Zusammenfassung
Zur besseren Veranschaulichung und zum Zwecke der einfacheren Handhabung wurden bisher hypothetische Zahlenwerte verwendet oder Modelle gänzlich ohne Berücksichtigung quantitativer Ausprägungen zur Erläuterung von Sachverhalten herangezogen. Dies erleichtert es deutlich, Inhalte in übersichtlicher Form zu präsentieren, geht aber durchaus zu Lasten des Anwendungsbezugs. Nachfolgend soll in sehr groben Zügen anhand von einfachen Beispielen auf statistische Methoden eingegangen werden, die uns – unter vielen anderen – zur Verfügung stehen, um etwa Nachfragefunktionen zu schätzen, Präferenzen von Konsumenten offenzulegen oder Kundengruppen zu segmentieren.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
- 2.
Was hier der traditionellen Conjointanalyse anhand der Profilmethode entspricht. Vgl. Böhler, Heymo und Scigliano, Dino (2009), S. 105.
- 3.
Anstelle von Orangensaft wären zig andere Beispiele möglich. Fernsehgeräte (Bildschirmdiagonale, integrierter Tuner, Anschlussvielfalt), Videospielkonsolen (Exklusivtitel, Marke etc.), Joghurt (mit Fruchtstückchen, Sahne, Zuckeranteil), Hotelübernachtung (mit Frühstück, Balkon, Meerblick, WLAN-Zugang) usw.
- 4.
Vgl. hierzu Böhler, Heymo und Scigliano, Dino (2009), S. 105–107.
- 5.
- 6.
- 7.
Die 8 stellt die 8 Varianten dar, und die 36 stellt die Summe der Präferenzwerte dar, nämlich 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 = 36.
- 8.
Vgl. Backhaus, Klaus et al. (2003), S. 558–559.
- 9.
- 10.
- 11.
Vgl. ausführlich Adler, Jost (2003), S. 33.
- 12.
Vgl. ausführlich hierzu Adler, Jost (2003), S. 29–33.
- 13.
In diesem Fall demnach 2 + 1 + 4 = 7.
- 14.
Vgl. Backhaus, Klaus et al. (2003), S. 566–568.
- 15.
Vgl. Backhaus, Klaus et al. (2003), S. 566–568.
- 16.
Vgl. Gujarati, Damodar N. und Porter, Dawn C. (2009), S. 20. Dieser Hinweis ist durchaus ernst zu nehmen, denn gerade durch das so beliebte Data Mining ist es derzeit nahezu „in“, in Datenbergen Korrelationen aufzudecken und diese sinnbefreit in Kausalzusammenhänge zu quetschen. Um zu verdeutlichen, was dies bedeutet: Im Sommer essen die Leute gerne Eis, und im Sonner haben die Leute häufig Sonnenbrand. Nutzen wir nun den Eisverzehr als erklärende Variable zur Erklärung von Sonnenbrand, dann wird uns ein Programm sicherlich eine signifikante Korrelation ausspucken. Nun aber zu behaupten, dass Eisverzehr zu Sonnenbrand führt, ist und bleibt dennoch eine unsinnige Behauptung.
- 17.
Lassen Sie sich nun nicht durch die Darstellung verwirren. In Büchern zur Darstellung der Regression wird typischerweise der Wert auf der y-Achse erklärt. Wir bleiben aber bei der uns bekannten Form der Nachfragekurve und nutzen als erklärte Variable die Menge x. Daher sind die Abstände zur Schätzgeraden auch horizontal eingezeichnet und nicht wie in vielen Büchern vertikal.
- 18.
Die Funktion von X besteht aus dem theoretisch hergeleiteten erwarteten Wert für \( \hat{X} \) und einer Residualgröße e, wobei der systematische Zusammenhang linear ist und somit der folgenden Form genügt: \( \hat{X}={b}_0+{b}_1P \) Vgl. Backhaus, Klaus et al. (2015), S. 75 sowie Allen, W. Bruce et al. (2005), S. 163.
- 19.
Hier ist einer der Vorteile der Quadrierung der Abweichungen zu erkennen, denn nun können sich positive und negative Abweichungen nicht einfach bei Summation ausgleichen.
- 20.
Die Gesellschaft für Konsumforschung beispielsweise nutzt seit 1986 den ca. 20.000 Einwohner starken Ort Haßloch in Rheinland-Pfalz zur Marktbeobachtung und für Markttests. Dieser Ort passt vom Bewohnerprofil scheinbar gut, um repräsentative Aussagen für Deutschland herleiten zu können. Hinsichtlich relevanter Merkmale, wie Kaufkraft, Bevölkerungsstruktur, Kinderanzahl u. a. bildet Haßloch den bundesdeutschen Durchschnitt nach. Vgl. hierzu brandeins (2014).
- 21.
Vgl. Backhaus, Klaus et al. (2003), S. 58–59.
- 22.
- 23.
- 24.
Vgl. Backhaus, Klaus et al. (2003), S. 65–66 sowie Gujarati, Damodar N. und Porter, Dawn C. (2009), S. 74–76.
- 25.
Vgl. Gujarati, Damodar N. und Porter, Dawn C. (2009), S. 75–76.
- 26.
Vgl. Backhaus, Klaus et al. (2003), S. 66–67.
- 27.
Vgl. Backhaus, Klaus et al. (2003), S. 68–69.
- 28.
Vgl. Bauer, Thomas K. et al. (2009), S. 179–180 sowie Backhaus, Klaus et al. (2015), S. 86–87. Da die Residuen die zufälligen Einflüsse auf X erfassen, wird für die statistische Analyse vorausgesetzt, dass die Residuen unkorreliert sind (Problem der Autokorrelation), dass diese eine konstante Varianz haben (Problem der Heteroskedastizität) und dass ihr Erwartungswert null (bzw. zumindest konstant) ist und somit keine systematischen Einflüsse auf X mehr beinhalten. Vgl. Bauer, Thomas K. et al. (2009), S. 190. Siehe auch Stoetzer, Matthias-W. (2017), S. 28.
- 29.
- 30.
Vgl. Backhaus, Klaus et al. (2015), S. 87–89.
- 31.
- 32.
- 33.
- 34.
Vgl. Hirschey, Mark (2006), S. 169.
- 35.
Die Tabelle enthält übertragene Werte aus der Berechnung mit der Software Stata.
- 36.
Wobei wir eigentlich implizit von mindestens 20 Freiheitsgraden und einem Signifikanzniveau von 5 % ausgehen. Bei nur 15 Beobachtungen halte ich mich im Beispiel nicht an diese Annahme! Vgl. Gujarati, Damodar N. und Porter, Dawn C. (2009), S. 120.
- 37.
Sie mögen einwenden, dass ich doch auch „annehmen“ statt „nicht ablehnen“ schreiben könnte. Dies ist aber genau genommen nicht das Gleiche. Es ist wie der Unterschied, im Gerichtssaal nicht schuldig gesprochen zu werden oder als unschuldig bezeichnet zu werden. Im Ergebnis ist der Angeklagte bei dem Richterspruch „nicht schuldig“ sicherlich frei, aber nicht zwangsläufig unschuldig. Vgl. Stoetzer, Matthias-W. (2017), S. 271–272 sowie Gujarati, Damodar N. und Porter, Dawn C. (2009), S. 119 und Bauer, Thomas K. et al. (2009), S. 90–92. Wird demnach ein fixiertes Signifikanzniveau (beispielsweise 0,05 oder 0,01) nicht erreicht (der p-Wert läge also darüber), bedeutet dies einfach nur, dass im Hinblick auf das festgelegte Signifikanzniveau die Nullhypothese nicht verworfen werden kann. Es bedeutet aber nicht, dass demnach das Gelten der Nullhypothese bewiesen wurde. Vgl. Hirschauer, Norbert et al. (2016), S. 562.
- 38.
„The definition of the P value is as follows – in words: The probability of the observed result, plus more extreme results, if the nullhypothesis were true.“ (Steven Goodman 2008, S. 136.)
- 39.
Vgl. Stoetzer, Matthias-W. (2017), S. 43–46 sowie Hirschauer, Norbert et al. (2016), S. 560–563. Siehe hinsichtlich der Problematik der Interpretation von p-Werten Goodman, Steven (2008) sowie Nuzzo, Regina (2014). Siehe hinsichtlich einer Diskussion von Konfidenzintervallen als Ersatz für die Nutzung von p-Werten: Brandtstätter, Eduard (1999), S. 5–8.
- 40.
Vgl. Stoetzer, Matthias-W. (2017), S. 43–46.
- 41.
Vgl. Stoetzer, Matthias-W. (2017), S. 49.
- 42.
Vgl. Handl, Andreas und Kuhlenkasper, Torben (2017), S. 416 sowie Backhaus, Klaus et al. (2003), S. 480–481.
- 43.
Vgl. Backhaus, Klaus et al. (2003), S. 482–483, 500.
- 44.
Nutzen wir hierfür die folgende Transformationsmethode \( {z}_i=\frac{x_i-\overline{x}}{\sigma } \), so erhalten wir Werte mit einem Mittelwert von 0 und einer Standardabweichung von 1. Die z-Werte werden demnach ermittelt, indem wir die Abweichung des erhobenen Wertes (xi) zum Mittelwert (\( \overline{x} \)) durch den Wert der Standardabweichung (σ) teilen.
- 45.
Ob wir Distanzmaße oder Ähnlichkeitsmaße verwenden sollten, hängt von der Fragestellung ab. So wäre etwa eine Gruppierung von Ländern aufgrund von Wachstumsraten mit einem Ähnlichkeitsmaß sinnvoll, eine Gruppierung auf Basis der Höhe des BIP pro Kopf dagegen durch Verwendung eines Distanzmaßes. Vgl. Backhaus, Klaus et al. (2003), S. 496.
- 46.
Vgl. Backhaus, Klaus et al. (2003), S. 537–538. In die Clusteranalyse könnten auch Ergebnisse einer vorherigen Conjointanalyse eingespeist werden. Nehmen Sie an, dass Sie die Teilnutzenwerte für ein paar Attribute für eine Gruppe von 1000 Individuen vorliegen hätten. Möglicherweise stellt sich heraus, dass bestimmte Eigenschaften für ganz bestimmte Personengruppen eine größere Relevanz besitzen als für andere. Sie haben dann die Möglichkeit, Produkte für die unterschiedlichen Gruppen in unterschiedlicher Variantenform zu schnüren.
Literatur
Adler, J. (2003). Möglichkeiten der Messung von Zahlungsbereitschaften der Nachfrager (Duisburger Arbeitspapiere zum Marketing, Nr. 7). Duisburg.
Allen, B. W., Doherty, N. A., Weigelt, K., & Mansfield, E. (2005). Managerial economics – Theory, applications, and cases (6. Aufl.). New York/London: W. W. Norton & Company.
Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2003). Multivariate Analysemethoden – Eine anwendungsorientierte Einführung (10. Aufl.). Berlin/Heidelberg/New York: Springer.
Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2015). Fortgeschrittene Multivariate Analysemethoden – Eine anwendungsorientierte Einführung (3. Aufl.). Berlin/Heidelberg: Springer.
Baier, D., & Brusch, M. (2009). Erfassung von Kundenpräferenzen für Produkte und Dienstleistungen. In D. Baier & M. Brusch (Hrsg.), Conjointanalyse (S. 3–18). Berlin/Heidelberg: Springer.
Bauer, T. K., Fertig, M., & Schmidt, C. M. (2009). Empirische Wirtschaftsforschung – Eine Einführung. Berlin/Heidelberg: Springer.
Böhler, H., & Scigliano, D. (2009). Traditionelle Conjointanalyse. In D. Baier & M. Brusch (Hrsg.), Conjointanalyse (S. 3–18). Berlin/Heidelberg: Springer.
Brandtstätter, E. (1999). Konfidenzintervalle als Alternative zu Signifikanztests. Methods of Psychological Research Online, 4(2), 1–17.
Brickley, J. A., Smith, C. W., Jr., & Zimmerman, J. L. (2004). Managerial economics and organizational achitecture (3. Aufl.). Boston: McGraw Hill.
Farnham, P. G. (2005). Economics for Managers. Upper Saddle River: Prentice Hall.
Goodman, S. (2008). A Dirty Dozen: Twelve P-Value Misconceptions. Seminars in Hematology, 45, 135–140.
Gujarati, D. N., & Porter, D. C. (2008). Basic Econometrics. New York: MacGraw-Hill.
Handl, A., & Kuhlenkasper, T. (2017). Multivariate Analysemethoden - Theorie und Praxis mit R (3. Aufl.). Berlin: Springer Spektrum.
Hirschauer, N., Mußhoff, O., Grüner, S., Frey, U., Theesfeld, I., & Wagner, P. (2016). Die Interpretation des p-Wertes – Grundsätzliche Missverständnisse. Journal of Economics and Statistics, 236(5), 557–575.
Hirschey, M. (2006). Managerial economics (11. Aufl.). Mason: Thomson South-Western.
Nuzzo, R. (2014). Statistical Errors. Nature, 506, 150–152.
Stoetzer, M.-W. (2017). Regressionsanalyse in der empirischen Wirtschafts- und Sozialforschung Band 1. Berlin: Springer Gabler.
Wright, P. G. (1928). The tariff on animal and vegetable oils. New York: The Macmillan Company.
Internetseitenverzeichnis
brandeins. (2014). Marktforschung in Haßloch – Das ist Deutschland. Abrufbar unter. https://www.brandeins.de/magazine/brand-eins-wirtschaftsmagazin/2014/werbung/das-ist-deutschland. Zugegriffen am 31.02.2019.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Strotebeck, F. (2020). Methoden – Ein (sehr) kurzer Einblick. In: Einführung in die Mikroökonomik . Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-27162-6_10
Download citation
DOI: https://doi.org/10.1007/978-3-658-27162-6_10
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-27161-9
Online ISBN: 978-3-658-27162-6
eBook Packages: Business and Economics (German Language)