Marktforschung pp 269-310 | Cite as

Multivariate Analyseverfahren

Chapter

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.

Literatur

  1. Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2016). Multivariate Analysemethoden – Eine anwendungsorientierte Einführung (14. Aufl.). Berlin: Springer.Google Scholar
  2. Bagozzi, R., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation models. Journal of the Academy of Marketing Science, 40, 8–34.CrossRefGoogle Scholar
  3. Berry, W. (1993). Understanding regression assumptions. In M. Lewis-Beck (Hrsg.), Regression analysis (S. 335–424). London: SAGE.Google Scholar
  4. Bortz, J. (2005). Statistik für Sozial- und Humanwissenschaftler (S. 280). Heidelberg: Springer.Google Scholar
  5. Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Hillsdale: NJ: Erlbaum.Google Scholar
  6. Cohen, J. (1992). A power primer. Psychological Bulletin, 112, 155–159.CrossRefGoogle Scholar
  7. Cortina, J., & Nouri, H. (2000). Effect size for ANOVA designs. Thousand Oaks: SAGE.CrossRefGoogle Scholar
  8. Fox, J. (1997). Applied regression analysis, linear models, and related methods. Thousand Oaks: SAGE.Google Scholar
  9. Hair, J., Anderson, R., Tatham, R., & Black, W. (2010). Multivariate data analysis (7. Aufl.). Upper Saddle River: Prentice Hall.Google Scholar
  10. Hayes, A. F. (2013). Introduction to mediation, moderation, and conditional process analysis: a regression-based approach. New York: Guilford.Google Scholar
  11. Jaccard, J., & Becker, M. (2002). Statistics for the behavioral sciences (4. Aufl.). Wadsworth: Belmont.Google Scholar
  12. 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.CrossRefGoogle Scholar
  13. 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.Google Scholar
  14. Menard, S. (2002). Applied logistic regression analysis (2. Aufl.). Thousand Oaks: SAGE.CrossRefGoogle Scholar
  15. Schermelleh-Engel, K., & Schweizer, K. (2012). Multitrait-Multimethod-Analysen. In A. Kelava & H. Moosbrugger (Hrsg.), Testtheorie und Fragebogenkonstruktion (2. Aufl. S. 345–362). Berlin: Springer.CrossRefGoogle Scholar
  16. Sedlmeier, P., & Renkewitz, F. (2008). Forschungsmethoden und Statistik in der Psychologie. München: Pearson.Google Scholar
  17. Skiera, B., & Albers, S. (2008). Regressionsanalyse. In A. Herrmann, C. Homburg & M. Klarmann (Hrsg.), Handbuch Marktforschung (3. Aufl. S. 467–497). Wiesbaden: Springer Gabler.Google Scholar
  18. Sudman, S., & Blair, E. (1998). Marketing research – a problem solving approach. Boston: McGraw-Hill.Google Scholar
  19. Weiber, R., & Mühlhaus, D. (2010). Strukturgleichungsmodellierung. Heidelberg: Springer.Google Scholar
  20. Zimbardo, P., & Gerrig, R. (2004). Psychologie (16. Aufl.). München: Pearson.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Freie Universität BerlinBerlinDeutschland
  2. 2.GfK-VereinNürnbergDeutschland
  3. 3.design akademie berlinSRH Hochschule für Kommunikation und DesignBerlinDeutschland

Personalised recommendations