Multilevel, Hierarchical Linear Models and Marketing

Presentasi berjudul: "Multilevel, Hierarchical Linear Models and Marketing"— Transcript presentasi:

1 Multilevel, Hierarchical Linear Models and Marketing
James L. Oakley Dawn Iacobucci Adam Duhachek

2 Chapter Content Deskripsi tentang HLM Alasan penggunaan HLM
Aplikasi/penggunaan HLM

3 What is HLM? Adalah alat analisis data yang semakin banyak digunakan pada social science, termasuk marketing. Dikatakan hirarkikal karena terdapat micro units di dalam macro units. Misal: customers (sebagai micro unit) diklasifikasikan ke dalam segments (macro unit) berdasarkan brand preference

4 Basic Requirement Adanya micro level data yang akan dimodelkan sebagai fungsi dari micro/macro level data

5 Keunggulan HLM HLM dapat menggabungkan prediksi pada level makro dan mikro, sehingga dapat memprediksi dan memahami data dengan lebih baik. Konteks multilevel meningkatkatkan jumlah research questions. Sesuai untuk memecahkan masalah terutama pada data yang memiliki hubungan hirarkikal micro-macro dengan dan menyediakan informasi yang lengkap untuk mengukur semua variabel.

6 Meningkatkan Research Questions
Misal pada customers dan brands Perbandingan antar macro units: brand mana yang mendapatkan preferensi dan loyalitas paling kuat? Ketika pilihan brand lebih bervariasi, customers masih bisa di-nested berdasarkan pertanyaan, misal: pasta gigi apa yang anda gunakan saat ini? Cereal yang paling anda suka? Dimana akhirnya tiap customer hanya memiliki satu segmen.

7 Contoh

8 Basic Descriptive Statistics
Merek X Pendapatan Y Loyalitas n Audi 59,35 4,5 8 BMW 58,25 3,92 12 Honda 30,54 4,67 24 Porsche 88,43 3,14 7 VW 35,50 4,17 6 Total 47,42 4,25 57

9 OLS Regression Result Merek R-Squared  P-Value Audi 0,50 0,71 0,0489
BMW 0,26 0,0932 Honda 0,86 0,93 0,0001 Porsche 0,01 0,12 0,8032 VW 0,91 0,95 0,0031 Total 0,00 -0,07 0,6275

10 Pengantar dan Notasi HLM
Dalam tabel 7.1 terdapat : Macro unit : Brand Micro unit : Customers Masalah : data diukur dalam tingkatan yang berbeda Solusi : Aggregate micro level up to the macro level Disaggregate macro level down to the micro level

11 Pengantar dan Notasi HLM
Kritik terhadap aggregation : Data set terlalu kecil, tidak dapat dilakukan regresi Membuang informasi  data-data dari setiap individu pelanggan direpresentasikan dalam sebuah nilai untuk setiap variabel Kritik terhadap disaggregation : multicolleniarity

12 Pada contoh Model di atas adalah konstruk micro level, yang diprediksi oleh konstruk micro dan macro level Jika dependent variable-nya micro (misal kecenderungan untuk membeli merek ini lagi pada pembelian mobil berikutnya) dan diprediksi oleh micro variable lainnya seperti penghasilan, usia, gender (tanpa mempertimbangkan nested) maka dapat digunakan OLS regression.

13 Pada contoh Dengan HLM dimungkinkan menghitung hubungan tersebut secara simultan, pada level data yang berbeda, dan memungkinkan untuk memprediksi repeat purchase dengan brand yang bervariasi sehingga menghasilkan prediksi yang lebih akurat dan powerful. HLM dapat melibatkan macro level predictors seperti persepsi kualitas dan prestige merek.

14 Pada contoh Tabel 7.1. ilustrasi micro dan macro data
Figure 7.2. menampilkan plot data-data tsb Table 7.2. simple descriptive statistics Table 7.3. OLS regression

15 Contoh Riset dengan HLM
The effects of accountability on advertising managers’ reactions to a series of advertisements (Brown, 1999) Analyzing the conjoint ratings of key informants within multiple distribution channels (Wuyts et al, 2004) Understanding diffusion patterns through incorporation of economic growth patterns (Van den Bulte, 2000) and social contagion effects (Van den Bulte et al, 2004) Understanding the effects of satisfaction with specific aspects of an organization’s products or service on overall customer satisfaction across subunits of an organization (Malthouse et al, 2004)

16 Hierarchical Linear Model
Multilevel liner model Mixed effect model Random effect Model Random Coeffecient Regression Model Covariance Component Model

17 Mengapa HLM? 3 alasan statistical 2 alasan substantive

18 3 alasan statistikal HLM menampilkan struktur data yang inheren, mengatasi agregate dan disagregate untuk menghindari eror dan bias HLM menghindari dari masalah estimasi yang diakibatkan oleh disagregat (treating micro within macro unit if they were independent) dan kesalahan tipe I karena standar error yang terlalu kecil ketika memilih aggregation path. Membantu peneliti menghadapi isu statistical power (fitting micro-macro secara simultan lebih sensitif mendeteksi hubungan yang signifikan.

19 2 alasan substansial Hipotesis dapat dibuat pada level mikro dan makro
Cross level interaction, misal: sinergi antara prestige kendaraan (macro) dan consumers’ micro) penghasilan

20 Hierarchical Linear Model
HLM bermanfaat karena : Dapat menangkap perbedaan struktur data Menghindari masalah dalam melakukan prediksi yang dihasilkan dari disaggregation Membantu peneliti menyelesaikan isu-isu mengenai kekuatan statistik Bukanlah hal yang tidak biasa jika periset memiliki hipotesis pada tingkatan makro dan mikro dan secara empirik terdapat keingintahuan mengenai keseluruhan data Memungkinkan terjadinya cross level interaction

21 Persamaan 1j = ɣ10 + ɣ11Wj + u1j (macro, level 2, slopes)
Yi =0 +iXi + ei (fundamental micro level regression) Y = loyalitas X = pendapatan Yij =0j +ij (Xij - ẋj)+ eij (micro level 1) 0j = ɣ00 + ɣ01Wj + u0j (macro, level 2, intersepts) 1j = ɣ10 + ɣ11Wj + u1j (macro, level 2, slopes)

22 Persamaan 5a) Y1j = (ɣ00 + ɣ01Wj + u0j ) + (ɣ10 + ɣ11Wj + u1j ) (Xij - ẋj)+ eij 5b) Y1j = ɣ00 + ɣ01Wj + u0j + ɣ10(Xij - ẋj) + ɣ11Wj (Xij - ẋj) + u1j (Xij - ẋj)+ eij 5c) Y1j = ɣ00 + ɣ01Wj + ɣ10(Xij - ẋj) + ɣ11Wj (Xij - ẋj) + u0j + u1j (Xij - ẋj)+ eij  basic HLM model

23 Suitability Model 5c tidak lagi sesuai dijalankan pada OLS karena ada 3 eror dan interaksi mikro-makro. Dengan HLM model ini akan dijalankan secara simultan dan efek mikro dan makro dapat dideteksi. Intepretasi model HLM ini dapat dilihat pada halaman berikutnya

24 Intepretasi Model Perbedaan nilai U0j menggambarkan keragaman antar brands terhadap rata-rata brand loyalty. Perbedaan nilai U1j menggambarkan keragaman brand in term of slopes, yang menggambarkan kekuatan hubungan antara income dan brand loyalty Jika ɣ00 signifikan berarti overall brand loyalty mean tidak = nol Ɣ01 signifikan menandakan bahwa macro variable “prestige” membantu menjelaskan overall brand loyalty mean (jika ɣ00 positif, maka kenaikan prestige akan mempertinggi brand mean)

25 Intepretasi Model Ɣ10 signifikan menandakan bahwa overal brand slopes tidak = 0, artinya ada hubungan signifikan antara income dan loyalty Ɣ10 signifikan menandakan bahwa prestige membantu menjelaskan perbedaan brand slopes. Jika nilainya positif, kenaikan prestige akan memperkuat hubungan income dan loyalty.

26 Analisis Hasil Ɣ00 = (t=7.62 p=0.005) berarti ada efek overall brand loyalty Ɣ01 = (t=-4.02, p<0.0001) juga signifikan. Menandakan bahwa prestige memberikan efek perbedaan brand loyalty. Tanda negatif menyimpulkan bahwa semakin tinggi prestige semakin rendah loyalty. Ɣ10 = 0.32 (t=7.97, p=0.0001) signifikan slopes, menandakan kekuatan hubungan loyalty dan income yang berbeda antar brand. Selain prestiges (misal greater income greater loyalties)

27 Analisis Hasil Ɣ11 = (t= p<0.005). Semakin tinggi prestige membuat hubungan income dan loyalti melemah, atau semakin tinggi prestige membuat income semakin kecil pengaruhnya terhadap loyalty.

28 Real-world illustration (larger)
Penelitian terhadap 101 perusahaan media dengan total 31,000 pegawai. Diambil sampel 5,500 pegawai Dependen variabel adalah customer orientation micro level 1: role clarity, employee involvement, communication of mission, product quality). Independen adalah macro level 2: tingkat persaingan pasar dan ukuran organisasi (managerial practices dan behavior tidak diikutsertakan) Micro adalah persepsi pegawai, makro adalah variabel yang berkaitan dengan organisasi (jumlah pegawai, tingkat persaingan)

29 Real-world illustration (larger)
Hasil perhitungan Interaksi antara role clarity (micro) dan competition (macro) kemudian antara involvement (micro) dan jumlah pegawai (macro). Positif role clarity yang diestimasi oleh level persaingan menandakan bahwa semakin tinggi tingkat persaingan akan meningkatkan kepentingan akan role clarity atau role clarity naik akan memperkuat efek kompetisi. Parameter interaksi negatif antara firm size dan employee involvement: semakin besar firm size, upaya melibatkan pegawai semakin kurang efektif.

30 Real-world illustration (larger)
Konklusi Agar pegawai merasa perusahaan fokus pada konsumen, pegawai perlu merasa bahwa mereka menyediakan produk yang berkualitas, mereka harus juga merasa terlibat dalam melayani konsumen, dan merasa misi organisasi dikomunikasikan dengan baik di dalam organisasi. Disisi lain semakin besar perusahaan membuat keterlibatan karyawan semakin rendah Disisi makro, semakin tinggi persaingan, pegawai merasa perusahaan kurang customer oriented (karena fokus terpecah kepada competitor oriented)

31 Limitations & Extensions
Semakin banyak level semakin kompleks. Namun lebih dari 2 level jarang ditemui. 3 level masih dapat diselesaikan dengan HLM, lebih dari 3 dengan SAS. Panduan masih terbatas mengenai jumlah unit atau ukuran sampel pada micro dan macro levels. Tidak dapat digunakan interplay antara micro dan macro untuk memprediksi variabel macro. Bagaimana memperlakukan data yang berupa kategori (khususnya dependent variables seperti brand choice)

32 Marketing Apllications
Tabel 7.7

33 Summary Memberikan insighte tentang HLM yang banyak digunakan pada riset sosiology dan education, namun belum banyak dimanfaatkan pada riset marketing. Baik digunakan untuk analisis nested data, menggunakan seluruh data yang ada tanpa ada yang dibuang (via aggregation) atau disagregation. Walaupun memiliki kelemahan, HLM dapat menjadi alat yang powerful untuk menganalisis hierarchical data.