Zusammenfassung
Bei der Gestaltung von Objekten (z. B. Produkten, Parteiprogrammen) ist es wichtig zu wissen, welchen Beitrag verschiedene Komponenten zum Gesamtnutzen eines Objektes beitragen. So kann es z. B. für einen Margarinehersteller nützlich sein zu wissen, ob eine Änderung der Verpackung oder eine Änderung der Substanz des Produktes einen größeren Beitrag zum empfundenen Gesamtnutzen des Konsumenten stiftet. Ebenso kann es bei der Gestaltung von Parteiprogrammen von entscheidender Bedeutung sein, ob die Wäller einer stärkeren Umweltorientierung den Vorzug vor einer stärkeren Sozialorientierung geben. Die Conjoint-Analyse ist ein Verfahren, das auf Basis empirisch erhobener Gesamtnutzenwerte versucht, den Beitrag einzelner Komponenten zum Gesamtnutzen zu ermitteln.1 Die Conjoint-Analyse läßt sich damit als ein dekompositionelles Verfahren charakterisieren. In der Regel wird dabei unterstellt, daß sich der Gesamtnutzen additiv aus den Nutzen der Komponenten (Teilnutzenwerte) zusammensetzt. Die Datenbasis der Conjoint-Analyse bilden Gesamtnutzenurteile (Präferenzurteile) von befragten Personen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturhinweise
Addelman, S. (1962): Orthogonal Main-Effect Plans for Factorial Experiments, in: Technometrics, S. 21 ff.
Backhaus, K./Ewers, H.-J./Btischken, J./Fonger, M. (1992): Marketingstrategien fdr den schienengebundenen Guterfernverkehr, Gottingen 1992.
Carroll, D.J./Green, P.E. (1995): Psychometric methods in Marketing Research: Part I, Conjoint Analysis, Journal of Marketing Research, Vol. 32, S. 385–391.
Green, P.E. (1974): On the Design of Choice Experiments Involving Multifactor Alternatives, Journal of Consumer Research, Vol. 1, 1974, S. 61–68.
Green, P.E. (1984): Hybrid Models for Conjoint Analysis: An Expository Review, Journal of Marketing Research, Vol. 21, S. 155–169.
Green, P.E./Caroll, J.D./Carmone, F.J. (1978): Some New Types of Fractional Factorial Designs for Marketing Experiments, in: Sheth, J. N. (Ed.): Research in Marketing, Vol. I, Greenwich, Ct. 1978, S. 99–122.
Green, P.E./DeSarbo, W.S. (1979): Componential Segmentation in the Analysis of Consumer Tradeoffs, Journal of Marketing, 43 Jg., S. 33–41.
Green, P.E./Srinivasan, V. (1978): Conjoint Analysis in Consumer Research, The Journal of Consumer Research, Vol. 5, S. 103–122.
Green, P.E./Wind, Y. (1975): New Way to Measure Consumers’ Judgements, Harvard Business Review, 53 (1975), Nr. 4, S. 107–117.
Green, P.E./Srinivasan, V. (1990): Conjoint Analysis in Marketing: New Developments with Implications for Research and Practice, Journal of Marketing, Vol. 54, Heft 4, S. 3–19.
Johnson, R.M. (1974): Trade-Off-Analysis of Consumer Values, in: Journal of Marketing Research, Vol. 11, S. 121ff.
Kamakura, W. (1988): A Least Squares Procedure for Benefit Segmentation with Conjoint Experiments, Journal of Marketing Research, Vol. 25, S. 157–167.
Kruskal, J.B. (1964a): Multidimensional Scaling by Optimizing Goodness of Fit to a Non-metric Hypothesis, Psychometrika, Vol. 29, No 1, S. 1–27.
Kruskal, J.B. (1964b): Nonmetric Multidimensional Scaling: A Numerical Method, Psychometrika, Vol. 29, No 2, S. 115–129.
Kruskal, J.B. (1965): Analysis of factorial experiments by estimating a monotone transformation of data, in: Journal of Royal Statistical Society, Series B, S. 251–263.
Kruskal, J.B./Carmone, F.J. (o.J.): Use and Theory of MONANOVA, a Program to Analysze Factorial Experiments by Estimation Monotone Transformations of the Data, Bell Telephone Laboratories, Murray Hill (N.J.).
Louviere, J.J./Woodworth, G. (1983): Design and Analysis of Simulated Consumer Choice or Allocation Experiments: An Approach Based on Aggregate Data, Journal of Marketing Research, Vol. 20, S. 350–367.
McFadden, D. (1973): Conditional logit analysis of qualitive choice behavior, in: Zarembka P. (Hrsg.), Frontiers in Economics, New York, S. 105–142.
Pekelman, D./Sen, S.L. (1979): Improving Prediction in Conjoint Analysis, Journal of the American Statistical Association, Vol. 75, S. 801–816.
Schubert, B. (1995): Conjoint-Analyse, in: Tietz B., Kohler, R., Zentes J. (Hrsg.): Handworterbuch des Marketing, 2. Aufl., Stuttgart, Sp. 376–389.
Schweikl, H. (1985): Computergestützte Praferenzanalyse mit individuell wichtigen Produktmerkmalen, Berlin.
Shocker, A.D./Srinivasan, V. (1979): Multiattribute Approaches for Product Concept Evaluation and Generation: A Critical Review, Journal of Marketing Research, Vol. 16, S. 169.
SPSS Inc. (1990) (Hrsg.): SPSS Categories, Chicago.
Srinivasan, V./Jain, A.K./Malhorta, N.K. (1983): Improving the Predictive Power of Conjoint Analysis by Constrained Parameter Estimation, Journal of Marketing Research, 20 (1983), S. 433–438.
Theuerkauf, I. (1989): Kundennutzenmessung mit Conjoint, Zeitschrift fur Betriebswirtschaft, 59 (1989), S. 1179–1192.
Thomas, L. (1983): Der EinfluB von Kindern auf die Produktpraferenzen ihrer Mutter, Berlin
Weiber, R./Rosendahl, T. (1997): Anwendungsprobleme der Conjoint-Analyse: Die Eignung conjointanalytischer Untersuchungsansatze zur Abbildung realer Entscheidungsprozesse, in: Marketing ZFP, 19 Jg., Heft 2, S. 107–118.
Young, F.W. (1973): Conjoint Scaling, The L. L. Thurstone Psychometric Laboratory, University of North Carolina.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2000 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Backhaus, K., Erichson, B., Plinke, W., Weiber, R. (2000). Conjoint-Measurement. In: Multivariate Analysemethoden. Springer-Lehrbuch. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-08893-7_10
Download citation
DOI: https://doi.org/10.1007/978-3-662-08893-7_10
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-67146-6
Online ISBN: 978-3-662-08893-7
eBook Packages: Springer Book Archive