Markov chain Monte Carlo approach to the analysis of response patterns in data collection process

Abstract

Survey research, such as telephone, mail, or online questionnaires, is one of the most widely used tools for collecting sample data. We are often interested in the total number of replies that would be received during a given time period. Many researchers have developed a wide variety of curve-fitting methods to predict the response rate of recipients over time. However, previous models are based on some assumptions that are hardly justified in practice. In this paper, a new response model is proposed that is based on meaningful parameters such as the ultimate response rate of questionnaire recipients, delay rate of respondents, and average delivery time of responses. To estimate those model parameters, we use the Markov chain Monte Carlo (MCMC) method, which is increasingly popular in the operational research community. With mail survey data in marketing research, we test our Bayesian response model and compare its performance with those of traditional curve-fitting models.

ABSTRACT IN FRENCH

La recherche par sondage, comme le téléphone, le courrier ou les questionnaires en ligne, est l‘un des outils les plus largement utilisés pour collecter les données. On s‘intéresse souvent au total nombre de réponses reçues au cours d‘une période. De nombreux chercheurs ont développé une grande variété de méthodes d‘ajustement de courbe pour dévoiler le taux de réponse des bénéficiaires. Cependant, les modèles précédents sont souvent basés sur des hypothèses qui ne sont absolument pas justifiées en pratique. Dans cet article, un nouveau modèle de réponse est proposé, basé sur trois paramètres de modèle significatifs tels que l’ultime taux de réponse des destinataires du questionnaire, le taux de retard des répondants et le moyen délai de livraison des réponses. Pour estimer ces paramètres de modèle, on va utiliser la méthode de la Markov Chain Monte Carlo (MCMC), qui devient de plus en plus populaire dans la communauté de la recherche opérationnelle. Dans la recherche du marketing, en utilise les données d‘enquête par courrier pour tester notre modèle de réponse bayésien, puis on compare ses performances exceptionnelles à celles des modèles traditionnels d‘ajustement de courbe.

Keywords:

• Markov chain Monte Carlo simulation
• marketing analytics
• probabilistic model
• survey research design
• data collection
• Bayesian estimation

Acknowledgements

We would like to express our sincere gratitude to the three anonymous referees and the editor for their meticulous and invaluable reviews, which have played a crucial role in significantly enhancing the quality of the original manuscript. Additionally, the first author would like to extend his appreciation for the financial support received from the Cherie H. Flores Endowed Chair of MBA Studies at Louisiana State University.

Correction Statement

This article has been corrected with minor changes. These changes do not impact the academic content of the article.