Advertisement

Methoden der Datenanalyse

  • Alexander Georgi
Part of the Gabler Edition Wissenschaft book series (GEW)

Zusammenfassung

Die Datenanalyse stellt einen wesentlichen Bestandteil im Rahmen des ImmobilienmarktResearch-Prozesses dar. Nachfolgend werden im Anschluß an eine kurze Einführung in die meßtheoretischen Grundlagen sowie die statistischen Analysemethoden im wesentlichen die volkswirtschaftlichen Analysemethoden vertiefend diskutiert.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Hüttner, M. (1997), S. 13.Google Scholar
  2. Pepels, W. (1997), S. 256.Google Scholar
  3. Hüttner, M. (1997). S. 13 und Pepels, W. (1997), S. 309.Google Scholar
  4. Hüttner, M. (1997), S. 24–26 sowie weitere hier zitierte Quellen.Google Scholar
  5. Angemerkt sein an dieser Stelle noch, daß die Grundgesamtheit im Rahmen von Meta-Analysen die Anzahl aller Studien Ober einen betreffenden Gegenstand sind. Die Grundgesamtheit muß auch zeitlich und räumlich abgegrenzt sein. Weiterhin muß ein Auswahlverfahren installiert werden, bei dem darauf zu achten ist, daß die Auswahl der Grundgesamtheit frei von systematischen Fehlern ist. Zu problematisieren ist auch der Einsatz von unveröffentlichten Studien.Google Scholar
  6. SPSS steht für „Statistical Package for the Social Sciences“; vgl. hierzu Bamberg, G. und Baur F. (1993), S. 263.Google Scholar
  7. Koch, J. (1997), S. 199.Google Scholar
  8. Vgl. Kamenz, U. (1997), S. 171. Hiernach bestehen noch weitere Charakteristika, welche jedoch für das Immobilienmarkt-Research an dieser Stelle nicht wichtig sind.Google Scholar
  9. Nach Weis, H. C. und Steinmetz, P. (1998), S. 203, ist der Modus derjenige Wert, der in der Häufigkeitsver-teilung am häufigsten vorkommt. Der Modus bestimmt somit die Lage des Maximums der Häufigkeitsvertei-lung.Google Scholar
  10. Nach Reiter, G. und Matthäus, W.-G. (1996), S. 134–135, ist der Median oder auch Zentralwert der mittlere Wert der Datenmenge. Es werden zunächst die Daten nach ihrer Größe sortiert, so daß dann der mittlere Wert abgelesen werden kann.Google Scholar
  11. Nach Pepels, W. (1997), S. 266, ist das arithmetische Mittel der Quotient aus der Summe aller Einzelwerte und der Anzahl dieser Einzelwerte als Lokalisationsparameter.Google Scholar
  12. Koch, J. (1997), S. 201.Google Scholar
  13. Nach Pepels, W. (1998), S. 267, ist die Spannweite die Differenz zwischen dem größten und dem kleinsten Wert einer Reihe, so daß innerhalb dieses Streubereichs alle betrachteten Merkmalswerte liegen.Google Scholar
  14. Nach Weis, H. C. und Steinmetz, P. (1998), S. 211–212, wird die Varianz aus der Summe der quadrierten Abweichungen der Merkmalswerte vom arithmetischen Mittel dividiert durch die Anzahl der Werte gebildet. Weiterhin bildet die Wurzel aus der Varianz die Standardabweichung.Google Scholar
  15. Weis, H. C. und Steinmetz, P. (1998), S. 210.Google Scholar
  16. Nach Kamenz, U. (1997), S. 176, ist der Ausgangspunkt der bivariaten Analyse die zweidimensionale Häufigkeits-oder Kreuztabelle. Die erste Spalte und die oberste Zeile beinhalten die Bezeichnung der Merkmalsausprägungen bezüglich der Variablen 1 und 2. Die letzte Spalte und die unterste Zeile beinhalten die jeweiligen Summen der Spalten und Zeilen.Google Scholar
  17. Kamenz, U. (1997), S. 175.Google Scholar
  18. Nach Weis, H. C. und Steinmetz, P. (1998), S. 295, ermöglicht die Faktorenanalyse eine Reduktion der Anzahl der Variablen auf wenige überschaubare und „übergeordnete“ Faktoren. Der Informationsverlust soli jedoch durch Reduktion des Zahlenmaterials gering gehalten werden. Die Faktorenanalyse wird demnach bei einer Vielzahl von Variablen eingesetzt.Google Scholar
  19. Nach Pepels, W. (1998), S. 280, wird im Rahmen der Cluster-Analyse eine Menge von Untersuchungsobjekten in mehrere intern möglichst homogene und extem möglichst heterogene Gruppen eingeteilt. Das Ziel besteht in der Komprimierung der Objekte und nicht in der Reduktion der Variablen. Von Interesse sind dann die Unterscheidungsmerkmale zwischen den Gruppen.Google Scholar
  20. Nach Weis, H. C. und Steinmetz, P. (1998), S. 260, stellt die Varianzanalyse eine Methode zur Untersuchung des Einflusses einer oder mehrerer Variablen auf eine Zielgröße dar. Bei der Untersuchung nur einer Zielgröße liegt der Fall einer univariaten Varianzanalyse vor; bei der multivariaten Varianzanalyse werden mehrere Zielgrößen gleichzeitig betrachtet.Google Scholar
  21. Nach Hüttner, M. (1997), S. 236, ist die Zielsetzung der Regressionsanalyse die quantitative Schätzung und statistische Prüfung der funktionalen Beziehungen zwischen zumeist einer abhängigen und einer oder mehrere unabhängiger Variablen. Weiterhin erfolgt hier die Abgrenzung nach der einfachen oder multiplen Regression sowie der linearen oder nicht-linearen Regression.Google Scholar
  22. Nach Kamenz, U. (1997), S. 184, besteht die Hauptaufgabe der Diskriminanzanalyse in der Analyse von Gruppenunterschieden, wobei die abhängige Variable die Gruppenzugehörigkeit beschreibt und die unabhängigen Variablen die Gruppenelemente identifizieren.Google Scholar
  23. Hammann, E. (1994), S. 230. Siehe auch zu den statistischen Analyseverfahren Bamberg, G. und Baur, F. (1993).Google Scholar
  24. In Anlehnung an DiPasquale, D. und Wheaton, W. C. (1996), S. 14.Google Scholar
  25. An dieser Stelle zeigt sich die wesentliche Problematik der Erkennung von Immobilienzyklen. Schließlich existieren eine Vielzahl von Einflußfaktoren, welche unterschiedliche Effekte besitzen. Die größte Schwierigkeit ergibt sich jedoch aus der Tatsache, daß die Auswirkung dieser Effekte zum Teil kurzfristig und ebenso auch langfristig erfolgen können.Google Scholar
  26. Franke, J. (1992), S. 9–10.Google Scholar
  27. DiPasquale, D. und Wheaton W. C. (1994), S. 3.Google Scholar
  28. hierzu auch Bone-Winkel, S. und Sotelo R. (1995), S. 200–201.Google Scholar
  29. Ulbrich, R. (1996), S. 327–336, Heuer, J. und Nordalm, V. (1996), S. 28–30, Kühne-Büning, L. (1994), S. 71–85, Kühne-Büning, L. und Galonska, J. (1994), S. 85–90, Kivelip, F. (1994), S. 90–94 und Kühne-Büning, L. (1994), S. 94.Google Scholar
  30. Franke, J. (1992), S. 11–12.Google Scholar
  31. DiPasquale, D. und Wheaton W. C. (1994), S. 3.Google Scholar
  32. Neben den genannten monetär quantifizierbaren Nutzungskosten bestehen eine Vielzahl nicht monetär quantifizierbaren Parameter für den Erwerb eines selbst bewohnten Eigenheims. Nach einer Studie von empirica bestehen die Hauptgründe in der Freiheit und der Sicherheit, gefolgt von der Unabhängigkeit, dem entspannten Wohnen, der Vermögensanlage, dem Garten sowie der Altersvorsorge. Vgl. hierzu empirica (1999). S. 135.Google Scholar
  33. Kreibich, V. (1994), S. 17.Google Scholar
  34. Deutsche Bundesbank (1999), S. 35–39.Google Scholar
  35. Deutsche Bundesbank (1999), S. 35–39. Das Erbvolumen gilt gleichzeitig auch als eine Determinante des Angebotes.Google Scholar
  36. Ulbrich, R. (1996), S. 354–358.Google Scholar
  37. Becher, S. (1996), S. 83–84. Hier werden die folgenden Komponenten der Infrastruktur genannt: Bildungs-und Erziehungswesen, Gesundheitswesen, Verkehrswesen, Wohnungsversorgung, kulturelle Einrichtungen, Sport-und andere Freizeiteinrichtungen, öffentliche Verwaltung sowie Geld-und Kreditwesen.Google Scholar
  38. Häpke, U. (1996), S. 119–120.Google Scholar
  39. In Anlehnung an Malpezzi, S. und Mayo, S. K. (1997), S. 4.Google Scholar
  40. Malpezzi, S. und Mayo, S. K. (1997), S. 9.Google Scholar
  41. Kühne-Büning, L. (1994), S. 160–162.Google Scholar
  42. Höbet R. (1994). S. 8–9 sowie dort weitere beschriebene detailliertere Ausführungen.Google Scholar
  43. Hobel, R. (1994), S. 9.Google Scholar
  44. Kühne-Büning, L. (1994), S. 165. Vgl. Höbel, R. (1994), S. 9.Google Scholar
  45. RICS (1994), S. 4.Google Scholar
  46. RICS (1994), S. 4.Google Scholar
  47. Leinberger, C. (1994), S. X-XII.Google Scholar
  48. Pritchett, C. P. (1984), S. 85–89.Google Scholar
  49. Wheaton, W. C. (1987), S. 281–299.Google Scholar
  50. Barras, R. (1994), S. 185. Bei Barras erfolgt ebenso noch eine Anlehnung an die Entwicklung der Geldwirtschaft.Google Scholar
  51. Pyhrr, Stephen A.; Webb, James R. und Born, Waldo L. (1990), S. 83.Google Scholar
  52. RICS (1994), S. 5.Google Scholar
  53. Antwi, A. und Henneberry, J. (1995), S. 217–239.Google Scholar
  54. Als Developer wird im Rahmen dieser Arbeit eine Person oder Unternehmung verstanden, die Immobilien bzw. Immobilienprojekte von der Planung bis zur Realisation sowie eventuell Veräußerung begleitet.Google Scholar
  55. So hätte nach einem Sondergutachten der BDO Deutsche Warentreuhand AG der ehemalige Hypo-Bank Vorstand einen höheren Wertberichtigungsbedarf zum Jahresabschluß 1997 in Höhe von 3,629 Mrd. DM erkennen können. Vgl. o. V. (1999a), S. 3.Google Scholar
  56. Beispiel der Hypovereinsbank AG: o. V. (1999a), S. 3.Google Scholar
  57. Diese personellen Konsequenzen besitzen meist auch nur eine Art Alibifunktion, um eine konkrete Person für den Mißerfolg verantwortlich machen zu können.Google Scholar
  58. So ist der Ertrag der Auflösung einer Wertberichtigung in Höhe von I Mio. DM mit einem Neukredit für I Jahr in Höhe von 100 Mio. DM und einer Zinsmarge von I % gleichzusetzen.Google Scholar
  59. Diese Situation kann bei maximalem Ausmaß auch als Kreditkrise bzw. „credit crunch“ bezeichnet werden.Google Scholar
  60. Abschließend sei auf eine Untersuchung zum zyklischen Verhalten des Londoner Büromarktes von 1970 bis 1995 verwiesen; vgl. Wheaton, W. C., Torto, R. G. und Evans, P. (1997). Vgl. zu der Entwicklung des weltweiten Immobilienzyklus von 1985–1994 auch: Renaud, B. (1997).Google Scholar
  61. Ferner werden die Schwankungen der Kaufkraft der privaten Haushalte als wesentlicher Indikator für die Zyklen auf dem Wohnimmobilienmarkt gesehen. Vgl. o. V. (1995c), S. 41 und o. V. (1995d), S. 33.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2002

Authors and Affiliations

  • Alexander Georgi

There are no affiliations available

Personalised recommendations