare din maximizarea utilitii unui consumator de tipul i. n

final, productorul nu poate realiza o discriminare prin pre ntre cele dou tipuri
de consumatori deoarece exist stabilit un singur pre p pentru produs.
Problema de maximizare a profitului ntlnit de ctre productor conduce la o
relaie de comportament ntre pre i cantitatea cerut, sau oferta pieei,
p p( x ) . Din nou, o varietate de specificaii permit o derivare direct a lui
p(x), dei este probabil ca mai trziu s nu presupun o form simpl. Cu
acestea, o simulare orientat spre msurarea efectului asupra cererii pieei
asupra schimbrilor din preferinele consumatorului trebuie s rezolve un
sistem de trei ecuaii:
x1 x ( p, 1 )
x2 x ( p, 1 )
p p(n1 x1 n2 x2 ).
Cel care realizeaz arhitectura simulrii are dou opiuni despre cum s
implementeze aceast parte a algoritmului. Prima opiune este s aplice direct
Metoda Newton tridimensional pentru a gsi soluiile x1, x2, i p. Alternativ,
este posibil s reduc problema la o singur dimensiune prin substituirea lui x1
cu x2 astfel ca
p p(n1 x ( p, 1 ) n2 x ( p, 2 )) (4.16)
Acum, o Metod Newton unidimensional poate fi utilizat pentru a

rezolva (1.16) pentru p, care poate fi apoi introdus direct n ecuaiile
individuale pentru a i gsi pe x1 i x2. Care metod este mai potrivit depinde
n mare msur de proprietile formei reduse ale funciei de ofert (1.16).
48
Bibliografie
Hildebrand, F. B. (1974). Introduction to Numerical Analysis (Second ed.).
New York: McGraw-Hill.
Isaacson, E. and H. B. Keller (1966). Analysis of Numerical Methods. New
York: Wiley.
Kotler, P. and G. Zaltman (1971). Social marketing: an approach to planned
social change. Journal of Marketing 35, 312.
Press, W. H., S. A. Teukolsky, W. T. Vetterling, and B. P. Flannery (2007).
Numerical Recipes: The Art of Scientific Computing (Third ed.). Cambridge:
Cambridge University Press.
Ralston, A. and P. Rabinowitz (1978). A First Course in Numerical Analysis
(Second ed.). New York: McGraw-Hill.
5 Metode Monte Carlo i inferena Bayesian

...dar n lume nimic nu se poate zice nimic sigur cu excepia morii i a taxelor.
Benjamin Franklin
Aceste cuvinte faimoase au fost spuse de ctre Benjamin Franklin cu mult
timp nainte ca simulrile de marketing s fie concepute chiar i ca idee. Chiar
i aa, puine proclamaii au o implicare mai mare n practica simulrilor de
marketing: dac nu suntem preocupai doar de simularea (existena) morii sau
taxelor, trebuie s lum n considerare incertitudinea n efortul nostru. ntradevr, atunci cnd vine vorba de modelarea i analizarea fenomenelor sociale
n general incertitudinea este prezent semnificativ.
n contextul marketingului, indivizii se confrunt cu incertitudinea privind o
gam larg de aspecte integrate n deciziile lor de consum. Firmele se
confrunt nu doar cu incertitudinea privind condiiile economice, competiia,
producia, legislaia etc. ci i cu incertitudinea privind modul n care
consumatorii se confrunt cu incertitudinea cnd le analizeaz
comportamentul n ncercarea de a-i optimiza propriile decizii. Pentru a
adnci confuzia pentru un marketer care ncearc s modeleze i/sau s
simuleze comportamentul consumatorilor i productorilor dintr-o anumit
pia, el se confrunt cu incertitudinea de a nu ti exact cum productorii i
consumatorii iau decizii n condiii de incertitudine, la fel i cu incertitudinea
privind cum l nelege pe cellalt s abordeze incertitudinea i aa mai departe!
Sun ca o dezordine? ntr-o mare msur este i poate chiar mai ru.
Descifrarea comportamentului uman nu este un exerciiu uor; poi fi sigur de
asta! Totui, nu este ceva de nebiruit. n timp ce modelele formale de
comportament uman dau erori n descrierea realitii, ele s-au dovedit utile n
multe situaii, cel puin atunci cnd sunt implementate corespunztor i
interpretate cu precizie.
n Capitolul 2 am descris cum sunt construite modelele de marketing de la
modele conceptuale de comportament uman pn la elementele econometrice
care utilizeaz date din lumea real. Totui, pentru a implementa cu succes
aceste lucruri n practic i n particular cnd simulrile prezint un interes
major, cineva are nevoie de metode concrete pentru a genera numere aleatoare
50
din distribuiile de probabilitate. Exact acestea au fost preocuprile lui Nicolas

Metropolis, Stanislaw Ulam i John von Neumann la Laboratorul Naional Los
Alamos n anii 1940. Ca parte a unei echipe de matematicieni care lucrau la
Proiectul Manhattan, s-au gndit s valorifice recentele descoperiri din
tehnologia computaiei (mai exact de crearea lui ENIAC primul computer
electronic de la Universitatea din Pennsylvania) i realizarea unei metodologii
pentru implementarea eantionrii aleatoare cu ajutorul computerului.
Rezultatul a fost primul algoritm pseudo-aleator de generare a numerelor, pe
care Metropolis l-a numit metoda Monte Carlo ca aluzie la obiceiurile de jocuri
de noroc ale unui unchi de-al lui Ulam. Primul algoritm Monte Carlo a produs
prima secven electronic de numere aleatoare pe ENIAC n 1947.
Metropolis (1987) a oferit n continuare detalii ntr-un mod captivant despre
evenimentele care s-au petrecut n construirea metodei Monte Carlo.
Conceptul de generare numere aleatoare pe un computer i algoritmul
simplu dezvoltat de ctre Metropolis, Ulam i von Neumann au constituit
fundaia pentru analize statistice moderne bazate pe computer, ale cror efecte
sunt rspndite peste toate zonele tiinei. Metropolis nsui a fost un pionier
printr-o abordare personal (cunoscut de obicei ca i algoritmul Metropolis iar
mai trziu a fost extins la forma contemporan algoritmul Metropolis-Hastings
(M-H) de ctre W. Keith Hastings) pentru eantionarea din distribuii
complexe, chiar i cele cu forme ale funciilor care nu pot fi scrise analitic.
Aceast descoperire a ctigat importan semnificativ cnd a fost combinat
cu un vechi rezultat statistic legea numerelor mari (LNM). Motivul pentru
aceasta este evident: odat ce devine posibil s generezi un numr mare de
extrageri independente dintr-o anumit distribuie, atunci (sub nite reguli destul
de uoare) devine simplu s aproximezi numeric momentele acelei distribuii,
cu un grad de acuratee controlat de numrul de extrageri generate.
5.2 Integrarea Monte Carlo

Pentru a evidenia proprietile de baz ale acestor concepte, condiiile
LNM ntr-o form simpl:
Teorema 5.1 (Legea tare a Numerelor Mari). Fie un ir de extrageri identic
i independent distribuite (iid) din distribuia F ( x ) , unde valoarea ateptat
E ( x) exist i E ( x) . Atunci media distribuiei xn
1 n
i 1 xi converge
n
aproape sigur ctre valoarea ateptat E(x) pe msur ce n crete, sau

a . s.
xn
E ( x ) a.s. pentru n . (5.1) (Pentru demonstraie Vedei Rao
(1973) )
Intuitiv, LNM implic c atunci cnd cineva poate obine o distribuie
suficient de mare de extrageri iid dintr-o anumit distribuie, atunci media
distribuiei acelor extrageri este practic similar cu media teoretic a
distribuiei. Totui, atunci cnd se genereaz distribuii cu un computer,
mrimea distribuiei este n mare parte n controlul cercettorului. Adic, fiind
dat un algoritm Monte Carlo care genereaz o distribuie iid, numrul de
extrageri obinute poate fi orict de mare dorete cercettorul (fiind dat
desigur constrngerea timpului)!
Mai mult, LNM are o extensie cunoscut la funcii de variabile aleatoare. n
particular, presupunnd c n locul primului moment E(x), interesul nostru
este computarea valorii ateptate E(h(x)) pentru o funcie h(x). Dac h(x) se
comport suficient de bine, un rezultat similar (legea uniform a numerelor mari)
este pentru o secven iid de extrageri ( xi )in1 din F(x):
a. s.
hn ( x )
E ( h( x )) pentru n a.s. (5.2)
1 n
h( xi ) . Implicaiile acestui rezultat sunt profunde. De
n i 1
exemplu, h( x ) x m implic imediat c procedurile Monte Carlo pot fi utilizate
pentru computarea oricrui moment (care exist teoretic) a distribuiei F ( x )
unde hn ( x )
relativ uor adic, prin generarea de extrageri din F(x) i computarea

momentelor distribuiei corespunztoare.
Utilizarea metodelor Monte Carlo pentru a aproxima numeric momentele
se numete adesea ca integrarea Monte Carlo. O extensie a primei metode ofer
un diagnostic folositor n acest context. Specific, considerm c dac obinem
estimaii ale primelor dou momente E ( x) i E ( x 2 ) , atunci acestea pot fi
utilizate pentru a construi rapid o estimaie a varianei deoarece
var( x ) E ( x 2 ) E ( x ) 2 . Variana, n schimb, formeaz bazele pentru
computarea erorii numerice standard (ENS) asociat cu estimarea mediei
52
distribuiei prin media eantionului. n cel mai simplu caz a undei distribuii iid
aceast relaie este dat de
ENS ( xn ) var( xn )
var( x )
(5.3)
n
Raionamentul inductiv evident produce o abordare identic n computarea

ENS pentru estimaiile lui E (h( x)) (adic nlocuim doar pe x cu h(x) n (5.3)).
n esen, ENS este o evaluare cantitativ a acurateii aproximrii numerice,
care este formalizat tipic prin teorema limit central n teoria eantionrii.
Corespunztor, cnd var(x) este finit, ENS descrete pe msur ce crete
mrimea distribuiei (De fapt, sporind mrimea eantionului de zece ori n
acest caz, descrete ENS cu 10 ).
n timp ce integrarea Monte Carlo poate fi nsi de interes n unele
contexte de simulri de Marketing, puterea acestei metodologii devine evident
n particular cnd este aplicat problemelor ce implic optimizarea n condiii
de incertitudine. De exemplu, presupunnd c decizia de stabilire a preului
este luat prin maximizarea urmtoarei funcii obiectiv
a
max 0.5 p 2 ebp cp, (5.4)
b
p
Unde a, b sunt variabile necunoscute (iar c este cunoscut). Sub neutralitatea

riscului, o abordare rezonabil este setarea preului prin maximizarea
obiectivului ateptat
a
max E (0.5 p 2 ebp cp), (5.5)
p
b
unde ateptarea este luat cu privire la distribuia comun a probabilitilor n

a,b. Distribuia F (a, b) n acest caz capteaz cunotinele celui care ia deciziile
cu privire la factorii necunoscui care afecteaz alegerea. Vom reveni la
Seciunea 5.4 pentru detalii despre cum aa o distribuiie este cel mai eficient
construit n practic. Pentru moment, considerm c optimizarea pentru
CNO este
p E (aebp ) c 0 (5.6)
Sigur avem dou probleme aici. Pentru prima, tim din Capitolul 4 c dac
a, b sunt conoscute, (5.6) ar presupune o aproximare numeric prin metoda
Newton. Dac a, b sunt tratate ca variabile aleatorii, totui, metoda Newton are
nevoie ca E (aebp ) i E (abebp ) s fie computate la fiecare iteraie (adic pentru
fiecare valoare nou a lui p). Pentru a doua problem, este o dificultate
restrictiv dac cineva nu are un mijloc la ndemn pentru a computa integrale
multivariate. Din fericire, integrarea Monte Carlo este o metodologie eficient
care poate fi ncorporat ntr-un algoritm Newton pentru a rezolva numeric
problema de optimizare de mai sus.
ncearc singur
Pentru a aprecia mai bine puterea integrrii Monte Carlo, considerm
urmtorul exerciiu. Presupunnd c pentru o parte a simulrii de marketing
avem nevoie de a rezolva o problem de optimizare dintr-un punct de vedere al
agentului economic. Adic, simularea noastr se construiete pe un model care
dicteaz pentru un agent economic s presupunem o firm competitiv s
aleag un pre prin maximizarea funciei obiectiv (5.4). n acest caz, se
presupune c agentul cunoate n ntregime toate variabilele a, b, c pentru
alegerea preului optim. Dei a, b rmn necunoscute specialitilor de
marketing, care au responsabilitatea de a proiecta, realiza i analiza simularea.
Pentru a clarifica, problema de optimizare este c agentul economic trebuie
s gaseasc soluiile pentru conditiile necesare de ordinul I p aebp c 0 ,
care poate fi rezolvat pentru p * prin metoda Newton. Se observ c valoarea
ateptat nu mai este inclus n acest CNO deoarece se presupune c agentul
deine informaia complet. Problema practic pentru noi rmne desigur c a,
b sunt necunoscute i de aceea nu avem un mod evident de a implementa
algoritmul lui Newton. Pentru a depi aceast dificultate, noi putem continua
s utilizm aceeai strategie ca nainte i s asociem o distribuie F (a, b) pentru
a descrie cunotinele noastre probabilistice cu privire la variabilele
necunoscute. Presupunem pentru acest exerciiu c aceast distribuie este dat
de
54
E (a ) 2,
E (b) 1,
var( a ) 4,
var(b) 2.
Deoarece preul optim este o funcie a acestor variabile aleatorii, p *(a, b)

este nsi o variabil aleatorie, cu o distribuie indus de F (a, b). Scopul
nostru n implementarea simulrii este s caracterizm aceast decizie optimal,
care nu poate fi stabilit cu certitudine, dar trebuie mai degrab s fie analizat
probabilistic prin examinarea proprietilor distribuiei implicate F ( p * ). S
presupunnem c pentru scopul acestei probleme de marketing este suficient s
cuantificm pe E ( p* ) i var( p* ) . S trecem la implementarea unui algoritm
simplu Monte Carlo n Exel pentru a realiza acest scop. Corespunztor, s
ncepem prin obinerea a 1000 extrageri de a, b utiliznd comanda Data
Analysis (ca parte din Analysis Toolpak). Pentru a finaliza, Data Analysis din
Excel nu ofer direct o opiune pentru un eantion de distribuie 2 . Totui,
este bine tiut c 2 poate fi construit prin transformarea corespunztoare a
extragerilor din distribuia normal standard care este inclus n Analysis
Toolpack.
n particular, avem nevoie de un eantion de dou variabile aleatoare
standard normale (pe care le numim a1 i a2 ) pentru a obine extrageri din
a i o variabil normal standard (denumit b ) pentru a construi o distribuie
de b. Spaiul de lucru este pregtit pentru pre-definirea acestor variabile brute
dup cum urmeaz:
Corespunztor, utilizm comanda Data Analysis pentru a genera 1,000 de

extrageri pentru cele trei variabile aleatoare a1 , a2 , b.
Pentru a construi eantioanele pentru variabilele dorite a, b este doar

necesar s computm pentru fiecare extragere i
2
a1 a1i a2i
bi bi
n Excel, aceasta este iniiat prin introducerea formulei corespunztoare n

celulele E3, F3 i copiere-lipire pentru fiecare extragere.
Acum, pentru fiecare extragere ai, bi trebuie s implementm metoda

Newton pentru aproximarea lui pi* . Ca o consecin, alocarea spaiului pentru
56
25 de iteraii i procedarea pentru introducerea formulelor iniiale n celula H3

(presupunnd o valoare de nceput a lui 0). Din nou, formula poate fi apoi
copiat-lipit pentru fiecare din cele 1000 de extrageri Monte Carlo n jos pentru
fiecare din cele 25 de iteraii Newton.
Coloana AF, care conine cele 25 de iteraii, ofer eantionul dorit din
F ( p* ) , care poate fi direct utilizat pentru aproximarea E ( p* ) i var( p* ) .
Pentru cea din urm, ENS (erorii numerice standard) pentru aproximarea
mediei este computat utiliznd direct variana estimat.
(A)
(B)
(C)
Concluzionm pentru acest exerciiu prin meniunea c ENS pentru

estimarea varianei poate fi computat fr o complicare semnificativ. Aceast
extensie din stnga poate reprezenta pentru cititorii interesai o explorare
pentru ei nii!
5.3 Extensii comune

Cu puterea computaiei moderne este uor de apreciat potenialul
metodelor Monte Carlo n analizarea distribuiilor de probabilitate. Totui,
trebuie menionate dou importante observaii. Prima, este adevrat c
eantionarea iid nu este ntotdeauna posibil, chiar i n cazul distribuiilor
univariate i aproape niciodat posibil n condiii de dimensiuni ridicate. ntradevr, algoritmii M-H cedeaz ntr-o clas de algoritmi ai Lanului Markov
Monte Carlo unde secvena de extrageri este construit astfel c succesiunea de
extrageri este de fapt corelat prin construcie. n acest caz, teoria MCMC
exprim c lanul corelat va converge n cele din urm, n sensul c un eantion
de extrageri care urmeaz (adic post-convergen) poate fi menionat ca o
aproximare de eantion iid din distribuia dorit de probabilitate. Mai mult,
cineva poate utiliza aceste extrageri pentru estimarea momentelor cu medii ale
eantionului; o alternativ LNM este valabil pentru a confirma convergena
asimptotic a acestor estimaii. Totui, trebuie avut grij n computarea ENS i
stabilirea convergenei cnd extragerile nu sunt iid, deoarece relaia simpl
oferit n (5.3) nu mai ine pentru extrageri corelate cu ct este mai mare
gradul de autocorelri din secven, cu att mai lent este convergena, i de
aceea, un eantion mai mare este necesar pentru atingerea nivelului dorit de
acuratee. Metode pentru computarea cu ENS cu eantioane MCMC sunt
disponibile n texte de statistic avansat (de exemplu, Geweke, 2005).
A doua observaie este legat de variana variabilelor aleatoare (sau funciei,
dup caz) ale crei momente sunt aproximate. Aa cum a fost prezentat n
(5.3), ENS este proporional cu deviaia standard. De aceea, cnd crete
variana trebuie sporit mrimea eantionului pentru acurateea aproximrii.
Cnd variana nu este finit, integrarea Monte Carlo nu mai este practic, n
ciuda faptului c sub LNM, convergena rmne posibil teoretic chiar i cu
varian infinit. Dificultatea din practic este c nsi variana teoretic este
tipic necunoscut (desigur, rar apare situaia n care variana este analitic uor
de mnuit, dar valoarea ateptat necesit o aproximare cu integrarea Monte
Carlo). Cnd aproximm numeric momentele, un test simplu euristic este
adesea utilizat pentru a vedea stabilitatea estimatorului. De exemplu, cineva
poate utiliza urmtoarea abordare:
58
Algoritm 5.1. Test Euristic pentru Stabilitatea Integrrii Monte Carlo

1. Estimm E(x) cu x n computaia corespunztoare ENS ( xn ) , pentru o distribuie
rezonabil (dar nu excesiv) de mare n.
2. Sporim mrimea distribuiei la 100n i repetm.
2. Dac var(x) este finit i estimatorul este stabil, ar trebui s fie cazul c xn x100 n i
NSE ( xn )
10 . Altfel, var(x) este prea mare (dac nu infinit) pentru a face practic
NSE ( x100 n )
integrarea Monte Carlo pentru o distribuie de mrimea n, de la n la 100n.

Deci, ce poate fi fcut dac estimatorul nativ Monte Carlo nu reuete s
ating un nivel satisfctor de stabilitate? Un volum mare de literatur i care
evolueaz continuu este dedicat oferirii de soluii, de la probleme generale la
cele specifice. Multe dintre acestea se bazeaz pe un concept important,
cunoscut ca importance sampling (IS) cu care ncheiem prezenta discuie
despre integrarea Monte Carlo. Ideea fundamental din IS va fi prezentat n
textul ce urmeaz. Fie p(x) densitatea (sau masa) funciei asociate cu F(x) i
q(x) densitatea (sau masa) funciei asociate cu o distribuie de importan
alternativ G(x). Atunci o estimaie a lui E(x) poate fi obinut prin eantionare
din G(x) i computm media ponderat a distribuiei:
n
x w( xi ) xi , w( xi )
i 1
p( xi )
. (5.7)
q( xi )
a. s.
Se observ c x
E( x) se deduce direct din LNM uniform utiliznd
h( x ) w( x ) x i aplicnd identitatea
E ( x)
xp( x)dx w( x) xq( x)dx E (w( x) x). (5.8)
Totui, dac E ( w( x ) x ) cu privire la G(x) este mai mic dect var(x) cu

privire la F(x), atunci estimatorul IS este mai eficient adic, mai precis pentru
eantionul de mrime n. n acest sens, IS ofer un mijloc atractiv de rezolvare
pentru estimatorul standard Monte Carlo cnd cel din urm nu se comport
bine. n schimb, introduce o nou complicaie: alegerea importanei distribuiei
G(x). La acest punct, au prioritate de obicei dou criterii generale. Primul, din
motive evidente, G(x) ar trebui s fie o distribuie din care este uor de
obinut extrageri cu metodele Monte Carlo. n al doilea rnd, G(x) ar trebui s

domine F(x) n limite (adic s fie deasupra la cozi), pentru a asigura c
var( w( x) x) este finit. n afar de asta, nevoile obinuite de aplicaii specifice
dicteaz tehnicile specializate utilizate n determinarea alegerii importanei
distribuiei.
5.4 Inferena Bayesian

O contribuie important particular a algoritmului Metropolis-Hastings
este c a devenit fora conductoare din spatele unei metodologii statistice
puternice, cunoscute colectiv ca metode Bayesiene. ntr-adevr, n ciuda
apelului conceptual, metodologia Bayesian a hibernat pentru decenii i a fost
n general considerat ca o abordare statistic alternativ; puini care au
practicat-o i promovat-o au fost considerai ca exilai din cercurile statistice.
Adevrul este c obinnd analitic inferene Bayesiene folositoare este de multe
ori o sarcin grea deoarece presupune analizarea de distribuii de probabilitate
multidimensionale complexe. Totui, odat cu apariia algoritmului
Metropolis-Hasting aceasta a devenit o sarcin care se poate realiza. De aceea,
n ultimele decenii s-a vzut o evoluie exploziv n metodologia Bayesian,
ducnd la dispariia complet a disputei ntre Non-Bayesieni i Bayesieni
(Poirier, 1988), metodele Bayesiene au ctigat recunoatere semnificativ att
n tiine naturale ct i cele sociale.
Detaliile abordrilor Non-Bayesienilor i Bayesienilor privind inferena sunt
aspecte ce in de crile de statistic / econometrie i depesc cu mult scopul
textului prezent. Totui, o mare parte din materialul aplicat din capitole se
sprijin pe ipoteza c pentru aplicaii de simulare inclusiv cele din contextul
de Marketing abordarea Bayesian ofer un numr de avantaje. Putem spune
c dei este posibil ca algoritmii de simulare s se bazeze pe inferena statistic
Non-Bayesian - i de multe ori se sprijin metodele Bayesiene se potrivesc
natural cu cadrul de simulare. Vom extinde aceast afirmaie imediat; mai nti
trebuie s introducem unele noiuni de baz privind inferena Bayesian.
Specific, vom realiza o scurt prezentare la metodologia Bayesian care ar
trebui s-i transmit cititorului suficient familiarizare cu subiectul pentru a
putea urmri n continuare discuiile.
Formal, o expresie a Teoremei lui Bayes este de obicei prezentat dup cum
urmeaz.
60
Teorema 5.2 (Teorema lui Bayes pentru Evenimente). Considerm un

spaiu de probabilitate (, F , P) F i o colecie Bi F pentru i = 1,2,...,n de
evenimente mutual exclusive astfel ca P( Bi ) 0 pentru i=1,2,...,n i
B1 B2 ... Bn .
Atunci P( A Bi )
P( Bi ) P( A Bi )
n
P( A B ) P( B )
j 1
pentru i 1,2,..., n (5.9) pentru fiecare A
F astfel ca P( A) 0 . (Pentru demonstraie vedei Poirier (1995, Teorema
2.1.3))
Pentru acei care nu sunt obinuii cu raionamentele matematicii formale i
prezentrile axiomatice, ce urmeaz ar putea prea strin. Totui, nelegerea
detaliilor Teoremei 5.2 nu este important n contextul nostru; este doar oferit
pentru a sublinia faptul c metodologia Bayesian se sprijin pe matematic
riguroas. Ce este mai important este s se neleag bine intuiia din spatele
acestui rezultat. Specific, Teorema 5.2 spune c pentru a construi
probabilitatea condiional P( Bi A) , tot ce trebuie s tim sunt probabilitile
marginale P ( Bi ) i probabilitile condiionale P( A Bi ) pentru fiecare i = 1,
2,..., n. Semnificaia acesteia poate fi mai bine apreciat cu urmtorul exemplu
simplu.
Presupunem c prietenei tale Ioana i place s bea cafeaua dimineaa i cola la
prnz. Fiind advers la a consuma prea mult cafein, totui ncearc s nu le
consume pe ambele n aceeai zi. n consecin, ea bea de obicei o cola la
prnz cu o probabilitate de 0,9, fiind dat c ea nu a consumat o cafea
dimineaa. Pe de cealalt parte, dac bea o ceac de cafea dimineaa, atunci
probabilitatea ei de a bea cola la prnz este doar 0,3. Acum, presupunem c o
ntlnii pe Ioana la prnz i observai c i comand o cola. Care este
probabilitatea ca ea s fi consumat o cafea dimineaa?
Un Bayesian ar aborda rspunsul acestei ntrebri dup cum urmeaz.
Dimineaa, poate aprea unul din cele dou evenimente posibile: fie Ioana
consum o cafea, fie nu consum. Corespunztor, putem caracteriza acest
comportament cu distribuia de probabilitate P(cafea), P(non-cafea), unde
P(non-cafea)=1-P(cafea). La prnz, alegerea ei de a bea sau nu o cola este
legat de comportamentul ei de a consuma cafea n dimineaa respectiv, care
este caracterizat de distribuiile condiionale
P(cola cafea ) 0.3,
P(non cola cafea ) 0.7,
P(cola non cafea ) 0.9, P(non cola non cafea ) 0.1.
n acest context ntrebarea devine care este distribuia condiional

P(cafea cola) ?
Teorema 5.2 ne spune c pentru a rspunde la aceast ntrebare, este
necesar doar s atribuim o anumit valoare la P(cafea). Bayesienii se refer la
aceast atribuire ca o expresie a credinei anterioare a cercettorului. ntr-adevr,
probabilitatea marginal (sau anterioar) a lui P(cafea) descrie ce tim noi despre
obiceiurile de consum de cafea ale Ioanei nainte s observm orice altceva i
care ne poate oferi mai mult informaie despre alegerile sale privind acest
tipar de comportament. n consecin, noi utilizm observaia asupra alegerii ei
dac consum sau nu cola pentru a actualiza aceast credin anterioar.
Credina actualizat este apoi caracterizat n forma unei distribuii
condiionale (sau posterioare)
P(cafea cola ),
P(non cafea cola ),
P(cafea non cola ) 0.9, P(non cafea non cola ).
La ntregul proces se face de obicei referire ca nvare Bayesian i subliniaz

ideea c un cercettor nva despre un anumit fenomen prin observarea
datelor reale din lume relevante. Pn la acest punct, se observ c dac butul
cafelei de ctre Ioana nu i-a afectat consumul de cola, atunci observaia c ea
i-a comandat o cola la prnz nu ofer o informaie util cu privire la
consumul de cafea din acea diminea i de aceea nu afecteaz ce se credea
anterior (adic distribuia posterioar ar fi echivalent cu cea priori).
Pentru a completa acest exerciiu, s presupunem c nu avem nicio idee
dac Ioana a consumat cafea n acea diminea. Aa o credin anterioar
neinformat poate fi uor descris prin atribuirea P(cafea)= 0.5, adic acolo
exist o ans de 50% c ea a consumat cafea i 50% c nu a consumat.
Acestea sunt suficiente pentru a computa cantitatea posterioar P(cafea cola) !
Specific, urmrind Teorema lui Bayes obinem
62
P(cafea cola )
P(cafea ) P(cola cafea )
P(cafea ) P(cola cafea ) P(non cafea ) P (cola non cafea )
(0.5)(0.3)
0.25
(0.5)(0.3) (0.5)(0.9)
n consecin, inferena Bayesian din acest exemplu poate fi rezumat dup

cum urmeaz a fi prezentat n text. ncepem cu o credin neinformat c
Ioana a consumat cafea n acea diminea cu o probabilitate de 0.5, dar dup ce
s-a observat c ea a consumat cola la prnz, am redus aceast probabilitate la
0.25. De aceea, probabilitatea posterioar capteaz clar i eficient toate
informaiile pe care datele le ofer privind nvarea despre un fenomen
necunoscut; informaia observat este combinat metodologic cu informaia
existent (adic anterioar) i produce o distribuie de probabilitate bine
definit care caracterizeaz n ntregime cunotinele noastre actualizate.
Faptul c n paradigma Bayesian realizm inferene dintr-o distribuie bine
definit (posterior), reprezint un cadru convenabil pentru construirea
algoritmilor de simulare. Pentru a dezvolta ideea s considerm un exemplu
mai practic. S presupunem c intrm n posesia unei monezi, dar nu suntem
siguri dac aceast moned este simetric (adic dup o aruncare este la fel de
probabil s cad pe pajur sau pe cap). Fie rezultatul unei aruncri notat prin
variabila aleatoare
1dac este cap
(5.10)
y
0 dac este pajur
n continuare, notm probabilitatea de apariie a capului prin parametrul

0,1 . Distribuia lui y este legat de dup cum urmeaz:
P( y 1 ) ,
P( y 0 ) 1 ,
(5.11)
care poate fi exprimat mai succint ca funcia de probabilitate a masei (fpm)

p( y ) y (1 )1 y , y 0,1 (5.12)
Prin definiie, moneda este simetric dac 0.5 . Premisa acestui exerciiu
este totui c este necunoscut; dimpotriv, este exact cantitatea depre care
dorim s nvm.
Cum este privit problema n abordarea Bayesian? Ca nainte, cineva
ncepe cu o expresie a credinei priori legat de prin specificarea unei
distribuii anterioare. Deoarece poate lua orice valoare n intervalul dintre
zero i unu, specificm densitatea de probabilitate a funciei (dpf) care este pozitiv
pe [0,1] i zero altundeva. Pentru aceasta, o distribuie convenient i flexibil
este cunoscut ca i distribuia beta i are urmtoarea dpf:
( 0 0 ) 1
p( )
(1 ) 1 , (5.13)
( 0 ) ( 0 )
0
unde () este funcia gamma. 0 i 0 n acest caz sunt denumii hyper-parametri

i controleaz forma distribuiei. Mai departe se cunoate c distribuia beta are
media i variana dat de
0
02
0 0
0 0
.
(0 0 )2 ( 0 0 1)
Figura 5.1 prezint distribuia beta sub trei diferite atribuiri ale lui 0 i 0 .
Prin analogie, fiecare specificaie reflect o credin diferit a priori cu privire
la . n panelul A, dpf este doar o linie dreapt deoarece ntre zero i unu
(adic o distribuie uniform), care reflect (ca n exemplul anterior de mai sus)
o ntreag credin anterioar neinformat - este la fel de probabil s ia orice
valoare ntre zero i unu. n contrast, specificarea reflectat n Panelul B
exprim o convingere i mai evident.
64
Figura 5.1: dpf Beta pentru diferite valori ,

Prin acest tip de distribuie anterioar, cineva poate s caracterizeze o
credin c o moned este mai probabil simetric (adic dpf centrat la 0.5), iar
dac nu este, atunci este la fel de probabil s favorizeze pajura precum capul
(adic dpf simetric); n orice caz, deplasarea extrem (valori ale lui fie foarte
aproape de zero fie foarte aproape de unu) este exclus cu o probabilitate
ridicat (adic este ntre 0.232 i 0.768 cu o probabilitate de 0.99). Panelul C
reflect credina dogmatic c moneda trebuie s fie simetric (adic =0.5 cu o
probabilitate de 1).
Odat ce distribuia priori este specificat, este posibil s se realizeze un
experiment simplu prin care moneda este aruncat de n ori i rezultatul fiecrei
aruncri este nregistrat. Dac notm secvena acestor n rezultate cu ( yi )1n ,
unde fiecare yi se presupune c este o extragere independent din (5.12), i notm
colectiv toate extragerile n prin vectorul y ( y1 yn ). n consecin, sarcina
Bayesian este s utilizm aceste n observaii pentru construirea distribuiei
posterioare p( y ) . Din fericire, o teorem a lui Bayes pentru variabile
aleatoare (analog Teoremei 5.2) poate fi derivat uor. Srind detaliile formale
matematice, notm c teorema implic urmtoarea formul simpl pentru
exemplul nostru de aruncat moneda:
p( y )
p( ) in1 p( yi )
1
p( )
n
i 1
(5.14)
p( yi )d
care dup puin manipulare algebric poate fi redus la
ny 1(1 )
n (1 y ) 1
ny 0 1
(1 )
(5.15)
n (1 y ) 1
O examinare atent a lui (5.15) arat c distribuia posterioar pentru este

distribuia beta pentru parametrii posteriori
ny 0 ,
n(1 y ) 0 ,
care conduce la media i variana posterioar
2
.
( ) ( 1)
2
De aceea, distribuia beta este o credin anterioar conjugat

procesul binomial sub experimentul de aruncare al monedei.
pentru
Exist trei observaii particulare interesante care merit precizate cu privire la

derivarea de deasupra. Prima, s considerm c media posterioar poate fi scris i
astfel
wn y (1 wn ) 0 , wn
n
n 0 0
. (5.16)
De aceea, media posterioar a lui este media ponderat a proporiei

capetelor obinute prin experimentul de aruncare y i media anterioar 0 .
nsi ponderea este controlat de doi factori: (i) mrimea eantionului n i (ii)
puterea specificaiei anterioare, msurat prin 0 0 . Cu ct este mai mare
eantionul relativ la precizia anterioar, cu att mai aproape este wn de 1 i cu

att este influenat mai puin media posterioar de media anterioar. Deoarece
, sunt finite este clar c y cnd n . n acest sens Bayesienii se

refer la distribuiile priori cu referire la date fictive, pentru a caracteriza intuiia
c datele anterioare umplu golul informaional lsat de datele observate n
66
realizarea inferenei statistice. Pe msur ce sunt colectate observaiile,

informaiile anterioare au un rol mai puin important. Pe de cealalt parte, cu
ct credina anterioar ofer mai mult informaie, cu att este nevoie de mai
multe observaii pentru a depi influena priori.
Aceast idee subliniaz o continuitate atrgtoare n paradigma nvrii
Bayesiene. Pentru a sublinia aceasta cu prezentul nostru exemplu, s
presupunem c ncepem cu o credin anterioar complet neinformat ce rezult din
specificaia 1 . n consecin, moneda este aruncat de 10 ori i cade pe
cap ntr-un total de 7 ori, rezultnd n y 0.7 . Utilizm aceste rezultate pentru
a computa cantitile posterioare 8, 4, wn 5 / 6 i
5
6
1
6
E ( y1,..., y10 ) (0.7) (0.5) 0.667
Apoi, implementm o a doua rund de aruncare a monedei i obinem alte

10 rezultate, de data aceasta cu y 0.5 . Exist dou moduri prin care cineva
poate percepe analiza posterioar care urmeaz. Dintr-o perspectiv, putem
ncepe din nou cu specificaia iniial i neinformat 0 0 1 i actualizm
pe baza celor 20 de observaii, unde cumulativ obinem y 0.6 (adic 12 capete
din 20 de aruncri). Alternativ, putem lua distribuia posterioar obinut dup
actualizarea primelor 10 observaii i o considerm anterior experimentului de
aruncare a monedei din cea de-a doua rund. Specific, aceasta este beta
anterioar cu 0 8 , 0 4 . n orice caz, posteriorul p( y1,..., y20 ) este
distribuia beta cu 13, 9 , ce implic 0.591 . Formal, aceast

coresponden poate fi reprezentat prin
20
p( ) i 1 p( yi )
p( y1 ,..., y20 ) 1
20
p( ) i1 p( yi ) d
0
p( yi y1 ,..., y10 ) i 11 p( yi )
20
p(
y1 ,..., y10 ) i 11 p( yi ) d
20
Pentru a examina n continuare, s presupunem c repetm experimentul de

aruncare a monedei pentru nc trei runde (de 10 aruncri fiecare). Tabelul 5.4
demonstreaz evoluia mediei posterioare sub dou viziuni diferite cu privire la

credina anterioar. Rndurile de sub credin anterioar fixat reflect viziunea n
care credina rmne fix (la specificarea neinformat) n timp ce observaiile
obinute din fiecare rund se acumuleaz. n acest caz, cineva poate vedea clar
c influena credinei anterioare se diminueaz cu fiecare rund succesiv. Din
cealalt perspectiv, rndurile de sub credin anterioar dinamic reflect
interpretarea de nvare ciclic Bayesian, unde la fiecare rund, credina
anterioar este actualizat utiliznd toate datele valabile. n acest caz, este clar
c fiecare rund ulterioar de 10 aruncri are un rol tot mai mic n
determinarea mediei posterioare, datorit ntririi secveniale a credinelor
anterioare.
O alt observaie ce merit menionat este urmtoarea. n cursurile de
Statistic i/sau Cercetri de Marketing ai nvat probabil c fiind dat
rezultatul a 50 de aruncri, ar trebui s estimai cu o rat succesiv de
acumulare y 0.620. Aa cum s-a demonstrat mai sus, un Bayesian poate

ajunge la un punct estimat similar prin computarea mediei posterioare
0.615. Mai mult, am vzut c aceast cantitate este simplu de computat
cnd sunt date 0 , 0 , y deoarece distribuia beta are momente uor de
determinat analitic. n acest caz, abordarea clasic (adic bazat pe frecvene) i
abordarea Bayesian coincid, i de aceea, dac suntei interesat doar de o
estimaie a lui atunci nu exist o diferen pragmatic ntre cele dou.
Credin
anterioar
fixat
Curent Cumulativ Priori Post
y
y
Runda Obs.
Medie Medie
1.
01- 0.700
0.700
0.500 0.667
10
2.
11- 0.500
0.600
0.500 0.591
20
3.
21- 0.700
0.633
0.500 0.625
30
4.
31- 0.500
0.600
0.500 0.595
40
5.
41- 0.700
0.620
0.500 0.615
50
Credin
anterioar
dinamic
Priori Post
Medie Medie
0.500 0.667
0.667
0.591
0.591
0.625
0.625
0.595
0.595
0.615
68
Problema n aplicaiile de simulare este c cineva va fi n puine condiii

interesat doar de acele puncte estimate. Reamintim c rolul datelor reale n
simulri este de a calibra parametrii modelului. Pn aici, o estimaie punctual
ne ofer ntr-adevr calibrare asociaz o valoare unui parametru necunoscut.
Problema este totui c nu ofer informaii cu privire la incertitudinea asociat
acestei atribuiri. Pentru clarificare, s presupunem c repetm tot experimentul
i aruncm moneda de nc 50 de ori. V ateptai ca noul y s fie din nou
exact 0.620? Sigur c nu. De fapt, teoria eantionrii sugereaz o probabilitate
zero de a obine exact aceeai valoare pentru y ! Atunci, ar trebui s fie clar c
tratarea estimaiei lui ca fiind valoarea sa real, este incorect i poate conduce
ntreaga simulare pe un drum greit.
Din nefericire, mai muli practicieni au tendina de a ignora deducia greit
a acestei abordri i trateaz estimaiile ca fiind 100% precise. Pe de alt parte,
ntr-o abordare frecvenionist mai prudent se poate proceda la construirea
unui eantion pentru din care pot fi derivate mai multe barometre de
incertitudine precum intervale de ncredere etc. Eantionul distribuiei poate fi
de asemenea utilizat pentru a depista efectele estimaiei incertitudinii pe
msur ce se propag prin operaiile succesive care l utilizeaz pe pe

parcursul simulrii (de exemplu, n computarea unei funcii h() ). Orice
frecvenionist sincer va admite c cea din urm este o ncercare stngace. Mai
important este c cu cteva excepii a unor scenarii neimportante bazate pe
argumente asimptotice, rezultatele computaiilor au sens doar sub restricia
n . ntrebarea devine desigur dac n = 50 este suficient de aproape de
infinit pentru a da sens acestei analize?
n paradigma Bayesian, distribuia posterioar caracterizeaz n ntregime
toat incertitudinea legat de estimaie, condiionat de eantionul observat.
Asta nseamn c proprietile eantionului mic ale cantitilor posterioare sunt
disponibile imediat. Teoria asimptotic joac rolul din analiza posterioar (aa
cum s-a discutat n seciunile anterioare) n estimarea acestor cantiti prin
simularea Monte Carlo din distribuia posterioar. De exemplu, s presupunem
c algoritmul nostru de simulare presupune computarea E ( e y ).
Metodologia Monte Carlo standard prescrie c acest lucru poate fi uor realizat
prin eantionarea de m extrageri { l }lm1 din distribuia beta cu 32, 20 i
computarea
hm
1 m
l el
m l 1
Se observ c eantionarea iid din distribuia beta este simpl.

Corespunztor,
prin
legea
uniform
a
numerelor
mari
a . s.
hm E( e y) a.s. m . Totui, diferena este c aici (i) putem calibra

proximitatea lui hm ctre E( e y) prin corespunztoarea NSE ( hm ) i (ii)
ntotdeauna crete m pentru a obine mai multe extrageri din , dac este
necesar. Cea din urm este destul de uor de realizat n practic deoarece are
nevoie doar de utilizarea unei perioade mai lungi de timp a computerului. n
contrast cu situaia non-bayesienilor acest lucru este important deoarece
observarea mai multor date implic de obicei (dac nu prohibitive) mai multe
costuri. Desigur c nu cost mai mult nc 1000 de aruncri cu banul (sau chiar
10000) n exemplul nostru cu jucria. Dar n aplicaiile de marketing din lumea
real, imaginai-v c ncercai s convingei un client s eantioneze nc 1000
de respondeni la chestionare doar pentru a satisface ipotezele teoriei
asimptotice!
Un ultim comentariu legat de exemplul cu aruncarea monedei este legat de
eantionul din distribuia posterioar. Aa cum s-a menionat nainte, este
destul de obinut extragerile iid din distribuia beta (aproape orice pachet
modern de analiz a numerelor are construit comenzi pentru aceasta) i de
aceea eantionarea lui din distribuia posterioar nu presupune o dificultate
suplimentar. n practic, aceasta este o situaie rar. Dimpotriv, Bayesienii
lucreaz deseori cu distribuii posterioare cu formulri imposibil de reprezentat
analitic. Motivul este c n aplicaiile realiste modelele statistice sunt de obicei
multivariate. Specific, s presupunem c n locul unui singur modelul nostru
include k necunoscute, care sunt colectate ntr-un vector k 1 ,
(1 k ) '. O versiune mai general a Teoremei Bayesiene pentru variabile
aleatoare rezult din formula
p ( y )
p ( ) p( y )
p( ) p( y )d
. (5.17)
70
Acum, n timp ce p( ) este specificat priori de ctre cercettor i procesul

stohastic p( y ) apare din modelul statistic (sau econometric) - i deoarece
ambele sunt cunoscute integrala multivariat din numitor (5.17) poate fi rar
rezolvat analitic (chiar i prin metode numerice simple ca cele din cazul
distribuiei beta).
n consecin, chiar i momentele simple, cum sunt cele E ( y ) , necesit
simulare. Acum, cum simulm din forma unei distribuii ale crei funcii
complete nu este cunoscut? Aceasta este exact ingeniozitatea oferit de ctre
algoritmul M-H poate fi utilizat pentru generarea eantioanelor din p( y )
fr a fi necesar computarea constantei integrrii multivariate. De fapt, un
numr de abordri moderne pentru computarea constantei de integrare3 care
este denumit adesea verosimilitate marginal4 i este de drept de interes particular
aa cum este fondat n integrarea Monte Carlo, unde extragerile din
distribuia posterioar sunt mai nti obinute printr-un algoritm de eantionare
i sunt ulterior utilizate pentru aproximarea integralei dorite.
3
4
n limba englez: integrating constant

n limba englez: marginal likelihood
Bibliografie
Geweke, J. (2005). Contemporary Bayesian Econometrics and Statistics.
Hoboken: John Wiley & Sons.
Metropolis, N. (1987). The beginning of the monte carlo method. Los
Alamos Science (Special Issue dedicated to Stanislaw Ulam), 125130.
Poirier, D. J. (1988). Frequentist and subjectivist perspectives on the
problems of model building in economics (with discussion). Journal of
Economic Perspectives 2, 121144.
Poirier, D. J. (1995). Intermediate Statistics and Econometrics: A
Comparative Approach. Cambridge: MIT Press.
Rao, C. R. (1973). Linear Statistical Inference and Its Applications (Second
ed.). New York: Wiley.
72
III Alegerea consumatorului n aplicaiile de marketing
6 Teoria Utilitii Aleatoare i simularea cu Analiza

Conjoint
Marketingul se ocup n principal cu studiul comportamentului

consumatorilor i de aceea nu este de mirare c atunci cnd vine vorba de
modelarea i simularea de marketing, preferinele consumatorilor reprezint un
subiect foarte important. De fapt, cu ce se confrunt deciziile de marketing i
de ce sunt marketerii interesai este reprezentat de cererea de produse i servicii
oferite de ctre compania respectiv. Pe de cealalt parte, cererea este
determinat de ctre consumatorii (actuali i poteniali) care iau decizii de
achiziie atunci cnd sunt pui n fata unor alternative (uneori foarte multe).
Concret, modele riguroase care caracterizeaz acest fenomen formeaz punctul
forte al deciziilor de optimizare de marketing.
Exist un numr infinit de ci de modelare a ceva att de complex precum
comportamentul consumatorului. Totui, att n marketingul academic ct i n
practic, o clas particular de modele de alegeri ale consumatorului iese n
eviden. Acest capitol i urmtoarele descriu abordarea de principiu pentru
construirea acestor modele, estimarea lor i utilizarea lor ca o baz pentru
simularea i optimizarea deciziilor de marketing. Punctul forte al acestui cadru
de modelare este o teorie cu legturi riguroase ctre psihologia cognitiv i
economie politic, la care se face adesea referire ca maximizarea utilitii aleatoare
(MUA). Rdcinile sale merg ctre munca lui Thurstone (1927) concentrat
ctre analiza stimulilor psihologici. Decenii mai trziu, Marshack (1960) a
formulat explicit MUA prin conectarea acestor concepte la teoria economic a
utilitii, care a contribuit la ctigarea premiului Nobel prin munca lui Daniel
McFadden (de exemplu, McFadden, 1974, 1986). ntr-adevr, cel din urm a
operaionalizat teoria ntr-un cadru empiric mai consistent care a dominat
cercetrile privind alegerile consumatorului i particular n aplicaiile de
marketing.
74
6.2 Modelarea utilitii aleatoare

Importana MUA n domenii precum economie politic i marketing este
datorat rolului teoretic pe care l are n fondarea unei clase de modele
empirice cunoscut ca modele de alegere discrete5 (MAD). n aceast paradigm,
axioma primar stipuleaz c un consumator (care este confruntat cu alegeri de
consum) selecteaz exact o alternativ dintr-un set de alternative msurabile i
mutual exclusive. Dei aceasta nu este mereu 100% consistent cu luarea
deciziilor de consum realiste, se dovedete a fi o aproximare extrem de util n
mai multe contexte; mai mult, exist suficient flexibilitate n definirea setului de
alegeri cum este acomodarea anomaliilor n acest caz pentru o larg varietate de
situaii. Avnd aceste aspecte n minte, s revenim la exemplul cu camerele
digitale propus n Capitolul 1. S presupunem c la un anumit moment de
timp, un individ i decide ce s aleag din cele patru tipuri de camere (adic cele
trei modele oferite de productorul principal denumite P1 alturi de
camera handheld oferit de competitor denumit P2). Cum ar putea
consumatorul lua aceast decizie de consum? Sau mai important, cum ar putea
eroul nostru, Analistul 3 s modeleze aceast alegere?
La fel ca n orice strategie de modelare, este prudent s fie stabilite mai nti
cteva ipoteze primitive. Pn la acest punct, s presupunem c individul poate
alege exact o unitate dintr-un tip de camer, sau nimic. n acest caz, putem
descrie setul de alegeri ca fiind consistent cu cinci alternative distincte: {nicio
camer, P1 camer keychain, P1 camer handheld, P1 camer SLR, P2 camer
handheld}. Mai mult, pentru fiecare alternativ j putem asocia un nivel de
utilitate pe care consumatorul l va obine prin achiziie i notat cu U ij . Dac
consumatorul este un maximizator de utilitate, atunci el va alege modelul de
camer cu cea mai mare (perceput) U ij din setul {U i 0 ,,U i 4 } . ntr-adevr,
acest lucru e simplu pentru o arie larg i rezonabil, cel puin dintr-un punct
de vedere conceptual. Problema pentru Analistul 3 (i cercettorilor n general)
rmne una de natur practic: cum poate fi msurat U ij pentru a realiza o
predicie precis pentru alegerea i a consumatorului?
n limba englez: discrete choice models.
Aici este locul n care MUA ofer o lumin cluzitoare. Axioma sa cheie
este decompoziia utilitii n dou componente: care este observabil
cercettorului i care se noteaz cu
U ij Vij ij . (6.1)
n aceast formulare, Vij se refer de obicei la utilitatea reprezentativ ca

parte a utilitii care depinde strict de componentele observabile (sau
estimabile), iar ij este eroarea ce capteaz influena factorilor care nu sunt
observai. Corespunztor, consumatorul va achiziiona un anume tip de model
de camer ca de exemplu P1 SLR (adic j = 3) att timp ct urmtoarele
relaii au loc simultan:
( i 3 i 0 ) Vi 3 Vi 0 ,
( i 3 i1 ) Vi 3 Vi1 ,
( i 3 i 2 ) Vi 3 Vi 2 ,
(6.2)
( i 3 i 4 ) Vi 3 Vi 4 .
Puterea lui (6.2) poate fi exprimat prin asocierea unei distribuii de

probabilitate termenilor necunoscui i 0 ,, i 4 i specificnd forma
funcional a utilitilor reprezentative, Vij Vij ( x j , ij ), unde x reprezint un
vector de atribute obiective (i direct observabile) ce caracterizeaz
alternativele j n timp ce ij este un vector de parametri ai preferinelor care
pot fi estimai utiliznd metode statistice potrivite.
Odat ce este specificat distribuia erorilor, o probabilitate de alegere de forma
Pij P(alegere j {x j ,ij }) - care este probabilitatea cu care consumatorul i
alege alternativele j fiind date caracteristicile observabile i parametrii
preferinelor urmeaz natural. Pentru consumatorul nostru care alege
camerele digitale, probabilitatea ca el s aleag modelul SLR, probabilitatea
poate fi computat ca
76
i 3 i 0 Vi 3 Vi 0
i 3 i1 Vi 3 Vi1
Pi 3 P
{x , } .
i 3 i 2 Vi 3 Vi 2 j ij

i 3 i 3 Vi 3 Vi 3
care poate fi scris mai succint

P(3 i 3Vi {x j ,ij }), (6.3)
Unde i ( i 0 i 4 ) ', Vi (Vi 0 Vi 4 ) ' i
1 0 0 1 0
0 1 0 1 0
3
0 0 1 1 0
0 0 0 1 1
Ca o consecin, probabilitatea alegerii este o cantitate computabil care

nglobeaz o reprezentare probabilistic a comportamentului privind achiziiile
i ale consumatorului. n practic, Vij ( x j , ij ) este specificat tipic ca un
parametru liniar al preferinelor, iar p( i 0 ,, im ) este ales astfel ca (6.3) s fie
simplu de derivat i de lucrat, detaliile crora sunt discutate n Capitolele 7 i 8.
6.3 Estimarea
Odat ce este specificat modelul privind comportamentul alegerii,
urmtorul pas este calibrarea acestuia la datele disponibile. Abordarea
econometric standard la aceasta este colectarea datelor privind alegerile
observate care sunt realizate de ctre un eantion de consumatori i estimarea
parametrilor preferinelor prin asocierea acestor observaii cu probabilitile
derivate ale alegerilor. Datele privind alegerile pot fi rezultatul deciziilor de
achiziie din lumea real (adic preferine manifestate6) observate pasiv sau ex-post
de ctre cercettor, sau aceste date pot fi obinute n condiii experimentale
6
Ceea ce aleg propriuzis consumatorii.
unde consumatorilor li se cere s aleag dintr-o list de produse (oferite de

ctre cercettor) ntr-un mediu controlat (adic preferine declarate7). Cea din
urm tinde s fie preferat de ctre cercettorii de pia i este cunoscut n
domeniu ca experiment de alegere discret8 (EAD). Oricare metod de culegere a
datelor, n combinaie cu analiza statistic care urmeaz (facem analiza datelor
dup ce am realizat sondajul) face referire ca preferin expus9 pentru a
sublinia c cercettorul realizeaz o inferen privind preferinele
consumatorului indirect, prin observarea comportamentului privind alegerea.
Revenind la exemplul cu camera digital, Analistul 3 poate demara la
estimarea parametrilor preferinelor consumatorului privind modelul alegerii
camerei prin realizarea urmtorului EAD. Analistul poate colecta un eantion
(preferabil reprezentativ) de consumatori i antrena fiecare participant ntr-un
exerciiu n care acetia i imagineaz c intr ntr-un magazin de camere
digitale. n magazin, participantul gsete un set de camere digitale distincte pe
raft. Desigur c numrul i tipul de camere este predeterminat de Analistul 3 i
nu este neaprat s reflecte exact cele patru modele disponibile n pia (dei
nimic nu se opune ca ele s fie incluse n setul ipotetic de alegeri). De fapt,
analistul ar alege strategic n mod normal atributele i preul fiecrui tip de
camer adic, pentru a avea suficient variaie pentru a identifica precis
paramatrii preferinelor, dar suficient de similare camerele valabile din prezent
n pia pentru a evita confuzia participantului. Mai mult, pentru fiecare
participant se poate repeta exerciiul de mai multe ori, modificnd atributele
camerelor pentru fiecare ocazie de manifestare a opiunilor (aici, un design
factorial este utilizat adesea pentru a introduce aleatorul). n final, analistul
nregistreaz alegerea fcut de ctre fiecare participant, la fiecare ocazie de
alegere i utilizeaz datele pentru estimarea parametrilor preferinelor utiliznd
metode statistice convenionale. Parametrii estimai ai preferinelor pot fi apoi
potrivii cu actualele atribute ale celor patru modele de camere pentru a realiza
o inferen privind comportamentul consumatorului din lumea real.
Totui, n aplicaiile de marketing o abordare alternativ pentru calibrarea
modelelor este de altfel prezent. Aceast metodologie prima dat propus
de Grenn i Rao (1971) i denumit analiz conjoint (AC) se desprinde de
probabilitatea alegerii abordri centrate expuse10 i n schimb, reorienteaz
7
Ceea ce intenioneaz s achiziioneze consumatorii.

n limba englez: discrete choice experiments.
9
n limba englez: preference elicitation.
10
n limba englez: centric elicitation approaches.
8
78
atenia pe msurarea direct a nivelurilor de utilitate U ij . n particular, o

implementare convenional a celei din urm se deruleaz cu un cadru
experimental n care consumatorii participani sunt prezentai cu un set de
caracteristici aparinnd unui (posibil ipotetic) produs i li se cere s evalueze
utilitatea perceput din consumul unui astfel de produs, pe o scal definit de
ctre cercettor. De aceea, Analistul 3 ar utiliza aceast abordare AC prin
realizarea unui experiment similar cu EAD, dar n loc s cear participanilor
s aleag una dintre camerele disponibile din magazinul ipotetic, le cere
participanilor sa evalueze pe o scal utilitatea generat de ctre fiecare
combinaie de atribute i preuri ale produselor, ce caracterizeaz modelele
ipotetice ale camerei digitale. Desigur c n acest caz analistul trebuie s le
ofere participanilor o scal de msurare. n consecin, aceste ratinguri n
schimbul alegerilor observate pot fi potrivite cu atributele camerelor i
utilizate pentru estimarea parametrilor preferinelor. Inferena privind
comportamentul consumatorului din lumea real poate fi ulterior obinut prin
mijloace similare cazului EAD.
Merit menionat c cele dou metodologii descrise mai sus sunt destul de
distincte. n ciuda acestui fapt, termenul de analiz conjoint a nceput s
cuprind de-alungul timpului toate metodologiile legate de comportamentul
privind alegerile discrete n articolele de marketing: acele bazate pe preferinele
expuse din alegerile observate la fel ca i cele orientate direct pe msurarea
utilitii. Prin aceasta, MUA a fost implicit legat de AC n discuiile
contemporane, care a creat o confuzie substanial n practica de cercetri de
marketing. Problema este c nimic din modelul alegerii prezentat n Seciunea
6.2 nu necesit cercettorului s msoare direct U ij ; ba dimpotriv, motivul
principial din spatele acestei abordri de modelare este c U ij nu este
observabil. Pe de cealalt parte, parametrii preferinelor pot fi uor estimai
prin corelarea datelor privind alegerile cu probabilitile de alegere i diferite
inferene (aa cum vor fi discutate n scurt timp n detaliu) pot fi derivate din
aceasta, incluznd nsi estimaiile probabilitilor alegerilor. Totui, exist n
general, puin sens economic ce poate fi asociat estimaiilor lui U ij (mai exact
Vij ) deoarece interpretarea unor astfel de msuri reprezint subiectul unei scale
de alegere pur arbitrar.
Autori precum Louviere i ceilali (2010) au ncercat s desprind AC de
MUA prin argumentarea c AC i are rdcinile ntr-o alt paradigm de
concepte cunoscut ca msurarea conjoint (MC). Cea din urm a fost dezvoltat
de ctre psihologi pentru studiul proceselor cognitive i realizarea unei scale

prin sistemul numeric. n timp ce teoria MC ofer unele axiome fundamentale
cu teoria utilitii, nu exist alt compatibilitate ntre cele dou. De aceea, este
argumentat c AC reprezint cel mult un fel de comportament matematic de
scalare cu nicio alt conexiune formal cu alegerile de consum, mai ales n
cadrul MUA. Ceea ce cere n mod esenial AC repondentului este s i
asocieze numeric satisfacia derivat prin consumul unor produse; totui, nici
psihologia cognitiv i nici economia nu ofer o baz teoretic pentru validarea
unui astfel de exerciiu.
Imaginai-v c suntei un respondent n studiul Analistului 3 i vi se cere s
asociai o valoare celor trei camere digitale care reprezint utilitatea achiziiei
modelului respectiv. Ar fi aceste valori foarte reprezentative ale preferinelor
voastre pentru camere, i mai important, ar fi ele potrivite pentru realizarea
prediciilor privind comportamentul viitor de achiziie al lor? n practic, cei
mai muli respondeni gsesc dificil s asocieze o anumit valoare. Puini
oameni pot pretinde sincer c o valoare anume s zicem 10 utili pentru
camera handheld P1 i 15 utili pentru SLR P1 reprezint singura msur real
ale preferinelor lor, iar pentru a face asta ar implica respingerea cu certitudine
a unei valori foarte apropiate s zicem 11 utili pentru camera handheld P1 i
17 utili pentru camera SLR P1. Totui, aceasta este exact axioma din spatele
procedurilor pe care se bazeaz estimarea parametrilor preferinelor i
inferena unor astfel de asocieri, pentru toi indivizii din eantion; cnd axioma d
gre, estimaiile i rezultatele inferenei sunt ad hoc i de aceea se iau decizii de
marketing irelevante.
Totui, msurarea i interpretarea utilitii continu s fie o practic
rspndit n comunitatea de marketing sub teoria AC. Mare parte din aceasta
este de multe ori justificat prin argumente informale c msurarea utilitii AC
a fost aplicat cu succes n mai multe contexte de marketing i de aceea
beneficiaz de validitate empiric. Mai probabil, apelul la aceast abordare este
legat de uurina aplicrii procedurilor statistice pe care le implic. n
particular, utilizarea scorurilor directe de utilitate permite cercettorului s
estimeze ij , de cele mai multe ori prin metode de regresie elementare, care
presupun puin efort de computaie. n opoziie, metodele discrete de alegere
din statistic sunt semnificativ mai dificile dintr-un punct de vedere
computaional. Aceasta a fost o consideraie important n 1970, cnd a intrat
mai mult n atenie teoria original AC. Totui, fiind dat contextul modern de
80
computaie, cea din urm reprezint cu greu o preocupare valid i n special,

ntr-o discuie orientat pe o simulare bazat pe computer.
Nu vom mai face trimiteri la acest aspect n aceast carte. Mai degrab, vom
lua simplu, viziunea economic ordinal a utilitii atunci cnd va fi cazul. De
fapt, vom concluziona pe deplin discuia privind estimaia, lsnd detalii
viitoare ale procedurilor de estimaie textelor specializate, cum este abordarea
excelent oferit de Train (2003). Pentru aceasta i pentru capitolele viitoare,
vom presupune c ij este fie cunoscut, fie caracterizat de ctre o distribuie
cunoscut de probabilitate p ( ij ) . Cum este construit cea din urm, nu
influeneaz direct relevana conceptelor i metodelor discutate mai jos.
6.4 Inferen i interpretare

Poate cel mai mare apel al modelelor de alegere discret l reprezint paleta
larg de analize care le urmeaz utiliznd tehnici relativ simple. Urmeaz s
studiem cele mai comune derivri care pot fi extrase din MUA, care sunt utile
n mod special n luarea deciziilor de marketing. Pentru facilitarea discuiei,
vom descompune utilitatea reprezentativ ca o sum, liniar de componente
importante ca
Vij j ik x jk i p j , (6.4)
k
pentru j 1,, m (adic m produse din pia), iar Vi 0 0 pentru bunuri din afar
(adic opiunea s nu cumperi). O component important, ca de
exemplu ik x jk este atunci interpretat ca fiind contribuia atributului k la
utilitatea individual a lui i prin consumul de produs j.
Se pot face mai multe observaii privind (6.4). n primul rnd, parametrii
preferinelor i ,{ik } au ca indice pe i pentru a indica c efectul caracteristicilor
produsului i preului asupra utilitii individuale sunt ntr-adevr heterogene
(adic variaz n funcie de individ). n practic, mai multe studii simplific
aceast specificaie, anume c parametrii preferinelor sunt constani printre
consumatori. Implicaiile depind n mare msur de context i vor fi discutate
n particular atunci cnd va fi cazul. Mai mult, cnd parametrii preferinelor
sunt tratai ca heterogeni, se presupune de obicei c sunt cunoscui printr-o
distribuie heterogen adic, distribuia preferinelor din cadrul populaiei. (n

acest context, i ,{ik } sunt uneori denumii coeficieni aleatorii i distribuia lor
ca distribuii mixte). Semnificaia este c cercettorul nu tie valorile actuale
i ,{ ik } pentru un anume consumator i, dar poate n schimb lucra cu
distribuiile lor din cadrul populaiei. Aceast distribuie nsi ar avea nevoie n
mod normal s fie estimat; pentru scopul nostru este totui suficient s fie
tratat ca fiind cunoscut. n final, (6.4) include o constant specific
produsului j care este deseori interpretat c, capteaz n medie efectele
caracteristicilor intangibile, cum este cel al numelui de brand. Din nou, (n loc
de o dimensiune suplimentar cum este timpul) se presupune c j este
cunoscut pn la o distribuie cu E ( j ) E (m ) 0. Cnd diferenele
neobservate ale produsului nu sunt necesare, condiia de ateptare zero poate
fi ntrit pentru a sprijini certitudinea, aa c 1 m 0.
Parametrul i are o interpretare special de utilitate marginal a venitului i
joac un rol important n analizarea comportamentului consumatorului.
Specific, reprezint o component cheie care nzestreaz mai multe msuri ce
apar din cadrul MUA cu sensul de valoare, dup cum urmeaz n text.
Reamintim din teoria microeconomic c funciile de utilitate pot fi utilizate
pentru computarea ratelor marginale de substituie (RMS) astfel
dy
U ( x, y ) / x
.
dx
U ( x, y ) / y
Fiind dat (6.4), putem aplica acest concept pentru a rspunde la ntrebarea
de genul ct ar mai fi dispus suplimentar consumatorul i s plteasc pentru o
mic mbuntire a atributului x jk din produsul j?. De fapt, ntrebarea
nseamn n terminologia economic care este RMS dintre xij i pre?.
Rspunsul este uor de dedus:
dx jk
dp j
Uij / p j
Uij / x jk
ik
.
i
82
Deoarece n utilitatea liniar o cretere a preului este echivalent cu o
reducere a venitului, rapotul ik poate fi interpretat ca valoarea caracteristicii

i
x jk .
Un avantaj important al utilitii liniare este c relaia de mai sus poate fi
extins dincolo de schimbrile marginale din atributele produselor. De
exemplu, ne putem dori s punem o valoare n mbuntirea caracteristii k a
produsului j din x jk care devine x'jk . Dac aceast mbuntire este, s zicem,
de la 8 megapixeli la 10 megapixeli (legat de exemplul cu camera digital),
atunci o astfel de schimbare este destul de probabil s fie prea mare pentru a
realiza o analiz pertinent bazat pe derivate (adic schimbri marginale).
Pentru a fi precis, ne-am putea dori s ntrebm n acest caz ct ar mai fi
dispus consumatorul i s plteasc pentru o mbuntire de la x jk la x'jk ?.
Att timp ct utilitatea este liniar, rspunsul este simplu xij ik / i !
Aprecierea schimbrilor privind mbuntirile atributelor produselor
reprezint un interes deosebit pentru cercettorii de marketing. De multe ori,
cineva este interesat s compare valoarea asociat de consumatori privind
mbuntirea unui atribut cu costul acelei mbuntiri. Aa cum a fost deja
stabilit, la consumatorul individual, nivelul de utilitate al mbuntirii unui
atribut este dat de ik (per unitatea atributului). Dac presupunem omogene

i
preferinele consumatorilor, cantitatea rezultat k poate fi de asmenea
considerat ca o msur agregat la care mareketerii se refer deseori ca valoarea

de pia a mbuntirii unui atribut (VPA). Totui, agregarea VPA cu parametrii
heterogeni presupune o atenie suplimentar. De exemplu, o generalizare ar
presupune lsarea efectului atributului ( ik ) s varieze n funcie de
consumator, dar pstrarea constant a utilitii marginale a venitului ( ).
Atunci, fiind dat o distribuie heterogen privind ik , poate fi adaptat
definiia VPA ca o msur medie a valorii din populaie, dat de cantitatea nc
E ( ik )
uor de computat
. Pe de cealalt parte, permind heterogenitate n i
exist o nou dificultate n agregarea valorii, deoarece
E(
ik
E ( ik )
)
.
i
E (i )
n aceast situaie, valoarea ateptat este de multe ori aproximat prin

integrarea Monte Carlo.
Totui, cea din urm nu rezolv n ntregime problema privind agregarea
deoarece n luarea deciziilor din lumea real, ntreaga distribuie heterogen
indus n msurarea valorii este de interes, nu doar media. Pentru a ilustra n
continuare acest punct de vedere, considerm un exemplu obinuit din studiile
de transport, unde x jk poate reprezenta lungimea cltoriei (n uniti de timp)
asociat cu un anume mod de transport i p j costul acelei cltorii.
Figura 6.1: Distribuia empiric heterogen pentru VT computat pentru

navetitii de pe autostrada I-15 din California de Sud (Brownstone i ceilali,
2003)
Corespunztor, att x jk ct i p j ofer o dezutilitate pentru consumatorul i,
iar raportul ik este interpretat ca valoarea timpului (VT) (adic RMS dintre
i
venit i timpul economisit). Studiile din acest domeniu consider c sunt
variate distribuiile empirice pentru VT din cadrul populaiilor. De exemplu,
figura 6.1 ilustreaz distribuia empiric a VT pentru navetitii din autostrada I15 din Sudul Californiei (reconstruit pe baza estimaiilor raportate n
Brownstone i ceilali, 2003). Privind la histogram, ct de mult ajut s tim c
84
media VT este 33.75, fr alte cunotine suplimentare a acestei distribuii?

Dac gndii o tax a benzilor de pe autostrad atunci ai fi interesai s tii c
poriuni semnificative ale populaiei sunt caracterizate de VT sub 20 i peste
100.
n general, msurarea valorii schimbrilor n caracteristicile produselor
utiliznd o msur monetar se refer la disponibilitatea-de-plat a individului
(DDP). Mai mult, acest concept se extinde uor la evalurile ce includ mai
mult dect un atribut particular. De exemplu, un scop obinuit al cercetrii de
marketing este computarea preului de rezervare11 (PR) al individului pentru un
produs j, care este definit ca preul maxim la care consumatorul i va alege s
cumpere produsul j, cnd sunt date (observate i intangibile) caracteristicile
produsului i presupunnd c j este singurul produs disponibil dintr-un set de
alegeri. ntr-un context de alegeri discrete, Jedidi i Zhang (2002) observ c
PRij este preul care echivaleaz utilitatea i a consumatorului din produsul j cu
utilitatea variantei de non-achiziie, respectiv p j PRij U ij U i 0 . n
consecin avem
PRij
j k ik x jk ij i 0
i
, (6.5)
care subliniaz interpretarea comun a lui PRij n termenii valorii acordate de

consumatorul i produsului j ca un pachet de caracteristici observabile i
intangibile. De exemplu, Swait i ceilali (1993) utilizeaz formularea definit
deasupra a PR (dei sub un nume diferit preul egalizrii) pentru a msura
capitalul brandului cu un design EAD.
Dintr-un punct de vedere practic, cineva ar trebui s observe imediat
complicaiile din (6.5): PRij depinde de termenii erorii necunoscute ij , i 0 . O
soluie convenional la aceasta (cnd este dat ipoteza standard
E ( i 0 ) E ( ij ) 0 ) pentru a avea ateptarea
E ( PRij )
11
Din limba englez: rezervation price.
j k ij x jk
2
, (6.6)
i agregarea celei din urm cu referire la heterogenitatea distribuiei lui

i ,{ ik } . Totui, aceasta poate fi nesatisfctoare din cel puin dou motive.
Primul, nsi termenii erorilor capteaz informaii importante privind
heterogenitatea preferinelor i de aceea ar trebui luai n considerare n
procedura de agregare. n al doilea rnd, dac avem observaii privind alegerile
realizate de o distribuie de indivizi i 1,, n atunci estimaiile noastre privind
preurile rezervate ale indivizilor pot fi mbuntite semnificativ. Procedurile
privind realizarea acestui lucru depind n mare msur de simulare i sunt
discutate n detaliu n Seciunea 6.5.
Conceptul de pre rezervat este de asemenea legat destul de mult de
msurile privind schimbarea bunstrii din microeconomie: variaia compensrii12
(VC) i variaia echivalent13 (VE). Ambele tipuri de msuri sunt gndite pentru a
msura impactul (unui individ sau nivel de pia) a diferitelor politici care
altereaz condiiile alegerii, cu o msur monetar. VC atinge aceasta prin
evaluarea a ct de mult ar trebui sporite veniturile indivizilor (sau micorate)
pentru a compensa efectul unei anume politici asupra utilitii lor (adic pentru
a-i lsa la fel cum au fost nainte de utilizarea politicii). n contrast, VE constat
cantitatea de venit de care indivizii ar avea nevoie s fie completat (sau sunt
dispui s renune) pentru a compensa utilitatea lor existent cu utilitatea care
ar rezulta prin utilizarea ipotetic a politicii. Cnd utilitatea este liniar, se
observ c VC i VE sunt neaprat echivalente i ambele sunt msuri exacte
ale schimbrii n surplusul consumatorului (SSC) asociate cu o politic specific.
Un exemplu concret de aplicare a conceptelor de economie a bunstrii n
marketing este date de Kim i ceilali (2002) care consider un scenariu unde
un comerciant poate utiliza VC pentru a evalua preuirea optimal ca rspuns
la reducerea varietii produselor oferite, astfel ca reducerea varietii nu
afecteaz utilitatea eventual a consumatorului prin achiziia de la comerciant.
n particular, s presupunem c un comerciant depoziteaz m arome de iaurt i
se gndete s scoat o anumit arom din ofert. Dac se renun la aroma j,
cum ar trebui ajustate ale aromelor rmase m-1 astfel ca s nu afecteze (sau s
minimizeze efectul asupra) preferinelor globale ale consumatorului i atunci
cnd cumpr de la un anumit comerciant? Rspunsul poate fi obinut prin
evaluarea VCi privind modificarea setului alegerilor pentru acel consumator
(adic renunarea la aroma j). n mod cert, dac consumatorul i nu alege j cnd
12
13
Din limba englez: compensating variation.

Din limba englez: equivalent variation.
86
este valabil, VCi = 0. Totui, dac aroma j este ntr-adevr aroma sa aleas
atunci prin renunarea la aceasta, utilitatea consumatorului va fi redus la aceea
privind a doua cea mai bun opiune, pe care s o denumim h. Pentru a reda
satisfacia consumatorului privind comerciantul nainte de tergerea opiunii,
comerciantul ar trebui s micoreze preul aromei h prin VCi.
n mod cert, nu toi consumatorii consider aroma j ca fiind alegerea
favorit iar pe h ca fiind a doua cea mai bun alegere. A crede altceva ar
presupune o deprtare de realitate cu consecine importante. Pe de alt parte,
managerul comerciant nu poate elimina selectiv aroma j pentru unii
consumatori i s-o lase pentru alii, precum nu poate discrimina preurile
rmase ale aromelor pentru ca fiecrui consumator s-i fie oferit un pre
diferit. Un tratament superficial al heterogenitii preferinelor ar conduce la
concluzii eronate i ar deprta comerciantul de scopul su privind alegerea
unei scheme optimale de pre pentru aromele rmase. Urmndu-l pe Kim i
ceilali (2002), comerciantul ar trebui s se bazeze pe metode de simulare ca
fiind cel mai eficient mijloc de aproximarea i agregarea variaiilor de
compensare, iar ulterior, utilizarea acestora pentru a deduce o schem de pre
optim pentru aromele rmase.
Poate cea mai comun utilizare a cadrului de alegere discret se regsete n
analizarea cotelor de pia. n particular, este adesea de interes n cercetare i n
practic s se evalueze efectele diferitelor schimbri n atributele produselor
sau compoziia setului de alegeri, prin cotele de pia ale produselor. Pentru
computarea cotei de pia a produsului j este necesar specificarea distribuiei
{ ij } . Corespunztor, termenii erorilor sunt aproape ntotdeauna considerai
independeni ntre indivizi. Totui, n afar de asta, o plaj larg de modele au
fost propuse i utilizate n ultimele decenii, care includ diverse forme ale
distribuiilor i ipoteze privind relaiile termenilor de eroare ntre produse.
Capitolele 7 i 8 discut cteva din aceste abordri comune. n general, se pare
c alegerea formei distribuiei este ghidat mai mult de conveniente
computaionale dect de o anumit paradigm de comportament. Pe de alt
parte, cum specific cineva relaiile dintre ij i ih determin implicaii
importante privind tiparele de substituie privind alternativele dintr-un set dat
de alegeri.
Considerm de exemplu un model n care ij este considerat a fi iid printre
indivizi i produse, n timp ce ij este constant ntre indivizi astfel c utilitatea
reprezentativ pentru fiecare consumator i este echivalent i denumit V j .

Utiliznd un astfel de model, cum poate computa Analistul 3 cota de pia
pentru camera SLR a lui P1? n acest caz, cota de pia este dat simplu de
probabilitatea alegerii definit n (6.3), unde dependena de probabilitatea
alegerii de i a sczut datorit faptului c toat heterogenitatea n preferine este
restricionat de termenii necunoscui ai erorilor i 0 ,, im , care sunt integrate n
derivare14. Mai mult, se vede c prin asocierea unei forme funcionale
distribuiei ij (adic tipul I de valoare extrem (VE)), cota de pia presupune o
formul simpl n termenii V1 , ,Vm :
s j Pj
Vj
1 h 1 eVh
m
. (6.7)
Aceasta este cunoscut ca i cota de pia clasic logit multinomial i rezult

dintr-una din cele mai fundamentale specificaii n aplicarea MUA.
n timp ce este atractiv simplitatea analitic, analizarea cotelor de pia
utiliznd (6.7) ntmpin dificulti conceptuale. Specific, presupunnd
omogene preferinele consumatorilor mpreun cu erori independente ntre
alternative conduce la tipare de substituie mai degrab stranii. Presupunnd de
exemplu c Analistul 3 dorete s aplice specificaiile logit multinomiale pentru
a vedea ce se ntmpl cnd preul (original) al camerei handheld oferit de P1
crete puin. Analistul ar trece atunci la computarea derivatelor preurilorncruciate
ds3
d
eV3
dp2 dp2 1 eV1 eV2 eV3 eV4
s2 s3. (6.8)
O derivare similar rezult n cuantificarea efectului creterii aceluiai pre

asupra modelului keychain a lui P1:
ds1
s2 s1. (6.9)
dp2
14
Din limba englez: integrated out in the derivation.
88
n consecin, dac modelul keychain i SLR au aceeai cot de pia,

specificaiile logit multinomiale previzioneaz c o cretere a preului
modelului keychain P1 ar avea efecte identice asupra cotelor de pia ale
celorlalte dou modele oferite de P1. Asta nseamn c, unii consumatori ar
renuna la camera handheld datorit creterii preului i ar migra ctre una dintre
celelate dou alternative n proporii identice.
Majoritatea specialitilor consider problematic aceast presupunere.
Oricum, camer handheld este mai aproape n atribute de SLR dect de camera
keychain i de aceea cineva se ateapt c aceia care renun la camera handheld
ar fi mai nclinai s o substituie cu SLR. Lsm cititorii interesai c
contempleze n ce msur este valid o asemenea afirmaie. Cu toate acestea,
dac Analistul 3 este de acord cu punctul de vederea al expertului, atunci cu
siguran ar opta pentru o alternativ de modelare. Pn la acest punct, merit
menionat cum a spus i Berry i ceilali (1995) c tipare de substituie
nerezonabile induse de specificaiile logit multinomiale nu sunt De fapt, o
trstur direct a erorilor privind ipotezele VE i nicio alt form particular a
distribuiei privind chestiunea respectiv. ntr-adevr, acelai lucru ar rezulta
dac cineva asociaz, s spunem o distribuie normal, la ij . Contrar, restriciile
privind preurile ncruciate subliniate mai sus reprezint o trstur exclusiv
a prezumiei c alternativele sunt independente i parametrii preferinelor sunt
omogeni.
Alternativ, o structur mai bogat privind substituia este atins simplu prin
permiterea parametrilor preferinelor de a diferi ntre indivizi. Facnd aceasta,
este posibil de meninut independena ij printre alternative fr daune
semnificative ale acestei flexibiliti. Specificaia rezultant este att robust ct
i practic deoarece ofer suficiente conveniente computaionale pentru o
implementare relativ simpl a algoritmilor de estimare i simulare. Cnd se
prespune c erorile sunt VE, McFadden i Train (2000) se refer la aceast
specificaie ca la logit mixt i au artat c poate fi utilizat pentru aproximarea
oricrui model de utilitate aleatoare. De aceea, logit mixt poate fi gndit ca s
permit tipare de substituie nerestricionate, iar aceast trstur nu se pierde
prin nlocuirea ipotezei privind forma distribuiei (adic acelai lucru rmne
adevrat pentru probit mixt acolo unde se presupune c erorile sunt normale).
Aa cum susine Train (2003) i cum s-a lsat s se neleag n aceast
seciune, metodele de simulare sunt instrumente prin care devin fezabile
tipurile de modele logit mixte. n urmtoarea seciune vom sublinia

funcionarea de baz i potenialul simulrii din acest context.
6.5 Simulare
Pn aici am vzut c dei modelele derivate din cadrul MUA pot fi foarte
avantajoase n ce privete flexibilitatea n aplicaiile economice, totui acest
lucru este dificil doar cu metodologiile standard de estimaie. Lucrul cu teoria
eantionrii i arat limitele, respectiv impune limite importante n utilizarea i
interpretarea acestor modele. De fapt, progresul recent n tehnologiile de
computaie i simulare sunt cele care au mpins cu adevrat evoluia modelelor
de alegere discret i a permis o putere deplin a modelelor avansate cum
sunt cele de logit mixt (Train, 2003). n consecin, algoritmii de simulri de
marketing construii n jurul modelelor de alegere discret ofer un instrument
puternic n analizarea i previzionarea comportamentului consumatorului ca
rspuns la schimbrile de produs. n industrie, asemenea algoritmi de simulare
sunt cunoscui ca simulatori conjoint.
Considerai un exemplu simplu c Analistul 3 dorete s computeze VPA
asociat cu mbuntirile n rezoluia i factorul puterii de focalizare a camerei
handheld P1. Reamintim din Capitolul 1 c modelul mbuntit al camerei
handheld prezenta o modificare n rezoluie de la 8 megapixeli la 10 mexapixeli,
la fel ca i o mbuntire a lungimii factorului de focalizare de la 5x la 10x. Mai
mult, a fost prezentat faptul c Analistul 1 a susinut anterior c aceast
combinaie privind mbuntirea de atribute implic o valoare medie de 100
bazat pe afirmaia c n medie clienii sunt dispui s plteasc aproximativ 25
per megapixel i 10 per lungimea factorului de focalizare. Pentru a explora n
continuare, Analistul 3 i cere colegului s ofere detalii suplimentare cu privire
la cum a ajuns la aceste concluzii. El explic c valorile au rezultat prin
inferen din aplicarea datelor dintr-un studiu EAD pentru estimarea
specificaiilor MUA.
U ij j 1res j 2 zoom j 3lcd j 4 weight j p j ij , (6.10)
care a condus la estimaiile 1 0.25, 2 0.10, 0.01. Din aceste estimaii,

valoarea global a mbuntirilor a fost estimat ca
90
2 1 5 2
VPA 2
100 (6.11)
Analistul 3 nu este satisfcut cu aceast abordare. n particular, n timp ce i

dorete s mearg n continuare cu ipoteza c gusturile legate de atributele
fizice ale camerei sunt omogene, gradul de dispersie legat de sensitivitatea
preului este prea mare n populaia dat pentru a fi ignorat empiric. Analistul 3
solicit unui coleg s-i ofere acces la datele EAD i procedeaz la reestimarea
unei specificri mai elaborate, unde n (6.10) poate s varieze printre indivizi.
Adic, analistul substituie cu coeficientul aleatoriu i , astfel ca
iid
ln i ( , 2 ), (6.12)
i estimaiile 4.7167, 0.4724 . Eantionnd din (6.12), Analistul 3

gsete c E (i ) 0.01, var(i ) 0.0052 i
VPA2 Ei (VPAi 2 ) Ei (
21 5 2
) 125. (6.13)
Se observ c modelul Analistului 1 apare ca un caz particular al specificrii

Analistului 3 deoarece var(i ) 0 . Totui, n timp ce variaia sensitivitii
preului se gsete a fi relativ sczut (adic deviaia estimat este numai 0.005),
are totui un efect profund asupra VPA estimai: n acest caz, ignorarea
heterogenitii conduce Analistul 1 la subestimarea valorii mbuntirilor cu
aproximativ 25%.
ncearc singur
S lum Analistul 3 care ntreprinde urmtorul pas mai departe. S
presupunem c i dorete s investigheze n continuare forme suplimentare de
agregare. Prin urmare, fie y i indexul camerei pe care individul i l alege nainte
de mbuntirea atributelor la camera handheld P1 i y i camera aleas dup

mbuntiri. Bazate pe acestea, definim
VPA2 Ei (VPAi 21( yi yi 2)). (6.14)
Intuiia din spatele acestei definiii este dup cum urmeaz:

1. Orice individ (adic tipul I de consumator) care alege o camer alternativ
nainte i dup mbuntirea atributului nu simte o diferen n utilitate
deoarece nu selecteaz niciodat camera handheld P1.
2. Orice individ (adic tipul II de consumator) care ar fi ales iniial camera
handheld P1 simte mbuntirea complet a valorii captate de VPA i2.
Cu toate acestea, VPA definit n (6.14) omite un grup important de
consumatori (adic tipul III de consumatori) aceia care sunt influenai s
schimbe de la o camer alternativ la camera handheld P1 prin mbuntirea
atributului, i astfel, va aprecia parial mbuntirile, la o valoare mai mic
dect VPA i2. Specific, cea din urm valoare rezidual de pia a mbuntirii
atributului (VRPA) este dat de
Vi , y Vi , yi
VRPAi 2 ( i
) 1( yi 2, y i 2). (6.15)
Notm c agregnd peste VRPA i2 presupune ca ambele i i i (prin Vi )

s fie luai n considerare ca surse ale heterogenitii preferinelor, astfel ca
VRPA i2 RMVAI i2 E , (RMVAI i2 ).
i
De fapt, (cum un cititor prudent va identifica) nsumnd VPA

VPA j VRPA j se obine exact schimbarea ateptat n surplusul
consumatorului discutat n Seciunea 6.4; cea din urm poate fi scris succint
Vi , y Vi , yi
SSC2 Ei ,i i
i
. (6.16)
Analistul 3 poate prin urmare s utilizeze cele trei tipuri de msuri pentru
separarea analizei peste trei segmente importante de pia tipul I, tipul II, tiul
III de consumatori ale camerelor digitale prin analizarea heterogenitii
distribuiilor VPA, VRPA i SSC cnd este dat un segment potrivit de pia.
n particular ar analiza:
92
1. Distribuia de VPA i2 pentru tipul II de consumatori,

2. Distribuia VRPA i2 pentru tipul III de consumatori,
3. Distribuia de SSCi2 pentru tipul II i tipul III combinate de
consumatori.
Pentru scopul acestui exerciiu s definim suma valorilor componentelor
atributelor non-pre,
j j 1res j 2 zoom j 3lcd j 4 weight j , (6.17)
ca o msur a calitii medii i presupunem c nainte de mbuntire acestea

sunt date de
1 5, 2 7, 3 9, 4 7.
Astfel, dup mbuntirea atributelor 2 8 n timp ce restul indicilor

rmn neschimbai. Pregtim spaiul de lucru pentru Excel prin introducerea
acestor valori alturi de preul fiecrei camere. De asemenea, setarea unui tabel
pentru raportarea cantitilor de interes generate de simulare acestea includ
msurile agregate definite deasupra la fel ca i procentele care caracterizeaz
respectiva heterogenitate condiional a distribuiei:
Pentru claritate, redenumim foaia prezent ca tablou de bord. Pe o foaie

separat denumit sim MC ncepei introducerea estimaiilor
parametrilor 4.7167, 0.4724 i alocarea spaiului pentru 1,000 de
extrageri pentru simulare. n particular, avem nevoie s eantionm 1,000 de

extrageri de i alturi de cinci termeni ai erorilor i 0 ,, i 4 . Pentru a obine
extrageri dintr-o distribuie log-normal, este necesar doar simularea din
distribuia standard normal aa cum este oferit de Analysis ToolPak. De aceea,
procedm la utilizarea comenzii Data Analysis:
Acum, fiind dat o extragere vi (0,1) , doar computai
i exp{ vi }.
n Excel, formula corespunztoare trebuie introdus pentru fiecare din cele
1,000 de extrageri. Fiind dat specificarea de mai sus, ncepei prin
introducerea " EXP($B$1 $B$2* B6)" n celula C6 i copierea-lipirea la
C1005. Pe de alt parte, o extragere a termenului eroare ij este obinut prin
transformarea unei extrageri din ditribuia uniform. O variaie uniform
aleatoare este obinut n Excel cu comanda RAND(), iar o extragere de tip
I de valoare extrem cu formula =-LN(-LN(RAND())). Deoarece toi
termenii eroare sunt iid, cea din urm trebuie s fie copiat-lipit de 1,000 de
ori pentru fiecare din cele cinci ij .
94
Apoi, procedai la computarea utilitilor U i1 , ,U i 4 obinute nainte ca

mbuntirile s fie implementate. Aceasta se realizeaz prin combinarea
preurilor fixate i datelor privind calitatea datelor (introduse n pagina cu
tabloul de bord) cu i i ij simulate. De exemplu, U11 este computat cu
formula " dashboard !$B$2 $C6* dashboard !$D$2 E6" , care poate fi
copiat-lipit n jos pe coloan pentru fiecare din cele 1,000 de extrageri
U12
simulate.
Similar,
formula
pentru
este
" dashboard !$B$3 $C6* dashboard !$D$3 E6" i aa mai departe. Pentru
computarea utilitii maxime pentru fiecare i eantionat, ncepei cu U1*( vechi ) ,
care este obinut cu formula simpl " MAX ( D6, I 6 : L6)" i copierea-lipirea
peste cele 999 rnduri rmase din coloan.
O abordare aproape identic doar cu modificri uoare (i destul de

evidente) poate fi utilizat n deducerea utilitii maxime U1*( nou ) care ar fi
obinut de ctre fiecare consumator simulat i dup ce camera handheld a lui P1
este nlocuit cu versiunea mbuntit. Cantitatea principal de interes este

desigur diferena U i*( nou ) U i*( vechi ) .
Cu aceast diferen maxim de utiliti (adic utiliti indirecte), fiecare din

cele trei cantiti de interes - VPA i , VRPA i , SSC i este simplu de obinut.
Pentru i = 1 formulele sunt
(A)
(B)
(C)
n timp ce rndurile rmase pot fi din nou obinute prin copiere-lipire.

Obinerea mediei i deviaiei standard pentru fiecare din indicii simulai este
direct (vom sri descrierea explicit a acestor etape deoarece ele sunt
acoperite n alt parte a crii). Proporia de valori non-zero este generat de o
formul destul de simpl, aa cum sunt percentilele pentru distrbuiile
condiionale (adic condiionarea pe valorile care sunt non-zero).
96
(A)
(B)
ntr-adevr, Analistul 3 poate realiza un numr de interpretri interesante

din aceste rezultate. De exemplu, faptul c a 90-a percentil din VRPA i2 este
aproape de 130 (valorile actuale pe care le obinei pot diferi din cauza
erorilor de simulare, care pot fi ntotdeauna reduse prin sporirea numrului de
extrageri dincolo de 1,000) ce implic c atunci cnd preul camerei handheld a
lui P1 este crescut cu 130, aproximativ 90% din cei care s-ar putea gndi s
treac la acest model, ar fi descurajai de creterea preului. Deoarece
majoritatea acestor consumatori de tipul III aleg mai nti P1 SLR cel mai
profitabil dintre modele efectul diferenei din urm poate fi de fapt de dorit.
Aceasta este exact intuiia din spatele argumentului Analistului 3 pentru luarea
atent n considerare a competiiei interne ntre camera handheld P1 i SLR P1.
Pe de alt parte, pentru tipul II de consumatori (captai de distribuia

condiional a lui VPAi2) 130 reprezint (aproximativ) a 75-a percentil.
nseamn aceasta c sporirea propus a preului ar induce 75% de consumatori
din tipul II s substituie din camera handheld P1? Rspunsul este nu! Muli
dintre aceti consumatori (i este posibil de computat exact proporia) ar
continua s achiziioneze camera handheld P1 ct timp continu s genereze un
nivel de utilitate mai mare dect urmtoarea cea mai bun alternativ. Totui,
fiind dat a 75-a percentil de 130 implic c trei ptrimi din aceti
consumatori ar simi un nivel mai redus de satisfacie ca urmare a sporirii
preului de 130. Desigur c ar fi de dorit de luat aceasta n consideraie cnd
se intenioneaz o anumit sporire a preului (adic de exemplu gndii-v la
efectul pe termen lung a imaginii lui P1).
Ca al doilea exemplu, reamintim discuia privind preurile de rezervare din
seciunea anterioar. Acolo, am menionat c observnd alegerea i a
consumatorului pentru un set dat de preuri p1 , , pm , inferena privind PR
poate fi mbuntit cu ajutorul simulrii. n particular, notm c (6.5) poate fi
rescris echivalent
PRij pij
Vij Vi 0
. (6.18)
Aceast expresie poate fi utilizat pentru a genera un algoritm Monte Carlo

pentru eantionarea PRij condiionat de y i , care codific alegerea ca fiind un
index astfel ca yi j reprezint consumatorul i care alege produsul j. Mai nti
se consider c orice ipotez privind distribuia erorilor i induce o distribuie
n Vi. Cnd utilitatea este liniar, cea din urm este uor de determinat.
Colectnd i ( i1 ik ) ' , s ne referim generic la aceast distribuie ca
p(Vi i , i , yi ).
Atunci pentru orice distribuie heterogen specificat cum trebuie p ( i , i )

se observ c
p( yi Vi ) 1( yiVi 0),
98
urmtorul algoritm genereaz eantionul dorit al PR.

Algoritmul 6.1. Simularea distribuiei heterogenitii preului de rezervare
Setarea valorilor iniiale Vi ( 0) , iar pentru fiecare iteraie t 1,, T ,
1. O extragere de i( t ) , i( t ) din distribuie
p(i( t ) , i( t ) Vi ( t 1) , yi ) p(i( t ) , i( t ) ) p(Vi ( t 1) i( t ) , i( t ) ). (6.19)
2. Eantionarea unei extrageri de Vi ( t ) din distribuie

p(Vi ( t ) i( t ) , i( t ) , yi ) p (Vi ( t ) i( t ) , i( t ) )1( yi Vi ( t ) 0). (6.20)
3. Construirea unei extrageri de PRij( t ) ca

(t )
ij
PR
pij
Vij( t ) Vi (0t )
i( t )
. (6.21)
Reinem c extragerile PRij(1) ,, PRij(T ) obinute prin Algoritmul 6.1

reprezint extrageri din distribuia 15
( PRij y1 ,, yn ),
iar orice transformare a celei din urm, s spunem g( PRij(1) ),, g( PRij(T ) ) sunt
extrageri din distribuia
( g( PRij ) y1,, yn ).
15
Pentru a fi riguros pe deplin, extragerile rezultate din schema de eantionare n Algoritmul 6.1
pentru un lan Markov care este cunoscut c converge ctre extragerile din distribuia adecvat,
aa cum a fost discutat n Capitolul 5. n deplin conformitate cu teoria eantionrii, cineva ar
trebui s se debaraseze de poriunea a eantionului pentru a justifica traiectoria de convergen
(adic nainte de convergen extragerile nu sunt reprezentative pentru distribuia int). Mrimea
eantionului eliminat poate fi evaluat prin diagnostice formale de convergen, dei n practic, 1020% din mrimea total a eantionului (T) se consider c este acceptabil.
n consecin, putem aproxima nsi heterogenitatea distribuiei, sau orice

alt funcie a ei, utiliznd doar aceste extrageri. Mai mult, unificarea
extragerilor pentru toi indivizii din eantion {PRij } construiete un eantion
din distribuia comun
( PR1 j , , PRnj y1 ,, yn ).
De exemplu, putem estima heterogenitatea distribuiei prin colecia de

_
extrageri {PRij } , unde

_
PR ij
1 T
PRij( t ) . (6.22)
T t 1
Alternativ, presupunem c suntem interesai n evaluarea a 90-a percentile a

preurilor de rezervare atribuite de populaie produsului j. Aceasta poate fi de
interes n politica de marketing deoarece se refer la preul la care 90% din
populaie nu ar cumpra acest produs n favoarea unui bun exterior. De aceea,
constituie o limit superioar a preului. Este posibil de obinut pentru fiecare i a
90-a percentil prin sortarea extragerilor PRij(1) ,, PRij(T ) i nregistrarea
extragerii localizate la poziia (sortat) [0.9n]. Colecia rezultat de T astfel de
extrageri reprezint distribuia heterogen pentru a 90-a percentil a preurilor
de rezervare. Adic, odat ce este obinut {PRij( t ) } , evaluarea a ceva aparent
complicat ca a 90-a percentil a heterogenitii distribuiei implic numai
operaii elementare cu acele extrageri. Aceasta este n contrast puternic cu
procedurile orientate spre estimarea unei astfel de percentile utiliznd tehnici de
estimaie clasice.
6.6 O not pentru definirea seturilor de alegeri

Acest capitol prezint cadrul MUA datorit paradigmei foarte puternice i
aplicate a cadrului de construire a modelelor de marketing bazate pe alegerile
discrete ale consumatorilor. n termenii unei balane optime ntre robustee,
parcimonie i convenien computaional este uor de neles popularitatea
modelelor de alegere discret. Totui, nu este nici lipsit de capcane. Un
100
avertisment particular important de inut minte n designul acestor modele este

legat de scopul setului de alegeri. ntr-adevr, deciziile de consum din lumea
real sunt rareori caracterizate de alternative discrete clare astfel ca
consumatorul alege ntotdeauna exact o unitate din exact un produs, fiind dat
un set relativ mic de alternative mutual exclusive.
n multe situaii, cea din urm servete ca o aproximare folositoare pentru
comportamentul individual astfel ca atunci cnd sunt agregate la nivel de pia,
mici deviaii de la aceast axiom exercit n realitate doar efecte neglijabile
asupra inferenei la nivel de pia. Mai mult, exist un grad ridicat de
flexibilitate n designul setului de alegeri astfel ca cadrul alegerii discrete poate
fi adaptat la contexte ce implic decizii mai complexe ale consumatorului. De
exemplu, dac se tie despre trei produse A, B i C c exist ntr-o pia, dar
consumatorii sunt deseori vzui ca achiziionnd combinaii, precum A i B
mpreun sau B i C mpreun, etc., setul de alegeri (cu opt alternative) poate fi
definit ca
{nu cumpara, A, B, C, A si B, A si C, B si C, A si B si C}.
Aceast tehnic poate fi extins la cazurile n care alegerile care implic chiar
i o cantitate aparent continu (adic n timp) sunt modelate n termenii
alternativelor discrete (adic 0-5 minute, 6-10 minute, etc.). Despre o astfel de
abordare se tie c a fost implementat cu succes n munca academic (vezi de
exemplu Small. 1982) la fel ca i n practic.
Cu toate acestea, cteva cuvinte de pruden sunt potrivite cu privire la
extensia i/sau discretizarea setului de alegeri. n particular, manipularea
setului de alegeri nu este o ntreprindere oportun. Aceasta este deoarece dintr-o
perspectiv econometric, alternativele dintr-un set de alegeri trebuie s fie
potrivite cu date folositoare privind atributele alegerilor. n terminologia
econometric, identificarea prilor care merit i au utilitate depind n mare
msur de cantitatea de variaie exogen din datele privind alegerile (adic
{ x j } ). De aceea, pentru fiecare design particular al alternativelor, cineva trebuie
s considere cu atenie ce tip de date poate fi utilizat pentru a caracteriza n
mod unic alternativele specifice incluse. Dificultatea aderrii la aceasta crete
evident cu mrimea setului de alegeri i relaiilor dintre alternative. Un design
al setului de alegeri la care nu se acord importan risc s produc un model
care nu poate fi calibrat la datele din lumea real i ca o consecin va fi
irelevant pentru multe scopuri ale simulrii.
Bibliografie
Berry, S., J. Levinsohn, and A. Pakes (1995). Automobile prices in market
equilibrium. Econometrica 63 (4), 841890.
Brownstone, D., A. Ghosh, T. F. Golob, C. Kazimi, and D. V. Amelsfort
(2003). Drivers willingness-to-pay to reduce travel time: evidence from the
San Diego I-15 Congestion Pricing Project. Transportation Research A 37, 373
387.
Green, P. E. and V. R. Rao (1971). Conjoint measurement for quantifying
judgmental data. Journal of Marketing Research 8, 355363.
Jedidi, K. and J. Z. Zhang (2002). Augmenting conjoint analysis to estimate
consumer reservation price. Management Science 48 (10), 13501368.
Kim, J., G. M. Allenby, and P. E. Rossi (2002). Modeling consumer demand
for variety. Marketing Science 21 (3), 229250.
Louviere, J. J., T. N. Flynn, and R. T. Carson (2010). Discrete choice
experiments are not conjoint analysis. Journal of Choice Modelling 3 (3), 5772.
Marschak, J. (1960). Binary choice constraints on random utility indications. In
K. J. Arrow (Ed.), Stanford Symposium on Mathematical Methods in the Social Sciences,
pp. 312329. Stanford: Stanford University Press.
McFadden, D. (1974). Conditional logit analysis of qualitative choice behavior.
In P. Zarembka (Ed.), Frontiers in Econometrics, pp. 105142. New York:
Academic Press.
McFadden, D. (1986). The choice theory approach to market research.
Marketing Science 5, 275279.
McFadden, D. and K. Train (2000). Mixed MNL models of discrete response.
Journal of Applied Econometrics 15, 447470.
Small, K. A. (1982). The scheduling of consumer activities: Work trips. The
American Economic Review 72 (3), 467479.
Swait, J., T. Erdem, J. Louviere, and C. Dubelaar (1993). The equalization
price: A measure of consumer-perceived brand equity. International Journal of
Research in Marketing 10 (1), 2345.
Thurstone, L. L. (1927). A law of comparative judgment. Psychological Review 34,
273286.
Train, K. (2003). Discrete Choice Methods with Simulation. Cambridge:
102
7 Modelul Logit i derivatele sale

Cnd vine vorba de modelarea alegerilor consumatorilor privind
alternativele discrete, cercettorul are n mod esenial dou opiuni: logit sau
probit. Acesta este rezultatul a mai mult de un secol de evoluie n metode
statistice. Totui, n mai multe domenii, preferina pentru abordarea privind
modelarea este chiar i mai concis. n particular n marketing, modelul logit a
devenit ntr-adevr ca fiind specificarea dominant probabilistic n analizarea
comportamentului privind alegerile. Acest aspect este interesant deoarece
istoric, probit l precede pe logit. Mai mult, despre specificarea probit se tie bine
c are rdcini mai adnci n termeni de fundament teoretic pentru aplicaii
comportamentale, datorit legturilor sale puternice cu munca de la nceput
din domenii precum psihologie cognitiv i analize biologice. Totui, aceasta
are o importan redus pentru practicienii de marketing; n acest univers, logit
este de multe ori singura modalitate privind modelarea alegerilor probabilistice.
Cercetarea academic de marketing face ocazional apel la probit dei rmne o
alternativ relativ deprtat.
Cu privire la aceast viziune dogmatic dominant, dedicm capitolul
prezent celor mai comune practici privind specificarea logit din conceptul de
marketing. Acestea fiind spuse, exist o explicaie simpl pentru preferina
marketerilor: convenine computaional. ntr-adevr, aa cum a fost deja
discutat n Capitolul 6, avantajul mare al specificrii logit este c ea conduce la
probabiliti de alegere maleabile analitic, adic restriciile respective corespund
direct la cotele de pia. Pe de alt parte, n cazul probit, probabilitile
alegerilor nu pot fi exact derivate, iar la cel mai fundamental nivel, munca cu
specificarea probit necesit utilizarea tabelelor de distribuie normal. La momentul
de timp privind formalizarea din mijlocul anilor 1940 (Berkson, 1944), aceasta
a fost o preocupare particular semnificativ pentru statisticieni, i n ciuda unor
dezbateri stranii ideologice (de exemplu, Berkson, 1951) care au urmat,
uurina computaional este cea care a solidificat logit ca fiind specificarea
preferat de modelare n defavoarea lui probit. Aceasta este desigur de neles i chiar justificabil date fiind limitele tehnologiei computaionale ale
statisticienilor de la vremea respectiv.
104
Pentru marketeri, apare un interes profund n aplicarea probabilitilor logit

privind analizarea echilibrului cotelor de pia (Cooper i Nakanishi, 1988).
Abilitatea de a lucra cu cote de pia uor de mnuit reprezint din nou un
avantaj greu de negat. Totui, axiomele teoretice care stau la baza acestor
avantaje computaionale sunt datorit efectelor semnificative. Accentul nostru
din acest capitol este pe sublinierea implicaiilor acestor axiome asupra
comportamentului consumatorului i oferirea de reete comune pentru
ameliorarea simptomelor. nc o dat, evitm mult din detaliile tehnice cu
privire la procedurile statistice; exist un numr mare de texte statistice i
econometrice care acoper fiecare unghi perceptibil al estimaiei (o list foarte
scurt include Train, 2003; Agresti, 2007; Congdon, 2005; Greene, 2003). n
schimb, punem accent pe aspectele tehnice ale aplicrii modelelor bazate pe
logit n simulri. Interesant, avantajele computaionale al logit n construirea
algoritmilor de simulare sunt mult mai puin observabile.
7.2 Logit binar

n termeni contemporani, prima formalizare logit a modelului, introdus de
Berkson (1944), a intenionat s analizeze datele privind rspunsurile binare,
unde alegerea variabilei y era 0 sau 1. Probabilitatea alegerii Pi ( y1 1) din
aceast perspectiv prin integrarea n distribuie16 a variabilei latente
ui vi i ,(7.1)
Unde i urmeaz o distribuie logistic i de aceea integrarea produce

e vi
P(vi 0)
,(7.2)
1 e vi
Adic funcia logistic. Este interesant de subliniat la acest moment c

presupunnd i N (0, 2 ) conduce n schimb la specificarea probit, iar n
acest scop, funcia logistic P(vi 0) stipulat n (7.2) poate fi realizat
aproape identic cu analogul
16
n limba englez: integrating over the distribution.
vi
(vi / ) ( i 0, 2 )d i ,
0
printr-o ajustare apropriat a lui 2 . n msura n care scala privind alegerea

discret a modelelor este irelevant, aceasta implic c cele dou specificaii
sunt n mod esenial echivalente dintr-o perspectiv inferenial. Totui,
considerentele computaionale reprezint un ghid justificabil pentru alegerea
ntre cele dou alternative de modelare.
n contextul privind alegerea consumului, logit binar poate fi derivat dup
cum urmeaz n text. Presupunnd c exist doar un singur produs pe pia, iar
consumatorul se confrunt cu o alegere privind achiziia bunului respectiv sau
nicio alegere. Putem specifica utilitile privind cele dou alternative ca
Ui 0 i 0 ,
Ui1 Vi1 i1 ,
cu i 0 i i1 fiind mutual independente i fiecare urmrind distribuia Gumbel

(extreme value type I). Stabilind ui U i1 U i 0 , vi Vi1 , i i1 i 0 conduce
direct la modelul din (7.1). Dac n continuare cineva presupune relaia
econometric convenional vi x ' , atunci (7.1) ofer cota de pia pentru
un singur produs (dac proporia clienilor care aleg s l achiziioneze),
respectiv
s1
ex'
.
1 ex'
Totui, n afar de apelul pedagogic, aceast formulare a gsit mai degrab o

limitare practic n utilizarea marketingului; respectiv, cineva se confrunt rar
cu probleme interesante de marketing privind un monopolist cu un singur
produs.
Aa cum descrie Cramer (2003), funcia logistic are o istorie lung i
oarecum ambigu, ce dateaz ncepnd cu modelarea creterii populaiei a lui
Pierre-Francois Verhulst. Este suficient de menionat c i-a fost atribuit
puin importan pentru aproape un secol nainte ca Berkson s formuleze
propoziia important. Este remarcabil n acest sens extensia pn la care
106
procesul logistic a fost relaionat cu diverse fenomene naturale dintr-o

varietate de domenii. Ctui de puin din aceste descoperiri aparin muncii lui
McFadden care a realizat o extensie uoar a funciei logit la maximizarea
aleatoare a utilitii. Ingeniozitatea acestei idei se afl n simplicitate - i aa
cum a fost discutat n Capitolul 6 a deschis ui la una din cele mai prezente
paradigme empirice din cercetrile moderne ale tiinelor sociale. Logit
multinomial (LNM) aa cum a ajuns s fie cunoscut, a condus la un model care a
avut nivele fr precedent n satisfacerea nevoilor empirice ale modelrii:
cumptare, robustee i convenien computaional. Vom orienta acum
atenia ctre o analiz n profunzime ale mecanismului privind aceast
specificare.
7.3 Logit Multinomial i independena alternativelor irelevante

Multe din descrierile privind LNM au fost deja acoperite n Capitolul 6, n
principal deoarece este aproape imposibil de discutat MUA separat de LNM.
Probabilitatea alegerii LNM care conduce la cota de pia (6.7) poate fi n
general scris n termenii modelului (6.1) ca
Pij
Vij
1 h 1 eVih
m
,(7,3)
care este cunoscut ca funcia logistic multinomial. Faptul c probabilitatea

alegerii din (7.3) este consistent cu MUA a fost stabilit de McFadden ca o
extensie uoar a cercetrii precedente din psihologia cognitiv. n particular,
Luce (1959) a demonstrat c presupunnd constant raportul probabilitii
Pij / Pih cu privire la alte alternative din setul de alegeri, poate fi artat c trebuie
s existe utiliti stricte Wi1 , ,Wim astfel ca
Pij
Wij
1 h 1Wih
m
.(7.4)
Luce s-a referit la aceast axiom ca independena alternative irelevante (IAI), iar
Marshak a artat n formularea lui privind MUA c IAI implic MUA. ntradevr, contribuia original a lui McFadden a fost un pic mai mult dect s-i
dea (7.4) o form econometric: Wij eV , cu Vij specificat ca o funcie

econometric (tipic liniar) care coreleaz componenta sistematic a utilitii cu
atributele observate i a parametrilor estimabili (McFadden, 2001)!
Problema mare care a dominat consecina acestor dezvoltri este
veridicitatea IAI n descrierea comportamentelor din lumea real. La un nivel
individual, IAI (dei nu n ntregime inofensiv) este de multe ori considerat
acceptabil. De fapt, Luce (1959) a vzut IAI ca fiind proprietatea natural a
unui model de alegere probabilistic bine-specificat i a derivat (7.4) ca o consecin
a celei din urm. Ipotetic, aceast viziune poate fi ntotdeauna admis prin
condiionarea probabilitilor la suficienta informaie despre individ i a
alternativelor adic, prin extinderea apropriat a specificrii lui Vij . Totui, un
scenariu mai problematic apare cnd IAI este extins la un nivel agregat,
respectiv cnd utilitatea reprezentativ ( V j ) este omogen iar probabilitatea
alegerii din (7.3) este echivalent cu cota de pia din (6.7). n acest caz, IAI
devine analog cu substituia proporional i exercit o influen direct
advers asupra analizei echilibrului cotelor de pia. Pentru exemplu cu camera
digital, specificarea LNM cu V j omogen semnific c introducerea camerei
handheld mbuntite P1 modific proporional toate celelalte cote s0 , s1 , s3 , s4 ,
astfel c raporturile {s j / sh } pentru fiecare pereche j, h 2 sunt complet
neafectate de mbuntiri. Mai mult, cel din urm se menine indiferent de
cum P1 altereaz preului noii camere handheld!
Avantajul lucrului cu un model LNM privind cotele de pia este pe de alt
parte legat de uurina cu care se computeaz derivatele privind propriul pre
ij
ds j
dp j
dV j
dp j
s j (1 s j ) (7.5)
i derivatelor preurilor ncruciate

ds j
dph
dVh
s j sh (7.6)
dph
Cnd utilitile sunt liniare n preuri, aceasta conduce n continuare la

simplificare deoarece utilitatea marginal a venitului este constant n acest caz,
adic dV j / dp j . Pentru a aprecia mai bine conveniena analitic, la fel ca
108
i implicaiile substituiei proporionale, considerm nc o dat obiecia

Analistului 2 la analiza Analistului 1 ca realiznd o eroare c nu a luat n
considerare reacia strategic privind P2 n termenii preuirii propriei camere
handheld. Pn la acest punct, reamintim c modelul Analistului 1 conduce la
LNM privind cotele de pia, i n consecin, dac se presupune c P2
urmrete ntotdeauna un pre de maximizare a profitului, trebuie s rezolve
problema de optimizare
max( p4 c4 ) s4 ( p4 )n, (7.7)
p4
unde orice costuri fixe poteniale ntlnite de P2 sunt omise deoarece sunt
irelevante pentru optimizare.
Fiind dat (7.5), conditiile necesare de ordinul 1 (CNO) pentru maximizarea
profitului pot fi exprimate ca
1 ( p4 c4 )(1 s4 ( p4 )) 0,(7.8)
care este o ecuaie nonliniar n preul p4 . Pentru aproximarea preului optim

p4* este posibil implementarea Metodei Newton. Dar aceasta nu este necesar
pentru a rspunde criticii Analistului 2. Specific, se observ c indiferent care
este soluiia exact pentru p4* , ea depinde numai de trei factori: utilitatea
marginal a venitului ( ), costul marginal ( c4 ) i cota de pia ( s 4 ). n timp ce
i c4 sunt constante, cota LNM s 4 depinde numai de utilitile reprezentative
V1 ,,V4 . Prin urmare, att timp ct creterea preului (de 100) n camera
handheld P1 se potrivete exact cu valoarea obinut prin mbuntirea
atributelor, astfel ca V2 rmne neschimbat (aa cum a fost propus de
Analistul 1), atunci P2 nu i va altera preul.
Cu toate acestea, poate fi de interes aproximarea direct a lui p4 . De
exemplu, cineva i poate dori s compare preul actual de 180 stabilit prin P2
pentru preul previzionat prin modelul de maximizare a profitului prezentat
deasupra. Exist uor de derivat algoritmul numeric necesar datorit naturii
ordonate a lui (7.8). Din nou, ncepem prin specificarea utilitii reprezentative
ca V j j p j , unde j capteaz toate prile relevante privind atributele
fizice ale camerelor i poate fi interpretat ca fiind calitatea medie. Mai mult,
V V
definim V 4 c4 i S eV j 1 e
. Utiliznd aceast notaie,
urmtorul algoritm simplu genereaz aproximarea dorit:

Algoritmul 7.1 Metoda Newton pentru Aproximarea p4
1. Definim x V j Vj i
f ( x ) S ( x 1) e x ,(7.9)
ale crei derivate este

f '( x ) S e x .(7.10)
Clar, f ( x ) 0 este echivalent cu condiia de prim ordin din (7.8).

2. Aproximarea x * - soluia pentru f(x)=0 utiliznd Algoritmul 4.1.
3. Dac Pasul 2 produce cu succes rdcina x * , computm
p4*
x*
c4 . (7.11)
Se observ c n termenii Algoritmului 7.1, f(x) este monoton cresctoare n x pe

( , ) . Se observ imediat c f(x) are o rdcin unic ca soluie pentru (7.9).
Mai mult, derivata n rdcina f '( x* ) Sx* este non-zero deoarece S 0
(adic pentru , 4 , c4 finite) i x* 0 n virtutea lui f (0) S 1 0. Luate
mpreun, aceasta garanteaz c Metoda lui Newton pentru Pasul 2 converge
ctre o rdcin unic x * pentru orice valoare de start a lui x 0 . Totui, se
observ c la nivelul preului optim p4* ,
x ( p4* )
1
, (7.12)
1 s4 ( p4* )
110
care implic faptul c soluia lui f ( x ) 0 trebuie s fie n intervalul

x* ( , 1 . n consecin, ar fi inteligent n interesul accelerrii
convergenei de specificat o valoare de start n acest interval.
7.4 Logit nested

Din discuia din Seciunea 7.3 este potrivit de concluzionat c IAI poate fi
valid pentru anumite seturi de alternative i nu pentru altele. Reiese c aceast
idee conduce la o extensie simpl a LNM. ntr-adevr, dac grupm produsele
ntr-un set de alegeri dat astfel ca:
1. IAI ine pentru oricare dou alternative din acelai grup,
2. IAI poate ceda pentru oricare dou alternative din diferite grupui de
produse,
atunci o astfel de specificare ar permite tipare de substituire mai flexibile i
totui s ofere cote de pia uor de mnuit. Specific, aceast abordare de
modelare este n mod obinuit cunoscut ca logit nested (LN); probabilitatea de
alegere care rezult este
Pij
Vij /
Dg1 f 0 D f
G
, (7.13)
unde
Dg
Vih /
hGg
i G g denot setul de alternative aparinnd grupului g {0,, G} (la care se

mai face referire n cercurile tehnice ca la nested). Menionm c prin convenie,
grupul g = 0 conine doar o singur alternativ varianta de non-achiziie.
Ca nainte, cnd se presupune c utilitatea reprezentativ este omogen, Pij
din (7.13) este i cota de pia LN (cu Vij nlocuit de V j ). De aceea, la fel ca n
specificarea LNM, LN este convenient computaional att pentru estimaii
(aa cum au fost acoperite extensiv de textele citate anterior) ct i pentru

simulare. Inovaia cheie din aceast formulare relativ la cota de pia LNM este
parametrul [0,1] . nsi parametrul, denumit adeseori parametrul log-sum,
poate fi interpretat ca msurnd gradul de corelaie pentru produsele din
acelai grup.17 ntr-un sens mai larg, parametrul controleaz tiparele de
substituie intra i inter-grupuri. De exemplu, cnd 1 , toate grupurile de
produse din cadrul grupului sunt complet independente i LN se reduce
simplu la LNM (adic grupurile nu au o semnificaie folositoare); cea din
urm poate fi uor verificat prin setarea 1 (7.13). La extrema opus,
atunc cnd 0 , produsele din cadrul grupurilor sunt perfect corelate.
Aceasta implic c n cadrul unui grup, produsele se disting numai pe baza
caracteristicilor lor observate (captate de V j ) i exact un singur produs din
cadrul grupului atinge o cot condiionat egal cu unu18.
Situaia n care 0 este interesant n msura n care la aceast extrem,
IAI d gre numai ntr-un sens foarte restrns. De exemplu, considerm trei
produse (suplimentare variantei de non-achiziie19) i trei grupuri: {0}, {1,2},
{3}. n acestea, produsul 0 (bunul extern) i produsul 3 aparin grupurilor
individuale, n timp ce produsele 1 i 2 aparin aceluiai grup. Acum,
considerm cotele de pia ale produselor 1 i 3. Cnd 0 , raportul cotelor
este dat de
V V
s1 e 1 3 dac V1 V2
s3 0
altfel.
De aceea, pentru orice schimbri n atributele sau preul produsului 2, s1 / s3

nu este afectat att timp ct se pstreaz ordinea V1 ,V2 . Adic, atunci cnd
iniial V1 V2 , iar o scdere a preului produsului 2 nu inverseaz aceast
inegalitate, atunci s1 / s3 exp{V1 V3} chiar i dup ce se modific preul.
17
Pentru uurarea expunerii, (7.13) se bazeaz pe un singur
pentru toate grupurile de produse.
Aceasta poate fi uor generalizat pentru a permite fiecrui grup s aibe propriul
g , n schimbul
simplu este echivalent cu notarea

0 G . Fcnd aceasta nu este influenat efectiv intuiia utilizat n aceast seciune.
unei notaii mai complicate. Pe de alt parte, lucrul cu un
18
19
n limba englez: conditional share equal to unity.

n limba englez: outside good.
112
Totui, odat ce reducerea preului atinge un anumit prag astfel ca V2 V1 ,

atunci s1 scade imediat la zero, la fel ca raportul s1 / s2 , iar aceasta predomin
pentru orice reducere viitoare de pre a produsului 2 (sau alte schimbri ale
atributului care sporesc V2 , din acel motiv).
Se evideniaz n acest exemplu extrem c flexibilitatea n tiparele de
substituie oferit de LN este maximizat pentru valori moderate ale lui (s
spunem aproape de 0,5). Pe msur ce tinde la oricare dintre extreme (ctre
0 sau ctre 1), aceast flexibilitate degenereaz repede i substituia restrictiv
se reinstaleaz din nou. Consecina important a acesteia este c modul n care
cineva alege s grupeze produsele este foarte important n proiectarea LN
(logit nested). n anumite situaii, o grupare particular poate fi natural; totui,
de multe ori, este mult mai puin clar cum ar trebui abordat gruparea. Aceasta
reprezint problema principal (i sursa primar a criticilor) a LN: cercettorul
trebuie s aleag a priori o anumit structur de grupare, chiar dac exist
puin ghidare teoretic n a face acest lucru. Cu toate acestea, o grupare
important ad hoc poate compromite nsi motivaia pentru specificarea LN
de la bun nceput adic, tipare de substituie mai flexibile. Un exemplu de
dou scheme posibile de grupare (din numeroasele posibile) pentru exemplul
cu camerele digitale este prezentat n Figura 7.4 i este utilizat o structur
decizional n form de arbore.20
Cnd o grupare este aleas astfel ca 0 1 , se vede clar din (7.13) c
raportul cotelor de pia pentru oricare dou produse din diferite grupuri
(adic j Gg i h G f ) poate depinde de caracteristicile altor produse:
sj
sh
20
(V V )/
e ij ih
. (7.14)
( Dg / D f )1
Se observ c n timp ce este obinuit s se prezinte gruparea alternativelor printr-un arbore al

deciziilor, aceasta nu ar trebui confundat prin a implica c LN prespune ca deciziile s fie luate
secvenial. n particular, nu exist nicio ipotez de comportament care s precizeze c un individ
alege mai nti un grup, iar apoi o alternativ din cadrul grupului ales anterior.
Bazat pe productor
Bazat pe tipul modelului
Figura 7.1: Dou posibile grupri ale alternativelor privind camera digital
pentru o specificare logit nested.
Acesta este motivul pentru care atributele altor produse din grupurile g i f
intr n ecuaie prin Dg i D f . Totui, produsele din alte grupuri dect g i f
rmn irelevante o schimbare n atributele unui astfel de grup de produse tot
afecteaz proporional pe s j i s h . Aceast proprietate a lui LN seamn bine
cu IAI la un nivel de grup i este cunoscut ca proprietatea independenei nesturilor irelevante21 (INI). Mai mult, pentru oricare dou grupuri cu cote de pia ale
grupurilor echivalente, Dg D f i prin urmare, IAI predomin din nou pentru
oricare pereche de produse din cele dou grupuri. Prin urmare, esenial este c
ceea ce LN realizeaz n termeni de relaxarea IAI la un nivel individual al
alternativelor este s mping aceast proprietate pn la nivelul gruprii.
Un numr de generalizri ale LN de baz au fost propuse de-alungul anilor.
Cele mai evidente extensii ale proiectrii pentru un nivel de grupare prezentat
n aceast seciune este n termenii ierarhiei de grupare. Adic, cineva s-ar
putea acomoda cu proprietatea INI la nivelul iniial al gruprii printr-o alt
grupare n continuare a acelor grupuri. Aceasta poate fi repetat de mai multe
ori dac este necesar s se ating nest-uri pe multi-nivele (ca urmare a utilitii
reprezentrii arborelui de decizie). Efectul rezultat al operaiei este din nou
forarea IAI la niveluri mai mari de grupare. Pentru a o generaliza pe cea din
urm, un numr de extensii au fost propuse i orientate spre relaxarea
restriciei c orice alternativ particular trebuie s fie un membru a exact unui
grup (sau cuib). Aceast clas de modele este captat de logit generalizat nest22
(LGN) de Wen i Koppelman (2001), care permite fiecrei alternative s fie
simultan o component a oricrui numr de nest-uri. ntr-adevr, cea din urm
21
22
n limba englez: independence of irrelevant nests.

n limba englez: generalized nested logit.
114
este cea mai general variant a LN care nc menine proprietatea uor de

mnuit analitic a probabilitii alegerilor, dei estimarea acestui model este
semnificativ mai elaborat n comparaie cu LN datorit nevoii de estimare a
unor parametri suplimentari de alocare mG23. Cea din urm este de asemenea
o piedic pentru simulare.
Berry (1994) ofer o viziune seductoare (i cumva diferit) a LN.
Construit pe decompoziia termenilor eroare corelai (tipul I de valoare
extrem) propui de Cardell (1997), utilitatea produsului j aparinnd grupului g
poate fi scris ca
U ij V j ig ij . (7.15)
n aceast reprezentare, ig este o variabil aleatoare specific grupului,

independent de ij i este caracterizat de o distribuie ce are urmtoarele
proprieti:
1. este o distribuie unic astfel ca ig ij este distribuia tipului I de valoare
extrem,
2. este distribuia tipului I de valoare extrem pentru 0 ,
3. este degenerat la ig 0 pentru 1 .
Forma specific a lui dpf (densitatea de probabilitate a funciei) pentru
aceast distribuie este derivat n Cardell (1997). Prin dependena codificrii
grupului n termenii variabilelor G dummy {d g }Gg 1 (adic cu g = 0
reprezentnd grupul exclus), utilitatea pentru produsul j este n general dat de
G
U ij V j d g ig ij . (7.16)
g 1
Prin urmare, ig poate fi considerat ca un coeficient aleator privind

atributele care clasific fiecare alternativ ca aparinnd unui grup particular
de produse, dei cu o heterogenitate a distribuiei oarecum ciudat.
Cu toate acestea, (7.16) este n mod clar un anumit tip de logit mix introdus
n Capitolul 6 alturi de meritele sale n termenii construirii algoritmilor de
23
n limba englez: mG allocation parameters.
simulare. Un traseu alternativ pentru consolidarea flexibilitii tiparelor de

substituie este prin urmare unul ndreptat spre o specificare mai general a
logit mix (sau aa cum l denumete Bery (1994), modelul complet al coeficienilor
aleatori). Specificnd heterogenitatea distribuiilor coeficienilor ale altor
atribute reprezint un mod economic de adugare a robusteii dorite.
Desigur, maleabilitatea analitic a cotelor de pia LN nu va supravieui n
mod obinuit acestei forme de generalizare, dar ntr-un context orientat spre
simulare, reprezint n general un sacrificiu care merit fcut.24 Revenim la
logit mixt ca fiind fundaia pentru o analiz a cotelor de pia bazat pe
simulare n seciunea 7.6.
7.5 Logit ordonat

n aceast seciune deviem de la tema general a modelrii alegerii privind
consumul i orientm atenia spre o modalitate diferit (dei legate de)
aplicarea paradigmei logit: modelarea rspunsurilor ordonate. De multe ori
marketerii se confrunt cu astfel de date n analizarea rezultatelor
chestionarelor de cercetri de marketing. Specificrile logit se dovedesc a fi
foarte utile pentru acest scop. Specific, considerm un obinuit chestionar de
satisfacie al clientului, unde o ntrebare din chestionar este:
Per total, ct de satisfcut suntei cu serviciul online al
clienilor?
o Foarte nesatisfcut
o Nesatisfcut
o Neutru
o Satisfcut
o Foarte satisfcut
24
Este de interes de menionat c introducerea coeficienilor aleatori nu ofer doar tipare mai
complexe de corelare inter-produse, dar permite i heteroskedasticitate n model adic, varian
diferit a termenilor erorilor printre alternative. ntr-adevr, nsi heteroskedasticitatea joac un
rol important care st la baza modelrii tiparelor de substituie. Totui, orice extindere a lui LN
care conserv maleabilitatea analitic a cotelor de pia este n cele din urm homoskedastic.
Indiferent de cum sunt modelate corelaiile ntre alternative (adic chiar cu independen deplin),
introducerea heteroskedasticitii produce o integral pentru probabilitile alegerii care nu are o
form nchis.
116
S presupunem n continuare c rspunsurile sunt obinute pentru un

eantion de clieni care sunt numerotai cu yi 1,,5 care reprezint nivelul
satisfaciei ales de respondentul i. Cum putem analiza aceste date ale studiului?
n practica de marketing, o abordare obinuit este tratarea lui y i ca o
variabil de msurare a intervalului privind satisfacia consumatorului i. Ulterior,
{ yi } este utilizat pentru computarea statisticilor precum mediile, corelaiile,
coeficienii etimai ai regresiei, etc., utiliznd metode specifice datelor continue.
Din nefericire, nu exist o justificare statistic sau cognitiv pentru aceasta i n
timp ce unii au ncercat s o justifice ca fiind practic de realizat sau
argumentnd c rezult din texte lider din domeniu (Dawes, 2008), aceast
abordare este inevitabil ad hoc, cu consecine poteniale periculoase. Aceasta
este n particular evident n tipul de aplicaii de marketing n care simulrile
sunt cele mai propice, aa cum va fi discutat mai detaliat imediat.
Figura 7.2: Interpretarea cognitiv a indexului de satisfacie a unui rspuns din

chestionar.
Un mod alternativ de analizare a rspunsurilor privind tipul de ntrebare
propus deasupra urmeaz a fi prezentat. S presupunem c satisfacia fiecrui
respondent poate fi ntr-adevr reprezentat printr-un index de satisfacie,
i , dar nu este observabil de ctre cercettor (adic similar unui index de
utilitate). Consistent cu teoria cognitiv, individul este incapabil de a comunica
direct aceast cantitate adic nu este direct msurabil pe o scar
cantitativ.25 Prin urmare, metodologia studiilor dicteaz c indexul s fie
obinut prin utilizarea unei scale de puncte fixe (cum este scala de msurare n
cinci puncte prezentat mai sus). n consecin, procesul prin care individul i
transpune indexul privind propria satisfacie ntr-un rspuns din chestionar
poate fi modelat prin mprirea liniei reale (, ) n intervale i apoi alegerea
25
Specific, putem cere unui respondent s declare un numr care reprezint nivelul su de
satisfacie, dar cineva nu trebuie s atepte consisten n aceste rspunsuri. Adic, atunci cnd un
chestionar se repet, numrul s-ar putea schimba de fiecare dat.
intervalului care capteaz i . Evident, intervalele mai largi uureaz sarcina

respondentului (i reduc astfel erorile de msurare), dar redau mai puin
informaie privind rspunsurile.
Aceast procedur este demonstrat grafic n Figura 7.2 pentru ntrebarea
privind satisfacia clientului. Notm c pentru a crea cele cinci intervale, sunt
necesare patru puncte de ntrerupere (notate 1 ,, 4 ). Algebric, relaia dintre
rspunsul y i i indexul latent Z i este dat de yi r dac r 1 Z i r , unde
0 . Aa cum a fost menionat mai devreme, r este prin convenie un ntreg
1,,5 ce denot cinci opiuni de la Foarte nesatisfctor la Foarte satisfctor.
Totui, aceast codificare este complet arbitrar; atribuind valorile
1.2,3.5,11.3,11.8,21.1 celor cinci niveluri de satisfacie, de exemplu, este la fel
de valid. n termenii expunerii tehnice de deasupra, tratarea lui y i ca o scal de
msurare a intervalului este echivalent cu a presupune c 0 , , 5 sunt la
distane egale adic, linia real este divizat n intervale egale! Intuitiv
implicaia minimal este c diferena n satisfacie ntre Nesatisfctor i Foarte
Satisfctor este aceeai cu (de exemplu) diferena dintre Satisfctor i Neutru.
Acum, s presupunem c satisfacia este descompus n componente observabile
i neobservabile ca Zi Wi i i presupunem c i este distribuit logistic. Fiind
date punctele de tiere cu linia, probabilitatea ca individul i s aleag nivelul de
satisfacie r este
e 1 Wi
P( yi 1)
,
1 e 1 Wi
e r Wi
e r 1 Wi
P( yi r )
, r 2,, 4, (7.17)
1 e r Wi 1 e r 1 Wi
e 4 Wi
P( yi 5) 1
.
1 e 4 Wi
Aceste probabiliti logit ordonate pot fi apoi utilizate pentru estimarea

(parametrilor lui) Wi i a punctelor de tiere 1 ,, 4 . Procedurile pentru a face
asta sunt similare cu cazul logit binomial i n consecin prezint dificulti
suplimentare.
Pentru a aprecia importana metodologiei logit ordonate, considerm
urmtorul exemplu simplu. S presupunem c ntrebarea de mai sus privind
satisfacia consumatorului reprezint o parte a unui chestionar condus de un
118
monopolist ce comercializeaz un singur produs i care se gndete la

posibilitatea c satisfacia (ateptat a consumatorului) afecteaz deciziile de
achiziie ale consumatorului. Dac ateptarea general a consumatorului
privind calitatea serviciilor online ale clienilor sunt suficient de precise,
atunci un model apropriat MUA poate fi specificat ca
Ui V Zi i ,
cu i distribuit logistic astfel ca probabilitatea alegerii este

eV Zi
P1
.
1 eV Zi
Desigur c P1 poate fi uor interpretat ca fiind cote de pia s1 prin

integrarea n distribuia lui Z i . Pentru argumentare, presupunei c ntr-o
anumit perioad, o cot de pia a lui s1 0.5 este realizat (adic, jumtate
din populaie opteaz pentru varianta de non-achiziie). Monopolistul nu vede
acest lucru ca fiind satisfctor i se ntreab dac mbuntind calitatea
serviciului online pentru clieni va spori vnzrile.
n consecin, chestionarul privind satisfacia este administrat la 10 clieni i
avnd caracteristici similare, astfel ca toi zece rspund identic: Neutru. n
perioada care urmeaz, monopolistul experimenteaz cu o mbuntire simpl
reduce timpul de rspuns prin adugarea unui reprezentant suplimentar ntre
12:00 i 16:00 - i repet chestionarul cu alt eantion de zece indivizi care au
caracteristici similare (ntre ei la fel ca i cu grupul chestionat anterior). A doua
rund de chestionare privind satisfacia clientului produce un nou rezultat: toi
zece respondenii pretind c sunt Satisfcui. Totui, cota de pia rmne
constant la s1 0.5 . Exerciiul este apoi repetat a treia oar prin extinderea
timpului reprezentantului de la 9:00 la 18:00. Din nou, un al treilea grup de
indivizi caracterizai similar sunt chestionai, dar de data aceasta rspunsul
obinuit rmne neschimbat la satisfacie Neutr. Pe de alt parte, n timpul
celei de-a doua perioade experimentale, cota de pia sporete gradual ctre
s1 0.7 (dei nu sunt modificate alte atribute ale produsului). Monopolistul
concluzioneaz c efectul serviciului de clieni online privind deciziile de
achiziie nu este semnificativ, relativ la ali factori idiosoncratici (adic este

neglijabil de mic).
Cineva poate gsi nu numr de erori metodologice n abordarea
monopolistului, dar cea mai semnificativ dintre acestea este eroarea c Z i este
msurat direct prin ntrebrile din chestionar (adic yi Z i ). Esenial, linia
monopolistului de raionament care ar trebui urmrit se afl prezentat n
continuare n text. n prima rund a mbuntirilor privind serviciul de clieni
online, satisfacia a sporit printr-un nivel de satisfacie, dar cota de pia a
rmas neschimbat. n perioada urmtoare, satisfacia nu a fost afectat, dar
cota de pia a sporit. n consecin, nu exist o legtur semnificativ ntre
satisfacia consumatorului cu serviciul online i utilitatea privind achiziia
produsului. Desigur c cineva poate lua n considerare anumite condiii cnd
astfel de raionament aproximeaz legitim fenomenul evideniat. Totui,
contraexemple convingtoare exist n abunden.
Ca scenariu extrem, imaginai-v c la nceput indicii satisfaciei grupului
{Z i(0) } sunt concentrai aproape de 3 , dar cu toate acestea Z i(0) 3 astfel ca
yi 3 pentru fiecare i. Dup mbuntirea iniial, satisfacia sporete uor
astfel ca Z i(0) 3 ; sporirea n Z i este suficient pentru a compensa pragul de
la Neutru la Satisfctor, dar prea mic pentru a induce o schimbare n decizia de
achiziie a majoritii consumatorilor. n ultima etap, satisfacia sufer de fapt
o sporire mai substanial dect dup prima rund de mbuntiri, astfel c ce
st la baza Z i( 2) este de fapt prea aproape de 4 . Creterea n Z i exercit efecte
notabile asupra nivelelor de utilitate iar cota de pia sporete, dar deoarece nu
este suficient pentru a compensa 4 , respondenii continu s raporteze
Satisfctor. Acestea presupun o explicaie simpl pentru posibilele interpretri
greite ale rezultatelor: schimbrile n Z i nu corespund bine schimbrilor din
y i datorit faptului simplu c cel din urm este o funcie Stepwise a primei.
Monopolistul poate astfel s considere mbuntirea abordrii sale prin
aplicarea direct a specificrii logit ordonate. Un simplu mod de a realiza asta
este orientarea spre probabiliti (7.17) ca fiind evaluri ale mbuntirii
satisfaciei. ntr-adevr, acestea corespund direct la ceea ce st la baza Z i i
sunt funcii fine privind msurarea atributelor care afecteaz satisfacia
consumatorului. (adic timpul de ateptare) n mod clar, odat ce modelul este
calibrat i parametrii sunt corespunztor estimai, probabilitile sunt uor de
computat. Alternativ, cineva poate lua drumul simulrii i s se concentreze
120
direct pe indexul latent Z i . Un algoritm similar cu Algoritmul 6.1 poate fi

derivat pentru acest scop. Un produs secundar convenabil al acestei abordri
este c pentru orice mbuntire ipotetic privind serviciul clientului este
posibil de evaluat eficient att efectele privind decizia de achiziie a
consumatorului ct i a rspunsurilor privind chestionarele de satisfacie, n
acelai timp. Totui, specificarea probit este considerat n general a fi mai
convenabil n acest context.
7.6 napoi la Logit Mixt: o simulare complet a cotelor de pia

ale camerelor digitale
Avnd arsenalul instrumentelor de modelare i simulare dezvoltate pn la
acest punct, s revenim la provocarea confruntat de Analistul 3. Din nou,
sarcina principal era s gseasc o schem de pre pentru cele trei camere
produse i vndute de P1, astfel ca dup mbuntirile camerei handheld P1,
cotele de pia de la nceput s1 0.131, s2 0.290, s3 0.363 - nu sunt afectate
semnificativ. n mod normal, ea procedeaz la construirea unui simulator
simplu privind cotele de pia, bazat pe cadrul MUA. Urmrind exerciiul de la
Capitolul 6, definim calitatea medie ca n (6.17) i scriem utilitatea ca
U ij j i p j ij , (7.18)
care condiional cu i , conduce la probabilitatea alegerii

V
Pij
e ij
1 h 1 eVih
4
, (7.19)
unde Vij j i p j i i este distribuit log-normal ca n (6.12). De aceea, cota

de pia a produsului j este dat de s j E ( Pij ) . Mai mult, Analistul 3
presupune c P2 seteaz preul camerei handheld pentru a-i maximiza
profiturile, conform lui (7.7). CNO (condiiile necesare de ordinul I) pentru un
p4 optimal este n consecin
i
Ei ( Pi 4 ) ( p4 c4 ) Ei (i Pi 4 (1 Pi 4 )) 0. (7.20)
Pentru a simula reacia cotelor de pia la schimbri n atributele i preurile

camerelor P1, Analistul 3 dezvolt un algoritm care combin Metoda Newton
cu simularea Monte Carlo, aa cum a fost discutat n Capitolul 5. Pn la acest
punct, definete
f ( p4 ) p4 c4 4 , (7.21)
f '( p4 ) 2
42
s4
Ei (i2 Pi 4 (1 Pi 4 )(1 2 Pi 4 )), (7.22)
unde
s4
(7.23)
Ei (i Pij (1 Pij ))
este markup n echilibru pentru camera handheld P2. Dei proprietile lui f(p4)
i f(p4) nu sunt uor de derivat analitic, un mod rapid de analizarea a
caracteristicilor ce urmeaz Metoda Newton este de a studia grafic pe f(p4).
Deoarece problema studiat este unidimensional, o abordare direct pentru
construirea graficului necesar ncepe prin definirea unei grile fine de puncte Q
pentru variabila de pre p4 (pe intervalul 0 p4 p4(max) ):
1
2
p4(max) , p4(max) ,, p4(max) .
Q
Q
Atunci, pentru fiecare punct
q (max)
p4
funcia f () poate fi evaluat prin
Q
integrare Monte Carlo iar rezultatele reprezentate grafic corespunztor.

Rezultatul este demonstrat n Figura 7.3, pentru p4(max) 500 .26 Se vede c n
acest interval, f(p4) are o rdcin unic (pe la aproximativ 175). Exist puine
motive de preocupare c pot exista alte rdcini pentru p4 500 deoarece este
evident c pe msur ce p4 probabilitatea condiionat a alegerii Pij 0
i f p4 .
26
Notm c Figura 7.3 a fost generat utiliznd o gril de mrimea Q = 100, care este suficient
pentru a produce o imagine informativ.
122
Figura 7.3: Funcia simulat f(p4) pe intervalul 0 p4 p4(max) .

Cu privire la consideraiile de mai sus, Analistul 3 propune urmtorul algoritm:
Algoritmul 7.2. Simulatorul cotelor de pia ale camerelor digitale
1. Eantionarea de n extrageri de i din distribuia sa heterogen utiliznd metode
Monte Carlo.
2. Iniializarea valorii de start pentru Metoda Newton (adic p 4,0 ).
3. Pentru fiecare iteraie t 1,, T ,
(a) Computarea valorii curente aproximate p4,t din valoarea aproximat anterior p4,t 1 ca
f ( p4,t 1 )
p4,t p4,t 1
,
f '( p4,t 1 )
unde
f ( p4,t 1 ) p4,t 1 c4 4,t 1 , (7, 24)
4,2 t 1 1 n 2
f '( p4,t 1 ) 2 [ i Pi 4,t 1 (1 Pi 4,t 1 )(1 2 Pi 4,t 1 )], (7.25)
s4,t 1 n i 1
date fiind
1 n
s4,t Pi 4,t , (7.26)

n i 1
s4,t
4,t
, (7.27)
1 n
i Pi 4,t (1 Pi 4,t )
n i 1
i
Pi 4,t
4 i p4,t
1 h 1 e
4
h i ph ,t
. (7.28)
(b) Verificarea dac algoritmul a avut convergen: dac p4,t p4,t 1 , returneaz p4,t
ca fiind soluia aproximativ la (7.20), altfel continu la urmtoarea iteraie t + 1
(att timp ct t < T).
4. Dac dup T iteraii algoritmul nu a avut convergen, sau a returnat o eroare, altfel se
continu la Pasul 5.
5. Aproximarea cotelor de pia rezultate ca
1 n
s j Pij , (7.29)
n i 1
unde Pij este computat fiind date preurile definite de utilizator p1 , , p3 i preul
aproximat optimal p4 (ca rezultnd din Etapa 2 4).
6. Repetarea Pailor 2-5 utiliznd diferite preuri p1 , , p3 (adic prin ncercare-ieroare) pn cnd cotele de pia dorite sunt obinute.
Restul acestei seciuni este dedicate implementrii Algoritmului 7.2 n
practic, utiliznd toate informaiile privind ipotetica pia a camerelor digitale
prezentate n text.
ncearc singur:
nc o dat, pregtii spaiul de lucru n Excel prin introducerea valorilor
medii ale calitii (post-mbuntite)
124
` 5, 2 8, 3 9, 4 7,
alturi de preurile i costurile fiecrei camere, ntr-o foaie denumit tablou de

bord. Pentru moment, specificai preurile
p1 50, p2 250, p3 350,
pentru camerele P1 i lsm gol preul camerei handheld P2 deoarece acesta va

fi computat de ctre algoritm. De asemenea, adugai o coloan pentru cotele de
pia simulate pentru a fi completate de ctre simulator.
Pentru pasul urmtor, setai Metoda Newton pentru aproximarea preului

optim p4 pe o foaie separat, intitulat optimizarea p4. Lsai spaiu pentru
255 de iteraii pentru asigurarea convergenei. Din nou, orice valoare de start
p4,0 > 0 va merge, dei actualizarea preului de 180 pare cea mai rezonabil.
Pe a treia foaie intitulat sim MC iniiai rutina de simulare prin generarea

a 1000 de extrageri de i exact ca n exerciiul ncearc singur din Capitolul 6. Pe
urm creai patru coloane suplimentare pentru computarea cantitilor
eV , eV , eV i Si 1 eV eV eV . n cele din urm, trebuie alocat spaiu
pentru computarea Pij ,t . Deoarece cea din urm variaz cu fiecare iteraie a
Metodei Newton, necesit 25 de coloane suplimentare.
i1
i2
i3
i1
i2
i3
Computai cantitile eV ,V ,V pentru fiecare extragere de i . De exemplu,

pentru a computa eV pentru prima extragere de i , introducei formula
B1 B2 n celula D6 i procedai analog pentru celulele rmase n raza
D6 F1005 .
i1
i2
i3
i1
Apoi computai cantitatea intermediar S i , ncepnd cu formula

1 SUM ( D6 : F 6) n celula G6, care poate fi copiata-lipit pentru extragerile
rmase.
Pentru a construi Pij ,t ncepei prin introducerea formulei
126
EXP( dashboard !$ B$5 $C 6 * ' p 4 optimization '! B$2) /

($G 6 EXP( dashboard !$ B$5 $C 6 * ' p 4 optimization '! B$2))
n celula H6 i copierea-lipirea acesteia pentru extragerile rmase (adic celulele

H7-H1005).
Deoarece cota de pia pentru camera handheld P2 (s4) este aproximat prin
media eantionului a celei din urm, va fi folositoare n continuare computarea
acesteia prin adugarea unui rnd (adic rndul 1006) dup cum urmeaz:
Acum, putem completa partea simulrii stohastice a algoritmului prin

copierea-lipirea intervalului H6-H1006 pentru a conpleta intervalul I6-AG1006.
n acest moment, intervalul valorilor celui din urm ar trebui s apar identic.
Nu v facei griji: aceste valori se vor schimba i vor avea o semnificaie odat
ce este complet implementarea Metodei Newton. Aceasta se realizeaz prin
revenirea la foaia de lucru cu optimizarea p4 i completarea formulelor
pentru 4 , f ( p4 ) i f '( p4 ) dup cum urmeaz a fi prezentat n text. Pentru
computarea lui 4 , introducei
' MC sim '! H $1006 / AVERAGE (' MC sim '!$C $6 : $C $1005*
' MC sim '! H $6 : H $1005* (1 ' MC sim '! H $6 : H $1005))
n celula B3. Deoarece aceasta este o formul matrice n Excel, trebuie s o

terminai cu combinaia de taste: Ctrl-Shift-Enter. Pe urm, f(x) pentru
iteraiile iniiale este computat prin formula B2 dashboard !$D$5 B3 n
celula B4, iar derivata f(x) prin
2 B3 ^ 2 * AVERAGE (' MC sim '!$C$6 : $C$1005 ^ 2 *
' MC sim '! H $6 : H $1005*(1 ' MC sim '! H $6 : H $1005) *
(1 2 * MC sim '! H $6 : H $1005)) / ' MC sim '! H $1006
care este de asemenea o formul matrice. Prima actualizare pentru

aproximarea (p4,1) este obinut prin introducerea =B2-B4/B5 n celula C2, n
timp ce celulele care rmn pot fi completate prin copierea-lipirea
corespunztoare.
Suntem acum pregtii s computm cotele de pia simulate. Pentru a face

asta, revenii la pagina tablou de bord i introducei preul pentru camera
handheld P2 (adic celula C5) prin crearea unui link ctre output-ul rezultat din
Metoda Newton. Specific, formula este ' p4 optimization '! AA$2 . Similar,
cota de pia pentru camera handheld P2 este obinut prin realizarea unei medii
a eantionului probabilitilor de alegere (Pi4,25) finale (adic a 25-a iteraie)
generat de Metoda Newton. Acestea sunt nregistrate n coloana final a
poriunii din foaia de lucru sim MC, iar media necesar apare la ultima celul
din intervalul respectiv (adic celula AG1006). De aceea, cineva trebuie doar s
lege celula E5 cu tabloul de bord pentru celula relevant din sim MC cu
formula ' MC sim '! AG1006.
128
n final, cotele de pia pentru produsele P1 pot fi computate ca

V
s j Ei (
e ij
(1 Pi 4 )) , j=1,2,3.
Si
n termenii formulrii Excel, analogul eantionului este encodat ca

Camera keychain (E2)
Camera handheld (E3)
Camera SLR (E4)
Se observ c cotele de pia rezultate reflect diferene importante cu

privire la cotele originale. Cel mai notabil, sub schema de pre a Analistului 1,
modelul previzioneaz c cota de pia a lui SLR ar scdea sub aproximativ
2%. Aceasta este greu de neglijat avnd n vedere c SLR este cel mai
profitabil model. n lumina acestora, presupunei poziia Analistului 3 i
procedai cu un exerciiu simplu de ncercare-i-eroare de propunere a
diferitelor programe de diferite preuri i observai cotele de pia simulate. Ce
set de preuri {p1,p2,p3} conduce la cotele de pia care sunt cel mai aproape
de distribuia original adic, astfel ca fiecare s(jnou ) este pn n s(jvechi ) 0.05 ?
130
Bibliografie
Agresti, A. (2007). An Introduction to Categorial Data Analysis (Second ed.).

Hoboken: Wiley.
Berkson, J. (1944). Application of the logistic function to bio-assay. Journal of
the American Statistical Association 39, 357365.
Berkson, J. (1951). Why I prefer logits to probits. Biometrics 7, 327339.
Berry, S. T. (1994). Estimating discrete-choice models of product
differentiation. The RAND Journal of Economics 25 (2), 242262.
Cardell, N. S. (1997). Variance components structures for the extreme-value
and logistic distributions with application to models of heterogeneity. Journal of
Econometrics 13 (2), 185213.
Congdon, P. (2005). Bayesian models for categorical data. Chichester (UK): Wiley.
Cooper, L. G. and M. Nakanishi (1988). Market Share Analysis. Boston: Kluwer
Academic Press.
Cramer, J. S. (2003). Logit Models from Economics and Other Fields. Cambridge:
Dawes, J. (2008). Do data characteristics change according to the number of
scale points used? An experiment using 5-point, 7-point and 10-point scales.
International Journal of Market Research 50 (1), 6177.
Greene, W. H. (2003). Econometric Analysis (Fifth ed.). Upper Saddle River:
Prentice Hall.
Luce, R. D. (1959). Individual choice behavior. New York: Wiley.
McFadden, D. (2001). Economic choices. The American Economic Review 91 (3),
351378.
Train, K. (2003). Discrete Choice Methods with Simulation. Cambridge: Cambridge
University Press.
Wen, C. H. and F. Koppelman (2001). The generalized nested logit model.
Transportation Research B 35, 627641.

Cursuri Informatica Marketing

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cursuri Informatica Marketing

Transféré par

Droits d'auteur :

Formats disponibles

Simulri de marketing

2012 Editura InfoMega

III Alegerea consumatorului n aplicaiile de marketing .73

cantitile specifice solicitate n acest moment de ctre pia. De aceea, sporind

pentru fiecare camer handheld sporete cu 100. De aceea, nu este necesar

Fr o analiz atent a interaciunii strategice ntre furnizorii din pia,

Mai exact, ea argumenteaz c datorit mbuntirilor privind rezoluia i

Aa cum reiese, aceasta reprezint o aplicaie rudimentar de instrumente de

2 Aplicaiile de simulare n Marketing

Figura 2.1: Cutia neagr ntlnit de marketeri n designul politicilor de

Confruntat cu aceast cutie neagr, scopul marketerului este de a interveni

simulrii este ghidat de obiectivele particulare care se regsesc pe parcursul

2.2 Procesul simulrii de marketing

Figura 2.2: Procesul de simulare de marketing.

2.3 Proiectarea simulrilor pozitive

vreun anumit fel). De aceea, pentru marketeri, o proiectare pozitiv este o

2.4 Proiectarea simulrilor normative

ntmpinate n marketing prin simulrile normative. Cele mai importante ntre

cererea care consider constani parametrii preferinelor ar tinde s exagereze

2.5 Proiectarea simulrilor instrumentale

relativ uor; obinerea eantionelor aleatorii din rspunsurile oamenilor dintr-o

3 O privire asupra tehnicilor de modelare i simulare

i la un nivel teoretic. Extinderea unor astfel de modele la nite specificaii

3.2 Modelare teoretic

propriile produse etc.). Aceste decizii pot influena de asemenea cererea pe

ghidat de ctre obiectivele cercettorului. Cu toate acestea, cineva trebuie s

3.3 Modelarea empiric

Figura 3.1: Componentele unui model empiric de marketing.

3.4 Abordarea echilibrat

Figura 3.2: Echilibrul cadrului pentru construirea modelului.

Figura 3.3: Relaia teoretic dintre nivelul de complexitate al unui model i

II Drumul ctre simulare

4 Rezolvarea ecuaiilor neliniare i Metoda Newton

ntregi de algoritmi numerici care sunt utilizai ntr-o varietate de contexte

4.2 Metoda Newton unidimensional

unde x este un scalar (adic unidimensional) i f ( x) este orice funcie de x .

atunci o putem rezolva (adic gsim rdcinile) cu creionul utiliznd algebr

De aceea, dac tim de exemplu c a = 2, b = 1 i c = 4, atunci valoarea lui

Acum, nu este posibil s rezolvm f ( x ) 0 explicit pentru x utiliznd doar

1. O valoare de start (adic, ghicirea rezonabil a lui x 0 ca o soluie a lui x );

n cuvinte, dac se d o aproximare anterioar xt 1 atunci aceasta se va

converge local (adic ntr-o vecintate apropiat de rdcin) de la orice valoare

Se observ c algoritmul ajunge la soluie (cu patru cifre semnificative) dup

Tabel 4.1: Metoda Newton pentru f ( x ) x 2e x 4

menionat c acest pas final nu implic dificulti suplimentare de computaie

important de subliniat este c algoritmul va oferi doar o singur soluie

Tabelul 4.2: Rezultatele Metodei Newton pentru f ( x ) x 2 1 , pentru diferite

V amintii de la orele de algebr ct de dificil era rezolvarea ecuaiei cu

Care ar fi un start necorespunztor pentru valoarea de start din acest caz

(b) Verificarea dac algoritmul a avut convergen: dac xt xt 1 1 sau f ( xt ) 2

4.3 Metoda Newton multidimensional

unde x1 ,..., xn reprezint variabilele necunoscute. Presupunem c pentru n

Din algebra liniar este tiut c F(x) Jacobian este matricea n n a

Acum, utiliznd notaia n-dimensional, Metoda Newton poate fi

F ( xt ) 2 (sau ambele simultane), returneaz pe x t ca soluie aproximativ, altfel

continu la urmtoarea iteraie t+1 (ct timp t<T). Notm c c1 i c2 reprezint

4.4 Rolul n simulrile de marketing

pentru scopuri similare n transmiterea mesajelor publice. Cnd instrumentele

unde p reprezint preul produsului i yi reprezint venitul unui individ de tipul

De exemplu, se poate dori descurajarea fumatului sau consumului de alcool.

de problem de maximizare declarat n (1.9). Ca i o consecin, cantitatea pe

Economitii se refer la aceste ecuaii ca fiind cererea individual; ei stabilesc

De aceea, prin notarea