Zusammenfassung
Im Marketing hat man es in der Regel mit komplexen Zusammenhängen zwischen zahlreichen Variablen zu tun. So sind Aspekte des Konsumentenverhaltens (z. B. Markenwahl, Art von Bedürfnissen) kaum durch nur eine Variable erklärbar und der Erfolg oder Misserfolg eines Produkts hängt niemals von nur einem Einflussfaktor (z. B. Werbebudget oder Preis) ab. Dem entsprechend spielen im Marketing die so genannten „multivariaten Analyseverfahren“, die eben dazu geeignet sind, eine große Zahl von Variablen gleichzeitig zu analysieren, seit langem eine wesentliche Rolle. Hier gibt es Verfahren („Dependenzanalysen“), die darauf ausgerichtet sind, eine „abhängige“ Variable durch eine gewisse Zahl „unabhängiger“ Variablen zu erklären, beispielsweise den Marktanteil eines Produkts durch Werbebudget, Preis, Kaufkraft der Zielgruppe, relative Produktqualität, usw. Bei anderen multivariaten Verfahren, den so genannten „Interdependenzanalysen“, stehen Zusammenhänge zwischen einer größeren Zahl von Variablen im Vordergrund. Im Einzelnen werden in diesem Kapitel die grundlegenden Ideen, die wesentlichen Anwendungsvoraussetzungen und Anwendungsmöglichkeiten der Verfahren Varianzanalyse, Regressionsanalyse, logistische Regressionsanalyse, Faktoranalyse, Strukturgleichungsmodelle, Conjoint-Analyse und Clusteranalyse charakterisiert.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2008). Multivariate Analysemethoden – Eine anwendungsorientierte Einführung (12. Aufl.). Berlin: Springer.
Bagozzi, R., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation models. Journal of the Academy of Marketing Science, 40, 8–34.
Berry, W. (1993). Understanding regression assumptions. In M. Lewis-Beck (Hrsg.), Regression analysis (S. 335–424). London: Sage.
Cortina, J., & Nouri, H. (2000). Effect size for ANOVA designs. Thousand Oaks: Sage.
Fox, J. (1997). Applied regression analysis, linear models, and related methods. Thousand Oaks: Sage.
Hair, J., Anderson, R., Tatham, R., & Black, W. (2010). Multivariate data analysis (7. Aufl.). Upper Saddle River: Prentice Hall.
Jaccard, J., & Becker, M. (2002). Statistics for the behavioral sciences (4. Aufl.). Belmont: Wadsworth.
Langer, A., Eisend, M., & Kuß, A. (2008). Zu viel des Guten? Zum Einfluss der Anzahl von Ökolabels auf die Konsumentenverwirrtheit. Marketing – ZFP, 30, 19–28.
Marsh, H., & Grayson, D. (1995). Latent variable models of multitrait-multimethod data. In R. Hoyle (Hrsg.), Structural equation modeling (S. 177–198). Thousand Oaks: Sage.
Menard, S. (2002). Applied logistic regression analysis (2. Aufl.). Thousand Oaks: Sage.
Schermelleh-Engel, K., & Schweizer, K. (2012). Multitrait-Multimethod-Analysen. In A. Kelava & H. Moosbrugger (Hrsg.), Testtheorie und Fragebogenkonstruktion (2. Aufl.). Berlin: Springer.
Sedlmaier, P., & Renkewitz, F. (2008). Forschungsmethoden und Statistik in der Psychologie. München: Pearson.
Skiera, B., & Albers, S. (2008). Regressionsanalyse. In A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung (3. Aufl., S. 467–497). Wiesbaden: Springer Gabler.
Sudman, S., & Blair, E. (1998). Marketing research – A problem solving approach. Boston: Mcgraw-Hill.
Weiber, R., & Mühlhaus, D. (2010). Strukturgleichungsmodellierung. Heidelberg: Springer.
Zimbardo, P., & Gerrig, R. (2004). Psychologie (16. Aufl.). München: Pearson.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2014 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Kuß, A., Wildner, R., Kreis, H. (2014). Multivariate Analyseverfahren. In: Marktforschung. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-01864-1_9
Download citation
DOI: https://doi.org/10.1007/978-3-658-01864-1_9
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-01863-4
Online ISBN: 978-3-658-01864-1
eBook Packages: Business and Economics (German Language)