Advertisement

Verfahren zur Ermittlung des Präferenzmodells

  • Rüdiger von Nitzsch
Chapter
  • 123 Downloads
Part of the Neue betriebswirtschaftliche Forschung book series (NBF, volume 95)

Zusammenfassung

In diesem Kapitel werden Verfahren dargestellt, die zur Ermittlung des Präferenzmodells in der multiattributiven Nutzentheorie angewendet werden können.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Vgl. im folgenden Keeney, Raiffa (1976), S. 50ff.Google Scholar
  2. 2.
    Barron (1987) zeigt empirisch, daß in über 30% seiner untersuchten Fälle durch die Vernachlässigung entscheidungsrelevanter Ziele eine nicht optimale Alternative als optimal ermittelt wurde.Google Scholar
  3. 3.
    Vgl. Borcherding (1983), S. 85. Die leichte Verständlichkeit von Kriterien wird in Keeney (1986b), S. 13, sogar als eine eigenständige sechste Anforderung betrachtet.Google Scholar
  4. 1.
    Zu der Bedeutung von Zielhierarchien in der multiattributiven Entscheidungstheorie vgl. speziell Borcherding (1983), S. 82ff, Keeney (1986a), und von Winterfeldt (1985).Google Scholar
  5. 2.
    So z. B. das Verfahren GHOST, vgl. Landvogt, Pfister, Jungermann (1989).Google Scholar
  6. 3.
    Adelman, Sticha, Donnell (1986), S. 189, bezeichnen die Bottom-up-Vorgehensweise auch mit „attribute listing“ und zählen diese Vorgehensweise zu den nicht-hierarchischen, da hier Ziele nicht aufgespalten, sondern nur zusammengefaßt werden.Google Scholar
  7. 4.
    So schlägt Borcherding (1983), S. 83, vor, ergänzend zu einer Top-down-Vorgehenweise auch sehr spezielle Unterziele zu formulieren und diese dann geeignet zusammenzufassen.Vgl. zu einer ähnlichen 1 Aufteilung in zwei Möglichkeiten Stillwell, von Winterfeldt, John (1987), S. 443.Google Scholar
  8. 3.
    Edwards (1977), S. 328, schreibt zur Anzahl der zu berücksichtigenden Ziele: As a rule of thumb, 8 dimensions is plenty, and 15 is too many.“Google Scholar
  9. 4.
    Vgl. Stillwell, von Winterfeldt, John (1987), S. 443.Google Scholar
  10. 1.
    Vgl. Borcherding (1983), S. 84.Google Scholar
  11. 2.
    Vgl. Adelman, Sticha, Donnell (1982) und Adelman, Sticha, Donnell (1986).Google Scholar
  12. 3.
    Vgl. Pfister, Kauffmann, Jungermann (1989).Google Scholar
  13. 1.
    Vgl. Stillwell, von Winterfeldt, John (1987), S. 449.Google Scholar
  14. 2.
    Vgl. Eisenführ, Weber (1986) und Borcherding, von Winterfeldt (1988).Google Scholar
  15. 3.
    Vgl. Hanssmann (1982), S. 38. Zur Diskussion von „proxy attributes“ vgl. Keeney, Raiffa (1976), S. 55ff.Google Scholar
  16. 4.
    Vgl. zu einer entsprechenden Definition von Proxykriterien Keeney (1981), S. 1110.Google Scholar
  17. 1.
    Die Definition des Begriffs erfolgt in Anlehnung an die englischsprachige Kennzeichnung „fundamental objective“ in Keeney (1986a), S. 2.Google Scholar
  18. 3.
    Vgl. Fischer (1989), S. 493. ° Vgl. Keeney (1986a), S. 20. 5 Zu einer empirischen Validierung dieser Hypothese Fischer u. a. (1987), S. 201ff.Google Scholar
  19. 2.
    Vgl. auch zum folgenden Beispiel Eisenführ (1990), S. 133ff.Google Scholar
  20. 2.
    Zu weiteren Beispielen vgl. Keeney (1981), S. 1112f.Google Scholar
  21. 2.
    Vgl. zu diesem Beispiel im folgenden Keeney (1981), S. 1111ff.Google Scholar
  22. 3.
    In Anlehnung an Keeney (1981), S. 1112.Google Scholar
  23. 4.
    Diese charakteristische Gestalt von Nutzenfunktionen wurde in einer entsprechenden Untersuchung bestätigt, vgl. Bell (1977), S. 409.Google Scholar
  24. 1.
    Zu der Modellierung von Zeitpräferenzen vgl. Dyckhoff (1985, 1988). Zu einem weiteren Beispiel, in dem die Modellierung von Zeitpräferenzen durch eine andere Formulierung des Zielsystems vereinfacht werden kann, vgl. Eisenführ (1988).Google Scholar
  25. 1.
    Vgl. zu einer ähnlichen Aufteilung in drei Kategorien Dyer, Sarin (1982), S. 877, und Farquhar, Keller (1989), S. 207ff. Zu weiteren, weniger gebräuchlichen Vorgehensweisen in der Ermittlung von Einzelwertfunktionen vgl. Farquhar, Keller (1985), S. 209ff.Google Scholar
  26. 2.
    Vgl. zu entsprechenden Vorgehensweisen von Winterfeldt, Edwards (1986), S. 226ff, unter dem Namen „numerical estimation methods“.Google Scholar
  27. 3.
    Alternativ ist auch eine Zuordnung zu vorgegebenen Kategorien möglich, vgl. zu dieser „category estimation method“ von Winterfeldt, Edwards (1986), S. 231.Google Scholar
  28. 5.
    Vgl. zu dieser Methode Currim, Sarin (1989), S. 28, unter dem Namen „certainty method“.Google Scholar
  29. 6.
    Vgl. zu entsprechenden Vorgehensweisen auch im folgenden von Winterfeldt, Edwards (1985), S. 232ff.Google Scholar
  30. 2.
    Vgl. Kirkwood, Sarin (1980), S. 227. Es muß vorausgesetzt werden, daß die Ausprägungen auf einer reellen Skala angegeben werden können.Google Scholar
  31. 1.
    Vgl. Kirkwood, Sarin (1980), S. 227f.Google Scholar
  32. 2.
    Vgl. z. B. Eliashberg, Hauser (1985).Google Scholar
  33. 1.
    Vgl. zu einer Übersicht entsprechender Verfahren Farquhar (1984), oder von Nitzsch, Weber (1986).Google Scholar
  34. 2.
    Vgl. von Nitzsch, Weber (1986), S. 847.Google Scholar
  35. 3.
    Vgl. zu dieser Methode und auch im folgenden Farquhar (1984), S. 1291.Google Scholar
  36. 4.
    Vgl. von Nitzsch, Weber (1986), S. 847.Google Scholar
  37. 5.
    „Basic reference lottery ticket“, Raiffa (1968), S. 57.Google Scholar
  38. 6.
    McCord, de Neufville (1986) schlagen zur Vermeidung von Verzerrungen in der Präferenzwiedergabe eine erweiterte Wahrscheinlichkeitsäquivalent-Methode vor, die sich auf Indifferenzaussagen im Vergleich zweier Lotterien bezieht.Google Scholar
  39. 1.
    Vgl. Keeney, Raiffa (1976), S. 167f.Google Scholar
  40. 2.
    Vgl. Keeney, Raiffa (1976), S. 174ff.Google Scholar
  41. 3.
    Vgl. zu weiteren Verfahren in dieser Verfahrensgruppe Meyer, Pratt (1968).Google Scholar
  42. 1.
    Vgl. Hershey, Kunreuther, Schoemaker (1982).Google Scholar
  43. 2.
    Vgl. von Winterfelds, Edwards (1986), S. 256f.Google Scholar
  44. 3.
    Vgl. z. B. Fischer (1979), S. 453; Schoemaker, Waid (1982), S. 183; Fischer (1977), S. 295f.Google Scholar
  45. 1.
    Vgl. z. B. Schmitt, Levine (1977), S. 16, Stillwell, Seaver, Edwards (1981), S. 74.Google Scholar
  46. 2.
    Vgl. z. B. Huber (1974b), S. 1398f, John, Edwards, Collins (1980), S. 4; Ashton (1980), S. 342. 9 Vgl. z.Google Scholar
  47. 3.
    B. Nutt (1980), S. 163f, oder Slovic, Fischhoff, Lichtenstein (1977), S. 21f.Google Scholar
  48. 4.
    Barron, Person (1979), S. 147f, weisen darauf hin, daß teilweise unter den holistischen Verfahren auch nur die Verfahren verstanden werden, bei denen die Gewichte aus den Bewertungen aller (-+ holistischen) möglichen oder relevanten Alternativen geschlossen werden.Google Scholar
  49. 2.
    Vgl. zu der Verknüpfung verschiedener Skalenniveaus in der Altemativenbewertung Dyckhoff (1986).Google Scholar
  50. 1.
    Die kategorialen Präferenzurteile entsprechen der Definition von quasi-kardinalen in Schneeweiß (1990), S. 16.Google Scholar
  51. 2.
    Vgl. zu den entsprechenden Transformationen „rank sum weighting“, „rank reciprocal weighting”, „decision rule rank weighting“, „rank exponent weighting” und „maximin weighting“ Edwards, Newman (1982), S. 54, John, Edwards (1978), S. 6ff, Stillwell, Barron, Edwards (1983), S. 96f, Stillwell, Seaver, Edwards (1981), S. 67f. Zu letztgenannter Transformation speziell Abelson, Tukey (1963).Google Scholar
  52. 3.
    Zu dieser Methode vgl. Bäuml, Lukas (1976), S. 46ff, Eckenrode (1965), S. 184, und Klee (1971). Klee (1971), S. 56, bezeichnet diese Methode mit „forced decisions“.Google Scholar
  53. 4.
    Vgl. z. B. Jasper (1986). Auch ist dieses Verfahren in einer erweiterten Version in dem kommerziell vertriebenen Programm Nutzwertanalyse, vgl. o. V. (1989), implementiert.Google Scholar
  54. 5.
    Zu einer entsprechenden Modifikation des Verfahrens, in dem auch das unwichtigste Ziel ein positives Gewicht erhält, vgl. Bäumt, Lukas (1986), S. 46ff.Google Scholar
  55. 6.
    Vgl. zu dieser Methode „paired comparison“ Cook, Stewart (1975), S. 35.Google Scholar
  56. 7.
    Zu dieser Methode „categorizing“ vgl. Hobbs (1980), S. 727f, John, Edwards (1978), S. 12f, Nutt (1980), S. 164. Nutt verwendet die Bezeichnung „point assignment”.Vgl. z. B. Eckenrode (1965), S. 181, Cook, Stewart (1975), S. 35, Belton (1985), S. 269. Vgl. Belton (1985), S. 269.Google Scholar
  57. 1.
    Vgl. Cook, Stewart (1975), S. 35.Google Scholar
  58. 2.
    Direct-Rating kann auch mit graphischer Unterstützung durchgeführt werden. In diesem Zusammenhang spricht man von „anchored rating scales“, vgl. z. B. Nutt (1980), S. 164, und Eckenrode (1965), S. 181, Fischer (1976), S. 133.Google Scholar
  59. 3.
    Zu diesem Verfahren „fractionation“ vgl. z. B. John, Edwards (1978), S. 11. Das Verfahren geht zurück auf Metfessel (1947).Google Scholar
  60. 4.
    So z. B. bei Stillwell, Barron, Edwards (1983), S. 98, oder Gum, Roefs, Kimball (1976), S. 619ff.Google Scholar
  61. 5.
    Vgl. Comrey (1950), S. 318.Google Scholar
  62. 6.
    Vgl. Eisenführ, Weber (1986), S. 918, oder unter dem Namen Singulärer Vergleich Bäuml, Lukas (1986), 7 S. 43ff, und Rinza, Schmitz (1977), S. 95f.Google Scholar
  63. 1.
    So z. B. bei Eisenführ, Weber (1986), S. 918.Google Scholar
  64. 2.
    So z. B. bei Huber (1974), S. 1399.Google Scholar
  65. 3.
    Die „simple multiattribute rating technique“ wurde von Edwards als Gegenstück zu den theoretisch exakteren Verfahren ins Leben gerufen und wurde im Laufe der Zeit jeweils immer wieder leicht modifiziert. Vgl. hierzu Edwards (1977) und Edwards (1971) und die neuere Diskussion in von Winterfeld[, Edwards (1986), S. 278ff. John, Edwards (1978), S. 14, verweisen auf Anwendungsbeispiele von SMART.Google Scholar
  66. 4.
    Zur Konsistenzüberprüfung in SMART wird vorgeschlagen, ähnlich wie im vorgestellten Matrixverfahren alle Ziele zu vergleichen. Die resultierende „triangular table“ soll dann dem Entscheider helfen, zu fundierten und konsistenten Verhältnissaussagen zu gelangen, vgl. Edwards, Newmann (1982), S. 56.Google Scholar
  67. 5.
    „Decision alternative ratio evaluation“, vgl. Klee (1971), S. 59.Google Scholar
  68. 6.
    Zu weiteren dekompositorischen Verfahren, die auf kardinalen Präferenzurteilen aufbauen, vgl. Eisenführ, Weber (1986), S. 919f, unter dem Namen Multiple-Importance-Ratio-Methode, und Mond, Rosinger (1985), S. 20. In beiden Verfahren werden jeweils Gewichtssummen von Zielmengen bewertet, und es wird ein Optimierungsansatz zur Ableitung der Gewichte angewendet.Google Scholar
  69. 7.
    Vgl. Churchman, Ackoff (1954), S. 176ff, oder Churchman, Ackoff, Arnoff (1971), S. 137f.Google Scholar
  70. 8.
    Zu einer weiterentwickelten Vorgehensweise dieses Verfahrens vgl. Knoll, Engelberg (1978), S. 167f, the revised Churchman-Ackoff technique“. Eine diesem Verfahren konzeptionell ähnliche Vorgehensweise stellen Adelman, Sticha, Donnell (1984), S. 247, bzw. Adelman, Sticha, Donnell (1982), S. 7, vor.Vgl. 1 Keeney, Raiffa (1976), S. 66ff.Google Scholar
  71. 2.
    Vgl. z. B. Keeney, Raiffa (1976), S. 121ff.Google Scholar
  72. 3.
    Wird die Alternative B vorgezogen, so kann die Vorgehensweise analog umgesetzt werden.Google Scholar
  73. 3.
    Vgl. zu einem entsprechenden Regressionsansatz Krzysztofowicz, Duckstein (1980), S. 336f, zu einem linearen Optimierungsansatz Currim, Sarin (1984), S. 552, oder zu einem quadratischen Optimierungsansatz Shapira (1981), S. 340.Google Scholar
  74. 4.
    Vgl. hierzu einen entsprechenden Vorschlag in Dyer, Sarin (1979), S. 820.’ Diese Verfahren werden unter 1 drei Bezeichnungen diskutiert: „lock-step procedure“, vgl. Keeney, Raiffa (1976), S. 91ff, „saw-tooth procedure”, vgl. Fishburn (1967), S. 450, und „dual standard sequence procedure“, vgl. von Winterfeld[, Edwards (1986), S. 267ff.Google Scholar
  75. 2.
    Vgl. hierzu eine entsprechende Vorgehensweise in nicht formalisierter Form in von Winterfelds, Edwards (1986), S. 270.Google Scholar
  76. 1.
    Eisenführ, Weber (1986), S. 918.Google Scholar
  77. 2.
    Vgl. Belton (1985), S. 269, Eisenführ, Weber (1986), S. 918, und von Winterfeldt, Edwards (1986), S. 275. Die Bezeichnung SWING ergibt sich aus der Eigenschaft des Verfahrens, daß „the respondent compares alternatives that swing between the worst and best levels in each attribute“, von Winterfeldt, Edwards (1986), S. 275.Google Scholar
  78. 3.
    Als alternative Vorgehensweise zur Ermittlung der Skalierungskonstanten im multiplikativen Modell bietet es sich auch an, zunächst mit einem anderen Verfahren die normierten Gewichte zu berechnen und nur das größte Gewicht mit Hilfe des SWING-Verfahrens abzuleiten, so daß durch eine entsprechende Transformation auch die Parameter des multiplikativen Modells abgeleitet werden können, vgl. hierzu Dyer, Sarin (1979), S. 820.Google Scholar
  79. 1.
    Die exakte Vorgehensweise in dieser Methode läßt sich direkt aus dem Theorem 6.3 in Keeney, Raiffa (1976), S. 293, ableiten, vgl. auch Fischer (1979), S. 467.Google Scholar
  80. 2.
    Die Alternative, die entweder in allen Zielen minimale Ausprägungen aufweisen oder in allen maximalen, werden nicht explizit bewertet.Google Scholar
  81. 3.
    Vgl. Keeney, Raiffa (1976), S. 303f, von Winterfeldt, Fischer (1975), S. 79f.Google Scholar
  82. 4.
    Zur Vermeidung der notwendigen Betrachtung der extremen Alternativen schlägt Rischmüller (1980), S. 509, vor, zunächst die Alternativen zu ordnen und dann jeweils nur drei in der Rangfolge benachbarte Alternativen in den Lotterievergleich aufzunehmen.Google Scholar
  83. 4.
    Hierzu gehören die Verfahren des ordinalen und kardinalen Conjoint Measurement, vgl. Krantz, Tversky (1971), Green, Srinivasan (1978, 1990) und Thomas (1979). Zu weiteren verwandten Verfahren vgl. Horsky, Rao (1984), Pekelman, Sen (1974), Srinivasan, Shocker (1973, 1982), oder auch den Ansatz von Klein u. a. (1985).Google Scholar
  84. 1.
    Vgl. zu diesen fünf Maßen John, Edwards (1978), S. 19, oder auch Schmitt, Levine (1977), S. 17.Google Scholar
  85. 2.
    Vgl. John, Edwards (1978), S. 20, und Darlington (1968). Bei fehlenden Interkorrelationen führt der Regressionsansatz zu denselben Ergebnissen wie eine entsprechende Varianzanalyse.Google Scholar
  86. 3.
    Die Verwendung eines orthogonalen Designs hat zur Folge, daß die Gewichte auch aus einem Gleichungssystem berechnet werden können. In einem orthogonalen Design ergibt sich nämlich der gewichtete Nutzenwert der Ausprägung ai im i-ten Ziel kifi(ai) als Differenz der durchschnittlichen holistischen Bewertung derjenigen Alternativen, deren Ausprägung im i-ten Ziel gerade ai ist, und der durchschnittlichen holistischen Bewertung derjenigen Alternativen, die in diesem Ziel gerade die schlechteste Ausprägung haben, vgl. Barron, Person (1979), S. 152f.Google Scholar
  87. 4.
    „Holistic orthogonal parameter estimation“, zu diesem Verfahren vgl. Barron, Person (1979).Google Scholar
  88. 5.
    Vgl. z. B. den „hybrid rating-regression approach“ in Huber (1974).Google Scholar
  89. 6.
    Als Abkürzung für „holistic orthogonal parameter incomplete estimation“, vgl. Weber (1983), S. 165ff, und Weber (1985a).Google Scholar
  90. 7.
    Zu einer anderen Erweiterung von HOPE, die ebenfalls auf einem linearen Programm aufbaut, vgl. Eisenführ, Weber (1986), S. 919.Google Scholar
  91. 1.
    Zielgewichtungsverfahren am häufigsten Bezug genommen, vgl. z. B. Cook, Stewart (1975), Schoemaker, Waid (1982), Schmitt (1978), Stillwell, Barron, Edwards (1983).Google Scholar
  92. 2.
    Vgl. Currim, Sarin (1984), S. 544. Stillwell, Barron, Edwards (1983), S. 90, schreiben hierzu „If the goal of MAU procedures is to reproduce holistic judgments, then they are a waste of time since holistic judgments are usually easier to elicit.“Google Scholar
  93. 2.
    Es wurde mehrfach empirisch bestätigt, daß die Ermittlung von subjektiven Gewichten eher zu einer gleichmäßigen Gewichtsverteilung gelangt, während aus den holistischen Verfahren eher spitze Verteilungen resultieren, vgl. Ashton (1980), S. 353, Borcherding (1983), S. 68, Cook, Stewart (1975), S. 32, Fischer (1977), S. 296, Hobbs (1980), S. 730, Huber (1974), S. 1396, Schmitt (1978), S. 186, und Slovic, Lichtenstein (1971).Google Scholar
  94. 3.
    Vgl. z. B. Pitz, Heerboth, Sachs (1980), S. 67ff, Weber (1985b), S. 315.Google Scholar
  95. 1.
    Konzeptionell verwandt mit der konvergenten Validierung ist die Vorgehensweise des „consciousness-raising“, in der die Konvergenz zwischen einer intuitiv aufgestellten Rangfolge und der Entscheidungsempfehlung betrachtet wird, vgl. Humphreys, McFadden (1980), S. 58.Google Scholar
  96. 2.
    Zu dieser Vorgehensweise des „multiple cue probability learning“, vgl. John, Edwards, Collins (1980), John, von Winterfeldt (1982) und Peterson, Pitz (1985).Google Scholar
  97. 3.
    Vgl. John, Edwards, Collins (1980), S. 20. Vgl. Einhorn, McCoach (1977), S. 270.Google Scholar
  98. 1.
    Vgl. hierzu z. B. Lootsma (1980), S. 386f.Google Scholar
  99. 2.
    Vgl. z. B. Adelman, Sticha, Donnell (1984), S. 250, und Schoemaker, Waid (1982), S. 190f. Vgl. Currim, Weinberg, Wittink (1981).Google Scholar
  100. 4.
    Vgl. Katzman (1987), S. 26, unter „test-retest reliability“ und Lyness, Cornelius (1982), S. 30. Pitz, Heerboth, Sachs (1980) stellen jedoch in einer Untersuchung fest, daß holistische Verfahren stärker sensitiv gegenüber nicht problemrelevanten Aspekten sind als die dekompositorischen.Google Scholar
  101. 1.
    Zu einem Überblick über Anwendungen der MAUT-Verfahren vgl. Keeney, Raiffa (1976), S. 354ff, Keeney (1982), S. 824f, Rischmüller (1980), S. 515, von Winterfeld[, Edwards (1986), S. 448ff; zu einzelnen Abhandlungen Belton (1985), Edwards (1977), Keeney (1972), Keeney (1973), Keeney (1979), Merkhofer, Keeney (1987), Sarin (1980).Google Scholar

Copyright information

© Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden 1992

Authors and Affiliations

  • Rüdiger von Nitzsch

There are no affiliations available

Personalised recommendations