Transcript Multilevel, Hierarchical Linear Models and Marketing

Multilevel, Hierarchical Linear
Models and Marketing
James L. Oakley
Dawn Iacobucci
Adam Duhachek
Chapter Content
• Deskripsi tentang HLM
• Alasan penggunaan HLM
• Aplikasi/penggunaan HLM
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
Basic Requirement
• Adanya micro level data yang akan
dimodelkan sebagai fungsi dari micro/macro
level data
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.
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.
Contoh
Basic Descriptive Statistics
Merek
X Pendapatan
Y Loyalitas
n
Audi
59,35
4,5
8
BMW
58,25
3,92
12
4,67
24
Honda
30,54
Porsche
88,43
3,14
7
VW
35,50
4,17
6
Total
47,42
4,25
57
OLS Regression Result
Merek
R-Squared

P-Value
Audi
0,50
0,71
0,0489
BMW
0,26
0,50
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
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
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
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.
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.
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
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)
Hierarchical Linear Model
•
•
•
•
•
Multilevel liner model
Mixed effect model
Random effect Model
Random Coeffecient Regression Model
Covariance Component Model
Mengapa HLM?
• 3 alasan statistical
• 2 alasan substantive
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.
2 alasan substansial
• Hipotesis dapat dibuat pada level mikro dan
makro
• Cross level interaction, misal: sinergi antara
prestige kendaraan (macro) dan consumers’
micro) penghasilan
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
statistik
mengenai kekuatan
– 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
Persamaan
1) Yi =0 +iXi + ei
(fundamental micro level regression)
Y = loyalitas
X = pendapatan
2) Yij =0j +ij (Xij - ẋj)+ eij
3) 0j =
4) 1j
ɣ00 + ɣ01Wj + u0j
=ɣ
10
(micro level 1)
(macro, level 2, intersepts)
+ ɣ11Wj + u1j
(macro, level 2, slopes)
Persamaan
ɣ +ɣ
5a) Y1j = (
00
01Wj
+ 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 + u (Xij - ẋj)+ eij
1j
 basic HLM model
+
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
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)
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.
Analisis Hasil
• Ɣ00 = 10.18 (t=7.62 p=0.005) berarti ada efek overall
brand loyalty
• Ɣ01 = -1.56 (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)
Analisis Hasil
• Ɣ11 = -0.06 (t= -5.96 p<0.005). Semakin tinggi
prestige membuat hubungan income dan loyalti
melemah, atau semakin tinggi prestige membuat
income semakin kecil pengaruhnya terhadap loyalty.
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)
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.
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)
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)
Marketing Apllications
• Tabel 7.7
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.