Vorlesung

Marktforschung befasst sich mit der Sammlung, Verarbeitung und Analyse von Informationen über Märkte. Sie soll einen aktuellen bzw. künftigen Informationsbedarf befriedigen, der sich aus Entscheidungsproblemen eines Unternehmens ergibt.

• Verbesserung von Entscheidungen

• Tradition

• Herbeiführung von Übereinstimmung

• Absicherung für den Fall von Misserfolgen

• Erzeugung von Aufmerksamkeit

• Verzögerung von Entscheidungen

• Rechtliche Überlegungen

• PR/Werbung

7 Schritte

Explorative Marktforschung

• Ausgangspunkt: geringe Problemkenntnis

• Ziele:

  • Einsicht in die Art des Problems

  • Erfassung möglicher Alternativen / relevanter Variablen Generierung von Hypothesen

Deskriptive Marktforschung

• Ausgangspunkt: Problemstruktur bekannt, aber keine Daten über die Marketing-Umwelt. (Bsp: Wie häufig ist etwas? Wie stark ist es ausgeprägt? Wie ist die Meinung des Konsumenten?)

• Ziel: Beschreibung der Marketing-Umwelt

Kausale Marktforschung

• Ausgangspunkt: Hypothesen über Wirkungszusammenhänge

• Ziele:

  • Test dieser Hypothesen

  • Bestimmung der Stärke von Zusammenhängen

  • Bestimmung der Richtung von Zusammenhängen

Sekundärdaten: existieren bereits - neuer Verwendungszweck

• Unternehmensintern (z. B. Marketing-Aktivitäten, Transaktionsdaten,

  Kundendatenbanken, Online-Verhalten)

• Extern (z. B. amtliche Statistiken, Veröffentlichungen von Verbänden, wissenschaftliche Publikationen, Kundenäußerungen online)

Primärdaten: werden speziell für den Untersuchungszweck erhoben

Regel: immer erst prüfen, ob Sekundärdaten vorhanden sind

Qualitative Datenerhebung

→ besonders geeignet für explorative Marktforschung

→ Vorbereitung und Ergänzung quantitativer Forschung

Quantitative Datenerhebung

→ besonders geeignet für deskriptive und kausale Marktforschung

• Empirische Untersuchung zur Überprüfung von Kausalhypothesen

• Systematische Variation der Test-Variablen unter Kontrolle aller anderen Variablen / Bedingungen

• Nur Experimente lassen Kausalaussagen zu.

Kausalität: Wenn ich eine Variable ändere (z. B. Preis), ändert sich eine andere Variable (z. B. Absatz) als Konsequenz davon.

Hypothesen über Kausalität ergeben sich aus Theorien – Empirische Überprüfung der Hypothesen führt zur Anpassung von Theorien

Prüfen von Kausalität bei nicht-experimentellen Daten:

• Häufiges gemeinsames Auftreten von zwei Ereignissen

• Zeitliche Reihenfolge der Ereignisse

• Ausschließen alternativer Erklärungen

  -> Besser mit Experiment

Frage hierzu: + bedeutet “höher” und nicht “besser”, richtig? Ein Laborexperiment müsste theoretisch deutlich mehr Zeitaufwand benötigen aufgrunf der Vorbereitungen und die dazugehörigen Kosten müssten auch deutlich höher sein.

Probleme der internen Validität (Kontrolle von Störeinflüssen):

• Nichtvergleichbarkeit von Test- und Kontrollgruppe

• Sterblichkeit von Testpersonen

• Äußere Einflüsse

• Veränderungen über die Zeit

• Änderung des Erhebungsinstrumentes

• Test-Effekte

• Raten von Hypothesen

Problem der externen Validität (Realitätsnähe):

• Wenig realistische Aufgabenstellung

Teilnehmende Beobachtung

• Marktforscher als Außendienstmitarbeiter oder Verkäufer (z. B. um Kundenargumente und Verwendungsprobleme zu ermitteln)

• Marktforscher begleitet Außendienstmitarbeiter

• Marktforscher als Kunde (z. B. Mystery Shopping)

Nichtteilnehmende Beobachtung

• Unternehmensdaten (z. B. Absatzzahlen, Werbebudgets)

• Scanning

• Online-Verhalten (z. B. über Cookies)

• Content aus sozialen Medien (z. B. Produktbewertungen)

• Kameras, Video (z. B. Aufzeichnung von Einkaufsverhalten am Regal)

• Apparative Beobachtung

  • Blickaufzeichnungsgerät (z. B. bei Anzeigen)

  • Pupillometrische Kamera (z. B. für Aktivierungsprozesse)

  • Galvanometer: Schweißabsonderung (z. B. für Aktivierungsprozesse)

  • Brainscans

  • Audimeter (z. B. für Fernsehbeteiligung)

-> Ziel: Messung kognitiver und affektiver Prozesse

-> Neurophysiologische Techniken:

• Elektrische Aktivität, z. B. Elektroencephalographie (EEG)

• Stoffwechsel-Aktivität, z. B. Magnetresonanztomographie (MRT)

-> Voraussetzung für die Interpretation: Kartographie des Gehirns

-> Beispielhafte Erkenntnisse:

• Testimonials von Experten führen zur Aktivierung von Gedächtnisstrukturen und steigern die Kaufabsicht

• Für die Entstehung von Kundenloyalität sind Hirnstrukturen des Belohnungs- systems von Bedeutung

• Markenpersönlichkeiten und menschliche Persönlichkeiten werden im Gehirn unterschiedlich verarbeitet

-> Z. T. von Unternehmen genutzt für Werbe-Pretests

Vorteile der Beobachtung:

• Unabhängig von Auskunftsbereitschaft und Verbalisierungsfähigkeit der

  Probanden

• Erfassung von unbewusstem, unreflektiertem Verhalten

• Körperreaktion nicht abfragbar

• Interviewereinfluss entfällt

  
  

Vorteile der Befragung:

• Präferenzen, Einstellungen und Erinnerung nicht beobachtbar

• Geringere Erhebungsdauer und Kosten

  
  

Fazit:

• Beobachtung sinnvoll zur Erfassung von Verhalten

• Befragung sinnvoll zur Erfassung von Präferenzen, Einstellungen, Erinnerung

Konstrukt: Etwas, das man messen will z. B. Absatz, Persönlichkeitseigenschaften

Einzelnes Objektmerkmal, das gemessen wird Komplexe Konstrukte werden häufig über mehrere Items erfasst („Multi-

Item-Skalen“)

z. B. Markentreue: „Bei den meisten Produkten bevorzuge ich eine bestimmte Marke.“

„Um meine bevorzugte Marke zu kaufen, nehme ich einigen Aufwand in Kauf.“

„Normalerweise ist es mir wichtig, welche Marke ich kaufe.“

Empirischer Vorgang, bei dem die Ausprägungen von Objektmerkmalen festgestellt werden

z. B. Scanning, Befragung

Abstrakter Vorgang, bei dem diesen Ausprägungen Zahlenwerte zugewiesen werden

z. B. 50 Stück, Einstellungswert 5 („stimme voll zu“)

Ratingskala:

• Nicht-vergleichend – Objekte / Eigenschaften / Statements werden einzeln beurteilt

• Urteile z. B. zu Zustimmung, Wichtigkeit, Attraktivität, ...

• Strenggenommen Ordinal-Skala, aber meist als Intervall-Skala behandelt

Wie viele? Trade-Off:

• Je größer die Anzahl der Skalenpunkte, desto höher der Informationsgehalt

• Je kleiner die Anzahl der Skalenpunkte, desto höher die Antwortbereitschaft und die Reliabilität

• Kompromiss: 5 - 7 Skalenpunkte

Gerade oder ungerade Anzahl? Trade-Off:

• Bei gerader Anzahl von Skalenpunkten (ohne neutralen Punkt) müssen die

  Befragten sich entscheiden.

• Bei ungerader Anzahl von Skalenpunkten (mit neutralem Punkt) höhere Antwortbereitschaft und Reliabilität

• Häufiger verwendet: Ungerade Anzahl von Skalenpunkten

Likert-Skala:

• Zustimmung zu Statements (mehrere zu einem Konstrukt)

• Analyse von einzelnen Items oder Multi-Item-Skalen

Semantisches Differential:

• Endpunkte mit bi-polaren Labels

Vergleichende Skalen

Quotenauswahl

• Auswahl so, dass die Verteilung bestimmter Merkmale (Quotenmerkmale) in der Teilauswahl mit der Verteilung dieser Merkmale in der Grundgesamtheit übereinstimmt; Vorgabe von Quotenanweisungen an die Interviewer

• Typische Quotenmerkmale: Alter, Geschlecht, Beruf

• Schwierigkeiten: - Auswahl geeigneter Quotenmerkmale - gewisse Willkür

  - detaillierte Quoten schwer zu erfüllen

• Am häufigsten angewendetes Verfahren (einfach, recht gute Ergebnisse)

Konzentrationsverfahren

• Bewusste Konzentration auf einen Teil der Grundgesamtheit

• Beispiel: typische Städte, Heavy User

  
  

  
  

Achtung: Auswahl aufs Geratewohl (Convenience Sampling) ist keine bewusste Auswahl, sondern Willkür

Einfache Zufallsauswahl

• Jedes Element der Grundgesamtheit besitzt die gleiche Wahrscheinlichkeit, in die Auswahl zu gelangen.

• Einfacher und am häufigsten angewandter Typ der Zufallsauswahl

Klumpenauswahl (Cluster Sampling)

• Untersuchungseinheiten werden in Gruppen ausgewählt (z. B. Haushalte,

  Unternehmen)

• Vorteile: - z. T. Auswahlbasis einfacher zu beschaffen - Befragung einfacher durchzuführen

Vorteile der Zufallsauswahl:

• Berechenbarkeit des Zufallsfehlers

• Vermeidung grober Verzerrungen durch Auswahl

Nachteile der Zufallsauswahl:

• Höhere Kosten für Planung und Durchführung

• Keine Substituierbarkeit der ausgewählten Einheiten (Bias durch Antwortverweigerung)

• Interesse am Untersuchungsgegenstand

• Länge der Befragung

• Aufmachung des Fragebogens

  • Begleitschreiben mit persönlicher Anrede, Zusicherung der Anonymität, Beschreibung des Befragungszweckes, „Dank im voraus“

  • Interessante Eröffnung

  • Animation durch Format, Farbe, Grafiken, etc.

• Anreize

  • Bei Konsumenten z. B. Werbegeschenk, Vergütung, Teilnahme an Verlosung

  • Bei Unternehmen z. B. Bereitstellung einer Zusammenfassung der Ergebnisse

• Vorankündigung der Befragung

• Nachhaken (schriftlich oder telefonisch)

Reliabilität = Freiheit von Zufallsfehlern → Erreicht man das gleiche Ergebnis bei Wiederholung der Messung?

->Überprüfung:

• Test-Retest-Reliabiliät: Vergleich der Ergebnisse von zeitlich aufeinanderfolgenden Messungen eines Messobjektes mit demselben Messinstrument

• Split-Half-Reliabilität: Aufteilung des Samples in zwei Hälften und Vergleich der Messergebnisse

Validität = Freiheit von systematischen Fehlern → Misst man das, was man messen will?

->Überprüfung:

• Inhaltsvalidität (Content Validity, Face Validity): Plausibilität der Messergebnisse

• Konstruktvalidität: Übereinstimmung der Messung eines Konstrukts mit dem wahren Wert des Konstrukts (nicht erfassbar, daher Ersatzkonzepte):

  • Konvergierende Validität: Unterschiedliche Messmethoden führen für den gleichen Sachverhalt zu gleichen Ergebnissen

  • Diskriminierende Validität: Eine Messmethode führt bei Anwendung auf unterschiedliche Sachverhalte zu unterschiedlichen Ergebnissen

• Kriteriumsvalidität: Übereinstimmung der Messergebnisse mit einem „Kriterium“

  • Concurrent Validity: Kriterium gleichzeitig gemessen

  • Prognosevalidität (Predictive Validity): Kriterium später gemessen

Generalisierbarkeit = Übertragbarkeit → Kann man die Ergebnisse auf andere Objekte, Regionen, Zeiten übertragen?

Generalisierbarkeit in

• Sachlicher Hinsicht

  Beispiel: Sind Preiselastizitäten für Schokolade ähnlich wie die für Joghurt?

• Räumlicher Hinsicht Beispiel: Verhalten sich Konsumenten in Deutschland so wie die in den Niederlanden?

• Zeitlicher Hinsicht Beispiel: Werden heute die gleichen Anforderungen an ein Smartphone gestellt wie vor 3 Jahren?

Synonym: Common Method Bias

-> Systematischer Messfehler, insbes. bei Befragungen

-> Zusammenhang zwischen Variablen ist verzerrt, weil abhängige und unabhängige Variablen aus der gleichen Quelle stammen

→Zusammenhang kann stärker oder schwächer erscheinen, als er ist

Beispiel:

• Forschungsfrage: Wie wirkt die Organisation auf den Unternehmenserfolg?

• Befragung von einem Manager pro Unternehmen

• Befragte neigen dazu, für sie konsistente Antworten zu geben

-> Single Source Bias

• Konsistenz-Motiv

• Implizite Theorien

• Soziale

  Erwünschtheit

• etc.

-> Item- Charakteristika

• Versteckte Lösungshinweise

• Gleiches Format

• Identische Skalen-Anker

• Formulierung (positiv/negativ)

• etc.

-> Item-Kontext

• Item-Positionierung

• Item-Umgebung

• Kontextinduzierte Stimmung

• etc.

-> Erhebungs- Kontext

• Identische Erhebungszeit

• Identischer Erhebungsort

• Identisches Erhebungs- medium

• etc.

-> Ex ante (Vermeidung von CMV durch das Forschungs-Design):

• Möglichst objektive Daten

• Verschiedene Quellen für abhängige und unabhängige Variablen

• Nutzung verschiedener Skalen-Typen, Veränderung der Reihenfolge der Items

  
  

-> Ex post:

• Komplexes Modell → reduziert die Wahrscheinlichkeit von CMV

• Statistische Methoden zur Entdeckung von CMV, z. B.

  • Harman‘s Ein-Faktor-Test (häufig eingesetzt, aber wenig effektiv)

  • Marker-Variable

Wichtig: Code-Buch, in dem steht wie was codiert wird.

Data-Cleaning: unplausible Daten entfernen (zB Alter 190 Jahre) -> Ermessensfrage

• Korrekte Dateneingabe

• Vollständigkeit

• Aufmerksamkeitscheck

• Bearbeitungszeit

• Plausibilität

• Konsistenz

Mögliche Ursachen:

• Fehlerhaftes Untersuchungsdesign

• Antwortverweigerung

• Mangelndes Wissen

• Übersehen von Fragen, Motivationsprobleme

• Unvollständigkeit von Sekundärdaten

• Fehler bei der Kodierung

Möglichkeiten der Behandlung:

• Daten nacherheben

• Eliminierung

  • von Variablen

  • von Beobachtungen

• Imputation (Ersetzen durch Schätzwerte)

  • Lageparameter (zB Median einsetzen wenn Daten fehlen)

  • Regression auf andere Variablen (prognostizieren - bei hohem R^2 gute Methode)

  • Expertenschätzungen

Modus: Am häufigsten besetzter Wert

-> Faktorenanalyse

• Zusammenfassung von Variablen

• Beispiel: Messung des Konstrukts ‚Innovativität‘ über 5 Items

Pearson’s Korrelationskoeffizient testet für lineare Zusammenhänge.

Die Kontingenzanalyse untersucht den Zusammenhang zwischen mehreren nominalskalierten Variablen.

• Darstellung des Zusammenhangs in Kreuztabellen

• Prüfung der Signifikanz des Zusammenhangs durch Kontingenzanalyse

  • →Chi2-Test

• Stärke des Zusammenhangs:

  • Phi-Koeffizient

  • Kontingenzkoeffizient

• Auch mit mehr als 2 Variablen möglich (klassisch aber mit 2)

Der Chi^2-Test gibt die Signifikanz des Zusammenhangs an.

Testet, ob die beiden Variablen voneinander abhängig sind (Ho: X und Y sind voneinander unabhängig)

Grundidee: Bei Unabhängigkeit muss gelten:

Erwarteter Wert = Zeilensumme * Spaltensumme / Gesamtsumme

Grundidee:

• Viele statistische Tests verlangen die Annahme bestimmter Verteilungen der

  Variablen (z. B. Normalverteilung bei t-Test).

• Nichtparametrische Tests sind demgegenüber verteilungsfrei (z. B. Chi2-Test).

  → Wichtig bei kleinen Stichproben, konservativ

Die Regressionsanalyse untersucht den Zusammenhang zwischen einer metrisch skalierten abhängigen und einer oder mehreren unabhängigen Variablen.

Anwendungsgebiete: Ursachenanalyse oder Prognose

Beispiele:

• Kann das Kaufverhalten durch Eigenschaften von Personen erklärt werden? (z. B.: Kann die Markentreue durch Eigenschaften von Konsumenten erklärt werden?)

• Wie beeinflussen Preis, Werbung und Vertrieb den Absatz?

• Wie hängt die Gesundheit von Ernährung, Sport und sozialen Faktoren ab?

Einfache Regression: eine unabhängige Variable

Multiple Regression: mehrere unabhängige Variablen

-> Eher signifikant umso mehr Freiheitsgrade.

• Modellformulierung

• Schätzung des Modells

• Prüfung der Annahmen der Regressionsanalyse

• Prüfung auf Ausreißer

• Prüfung der Modellgüte

• Prüfung & Interpretation der Regressionskoeffizienten

• Nominalskalierte unabhängige Variablen müssen in Binärvariablen (Dummies) transformiert werden.

• Anzahl Dummies = Anzahl Variablenausprägungen – 1 [ansonsten perfekte Multikollinearität]

• Linearität

  →  Diagnose von Nicht-Linearität durch Plot jeder unabhängigen Variablen mit der ab- hängigen Variablen

  →  Ggf. Transformation von Variablen

• Normalverteilung der Residuen

  → Bei großen Stichproben (K> 30) aufgrund des Zentralen Grenzwertsatzes unkritisch

• Keine Multikollinearität (d. h. unabhängige Variablen sind unkorreliert)

• Keine Autokorrelation (d. h. Residuen sind unkorreliert)

  → Problematisch vor allem bei Zeitreihen

  → Diagnose durch Durbin/Watson-Test (Soll-Wert: 2)

• Keine Heteroskedastizität = Homoskedastizität (d. h. konstante Streuung der Residuen)

  → Diagnose durch Plot der standardisierten Residuen gegen die standardisierten Schätzwerte der abhängigen Variablen

Bivariate Korrelationskoeffizienten

→ Hohe Korrelationen sind ein Zeichen für Multikollinearität.

Toleranzen:

• Regression einer unabhängigen Variablen auf alle anderen unabhängigen Variablen

• Toleranz der Variablen: 1-R2 dieser Regression (Variance Inflation Factor (VIF = 1 / Toleranz) [-> R2 klein, dann Toleranz groß. Korrelation der Variablen soll möglichst gering sein]

Verändern sich die Regressionskoeffizienten und/oder ihre Standardfehler, wenn man unabhängige Variablen aus dem Modell herausnimmt?

→aussagekräftigster Test; durchführen, wenn Alarmsignale (Korrelation, VIF)

Bei binärskalierten abhängigen Variablen ist die Regressionsanalyse nicht anwendbar, da die Annahme normalverteilter Residuen verletzt ist.

→ Inferenzstatistische Aussagen wären unmöglich

• Formulierung des Modells

• Schätzung des Modells

• Überprüfung der Annahmen der logistischen Regression

  • Keine Multikollinearität

  • Keine Autokorrelation

• Identifikation von Ausreißern

  -> Cook‘s Distance

• Überprüfung der Modellgüte

• InterpretationderKoeffizienten

Richtung des Einflusses:

positiver (negativer) Koeffizient → je höher (geringer) der Wert der unabhängigen Variablen, desto größer die Wahrscheinlichkeit, dass die abhängige Variable den Wert 1 annimmt

Stärke des Einflusses:

Deutung der Koeffizienten im Hinblick auf die Stärke von Effekten nicht unmittelbar möglich

• Die Varianzanalyse untersucht den Zusammenhang zwischen einer metrisch skalierten abhängigen und einer oder mehreren nominal skalierten unabhängigen Variablen.

• Häufig angewandt zur Auswertung von Experimenten

Beispiele:

• Einfaktoriell: Wie erfolgreich sind unterschiedliche Diäten?

• Mehrfaktoriell: Wie wirken Eigenschaften von Produktzugaben auf die Attraktivität der Zugaben?

Anhand des f-tests:

• Vorgehensweise wie bei der einfaktoriellen Varianzanalyse

• Zusätzliches Phänomen: Interaktionen zwischen Faktoren

• Beispiel:

  • Sonderangebote wirken stärker, wenn sie von Handzetteln begleitet werden und

    umgekehrt

  • Anders ausgedrückt: Die Wirkung der Kombination von Sonderangebot + Handzettel ist größer als die Summe der Einzelwirkungen

• Interaktionen sind einfach in Graphiken zu erkennen.

• Vorteile von Single-Item-Skalen:

  • Schneller & günstiger zu erfragen

  • Weniger belastend & irritierend für Probanden → geringere Abbruchrate

• Vorteile von Multi-Item-Skalen:

  • Komplexe Konstrukte können umfassend erfasst werden

  • Güte der Konstrukte kann getestet werden

    
    

• Empfehlung Rossiter:

  • Single-Item-Skalen, wenn Objekt und Attribut konkret sind („a horse is a horse“)

  • Orientierung an Inhaltsvalidität

• Beispiele:

  • „Wie innovativ sind Sie?“ —> Single-Item

  • „Wie stark stimmen Sie den folgenden Aussagen zu:

    • Ich probiere gerne neue Produkte aus.

    • Ich lerne gerne neue Dinge.

    • Ich interessiere mich für technologische Entwicklungen.“

      —> Multi-Item

Die Faktorenanalyse reduziert eine Vielzahl von Variablen auf wenige voneinander unabhängige Einflussfaktoren

Motivation:

• Validierung von reflektiven (!) Multi-Item-Konstrukten

• Die Datenflut wird bei vielen Variablen leicht unübersichtlich.

• Sind die Variablen nicht voneinander unabhängig, kommt es bei der Untersuchung von Wirkungszusammenhängen zu Fehlern (Beispiel: Regression).

Exploratorische Faktorenanalyse:

• Faktorstruktur nicht bekannt / nicht vorgegeben

• Exploratorische Faktorenanalyse deckt Faktorstruktur auf

Konfirmatorische Faktorenanalyse:

• Faktorstruktur ist bekannt / wird vorgegeben

• Konfirmatorische Faktoranalyse prüft die Güte dieser Faktorstruktur

• Ansatz basiert auf Strukturgleichungsmodell

Häufig beide Verfahren nacheinander angewandt:

• Exploratorische Faktorenanalyse identifiziert Faktoren

• Konfirmatorische Faktorenanalyse liefert Gütemaße

• Überprüfung der Eignung des Datenmaterials für die Faktorenanalyse

• Faktorextraktion

• Faktorrotation

• Interpretation der Faktoren

• Beurteilung der Güte von Faktorenanalyse-Lösungen

Anforderungen:

• Mindestens intervallskalierte Daten

• Zahl der Beobachtungen >= 3 * Variablenzahl

Ausgangsdaten sollten eine ausreichende Anzahl von hohen Korrelationen aufweisen.

-> Bartlett‘s Test of Sphericity: Test der Null-Hypothese, dass die Korrelationsmatrix von Variablen stammt, die voneinander unabhängig sind

-> Kaiser-Meyer-Olkin Measure of Sampling Adequacy (MSA)

• Test, inwieweit die Varianz einer Variablen durch die anderen Variablen erklärt wird

• Wird für einzelne Variablen berechnet (Diagonalwerte der Anti-Image-Korrelationsmatrix) sowie für den gesamten Datensatz

• Werte:

>= 0,8 meritorious (verdienstvoll)

>=0,7 middling (ziemlich gut)

>=0,6 mediocre (mittelmäßig)

>=0,5 miserable (kläglich)

< 0,5 unacceptable (nicht tragbar)

—> Verfahren unterscheiden sich in ihren Annahmen über die Kommunalitäten

Kommunalität: Teil der Varianz einer Variablen, der durch die gemeinsamen Faktoren erklärt wird [0= es wird nichts erklärt; 1= es wird alles erklärt]

a) Hauptachsenanalyse: Die erwarteten Kommunalitäten werden geschätzt.

• Vorgabe von Startwerten (< 1)

• Zusätzliche Manipulationsmöglichkeit des Forschers

b) Hauptkomponentenanalyse: Für die Kommunalitäten wird ein Startwert von 1 angenommen.

• Kaiser-Kriterium: Extrahiere nur Faktoren mit Eigenwerten größer 1

  Eigenwert: Erklärungsbeitrag eines Faktors in Hinblick auf die Varianz aller Variablen

• [Scree-Test: Plotte die Eigenwerte gegen die Zahl der Faktoren – Der erste Punkt links

  vom Knick in der Funktion (Ellenbogen) gibt die Zahl der zu extrahierenden Faktoren an.] → Problem: meist kein Knick erkennbar

• Wähle die Zahl der Faktoren so, dass die Faktoren besonders gut zu interpretieren sind.

• Extrahiere eine bestimmte (gewünschte) Anzahl von Faktoren.

• Extrahiere so viele Faktoren, dass mindestens x % der Varianz erklärt sind.

• Die Zahl der Faktoren sollte kleiner als die Hälfte der Zahl der Variablen sein.

• Varianzerklärung: Anteil der Gesamtvarianz der Variablen, der durch die Faktorenerklärt wird

  Beispiel Zugaben: 71,7 %

• Interpretierbarkeit der Faktoren

• Cronbach‘s Alpha:

  • Misst die Reliabilität eines Konstruktes: Erfassen die Variablen (Items), die zu einem Konstrukt zusammengefasst worden sind, den gleichen Sachverhalt?

  • Akzeptable Werte: >= 0,7 (>= 0,6 bei explorativer Forschung)

  • Cronbach‘s Alpha wird größer mit steigender Anzahl von Items in einem Konstrukt.

• Faktorwerte bzw. Summed Scores geben wieder, welche Ausprägung ein Faktor für eine Beobachtung hat (Beispiel: Wie preisbewusst ist ein Konsument?)

• Faktorwert: berechnet auf Basis der Faktorladungen (gewichteter Durchschnitt der Variablenausprägungen)

  Vorteil: Faktorwerte sind unkorreliert

• Summed Score: ungewichteter Durchschnitt der Variablenausprägungen

  Vorteil: Summed Scores vergleichbar über Studien hinweg

  => heutzutage Standard in der wissenschaftlichen Literatur

Beispiel Summed Scores:

• Marke = (Marke1 + Marke2 + Marke3)/3

• Preis = (Preis1 + Preis2 + Preis3)/3

• Korrelation der Konstrukte Preis und Marke = -0,24

• Messung komplexer Konstrukte durch Indikatoren

• Gleichzeitig Gütebeurteilung der Messung

• Sonderfall der Kausalanalyse (Strukturgleichungsanalyse mit latenten Variablen)

• Unterschiede zur exploratorischen Faktorenanalyse:

  • Strukturprüfendes Verfahren

  • Messfehler explizit berücksichtigt

  • Erlaubt Test von Modellparametern auf Signifikanz

  • Aussagekräftigere Gütemaße

• Modellspezifikation:

  • Definition der Variablen und der Konstrukte

  • Zuordnung der Variablen zu den Konstrukten

  • Festlegung der Korrelationen zwischen den Konstrukten

  • [Korrelation der Messfehler (sofern inhaltlich sinnvoll)]

  • [Prüfung der Modellidentifikation]

• Parameterschätzung

• Modellbeurteilung

  • Globale Anpassungsmaße

  • Lokale Anpassungsmaße

• Ergebnisinterpretation

Moderation: Stärke und/oder Richtung des Effekts einer unabhängigen Variablen X auf eine abhängige Variable Y werden durch eine dritte Variable Z (Moderator) beeinflusst

→ „Wovon hängt die Wirkung von X auf Y ab?“

-> Modellierung über Interaktionseffekt

Beispiel:

Eine unabhängige Variable X wirkt auf eine abhängige Variable Y über eine dritte Variable M (Mediator)

-> „Warum wirkt X auf Y?“

-> Modellierung über Strukturgleichungsmodell

Beispiel:

• Möglich bei allen Verfahren zur Analyse von Zusammenhängen (z. B. Regression, logistische Regression, ...)

• Die Modellierung findet über den Interaktionseffekt statt:

• Achtung: Haupteffekt des Moderators ins Modell aufnehmen (sofern inhaltlich sinnvoll)

• Die Strukturgleichungsanalyse (SGA) umfasst statistische Verfahren zur Untersuchung komplexer Beziehungsstrukturen zwischen Variablen

  • Nur manifeste Variablen→Pfadanalyse

  • Auch latente Variablen→Kausalanalyse

• Strukturgleichungsanalysen kombinieren faktoranalytische Ansätze (Messmodell) und regressionsanalytische Ansätze (Strukturmodell)

• Strukturgleichungsanalysen können gleichzeitig...

  • Messmodelle für latente Variablen prüfen (z. B. Multi-Item-Konstrukte)

  • Beziehungen zwischen Variablen untersuchen

  • Mehrstufige Abhängigkeiten untersuchen (Mediation)

  • Interaktionseffekte untersuchen (Moderation)

• Hypothesenbildung

• Modellspezifikation → ggf. mit Mediation und Moderation

• Identifikation der Modellstruktur

  → bei kovarianzanalytischem Ansatz wie bei konfirmatorischer Faktorenanalyse

• Parameterschätzung • Kovarianzanalytisch • Varianzanalytisch

• Beurteilung der Modellgüte

  → bei kovarianzanalytischem Ansatz wie bei konfirmatorischer Faktorenanalyse

• Interpretation der Ergebnisse

Die Conjointanalyse ermittelt, welche Präferenzen Probanden bezüglich der Eigenschaften von Objekten und ihren Ausprägungen haben.

Frage: Welchen Beitrag leisten verschiedene Komponenten zum Gesamtnutzen eines Objektes?

Beispiele:

• Produktgestaltung: Welche Präferenzen bestehen in Bezug auf verschiedene Produkteigenschaften, und wie wichtig sind die Eigenschaften für die Konsumenten

• Markenwertmessung: Wie wichtig ist die Marke bei der Kaufentscheidung von Konsumenten

• Zahlungsbereitschaften: Wie wichtig ist der Preis bei der Kaufentscheidung?

• Welchen Einfluss nehmen Zugaben auf die Kaufentscheidung?

• Auswahl von Eigenschaften und Eigenschaftsausprägungen

• Erhebungsdesign

• Bewertung der Stimuli

• Schätzung der Nutzenfunktion (Choice-Modell)

• Interpretation der Teilnutzenwerte

• Marktanteilssimulation

• Beurteilung der Güte der Ergebnisse

• Die Eigenschaften müssen relevant sein.

• Die Eigenschaften sollten durch den Hersteller beeinflussbar sein.

• Die Eigenschaftsausprägungen müssen realisierbar sein.

• Die Eigenschaften sollten voneinander unabhängig sein.

• Die Eigenschaften müssen in einer kompensatorischen Beziehung zueinander stehen, d. h., sie dürfen keine K.O.-Kriterien darstellen.

• Die Anzahl der Eigenschaften und ihrer Ausprägungen muss begrenzt werden.

1. First Choice: Der Konsument kauft das Produkt mit dem höchsten Gesamtnutzen

2. 
   

—> Beispiel: Gesamtnutzen von Stimulus 1 = Teilnutzen von ‚99 €‘ + Teilnutzen von ‚Air Berlin‘ + Teilnutzen von ‚keine Aktion‘

• Interne Validität:

  • Inhaltlich: Konsistenz im Urteil der Befragten

  • Prüfmaß: Hit Rate: besagt, welcher Anteil der Entscheidungen korrekt vorhergesagt wird (im Beispiel: 0,93)

  • Werte: Wert sollte möglichst dicht an 1 sein

• Externe Validität:

  • Inhaltlich: Stimmen der aus dem Modell abgeleitete und der tatsächliche Marktanteil ungefähr überein?

  • Prüfmaß: Abweichung zwischen dem durch das Modell prognostizierten und dem tatsächlichen Marktanteil

  • Werte: Abweichung sollte möglichst gering sein

• Mehrstufige Vorgehensweise:

  • kompositionelle Analyse (Self-Explicated Approach) zur Bestimmung der wichtigsten Eigenschaften

  • dekompositionelle Analyse (Paarvergleiche) mit diesen wichtigsten Eigenschaften

  • Gewichtung der ermittelten Nutzenwerte aus den beiden Analysestufen (‚Kalibrierung‘)

• Vorteile:

  • Berücksichtigung vieler Eigenschaften ist möglich

  • Computergestützte Befragung erlaubt persönliches Design (‚Adaption‘)

• Traditionelle Conjointanalyse kaum noch eingesetzt [Nicht gut]

  • sehr mühsam für die Probanden

  • Unrealistische Erhebungssituation

• Standard: Choice-Based Conjoint [Sehr gut]

  -> Berücksichtigung von Heterogenität über Mixture-Modell

• Wenn viele Eigenschaften: ACA

• Verzerrung, die auftritt, wenn Daten nicht auf realem Verhalten, sondern auf hypothetischen Äußerungen beruhen

• Beispiel: hypothetische Zahlungsbereitschaften sind substantiell größer als reale Zahlungsbereitschaften

• Ursachen:

  • Risikofreie Entscheidungen ohne Verpflichtung (z. B. eigene Budget-Restriktionenignoriert)

  • Soziale Erwünschtheit

• Lösungsmöglichkeiten:

  • Befragte auffordern, realistisch zu antworten („Cheap Talk“)

  • Anreizkompatible Messverfahren

• Grundidee: Teilnehmer müssen (evtl.) das Produkt kaufen (mit realem Geld!)

• Häufig eingesetzt zur Messung von Zahlungsbereitschaften

• Methoden:

  • Vickrey-Auktion

    • Vickrey (1961)

    • Teilnehmer reichen verdeckte Gebote ein

    • Das höchste Gebot gewinnt, aber muss nur den zweit-höchsten Preis bezahlen

  • Methode von Becker/DeGroot/Marschak (BDM)

    • Becker/DeGroot/Marschak (1964)

    • Teilnehmer reichen verdeckte Gebote ein

    • Der Verkaufspreis wird zufällig bestimmt (Lotterie)

    • Teilnehmer muss das Produkt kaufen, wenn sein Gebot höher ist als der Verkaufspreis, bezahlt aber nur den Verkaufspreis

    • Vorteile: Man muss nicht mehrere Teilnehmer zusammen bringen, keine Konkurrenzsituation

  • Anreizkompatible Conjointanalyse

    • Ding (2007)

    • Methode:

      • Verfahren den Befragten erläutern

      • Präferenzmessung mit CBC

      • Berechnen der Zahlungsbereitschaft für ein reales Produkt aus Teilnutzen

      • Mit Lotterie ermitteln, ob Befragter kaufen muss und wenn ja, zu welchem Preis

    • Eigenschaften:

      • Anreizkompatibel wie Vickrey-Auktion und BDM

      • Indirekte Messung der Zahlungsbereitschaft

Basis: disaggregierte Daten (z. B. Single-Source-Panel, Conjoint)

• Konsumenten unterscheiden sich in...

  • ihren Präferenzen

  • ihrer Reaktion auf Marketing-Mix-Variablen

• Modellierung dieser Heterogenität wichtig, um...

  • Heterogenität zu erfassen (z. B. Interesse an Segmenten)

  • Verzerrungen in Parametern zu vermeiden

• Traditionelle Modelle: individuelle oder zweistufige Analysen

• Neuere Modelle: simultane Analyse

——

Traditionelle Vorgehensweise am Beispiel der Conjointanalyse:

• Auswertung auf individuellem Niveau:

  • Typisch für trad. Conjointanalyse

  • Ggf. hinterher Clusterung der Probanden

• Auswertung auf aggregiertem Niveau:

  • Z. T. bei Choice-Based Conjointanalyse

  • Ggf. vorher Segmentbildung und Analyse auf Segment-Niveau

• Probleme:

  • Individuelle Ergebnisse wenig reliabel

  • Aggregierte Ergebnisse verwischen Präferenzunterschiede, haben Bias

  • Zweistufige Ansätze finden nicht die beste Segmentlösung

• Lösung: Mixture-Modelle

—->

Continuos Mixture-Modell:

• Grundidee:

  • Modellparameter unterliegen einer Verteilung

  • Annahme einer Verteilungsform

  • Schätzung der Parameter der Verteilung

• Typische Verteilungsform: Normalverteilung

• Typische Schätzverfahren:

  • Simulated Maximum Likelihood

  • Hierarchical Bayes

Finite Mixture-Modell:

• Probanden werden in Segmente eingeteilt

• Simultane Schätzung von

  • Wahrscheinlichkeiten der Segmentzugehörigkeit

  • Modellparameter pro Segment

• Schätzung von Modellen mit unterschiedliche vielen Segmenten und Auswahl des besten Modells (z. B. niedrigster BIC)

Ziel ist die Analyse von kausalen Wirkungszusammenhängen.

Daher wird angenommen, dass die unabhängige Variable exogen ist:

• Erfüllt bei Experimenten (Faktoren durch Marktforscher systematisch manipuliert)

• Evtl. problematisch bei nicht-experimentellen Daten

—> Endogenität im Regressionsmodell:

• Simultanität (Endogenität im engeren Sinne)

  → Beispiel: Preis wirkt auf Absatz und umgekehrt

• Selbstselektion

  → Beispiel: Wirkung von Bonusprogrammen auf den Umsatz – Kunden, die am Programm teilnehmen, kaufen mehr – aber es nehmen auch eher die Kunden teil, die mehr kaufen

• Fehlende Variablen

  → Beispiel: Einfluss der Ausbildung auf das Einkommen – beides beeinflusst von Fähigkeit (schwer zu beobachten)

• Sonstige

• Diagnose:

  • Statistische Tests begrenzt aussagekräftig (erst a posteriori möglich, erfordern unverzerrten Schätzer)

  • Sachlogik

• Ansätze zur Berücksichtigung von Endogenität im Modell:

  • Korrektur der Modellspezifiktion, z. B.

    • fehlende Variablen aufnehmen

    • Mehrgleichungssystem bei Simultanität

  • Schätzung mit Instrument-Variablen

  • Matching (bei Selbstselektion)

  • Sonstige