Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

Improving Bayesian Analysis of Consumer Panels

Tutzauer Hellström, Otto LU (2026) In Master's Theses in Mathematical Sciences FMSM01 20252
Mathematical Statistics
Abstract
Consumer sensory panels are the gold standard for evaluating food products, yet they often suffer from small sample sizes and sparse, ordinal data. Standard frequentist methods for analyzing this data (e.g. ANOVA, McNemar's test) often violate assumptions or lack statistical power. This thesis evaluates the efficacy of Bayesian Hierarchical Models (BHMs) with cumulative link likelihoods for analyzing sequential monadic consumer panels. We investigate whether domain-informed priors and complex correlation structures improve predictive performance and decision quality compared to frequentist baselines.

Using simulation studies and real-world sensory data, we demonstrate that BHMs offer a flexible framework for handling ordinality and... (More)
Consumer sensory panels are the gold standard for evaluating food products, yet they often suffer from small sample sizes and sparse, ordinal data. Standard frequentist methods for analyzing this data (e.g. ANOVA, McNemar's test) often violate assumptions or lack statistical power. This thesis evaluates the efficacy of Bayesian Hierarchical Models (BHMs) with cumulative link likelihoods for analyzing sequential monadic consumer panels. We investigate whether domain-informed priors and complex correlation structures improve predictive performance and decision quality compared to frequentist baselines.

Using simulation studies and real-world sensory data, we demonstrate that BHMs offer a flexible framework for handling ordinality and complex correlation structures (such as between-attribute correlations). We find that mixed models which omit correlations between product attributes are comparable in power but superior in flexibility and robustness, measured in Expected Log Predictive Density (ELPD) and parameter count. Furthermore, we show that Bayesian decision rules yield higher sensitivity to effects than frequentist tests in some settings. We conclude that for small-n consumer panels, Bayesian models with simplified random effects structures provide the optimal balance of power and robustness. (Less)
Popular Abstract (Swedish)
**Mindre data, bättre mat: Konsten att gissa rätt med statistik**

Att ställa om till hållbar mat är dyrt och riskabelt. Företag förlitar sig på smakpaneler, men med få provsmakare blir resultaten ofta osäkra gissningar. Detta examensarbete visar att avancerad sannolikhetslära kan vaska fram guld ur små datamängder. Men nyckeln till framgång var oväntad: för att fatta bättre beslut måste vi våga trimma ner komplexitet.

Jakten på framtidens protein
För att rädda klimatet måste vi äta mindre kött. Men att ta fram en ny ärtbiff som faktiskt är god är svårt. Livsmedelsföretag lägger enorma resurser på att låta små testpaneler utvärdera nya produkter. Men människor tycker olika, och testpanelerna är ofta små. Om tre personer i en panel... (More)
**Mindre data, bättre mat: Konsten att gissa rätt med statistik**

Att ställa om till hållbar mat är dyrt och riskabelt. Företag förlitar sig på smakpaneler, men med få provsmakare blir resultaten ofta osäkra gissningar. Detta examensarbete visar att avancerad sannolikhetslära kan vaska fram guld ur små datamängder. Men nyckeln till framgång var oväntad: för att fatta bättre beslut måste vi våga trimma ner komplexitet.

Jakten på framtidens protein
För att rädda klimatet måste vi äta mindre kött. Men att ta fram en ny ärtbiff som faktiskt är god är svårt. Livsmedelsföretag lägger enorma resurser på att låta små testpaneler utvärdera nya produkter. Men människor tycker olika, och testpanelerna är ofta små. Om tre personer i en panel råkar ha en dålig dag kan en toppenprodukt felaktigt kastas i papperskorgen. Statistiken blir lätt en bromskloss för utvecklingen av hållbar mat.

Matematik som förstår människor
Traditionella analysmetoder går ofta bet när datamängden är liten och spretig. I mitt examensarbete har jag därför utvärderat en smartare lösning: Bayesianska hierarkiska modeller.
Principen är enkel: istället för att bara titta på medelvärdet av betygen, lär sig modellen hur varje enskild provsmakare fungerar. Är Alice en person som sätter låga betyg på allt? Är Bosse extra känslig för konsistens? Modellen justerar för dessa personliga egenheter.

Överraskningen: Krångla inte till det
I jämförelsen av olika modeller dök ett förvånande resultat upp. Logiskt sett hänger smakupplevelser ihop – god mat luktar gott. Men när vi försökte lära modellen att leta efter dessa samband blev den förvirrad av den lilla datamängden. Det visade sig att modeller som medvetet ignorerade sambanden presterade bäst. Det är en viktig läxa: när informationen är knapp är enkelhet ofta överlägsen komplexitet.

Snabbare väg till butikshyllan
Resultatet av arbetet är goda nyheter för matproducenter. Genom att använda dessa anpassade statistiska modeller kan företag få ut mer information ur sina dyra smaktester. De kan snabbare sålla bort dåliga idéer och satsa på de produkter som har störst chans att lyckas.
I praktiken innebär detta att tröskeln sänks för nya, hållbara livsmedel. Det handlar om att ge en liten datamängd största möjliga röst, så att vi snabbare kan fylla butikshyllorna med mat som är bra både för smaklökarna och planeten.

Så gick det till
Arbetet utfördes i samarbete med företaget FoldChanges B.V. Genom att bygga datorsimuleringar av tusentals fiktiva smaktester kunde jag jämföra hur väl olika statistiska modeller "gissade rätt" jämfört med ett känt facit. Modellerna testades sedan på verklig data för att säkerställa att de fungerar i praktiken. Med hjälp av historiska data byggdes även bättre grundmodeller som skydd mot felaktiga slutsatser. (Less)
Please use this url to cite or link to this publication:
author
Tutzauer Hellström, Otto LU
supervisor
organization
course
FMSM01 20252
year
type
H2 - Master's Degree (Two Years)
subject
keywords
Bayesian statistics, domain-informed priors, Ordinal Regression, Cumulative Link Models, consumer panels, likert scale, small sample inference
publication/series
Master's Theses in Mathematical Sciences
report number
LUTFMS-3549-2026
ISSN
1404-6342
other publication id
2026:E13
language
English
id
9222378
date added to LUP
2026-02-16 15:47:19
date last changed
2026-02-16 15:47:19
@misc{9222378,
  abstract     = {{Consumer sensory panels are the gold standard for evaluating food products, yet they often suffer from small sample sizes and sparse, ordinal data. Standard frequentist methods for analyzing this data (e.g. ANOVA, McNemar's test) often violate assumptions or lack statistical power. This thesis evaluates the efficacy of Bayesian Hierarchical Models (BHMs) with cumulative link likelihoods for analyzing sequential monadic consumer panels. We investigate whether domain-informed priors and complex correlation structures improve predictive performance and decision quality compared to frequentist baselines.

Using simulation studies and real-world sensory data, we demonstrate that BHMs offer a flexible framework for handling ordinality and complex correlation structures (such as between-attribute correlations). We find that mixed models which omit correlations between product attributes are comparable in power but superior in flexibility and robustness, measured in Expected Log Predictive Density (ELPD) and parameter count. Furthermore, we show that Bayesian decision rules yield higher sensitivity to effects than frequentist tests in some settings. We conclude that for small-n consumer panels, Bayesian models with simplified random effects structures provide the optimal balance of power and robustness.}},
  author       = {{Tutzauer Hellström, Otto}},
  issn         = {{1404-6342}},
  language     = {{eng}},
  note         = {{Student Paper}},
  series       = {{Master's Theses in Mathematical Sciences}},
  title        = {{Improving Bayesian Analysis of Consumer Panels}},
  year         = {{2026}},
}