Auswahlbasierte Conjoint-Analyse - CBCA
Auswahlbasierte Conjoint-Analyse - CBCA
Auswahlbasierte Conjoint-Analyse - CBCA
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> - <strong>CBCA</strong><br />
Hier stellen wir nun eine Weiterentwicklung der <strong>Conjoint</strong>-<strong>Analyse</strong> vor,<br />
die sich in der Marktforschungspraxis und teilweise auch in der Umweltökonomie<br />
großer Beliebtheit erfreut.<br />
Grundlage ist das Lehrbuch von Backhaus, Erichson und Weiber: Fortgeschrittene<br />
Multivariate <strong>Analyse</strong>methoden. Springer, Berlin 2011; zitiert hier als Backhaus u.a. 2011<br />
Hingewiesen sei auf die Internetseite zu den beiden Backhaus-Lehrbüchern<br />
www.multivariate.de<br />
Man spricht auch von dekompositionellen Verfahren.<br />
Der Gesamtnutzen wird sozusagen in Teilnutzen zerlegt.<br />
Wir wollen von empirisch<br />
erhobenen Gesamturteilen über<br />
Produkte auf die Präferenzen für<br />
Eigenschaften dieser Produkte<br />
schließen.
Während bei der Traditionellen CA die Nutzen<br />
direkt abgefragt werden, werden bei der<br />
<strong>Auswahlbasierte</strong>n CA (simulierte)<br />
Auswahlentscheidungen beobachtet.<br />
<strong>CBCA</strong> – Beispiele für die Anwendung<br />
Backhaus u.a. 2011, S. 319<br />
Abbildung 7.1
Welches dieser<br />
Produkte würden Sie<br />
kaufen?<br />
<strong>CBCA</strong> - Erhebungsdesign<br />
TCA <strong>CBCA</strong><br />
Informationsmenge<br />
Ein im Vergleich zur TCA<br />
anderes Erhebungsdesign.<br />
Natürlich mit Wirkungen.<br />
Nominales Skalenniveau<br />
statt ordinalem Skalenniveau<br />
erfordert andere Schätzverfahren.<br />
Schätzungen statt auf individueller Ebene<br />
auf aggregiertet Ebene.<br />
Realitätsnähe<br />
Backhaus u.a. 2011, S. 317 ff.
<strong>CBCA</strong> – Vergleich zur Traditionellen <strong>Conjoint</strong>-<strong>Analyse</strong><br />
wichtigster Unterschied<br />
Backhaus u.a. 2011, S. 321<br />
Abbildung 7.2
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> - Anwendungsbeispiel<br />
Becher oder Tüte,<br />
hoher oder<br />
niedriger Preis?<br />
Variante des Beispiels:<br />
Im Wildpark „Starke Sau“ soll Wildfutter<br />
verkauft werden. Es ist zu entscheiden, ob<br />
das Futter in Papiertüten oder in Bechern<br />
verpackt werden soll und zu welchem Preis<br />
es verkauft werden soll.<br />
Zur Untersuchung der Fragestellung soll eine Stichprobe mit N=6 Befragten durchgeführt werden.<br />
Backhaus u.a. 2011, S. 317 ff.
Umfang und Art der Stichprobe<br />
<strong>CBCA</strong> - Erhebungsdesign<br />
Ein generelles Problem der Marktforschung<br />
Gestaltung der Stimuli (Alternativen)<br />
Durch welche Kombination von Eigenschaftsausprägungen werden<br />
die Stimuli definiert und wie werden sie den Testpersonen<br />
präsentiert? (verbal, visuell, physisch)<br />
Gestaltung von Auswahlsituationen<br />
Zwischen wie vielen Stimuli sollen die Testpersonen auswählen?<br />
Wie viele Auswahlentscheidungen sollen sie treffen?<br />
Wir benötigen dann noch ein verhaltenstheoretisches Modell zur Bildung von<br />
Nutzenbeurteilungen (Präferenzen).<br />
Weiter eine statistische Methode zur Auswertung.<br />
Backhaus u.a. 2011, S. 322
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> - <strong>Analyse</strong>schritte<br />
Aus den Überlegungen ergibt sich die folgende Reihenfolge der Schritte der<br />
<strong>Conjoint</strong>-<strong>Analyse</strong>:<br />
1 Gestaltung der Stimuli<br />
2 Gestaltung der Auswahlsituation<br />
3 Spezifikation eines Nutzenmodells<br />
4 Spezifikation eines Auswahlmodells<br />
5 Schätzung der Nutzenwerte<br />
6 Interpretation und Anwendung<br />
7 Disaggregation der Nutzenwerte<br />
Backhaus u.a. 2011, S. 323<br />
Abbildung 7.3
€ 1,00<br />
<strong>CBCA</strong> – Gestaltung der Stimuli<br />
Futter 1 Futter 2 Futter 3 Futter 4 None-<br />
Option<br />
Verpackung Papier Papier Becher Becher<br />
Preis in € 1,00 1,30 1,00 1,30<br />
€ 1,30<br />
€ 1,00 € 1,30<br />
Die Zahl der Stimuli ergibt sich durch Kombination der Eigenschaftsausprägungen.<br />
Hier haben wir zwei Eigenschaften mit je zwei Ausprägungen, also vier Stimuli<br />
(ohne die None-Option).<br />
Bei vier Eigenschaften mit jeweils drei Ausprägungen würden sich schon 81 Stimuli<br />
ergeben.<br />
Mit der Anzahl der Stimuli wächst natürlich der Befragungsaufwand.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
vgl. Abb. 7.4, S. 323
<strong>CBCA</strong> – Beispiel für eine schriftliche Abfrage<br />
Sie stehen an der Kasse des Wildparks „Starke Sau“ und möchten Wildfutter kaufen.<br />
Stellen Sie sich vor, dort stünden die folgenden Möglichkeiten zur Wahl.<br />
Futter 1<br />
Papier<br />
€ 1,00<br />
Futter 3<br />
Becher<br />
€ 1,00<br />
Futter 2<br />
Papier<br />
€ 1,30<br />
Futter 4<br />
Becher<br />
€ 1,30<br />
Hier ist das Choice-Set vollständig. Bei einer großen Zahl Stimuli muß man eine Auswahl treffen.<br />
Fragestellung<br />
Für das Beispiel sei festgelegt, daß jede der sechs Testpersonen zweimal aus einer Zweier-Alternative<br />
auswählen muß, jeweils mit None-Option. Jede Testperson bekommt also zwei (unvollständige)<br />
Choice-Sets vorgelegt.<br />
Das nennt man<br />
Choice-Set<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.5, S. 324
<strong>CBCA</strong> – Auswahl von Choice Sets<br />
Das sind die beiden Choice-Sets für die erste Testperson.<br />
Bei K Stimuli lassen sich K<br />
paarweise Choice-Sets bilden.<br />
Für das Beispiel ergeben sich bei K = 4 Stimuli:<br />
K<br />
=<br />
C in der nächsten<br />
Folie<br />
D in der nächsten<br />
Folie<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.6, S. 325
Hier sind die sechs möglichen Choice-Sets für das Beispiel zusammengestellt:<br />
2 x Papier<br />
2 x € 1,00<br />
ohne Überlappung<br />
ohne Überlappung<br />
2 x € 1,30<br />
2 x Becher<br />
<strong>CBCA</strong> – Auswahl von Choice Sets<br />
In Choice-Set A kommt Papier zweimal vor. Das nennt man Überlappung.<br />
Bei den Choice-Sets C und D bestehen keine Überlappungen.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.7, S. 325
Es lassen sich natürlich auch Choice-Sets mit mehr als zwei Alternativen bilden.<br />
Wenn s die Größe eines Choice-Sets ist, dann beträgt die Anzahl der möglichen Choice-<br />
Sets :<br />
K<br />
<strong>CBCA</strong> – Auswahl von Choice Sets<br />
Würden wir bei unserem Beispiel Choice-Sets mit mehr als zwei Auswahlmöglichkeiten<br />
wählen, wären möglich:<br />
s = 2 6 Choice-Sets – siehe oben<br />
s = 3 4<br />
S = 4 1<br />
Es stellt sich die Frage, wie groß man die Choice Sets wählen sollte und wieviel<br />
Choice-Sets man einer Versuchsperson vorlegen kann.<br />
Formel 7.2
<strong>CBCA</strong> – Auswahl von Choice Sets<br />
Für das Beispiel sei festgelegt:<br />
Umfang der Choice-Sets = 2, Anzahl der Choice-Sets pro Versuchsperson = 2,<br />
Zuordnung von Choice Sets zu Testpersonen: Nur Choice-Sets ohne Überlappung,<br />
None-Option: ja<br />
A<br />
A<br />
B überwiegt,<br />
die None-Option<br />
kommt nicht vor.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.8, S. 327
<strong>CBCA</strong> -<br />
Da sich in der vorhergehenden Tabelle in der rechten Spalte unter den gewählten Optionen (A bzw. B)<br />
jeweils verschiedene Stimuli verbergen, müssen wir die Daten so in eine Tabelle übertragen, daß die<br />
Auswahlentscheidungen den Stimuli richtig zugeordnet werden.<br />
Person<br />
Auswahlsituation<br />
Stimuli k<br />
None Daten<br />
1 2 3 4 5 Wahl<br />
i r Papier/1,00 € Papier/1,30 € Becher/1,00 € Becher/1,30 € None d(r,k)<br />
1 1 1 0 0 1 1 4<br />
2 0 1 1 0 1 3<br />
2 3 0 1 1 0 1 3<br />
4 1 0 0 1 1 1<br />
3 5 1 0 0 1 1 4<br />
6 0 1 1 0 1 3<br />
4 7 0 1 1 0 1 3<br />
8 1 0 0 1 1 4<br />
5 9 1 0 0 1 1 1<br />
10 0 1 1 0 1 3<br />
6 11 0 1 1 0 1 3<br />
12 1 0 0 1 1 4<br />
Wir verwenden eine binäre Codierung. 1 bedeutet, daß der Stimulus im Choice Set enthalten ist.<br />
0 bedeutet, daß der Stimulus im Choice-Set nicht enthalten ist.<br />
In der rechten Spalte stehen die numerischen Codes für die gewählten Stimuli. Bei der ersten<br />
Auswahlentscheidung hat sich die erste Versuchsperson für den Becher für € 1,30 entschieden.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.9, S. 328
<strong>CBCA</strong> - Fragestellungen<br />
• Was ist den Konsumenten mehr wert, Wildfutter in<br />
Papiertüten oder im Becher?<br />
• Wie stark ist jeweils der Einfluß von Verpackung und Preis auf<br />
das Kaufverhalten?<br />
• Läßt sich mit der Becherverpackung ein höherer Verkaufspreis<br />
realisieren, der die höheren Produktionskosten gegenüber der<br />
Papiertüte (über-)kompensiert?<br />
Die erste Frage läßt sich durch Betrachtung der Daten beantworten. Bei zwölf<br />
Wahlentscheidungen wurde zehnmal die Becherverpackung gewählt.<br />
Backhaus u.a. 2011, S. 328
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Spezifikation eines<br />
Nutzenmodells<br />
Wie kommen in den Köpfen<br />
der Menschen Nutzenbeurteilungen<br />
(Präferenzen) zustande?<br />
Wie ist der Zusammenhang zwischen<br />
der Ausprägung einer Eigenschaft und<br />
dem Nutzen, der bewirkt wird?<br />
Dies läßt sich mit prinzipiell<br />
unterschiedlichen Zusammenhängen<br />
darstellen. Man spricht auch von<br />
elementaren Teilnutzenmodellen.<br />
Für jede Eigenschaft muß man sich für<br />
ein Teilnutzen-Modell entscheiden.<br />
Das Gesamtnutzen-Modell entsteht<br />
dann durch additive oder multiplikative<br />
Verknüpfung der Teilnutzenmodelle.<br />
Standard bei der CA ist das additive<br />
Teilwert-Nutzenmodell – die<br />
Verknüpfung der Teilwert-Modelle für<br />
die Eigenschaften geschieht also durch<br />
Addition.<br />
z.B. Wirtschaftlichkeit,<br />
Energiegehalt<br />
z.B. Temperatur,<br />
Konsistenz<br />
flexibel, aber wenig<br />
effizient.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.10, S. 330
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Spezifikation eines<br />
Nutzenmodells<br />
Additive Nutzenmodelle werden auch als kompensatorische Nutzenmodelle bezeichnet.<br />
Bei multiplikativer Verknüpfung führt ein Teilnutzen von 0 zu einem Gesamtnutzen von 0.<br />
Die <strong>CBCA</strong> ist nicht an ein bestimmtes Nutzenmodell gebunden.<br />
Das additive Teilwert-Nutzenmodell ist sehr flexibel und daher das gebräuchlichste Nutzenmodell.<br />
Es läßt sich auch anwenden, wenn der Untersucher keinerlei Vorstellung über den Zusammenhang von<br />
Eigenschaftsausprägungen und Nutzen besitzt.<br />
Das Vektor-Modell ist viel effizienter, aber nur bei metrisch meßbaren Eigenschaften anwendbar.<br />
Es können auch beliebige nichtlineare Modelle Anwendung finden. Das Idealpunktmodell ist dafür nur ein<br />
Beispiel.<br />
Nutzenverläufe sind oft durch abnehmenden Grenznutzen gekennzeichnet.<br />
Backhaus u.a. 2011, S. 317 ff.
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong><br />
Im Beispiel haben wir J = 2 Eigenschaften mit jeweils M = 2 Ausprägungen. Bei Einbeziehung der None-<br />
Option ergibt sich formal noch eine dritte Eigenschaft mit nur einer Ausprägung.<br />
Es gelte:<br />
Bezeichnungen für Eigenschaften und Teilnutzen im Beispiel<br />
Die Gesamtnutzenwerte u k erhält man durch<br />
u k = b 11 * x 11k + b 12 * x 12k + b 21 *x 21k + b 22 * x 22k + b 31 * x 31k<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.11, S. 332
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong><br />
Für das Beispiel sind die Werte der Dummy-Variablen in der folgenden Tabelle<br />
angegeben. Daraus lassen sich die Teilnutzenwerte berechnen.<br />
Stimulus k<br />
Eigenschaft j: 1 2<br />
3<br />
Verpackung Preis<br />
Ausprägung m: 1 2 1 2<br />
Papier Becher 1,00 € 1,30 € None<br />
1 1 0 1 0 0<br />
2 1 0 0 1 0<br />
3 0 1 1 0 0<br />
4 0 1 0 1 0<br />
5 0 0 0 0 1<br />
Definition der Stimuli mittel binärer Codierung<br />
Wenn wir die Teilnutzen, die wegen der jeweils nicht<br />
vorhandenen Eigenschaftsausprägungen 0 sind,<br />
weglassen, bekommen wir die Gesamtnutzen der<br />
fünf Stimuli.<br />
u 1 = b 11 + b 21 Papier / € 1,00<br />
u 2 = b 11 + b 22 Papier / € 1,30<br />
u 3 = b 12 + b 21 Becher/ € 1,00<br />
u 4 = b 12 + b 22 Becher / € 1,30<br />
u 5 = b 31 None-Option<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.12, S. 332
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Spezifikation eines<br />
Auswahlmodells<br />
Im Unterschied zur Traditionellen <strong>Conjoint</strong>-<strong>Analyse</strong> wird bei der <strong>CBCA</strong> neben einem<br />
Nutzenmodell noch ein Auswahlmodell benötigt.<br />
Die <strong>CBCA</strong> basiert ja auf Beobachtungen von Wahlentscheidungen, aus denen die<br />
Nutzenbeurteilungen indirekt abgeleitet werden sollen, die bei der TCA direkt erfragt<br />
werden.<br />
Wir brauchen deshalb ein Modell, welches beschreibt, wie sich eine Person auf Basis<br />
ihrer Nutzenvorstellungen bei der Auswahl zwischen Alternativen entscheidet.<br />
Wir nennen dieses Modell Choice-Modell.<br />
Ein Modell für individuelles Entscheidungsverhalten bei diskreten Alternativen.<br />
Das ist eine starke Vereinfachung des komplexen menschlichen<br />
Entscheidungsverhaltens.<br />
Die Modelle liefern i.d.R. keine eindeutige Entscheidung, sondern<br />
Wahrscheinlichkeiten für die Wahl der Alternativen. Backhaus u.a. 2011, S. 317 ff.
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong><br />
Zur Wahl stehen insbesondere die folgenden Modelle:<br />
Die Wahl der Modelle ist prinzipiell frei.<br />
Wird für die <strong>CBCA</strong> eine Software verwendet, ist<br />
man natürlich auf die darin implementierten<br />
Modelle beschränkt.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.13, S. 333
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Spezifikation eines<br />
Auswahlmodells<br />
Das Max-Unitlity-Modell<br />
oder auch First-Choice-Modell<br />
bildet eine Ausnahme.<br />
In diesem Modell erhält die<br />
Alternative mit dem größten Nutzen die Wahrscheinlichkeit 1, alle anderen<br />
Alternativen folglich die Wahrscheinlichkeit 0.<br />
Das bedeutet, daß immer die alternative gewählt wird, die den höchsten Nutzen hat.<br />
Das ist ein deterministisches Modell, welches streng nutzenmaximierendes Verhalten<br />
beschreibt.<br />
Damit ist es natürlich ein Extremfall.<br />
Es ist ziemlich unwahrscheinlich, daß es die Realität oft treffend beschreibt.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.13, S. 333
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Spezifikation eines<br />
Auswahlmodells<br />
Der dem First-Choice-Modell<br />
entgegengesetzte Extremfall<br />
ist das Random-Choice-Modell.<br />
Hier sind die Auswahlwahrscheinlichkeiten für alle Alternativen gleich,<br />
unabhängig von ihrem jeweiligen Nutzen.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.13, S. 333
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Spezifikation eines<br />
Auswahlmodells<br />
Beim Attraction-Modell verhalten sich die Auswahlwahrscheinlichkeiten<br />
proportional zu den Nutzenwerten der Alternativen.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.13, S. 333
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Spezifikation eines<br />
Auswahlmodells<br />
Gewöhnlich findet das Logit-Choice-Modell Anwendung in der <strong>CBCA</strong>.<br />
Bei mehr als zwei Alternativen erweitert zum Multinominalen-Logit-Choice-Modell.<br />
Durch den Parameter β läßt sich das Modell flexibel an das unterschiedliche<br />
Auswahlverhalten von Personen anpassen. Der Parameter β läßt sich als<br />
Rationalitätsparameter interpretieren.<br />
Das nähert das Modell dem Max-Utility-Modell an<br />
Das nähert das Modell dem Random-Choice-Modell an<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.13, S. 333
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – logistische Funktion<br />
Der Wertebereich der abhängigen Variable y liegt zwischen 0 und 1, so daß sich das Modell<br />
zur Darstellung von Wahrscheinlichkeiten eignet.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.14, S. 335
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – binäres Logit-Choice-<br />
Modell<br />
Der Einfachheit halber ist hier auf den Parameter β und den Index i verzichtet worden.<br />
Zeigt den gleichen Verlauf wie die<br />
logistische Kurve.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.15, S. 335
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – binäres Logit-Choice-<br />
Modell<br />
Nehmen wir an, daß u 2 gegeben ist<br />
und variieren wir u 1, dann zeigt<br />
der Verlauf in der Abbildung die<br />
resultierenden Wahrscheinlichkeiten<br />
für die Wahl von Alternative 1 an.<br />
Gilt z.B. u 2 = 5 und u 1 = 6,<br />
dann erhält man für die Alternative 1<br />
die Wahrscheinlichkeit<br />
prob (1 2) =<br />
= 0,73<br />
und damit für die Alternative 2<br />
prob (<br />
=0,27<br />
) = 1 - prob (1 2)<br />
Das binäre Logit-Choice-Modell läßt sich linearisieren.<br />
Dadurch läßt es sich leicht schätzen.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.15, S. 335
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Eigenschaften des<br />
binären Logit-Choice-Modells<br />
1<br />
2<br />
3<br />
4<br />
Die Wahrscheinlichkeit für die Wahl einer Alternative ist abhängig von<br />
ihrem Nutzen und den Nutzen der übrigen Alternativen.<br />
Die Wahrscheinlichkeiten sind nur abhängig von den Differenzen der<br />
Nutzenhöhen, nicht von den absoluten Höhen der Nutzen.<br />
Wenn zwei Alternativen einander sehr ähnlich sind, dann wirken schon<br />
kleine Änderungen der Nutzenwerte stark auf die Wahrscheinlichkeiten.<br />
Bei großen Nutzenunterschieden wirken sich dagegen kleinere<br />
Änderungen nur geringfügig aus.<br />
Das Verhältnis der Wahrscheinlichkeiten von zwei Alternativen ist<br />
unabhängig davon, ob eine dritte Alternative im Choice-Set enthalten ist<br />
oder nicht (Constant Ratio Rule).<br />
Da im Beispiel die None-Option nicht gewählt wurde, kann das binäre Logit-Modell<br />
verwendet werden.<br />
Backhaus u.a. 2011, S. 336
Da im Beispiel die None-Option nicht gewählt wurde, kann das binäre Logit-Modell<br />
verwendet werden.<br />
In der ersten Auswahlsituation wurden folgende Alternativen präsentiert:<br />
k = 1 (Papier / € 1,00)<br />
k = 4 (Becher / € 1,30)<br />
Die Wahrscheinlichkeit für die Wahl des Bechers ergibt sich damit:<br />
Backhaus u.a. 2011, S. 337
<strong>CBCA</strong> – Anwendung des binären Logit-Modells<br />
Anstelle der Gesamtnutzenwerte lassen sich auch die Nutzenfunktionen bzw. die<br />
Teilnutzen in das Logit-Modell einsetzen.<br />
Für die Alternativen unseres Beispiels sind sie oben wie folgt angegeben:<br />
u 1 = b 11 + b 21 Papier / € 1,00<br />
u 2 = b 11 + b 22 Papier / € 1,30<br />
u 3 = b 12 + b 21 Becher/ € 1,00<br />
u 4 = b 12 + b 22 Becher / € 1,30<br />
u 5 = b 31 None-Option<br />
Damit diese und die übrigen Wahrscheinlichkeiten berechnet werden können,<br />
müssen jetzt nur noch die Teilnutzen geschätzt werden.<br />
Backhaus u.a. 2011, S. 337<br />
Formel 7.12
<strong>CBCA</strong> - Schätzung der Nutzenwerte<br />
Das Logit-Choice-Modell läßt sich vereinfacht beschreiben als eine Funktion<br />
Mit<br />
Zu schätzen sind die Teilnutzen b jm.<br />
(k =1, … , K)<br />
j=1, … , J; m=1, … , M (Nutzenmodell)<br />
Leider sind Werte für die Wahrscheinlichkeit prob(k) nicht beobachtbar. Es gibt also keine Beobachtungswerte.<br />
Es liegen nur Auswahldaten vor. Die besitzen nominales Skalenniveau, kein metrisches oder ordinales.<br />
Daher kann die Regressionsanalyse und die Kleinst-Quadrate-Methode keine Anwendung finden.<br />
Deshalb muß hier zur sogenannten Maximum-Likelihood-Methode gegriffen werden.<br />
Im Prinzip werden mit dieser Methode die Schätzwerte für die unbekannten Parameter so bestimmt, daß die<br />
realisierten Daten (die getroffenen Auswahlentscheidungen) eine maximale Plausibilität erlangen.<br />
Die unbekannten Teilnutzenwerte sind so zu schätzen, daß sich die beobachteten Wahlentscheidungen möglichst<br />
plausibel erklären lassen.<br />
Backhaus u.a. 2011, S. 337 f.
<strong>CBCA</strong> - Schätzung der Nutzenwerte<br />
Das ist der Fall, wenn Wahrscheinlichkeit für die jeweils gewählte Alternative k in einer bestimmten<br />
Auswahlsituation r möglichst groß wird.<br />
Das muß natürlich für alle Auswahlsituationen gelten.<br />
Damit läßt sich die folgende Likelihood-Funktion formulieren:<br />
Für die praktische Berechnung ist es von Vorteil, die Wahrscheinlichkeiten zu logarithmieren. Dadurch erhält man<br />
die sogenannte Log-Likelihood-Funktion<br />
Da der Logarithmus eine streng monoton steigende Funktion ist, führt die Maximierung beider Funktionen zum<br />
selben Ergebnis.<br />
Backhaus u.a. 2011, S. 338<br />
Anstelle der Produkte in der Likelihood-Funktion erhält man in der Log-Likelihood-Funktion Summen. Das<br />
vereinfacht die Berechnung.
<strong>CBCA</strong> - Schätzung der Nutzenwerte<br />
Das Schätzproblem der <strong>CBCA</strong> läßt sich damit unter Verwendung der beschriebenen Modelle wie folgt darstellen:<br />
mit<br />
Die Teilnutzen sind so zu bestimmen, daß LL maximal wird.<br />
(Choice-Modell)<br />
(Nutzenmodell)<br />
LL kann nur negative Werte annehmen, da der Logarithmus einer Wahrscheinlichkeit negativ ist.<br />
Die Maximierung von LL bedeutet also, daß man dem Wert 0 möglichst nahe kommt.<br />
LL = 0 würde sich ergeben, wenn für alle gewählten Alternativen die Wahrscheinlichkeit gleich 1 wäre und<br />
gleichzeitig für alle nicht gewählten Alternativen die Wahrscheinlichkeit gleich 0 wäre.<br />
Backhaus u.a. 2011, S. 338
LL = -8,1<br />
<strong>CBCA</strong> – Verlauf der LL-Funktion eines Teilnutzens<br />
b jm = 4<br />
Hier ist das Maximum LL = - 3,8<br />
bei b jm = 5,6<br />
Die Abbildung veranschaulicht den Verlauf von LL bei Variation<br />
eines einzelnen Teilnutzens b jm bei Konstanz der übrigen Teilnutzen.<br />
Zur Auffindung eines globalen Optimums ist allerdings die simultane Anpassung aller Teilnutzen erforderlich.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abbildung 7.16, S. 339
<strong>CBCA</strong> - Schätzung der Nutzenwerte<br />
Die Lösung des Optimierungsproblems erfordert die Anwendung iterativer Algorithmen.<br />
Leider bieten diese Algorithmen grundsätzlich keine Gewähr dafür, daß sie ein globales Optimum finden.<br />
Andererseits wurde von McFadden gezeigt, daß die Log-Likelihood-Funktion konkav ist. Das erleichtert die<br />
Optimierung.<br />
Der Anwender muß Startwerte festlegen.<br />
Von der mehr oder weniger geschickten Wahl der Startwerte hängt die Rechenzeit ab.<br />
Backhaus u.a. 2011, S. 317 ff.
<strong>CBCA</strong> - Rechnerische Umsetzung des Beispiels mit MS Excel<br />
Die folgenden Schritte müssen durchgeführt werden:<br />
a) Transformation der Daten<br />
b) Ermittlung von Startwerten<br />
c) Berechnung der Gesamtnutzenwerte<br />
d) Berechnung der Auswahlwahrscheinlichkeiten<br />
e) Prognose von Auswahlentscheidungen<br />
f) Maximum-Likelihood-Schätzung<br />
Mit Ausnahme von a) und e) sind die Schritte aber schon behandelt worden.<br />
Backhaus u.a. 2011, S. 340
<strong>CBCA</strong> – binäre Codierung der Daten (Auswahlentscheidungen)<br />
In der Likelihood-Funktion tauchen die empirischen Daten (die Auswahlentscheidungen<br />
d rk ) in binärer Form auf. Daher müssen zuerst die vorliegenden Daten (die 12<br />
Auswahlentscheidungen) in binäre Dummy-Variablen d rk transformiert werden.<br />
Da in einer<br />
Auswahlsituation nur eine<br />
Alternative gewählt werden<br />
kann, müssen die Summen<br />
in den Zeilen jeweils 1<br />
ergeben.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.17, S. 341
<strong>CBCA</strong> - Ermittlung von Startwerten<br />
Für die Ermittlung sinnvoller Startwerte benötigt man eine Heuristik.<br />
Hier sei die folgende verwendet:<br />
Wir zählen für jede Eigenschaftsausprägung, wie oft sie unter den gewählten Stimuli<br />
vorkommt.<br />
Dies geht wie folgt aus den Spaltensummen der vorstehenden Tabelle (Abb. 7.17)<br />
hervor:<br />
Papier b 11 = 2 + 0 = 2<br />
Becher b 12 = 6 + 4 = 10<br />
€ 1,00 b 21 = 2 + 6 = 8<br />
€ 1,30 b 22 = 0 + 4 = 4<br />
Backhaus u.a. 2011, S. 341
<strong>CBCA</strong> - Ermittlung von Startwerten<br />
Papier b 11 = 2 + 0 = 2<br />
Becher b 12 = 6 + 4 = 10<br />
€ 1,00 b 21 = 2 + 6 = 8<br />
€ 1,30 b 22 = 0 + 4 = 4<br />
In der <strong>Conjoint</strong>-<strong>Analyse</strong> ist es üblich, die Teilnutzenwerte für jede Eigenschaft so zu<br />
normieren, daß sie sich zu Null summieren (Reparametrisierungsbedingung)<br />
Die obigen Werte sind daher wie folgt zu transformieren:<br />
Die Mittelwerte sind : b 1 = 6 und b 2 = 6 - also ergibt sich:<br />
Für die None-Option sei ein Wert kleiner als der<br />
kleinste Teilnutzenwert gewählt, z.B. b 3 = -10<br />
Papier 2 – 6 = -2<br />
Becher 10 – 6 = 4<br />
€ 1,00 8 – 6 = 2<br />
€ 1,30 4 – 4 = 0<br />
Backhaus u.a. 2011, S. 341 f.
<strong>CBCA</strong> – Berechnung der Gesamtnutzen für die Startwerte<br />
Durch Einsetzen der obigen Teilnutzenwerte in das Nutzenmodell (Formel 7.16) erhält man die<br />
Gesamtnutzenwerte für die Stimuli.<br />
Die folgende Tabelle zeigt die Berechnung der Gesamtnutzen mit Hilfe der binären Kodierung der Stimuli (vgl.<br />
Abb. 7.12)<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abbildung 7.18, S. 342
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Berechnung der<br />
Auswahlwahrscheinlichkeiten<br />
Die Tabelle enthält die Auswahlwahrscheinlichkeiten, die sich für die Startwerte ergeben.<br />
Jede Zelle des Exel-Tableaus enthält das Choice-Modell gemäß Formel 7.16 und greift auf die Gesamtnutzenwerte<br />
der vorherigen Tabelle (Abb. 7.18)) zu, die mit den Teilnutzenwerten verlinkt sind.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.19, S. 342
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Berechnung der<br />
Auswahlwahrscheinlichkeiten<br />
Backhaus u.a. 2011, S. 342
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – prognostizierte Wahl<br />
und Trefferquote<br />
Es wird in einer Auswahlsituation r diejenige Alternative k gewählt werden, für die die Auswahlwahrscheinlichkeit<br />
am größten ist.<br />
Das ist eine Ex-Post-Prognose<br />
der Auswahl, der hier die<br />
tatsächliche Wahl<br />
gegenübergestellt wird.<br />
Verwendet wurden hier die<br />
Auswahlwahrscheinlichkeiten aus<br />
Abbildung 7.19.<br />
Das zeigt, daß bereits mit der<br />
einfachen Heuristik eine recht hohe<br />
Trefferquote erzielt worden ist.<br />
Wären alle Startwerte auf 0 gesetzt<br />
worden, hätte sich eine<br />
Trefferquote von 17,6% ergeben.<br />
Durch die Optimierung läßt sich die<br />
Trefferquote noch verbessern.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.20, S. 343
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Maximum-Likelihood-<br />
Schätzung<br />
Dies sind die logarithmierten Wahrscheinlichkeiten, berechnet für die Startwerte.<br />
Unten rechts steht der Log-Likelihood-Wert LL = -8,1.<br />
Die Startwerte sind jetzt so zu verbessern, daß LL maximal wird (also 0 näher kommt).<br />
Dies wird über ein Optimierungsprogramm erreicht – hier wird der Excel-Solver eingesetzt.<br />
Zielzelle wird dabei die mit dem LL-Wert. Verändert werden die Startwerte.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.21, S. 344
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Berechnung der<br />
Gesamtnutzen nach Optimierung der Teilnutzen<br />
Diese Tabelle zeigt nun das Ergebnis nach dem iterativen Optimierungsprozeß.<br />
LL ist mit -3,8 deutlich näher als 0 als in der Konstellation mit den Startwerten.<br />
Startwerte<br />
Papier 2 – 6 = -2<br />
Becher 10 – 6 = 4<br />
€ 1,00 8 – 6 = 2<br />
€ 1,30 4 – 4 = 0<br />
Hier war<br />
der<br />
Startwert 4<br />
LL wurde von -8,1<br />
auf -3,8 verbessert<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.22, S. 345
<strong>Auswahlbasierte</strong> <strong>Conjoint</strong>-<strong>Analyse</strong> – Auswahlwahrscheinlichkeiten<br />
nach Optimierung der Teilnutzen<br />
Diese Tabelle zeigt die Auswahlwahrscheinlichkeiten, die zu den optimalen Werten gehören.<br />
Die Trefferquote hat sich im Beispiel nicht erhöht, trotz der Verbesserung der Nutzenwerte und<br />
Wahrscheinlichkeiten.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.23, S. 345
Verpackung Papier Becher<br />
Interpretation<br />
Preis in € 1,00 1,30<br />
Teilnutzenwerte<br />
None-<br />
Option<br />
b 11 = -5,614 b 12 = 5,614 b 21 = 5,267 b 22 = -5,267 b 31 = -22,35<br />
Die einzelnen Zahlen haben keinen Aussagewert. Es kommt lediglich auf die Unterschiede zwischen den<br />
Teilnutzenwerten einer Eigenschaft an.<br />
Der Becher hat einen höheren Nutzenwert als die Papiertüte.<br />
€ 1,00 hat einen höheren Nutzenwert als € 1,30.<br />
Wir bilden nun die Differenzen:<br />
Der Becher hat einen<br />
höheren Nutzenwert als die<br />
Papiertüte.<br />
€ 1,00 hat einen höheren<br />
Nutzenwert als € 1,30.<br />
Ich würde auch<br />
lieber nur 1,-- €<br />
zahlen.<br />
Backhaus u.a. 2011, S. 346 f.
Verpackung Papier Becher<br />
Interpretation<br />
Preis in € 1,00 1,30<br />
Becher - Papier b 12 – b 11 5,614 – (-5,614) = 11,23<br />
€ 1,30 - € 1,00 b 22 – b 21 -5,267 – 5,267 = -10,53<br />
Der Vorteil, der sich für einen Konsumenten aus dem Becher ergibt, ist größer als der Nachteil aus dem<br />
höheren Preis.<br />
Papier / € 1,00 : u 1 = b 11 + b 21 - 5,614 + 5,267 = -0,35<br />
Becher / € 1,30 : u 4 = b 12 + b 22 5,614 + (-5,267) = 0,35<br />
None-Option<br />
Teilnutzenwerte b 11 = -5,614 b 12 = 5,614 b 21 = 5,267 b 22 = -5,267 b 31 = -22,35<br />
Aus den Nutzenwerten resultieren unter Vernachlässigung der None-Option die folgenden<br />
Auswahlwahrscheinlichkeiten<br />
Es würde also bei einem<br />
gleichzeitigen Angebot der<br />
0,33<br />
beiden Alternativen<br />
überwiegend die teurere<br />
Alternative gewählt.<br />
0,67<br />
Backhaus u.a. 2011, S. 346
Modifikationen der <strong>CBCA</strong><br />
Bei qualitativen Eigenschaften ist das Teilwert-Modell nicht zu umgehen.<br />
Im Beispiel liegt aber eine qualitative Eigenschaft vor und eine quantitative.<br />
Der Nutzenverlauf des Preises läßt sich auch mit dem Vektor-Modell abbilden.<br />
Dadurch könnte die Interpretation der Ergebnisse verbessert werden.<br />
Es hätte auch Vorteile für die Prognose.<br />
Es wäre natürlich naheliegend, die Datenerhebung zu verbessern, indem mehr als<br />
die zwei Alternativen (€ 1,00 und € 1,30) abgefragt werden.<br />
Dadurch würde sich die Zahl der zu schätzenden Parameter nicht erhöhen.<br />
Dann könnten auch individuelle Nutzenschätzungen durchgeführt werden.<br />
Backhaus u.a. 2011, S. 347
<strong>CBCA</strong> - Modifikation des Nutzenmodells<br />
x jmk ist eine Dummy-Variable, die die Ausprägung der qualitativen Eigenschaft<br />
j (j = 1 .. J) angibt.<br />
x j ist eine metrische Variable, die die Ausprägung der quantitativen Variable angibt.<br />
Mit β j sind die Koeffizienten der metrischen Variable bezeichnet.<br />
Bei nur je einer qualitativen und quantitativen Eigenschaft vereinfacht sich die Formel<br />
zu:<br />
mit k = 1, … , K und K = M (Formel 7.20)<br />
Die K Stimuli sind jetzt eindeutig durch die M Ausprägungen der qualitativen<br />
Eigenschaft definiert. Bei Einbeziehung der None-Option ergeben sich K = M + 1<br />
Stimuli.<br />
Backhaus u.a. 2011, S. 347
<strong>CBCA</strong><br />
Für die Formel 7.20 können wir auch schreiben:<br />
oder, da die Skala der Teilnutzenwerte nicht festgelegt ist:<br />
mit<br />
Setzen wir jetzt x = -P, so erhält man die Nutzenfunktion<br />
Dies läßt sich interpretieren als der Nettonutzen eines Produktes k zum Preis P k<br />
Durch Einsetzen dieser Nutzenfunktion in das Choice-Modell der <strong>CBCA</strong> (gemäß 7.16)<br />
erhält man:<br />
Backhaus u.a. 2011, S. 347 f.
<strong>CBCA</strong> - Logit-Preismodell<br />
Nach Umformung von 7.24 erhält man das folgende Modell, das wir als<br />
Logit-Preismodell bezeichnen:<br />
(Formel 7.24)<br />
(Formel 7.25)<br />
Die Wahlwahrscheinlichkeit eines Produktes in einem Choice Set r ist abhängig von<br />
den Nutzendifferenzen und den Preisdifferenzen gegenüber allen anderen Produkten<br />
im Choice Set.<br />
Im Unterschied zum Teilwertmodell gehen die Preise wertmäßig in das Logit-<br />
Preismodell ein. Die erhaltenen Nutzenwerte sind daher automatisch in den<br />
Geldeinheiten skaliert. Die Ergebnisse der <strong>CBCA</strong> sind daher der Interpretation leicht<br />
zugänglich.<br />
Backhaus u.a. 2011, S. 348
<strong>CBCA</strong> – das binäre Logit-Preismodell<br />
Bei nur zwei Produkten (und Vernachlässigung der None-Option) reduziert sich das Modell zu einem binären Logit-<br />
Modell, das hier grafisch dargestellt ist.<br />
Becher Papiertüte<br />
(Formel 7.26)<br />
Die Abbildung gibt den Verlauf der Wahrscheinlichkeit<br />
für die Wahl der Becherverpackung gegenüber der<br />
Papierverpackung in Abhängigkeit von den<br />
Nutzenwerten der Produkte und ihren Preisen an.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.24, S. 349
<strong>CBCA</strong><br />
Die Wahrscheinlichkeit für die Wahl des Bechers ist umso höher, je<br />
• größer der Nutzen des Bechers<br />
• niedriger der Preis des Bechers<br />
• niedriger der Nutzen der Papiertüte<br />
• höher der Preis der Papiertüte<br />
Übersteigt der Nutzen des Bechers den der Papiertüte um den gleichen Betrag, um den der<br />
Becher teurer ist als die Papiertüte, dann gilt:<br />
bzw.<br />
und man erhält damit eingesetzt in 7.26 (das ist die Formel in der Grafik auf der vorherigen Seite)<br />
0,5<br />
Wenn also der Nutzenvorteil des Bechers durch seinen Preisnachteil kompensiert wird,<br />
dann besteht Indifferenz zwischen den Angeboten, die Auswahlwahrscheinlichkeit ist dann<br />
jeweils 50%. Backhaus u.a. 2011, S. 349
<strong>CBCA</strong><br />
Spiegelbildlich ergibt sich für die Wahrscheinlichkeit der Wahl der Papiertüte gegenüber<br />
dem Becher<br />
Die Bezugs-Formel ist auch 7.26,<br />
die in der Grafik mit der Wahrscheinlichkeitskurve.<br />
Backhaus u.a. 2011, S. 350
<strong>CBCA</strong> – Beispiels-Daten zum Logit-Preismodell<br />
Dies ist nun der Datensatz für die Anwendung des Logit-Preismodells, der sich gegenüber Abb. 7.9 vereinfacht hat.<br />
Inhaltlich sind die Daten in den Abb. 7.9 und 7.25 identisch. Damit vereinfacht sich auch das Erhebungsdesign.<br />
Abgesehen von der None-Option haben wir nur noch zwei Alternativen, die beiden Verpackungsarten. Die Preise<br />
können jetzt zwischen den Auswahlsituationen beliebig variieren, ohne daß sich die Struktur des Erhebungsdesigns<br />
bzw. des Modells ändert.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.25, S. 350
<strong>CBCA</strong> – Ergebnis für das Beispiel zum Logit-Preismodell<br />
Die Schätzung des Logit-Preismodells mittels Maximum-Likelihood-Methode liefert<br />
folgende Werte:<br />
b 1 = -0,16 Nutzenwert des Futters in der Papiertüte<br />
b 2 = 0,16 Nutzenwert des Futters im Becher<br />
β = 27,6<br />
Differenz = 0,32 €<br />
Auch hier ist wieder nur einer der beiden Nutzenwerte zu schätzen, da sich der andere<br />
durch die Reparametrisierungsbedingung (b 1 + b 2 = 0) ergibt.<br />
Für die Nutzendifferenz zwischen den Verpackungen können wir jetzt angeben, daß sie<br />
€ 0,32 beträgt.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.26, S. 351
<strong>CBCA</strong> – Logit-Preismodell<br />
Für die Wahl des Bechers erhält man mit obigen Werten die folgende Wahrscheinlichkeitsfunktion:<br />
Setzen wir für das Futter in Papierverpackung einen Preis von € 1,00 und für die Becherverpackung € 1,30,<br />
so erhalten wir:<br />
Das Logit Preismodell liefert dieselben Wahrscheinlichkeiten wie das oben verwendete Teilwert-Modell.<br />
Das Modell ist aber anschaulicher geworden und seine Praktikabilität hat sich erhöht.<br />
Wir können nämlich jetzt Wahrscheinlichkeiten für beliebige Preise berechnen.<br />
(Bezug ist Formel 7.26)<br />
Backhaus u.a. 2011, S. 350 f.
<strong>CBCA</strong> – Preis-Response-Funktion des Bechers<br />
Wird der Preis für die Papiertüte auf € 1,15 festgelegt, erhalten wir die folgende Preisresponsefunktion, die die<br />
Wahrscheinlichkeit für die Wahl des Bechers als Funktion seines Preises angibt.<br />
Wahrscheinlichkeit<br />
der Wahl des Bechers<br />
Würde der Preis des Bechers auf € 1,45 festgelegt,<br />
wäre die Auswahlwahrscheinlich etwas größer als 0,6.<br />
Preis des Bechers<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.26, S. 351
<strong>CBCA</strong> - Vorteile des Logit-Preismodells<br />
• relativ einfaches Erhebungsdesign<br />
• in Geldeinheiten skalierte Nutzenwerte<br />
• Möglichkeit der Ableitung einer Preis-Response-Funktion, mit<br />
der sich Kaufwahrscheinlichkeiten für beliebige Preis-<br />
Kombinationen berechnen lassen<br />
Backhaus u.a. 2011, S. 351
Modifiziertes Erhebungsdesign- Individualisierung der <strong>Analyse</strong><br />
Für das Beispiel war angenommen, sechs Versuchspersonen seien je zwei Wahlentscheidungen<br />
abverlangt worden.<br />
Man könnte jeder Person eine höhere Anzahl von Wahlentscheidungen abverlangen.<br />
Im Beispiel wäre das problematisch, weil die Informationen redundant würden, denn das<br />
Choice-Set ist stark eingeschränkt. Die Fragen würden sich wiederholen.<br />
Wenn aber die Preise stärker variiert würden, wäre das denkbar.<br />
Bei Anwendung des Teilwert-Modells würde sich dadurch die Anzahl der zu schätzenden<br />
Parameter erhöhen,<br />
aber im Logit-Preismodell wäre es unproblematisch. Bei diesem Modell können wir die<br />
abgefragten preise variieren, ohne eine höhere Zahl von Parametern schätzen zu müssen.
<strong>CBCA</strong> - Datensatz 2: Eine Person, 12 Auswahlsituationen<br />
Wir nehmen an, einer Person seien zwölf Alternativen angeboten worden.<br />
Beispiel wie oben, aber stärker variierte Preise.<br />
Weil auch die Non-Option gewählt wurde,<br />
müssen wir ein multinominales Modell<br />
schätzen statt eines binären.<br />
1,00 bis 1,40 1,00 bis 1,60<br />
statt nur 1,00 oder 1,30<br />
1 = Papiertüte<br />
2 = Becher<br />
3 = Non-Option<br />
Non-Option<br />
Non-Option<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.27, S. 353
<strong>CBCA</strong> – Logit-Preismodell individualisiert<br />
Das Individuelle Logit-Preismodell lautet:<br />
Für die Non-Option setzen wir einen Preis von Null.<br />
Die Schätzung mit der Maximum-Likelihood-Methode liefert die Daten aus Abb. 7.27<br />
folgende Werte:<br />
b 1 = -0,19<br />
b 2 = 0,19<br />
b 3 = -1,39<br />
β = 30<br />
mit<br />
Die Nutzendifferenz zw. Papier und Becher beträgt für<br />
die Versuchsperson € 0,38.<br />
Das Futter im Becher zu kaufen, ist ihr € 0,38 wert.<br />
Backhaus u.a. 2011, S. 353
<strong>CBCA</strong><br />
Mit Hilfe des geschätzten Nutzenwertes für die non-Option lassen sich jetzt auch die absoluten Nutzenwerte für<br />
die Produkte angeben. Dazu wird der Nullpunkt der monetären Nutzenskala so verankert, daß die Non-Option<br />
den Nutzenwert Null erhält. Dazu addieren wir –b3 = 1,39 zu allen Nutzenwerten.<br />
b 1 = € 1,20 Nutzenwert des Futters in der Papiertüte = - 0,19 + 1,39 = 1,20<br />
b 2 = € 1,58 Nutzenwert des Futters im Becher = 0,19 + 1,39 = 1,58<br />
b 3 = 0,00 Nutzenwert der Non-Option = - 1,39 + 1,39 = 0<br />
Auf die Wahrscheinlchkeiten des Logit-Modells hat diese Skalenverschiebung keinen Einfluß.<br />
Die neuen Nutzenwerte (oben) lassen sich jetzt als Zahlungsbereitschaften der Testperson für die Produkte<br />
interpretieren.<br />
Damit die Zahlungsbereitschaften mittel <strong>CBCA</strong> ausgelotet werden können, ist es nötig, die Preise so zu variieren,<br />
daß auch die Non-Option gewählt wird.<br />
Die Testperson hat hier sehr konsistent gewählt. Die Trefferquote beträgt 91,7%.<br />
100% konsistentes Verhalten kann man nicht erwarten. Das Modell liefert auch nur Wahrscheinlichkeiten.<br />
Backhaus u.a. 2011, S. 354
<strong>CBCA</strong><br />
Für die Wahl des Bechers erhält man mit den Werten des Beispiels folgende Wahrscheinlichkeitsfunktion:<br />
Wird der Preis der Papiertüte auf € 1,15 fixiert und den der Non-Option auf Null angenommen, ergibt sich die<br />
folgende Preis-Response-Funktion:<br />
Backhaus u.a. 2011, S. 354
Wahrscheinlichkeit<br />
der Wahl des Bechers<br />
<strong>CBCA</strong> – individuelle Preis-Response-Funktion des Bechers<br />
Preis des Bechers<br />
Mit der Erhöhung des Preises des Bechers sinkt nicht nur die Wahrscheinlichkeit der Wahl des Bechers,<br />
sondern gleichzeitig steigt die Wahrscheinlichkeit der Wahl der Papiertüte. Gleichzeitig steigt bei hohen Preisen<br />
von Becher und Tüte auch die Wahrscheinlichkeit für die Wahl der Non-Option.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.28, S. 355
<strong>CBCA</strong> - Auswahlwahrscheinlichkeiten<br />
In dieser Grafik sind daher alle drei Kurven eingetragen, die sich an jeder Stelle zu 1,0 addieren.<br />
Wahrscheinlichkeit<br />
Ist der Preis des Bechers höher als ca. €1,53,<br />
wird die Wahl der Papiertüte zu € 1,15 wahrscheinlicher<br />
als die Wahl des Bechers.<br />
Preis des Bechers<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.29, S. 355
<strong>CBCA</strong> - Marktsimulationen<br />
Führt man eine <strong>CBCA</strong> mit einer repräsentativen Stichprobe durch, lassen sich<br />
durch Aggregation der individuellen Preisresponsefunktionen Marktsimulationen<br />
durchführen.<br />
So kann man ermitteln, wie der Preis eines Produktes auf die mengenmäßige<br />
Nachfrage wirkt.<br />
Auch die Wirkung auf die Nachfrage nach den konkurrierenden Produkten kann<br />
ermittelt werden.<br />
Umgekehrt natürlich auch (Wirkung des Preises des Konkurrenzprodukts auf die<br />
nachgefragte Menge des Produkts)<br />
Backhaus u.a. 2011, S. 356
<strong>CBCA</strong> - Disaggregation der Nutzenwerte<br />
Sie haben also eine <strong>CBCA</strong> durchgeführt. Wie<br />
homogen sind denn die Nutzenvorstellungen<br />
der Befragten?<br />
Der Hinweis des Professors könnte wichtig sein.<br />
Ich müßte nach einem Verfahren suchen, das<br />
mir die Berücksichtigung von Heterogenität<br />
erlaubt.<br />
Im vorstehenden Beispiel ist zwar eine individuelle Nutzenfunktion geschätzt worden,<br />
für die CBCa ist es aber typisch, daß aggregierte <strong>Analyse</strong>n vorgenommen werden.<br />
Für individuelle <strong>Analyse</strong>n stehen typischerweise zu wenig Informationen zur<br />
Verfügung.<br />
Deshalb muß die Heterogenität ggf. in einem zweiten Schritt berücksichtigt werden.<br />
Das folgende Beispiel zeigt, daß Heterogenität eine große Bedeutung besitzen kann.<br />
Backhaus u.a. 2011, S. 356
<strong>CBCA</strong> – gruppenspezifische und aggregierte Nutzenfunktionen<br />
Preis Geschmack Marke<br />
Wir sehen hier das Ergebnis einer <strong>CBCA</strong> für<br />
Margarine.<br />
Über alle Befragten ist das Ergebnis aggregiert.<br />
Die Kunden wurden befragt nach den Preis,<br />
nach dem Geschmack und nach der Marke.<br />
Ergebnis:<br />
1. Je billiger, desto lieber wird die Margarine<br />
genommen.<br />
2. Geschmack nach Butter wird stark<br />
bevorzugt.<br />
3. Die Marke RAMA wird stark bevorzugt.<br />
Die größte Bedeutung scheint dem Preis<br />
zuzukommen.<br />
Dies kann jedoch Durch die Aggregation<br />
zustandekommen, wie die folgende Abbildung<br />
zeigt.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.30, S. 357
<strong>CBCA</strong> – gruppenspezifische und aggregierte Nutzenfunktionen<br />
Das Befragungsergebnis ist durch die Befragung von zwei Gruppen unterschiedlicher Größe zustandegekommen.<br />
Die Gruppe der überzeugten RAMA-Käufer war deutlich größer als die der überzeugten LÄTTa-Käufer. Dadurch<br />
wurde durch die Aggregation die große Bedeutung der Marke für die Kaufentscheidung verdeckt.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.30, S. 357
<strong>CBCA</strong> – Formen der Disaggregation von Nutzenschätzungen<br />
Die aus dem Margarine-Beispiel zu ziehende Lehre ist, daß man die<br />
Nutzenschätzungen besser segmentiert durchführen sollte, wenn Heterogenität zu<br />
erwarten ist.<br />
Die Frage ist natürlich: Wie bildet man die Segmente?<br />
Innerhalb der Segmente sollten die Präferenzen der Befragten möglichst ähnlich sein.<br />
Zwischen den Segmenten sollten deutliche Unterschiede bestehen.<br />
Backhaus u.a. 2011, S. 317 ff.<br />
Abb. 7.31, S. 358
<strong>CBCA</strong> – A priori Segmentierung<br />
Im Beispiel wäre es möglich, die Befragten in zwei Gruppen zu trennen:<br />
1. die, die überwiegend das Produkt RAMA gewählt haben<br />
2. die, die überwiegend das Produkt LÄTTA gewählt haben<br />
Die Häufigkeiten, mit denen etwas gewählt wird, sind nicht immer für die<br />
Segmentierung hilfreich. Man weiß ja nicht vorher, welche Merkmale große<br />
Bedeutung besitzen.<br />
Man kann auch Clusteranalysen durchführen.<br />
Backhaus u.a. 2011, S. 317 ff.
<strong>CBCA</strong> - Latent-Class-Ansatz zur Segmentierung<br />
Die Befragten<br />
Wahrscheinlichkeit 0,7<br />
Wahrscheinlichkeit 0,3<br />
Gruppe 1<br />
Gruppe 2<br />
Beim Latent-Class-Ansatz geht man davon aus, daß in einer Stichprobe von Befragten eine bestimmte<br />
Anzahl nicht direkt beobachtbarer Gruppen existiert.<br />
Im Unterschied zur A priori Segmentierung wird jeder Befragte nicht genau einer Gruppe zugerechnet,<br />
sondern er wird mit einer gewissen Wahrscheinlichkeit den Gruppen zugeordnet. So gehen seine Antworten<br />
in die Berechnungen für mehrere Gruppen ein, aber gewichtet.<br />
Die Zuordnung erfolgt simultan mit der Nutzenschätzung. Man nennt das auch ein<br />
Mischverteilungsmodell (Finite-Mixture-Model).<br />
Wenn ich mir die Befragten<br />
so anschaue, kann ich auf<br />
Anhieb keine Unterschiede<br />
erkennen, nach denen ich<br />
sie einzelnen Gruppen<br />
zuordnen könnte.<br />
Backhaus u.a. 2011, S. 358 f.