Komplexe Konstrukte in Befragungen

Beispiel:

• „Wie innovativ sind Sie?“

• „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.“

• Empfehlung Rossiter:

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

  • Orientierung an Inhaltsvalidität

/

➢ 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-Korrelations- matrix) sowie für den gesamten Datensatz

• Verfahren unterscheiden sich in ihren Annahmen über die Kommunalitäten

• Kommunalität: Teil der Varianz einer Variablen, der durch die gemeinsamen Faktoren erklärt wird

• Hauptachsenanalyse: Die erwarteten Kommunalitäten werden geschätzt.

  Vorgabe von Startwerten (< 1)

  Zusätzliche Manipulationsmöglichkeit des Forschers

• Hauptkomponentenanalyse: Für die Kommunalitäten wird ein Startwert von 1 angenommen. (1 bedeutet, dass alle Infos vorhanden sind)

Mögliche Regeln:

• 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 Faktoren erklärt 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 Modellidentifikationen

• Parameterschätzungen

• Modellbeurteilungen

  • Globale Anpassungsparameter

  • Lokale Anpassungsparameter

• 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

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

→„Warum wirkt X auf Y?“

→ Modellierung über Strukturgleichungsmodell

Einfachere Interpretation von Haupteffekten bei Mean-Centering:

• Von allen Werten von X wird der Mittelwert von X abgezogen;

  von allen Werten von Z wird der Mittelwert von Z abgezogen

• Haupteffekt von X = Wirkung von X bei mittlerer Ausprägung des Moderators Z; Haupteffekt von Z = Wirkung von Z bei mittlerer Ausprägung von X

• 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

• Annahmen für Kausalität:

  • Veränderung von X resultiert in Veränderung von Y (Kovarianz, Korrelation)

  • Veränderung von Y geschieht zeitlich nach der Veränderung von X

  • Kovarianz bzw. Korrelation zwischen X und Y ist nicht auf eine dritte Variable zurückzuführen (Scheinkorrelation)

• Erfüllt nur in Experimenten und Längsschnittstudien

• SGA sollten die Defizite bei den Annahmen durch ein starkes theoretisches Fundament bestmöglich kompensieren

/

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?

• Typisches Nutzenmodell: additiv

  → Gesamtnutzen = Summe der Teilnutzen für einzelne Eigenschaften

• Problem bei direkter Frage nach der Wichtigkeit von Produkteigenschaften:

  Meist werden alle Eigenschaften als wichtig bezeichnet.

• Grundidee der Conjointanalyse: Probanden werden zu Trade-Offs gezwungen. Beispiel: Was ist wichtiger – ein geringerer Preis oder eine Zugabe?

• Prinzipien:

  • Ganzheitliche Nutzenmessung – Dekomposition in Teilnutzen

  • Präferenzmessung auf disaggregiertem Niveau (individuell oder segmentweise)

• 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.

• Konstruktion von Stimuli, die anhand ihrer Eigenschaftsausprägungen beschrieben werden (Profilmethode)

  Beispiel: Flug mit Germanwings zum Preis von 129 Euro mit einer Spendenaktion zur Kompensation des durch den Flug verursachten CO2-Ausstoßes

• Choice Sets mit verschiedenen Stimuli Probanden wählen aus jedem Choice Set einen Stimulus aus

• Möglich: No Coice-Option

  → validere Antworten, da Probanden nicht zu Auswahl gezwungen

  →notwendig zur Ermittlung von Zahlungsbereitschaften

AUFGABENBEGINN WORD DATEI

Grund für die CJA

Ende der Word datei

• 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

  • sehr mühsam für die Probanden

  • Unrealistische Erhebungssituation

• Standard: Choice-Based Conjoint

  → 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-Restriktionen

    ignoriert)

  • 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

  • Methode von Becker/DeGroot/Marschak (BDM)

  • Anreizkompatible Conjointanalyse

• 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

• 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

• Grundidee:

  • man schätzt einen Parameter und nimmt eine Verteilung an

  • Modellparameter unterliegen einer Verteilung

  • Annahme einer Verteilungsform

  • Schätzung der Parameter der Verteilung

• Typische Verteilungsform: Normalverteilung

• Typische Schätzverfahren:

  • Simulated Maximum Likelihood

  • Hierarchical Bayes

• 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: Analyse von kausalen Wirkungszusammenhängen

• Annahme: Unabhängige Variable ist exogen

  • Erfüllt bei Experimenten (Faktoren durch Marktforscher systematisch manipuliert)

  • Evtl. problematisch bei nicht-experimentellen Daten

• Beispiel:

  • Frage: Wie wirkt der Preis auf den Absatz?

  • Daten: Marktdaten

  • Endogenitäts-Problem: Wenn die Nachfrage steigt, erhöhen Unternehmen den Preis (Simultanität)

  • Konsequenz: ohne Kontrolle für Endogenität wird der Preis-Effekt unterschätzt

    → Meta-Analyse von Bijmolt/van Heerde/Pieters (2005): Mittlere Preiselastizität

    •  Ohne Kontrolle für Endogenität: - 2,47

    • Mit Kontrolle für Endogenität: -3,74

• 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

• Beispiel Hotel

  • Wie wirkt der Preis auf die Nachfrage?

  • Problem: Preis und Nachfrage abhängig von Qualität (nicht beobachtbar) , Simultanität

• Instrument „Kosten“: valide, aber nicht stark

• Instrument „Preise der Konkurrenz“: stark aber nicht valide

• Instrument-Variablen lösen das Endogenitäts-Problem, wenn geeignete Instrumente gefunden werden können

  → Falls nicht, ist die Kur evtl. schlimmer als das ursprüngliche Problem!

• Probleme bei der Wahl von Instrumenten:

  • Hohe Korrelation mit Fehlerterm e→Endogenitätsproblem nicht gelöst, Schätzer

    verzerrt

  • Geringe Korrelation mit unabh. Var. x → ineffizient

• Geeignet zur Lösung von Selbst-Selektions-Problemen

• Grundidee:

  • Quasi-Experiment

  • Künstlich vergleichbare Treatment- und Kontrollgruppen herstellen

  • Identifikation von „Zwillingspaaren“

    → Unterschiede möglichst nur im Treatment ➢

• Vorgehensweise:

  • Berechnung eines Propensity Scores für jeden Probanden: Wahrscheinlichkeit, dass ein Proband das Treatment erhält in Abhängigkeit von Kovariaten (Logistische Regression)

  • Matchen von Probanden mit ähnlichen Propensity Scores

• Güte: hängt ab von der Eignung der Kovariate (müssen die Treatment-Wahrscheinlichkeit gut vorhersagen)