Advertisement

Untersuchte computergestützte hybride Verfahren

  • Susanne Hensel-Börner
Part of the Gabler Edition Wissenschaft book series (GEW)

Zusammenfassung

Nachdem in Kapitel 2 ein Überblick über Ansätze zur Präferenzmessung gegeben wurde, befaßt sich das folgende Kapitel mit einer ausführlichen Darstellung der computergestützten hybriden Verfahren CCC, CHIC und ACA, die im Mittelpunkt der vorliegenden Arbeit stehen. Die Einordnung dieser Ansätze wurde bereits im vorangestellten Methodenüberblick vorgenommen. Bei allen 3 untersuchten Methoden handelt es sich um hybride Verfahren, die einen kompositioneilen mit einem dekompositionellen Befragungsteil verbinden. Des weiteren zeichnen sich die Verfahren durch ihren adaptiven Charakter aus, wodurch insbesondere der dekompositionelle Teil an vorherige Antworten individuell angepaßt wird. Voneinander abgegrenzt werden können die Ansätze durch die unterschiedliche Gestaltung dieses individualisierten Conjoint-Teils und das teilweise davon beeinflußte Ausmaß der Anpassung. Entsprechend der Strukturierung der rein dekompositionellen Ansätze nach der Anzahl simultan zu beurteilender Stimuli unterscheiden sich auch die CCC, CHIC und die ACA hinsichtlich dieses Merkmals. Bei der CCC werden im dekompositionellen Teil des Interviews alle zu bewertenden Stimuli gleichzeitig vorgelegt. In Anlehnung an die Choice-Based Conjoint Analysis werden den Probanden bei der CHIC jeweils verschiedene Sets (Teilmengen) von Stimuli präsentiert, aus denen u.a. eine Auswahlentscheidung abgefragt wird.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Referenzen

  1. 152.
    Vgl. hierzu Kapitel 2.1 dieser Arbeit und Srinivasan (1988), hier: S. 267 f.Google Scholar
  2. 153.
    Vgl. Srinivasan/Park (1997), S. 287.Google Scholar
  3. 154.
    In der derzeitigen Programmversion der CCC ist dieser Schritt noch nicht implementiert. Eine optionale Integration dieses Befragungsschritts in einer folgenden Programmversion ist geplant.Google Scholar
  4. 155.
    Vgl. Srinivasan/Park (1997), S. 287.Google Scholar
  5. 156.
    Ausnahmen können hierbei auftreten, sofern der Preis als Qualitätsindikator dient und der Informationspreiseffekt größer als der Allokationspreiseffekt ist. Ein solches Verhalten der Probanden würde sich in einer höheren Präferenz für einen höheren Preis widerspiegeln. Zur Separierung der Allokations- und Informationsfunktion des Preises vgl. Sattler/Rao (1997), hier: S. 1287.Google Scholar
  6. 157.
    Häufig wird die Wichtigkeit einer Eigenschaft in die Frage: „Wie wichtig ist Ihnen die Eigenschaft X?” erhoben. Bei einem solchen Vorgehen ist oft nicht eindeutig, wie das Konzept der Wichtigkeit zu interpretieren ist und birgt die Gefahr, daß Probanden diese Frage unterschiedlich interpretieren (vgl. Srinivasan (1988), S. 296).Google Scholar
  7. 158.
    Zur Problematik des Bandbreiteneffekts vgl. Sattler/Gedenk/Hensel-Börner (2000).Google Scholar
  8. 159.
    Vgl. Srinivasan (1988), S. 296.Google Scholar
  9. 160.
    Vgl. Srinivasan/Park (1997), S. 287.Google Scholar
  10. 161.
    Vgl. Srinivasan/Park (1997), S. 287.Google Scholar
  11. 162.
    Vgl. Srinivasan/Park (1997), S. 286.Google Scholar
  12. 163.
    Vgl. Srinivasan/Park (1997), S. 288.Google Scholar
  13. 164.
    Vgl. hierzu auch die Diskussion zur Anzahl an Eigenschaften bei dekompositionellen Ansätzen zur Präferenzmessung in Kapitel 2.3.1.Google Scholar
  14. 165.
    Der Number-of-Level-Effekt besagt, daß je mehr Ausprägungen bei einer Eigenschaft berücksichtigt werden. desto höher wird deren Bedeutungsgewicht. Empirische Belege dafür liefern u.a. Wittink/Krishnamurthi/Nutter (1982) und Wittink/Krishnamurthi/Reibstein (1989). Steenkamp/Wittink (1994) zeigen des weiteren, daß der Number-of-Level-Effekt auch unabhängig vom Skalenniveau der Beurteilungsaufgabe auftritt.Google Scholar
  15. 166.
    Vgl. Srinivasan/Park (1997), S. 287.Google Scholar
  16. 167.
    Falls eine Eigenschaft mit lediglich 2 Ausprägungen auftritt, werden diese beiden im Rahmen der Stimulikonstruktion berücksichtigt.Google Scholar
  17. 168.
    Zu den Problemen bei einem vollständigen Design vgl. auch Kapitel 2.2.1.1.Google Scholar
  18. 169.
    Zum Begriff der Orthogonalität und seiner formalen Definition vgl. Stallmeier (1993), S. 144.Google Scholar
  19. 170.
    Zur Entwicklung von fraktionierten faktoriellen Designs vgl. Addelman (1962).Google Scholar
  20. 171.
    Vgl. Srinivasan/Park (1997), S. 287. Die Autoren sprechen in diesem Zusammenhang nicht von einem adaptiven, sondern einem „customized” Design. Zur Begriffsabgrenzung im Rahmen dieser Arbeit vgl. Kapitel 2.4.Google Scholar
  21. 172.
    Dieser Einflußfaktor auf die Ergebnisse einer Conjoint-Analyse wird in der Literatur als „Positionseffekt” bzw. „order effects” bezeichnet. Empirische Belege für deren Einfluß liefern z.B. Acito (1977), S. 205; Chrzan (1994), S. 169 f. und Perry (1996), S. 111.Google Scholar
  22. 173.
    Vgl. Green/Srinivasan (1978), S. 106.Google Scholar
  23. 174.
    Zu den unterschiedlichen Teilnutzenmodellen vgl. Green/Srinivasan (1978), S. 105 f.Google Scholar
  24. 175.
    Srinivasan/Park (1997) sprechen bei der Beschreibung der CCA davon, daß grundsätzlich Ranking- oder Rating-Daten erhoben werden können (S. 287). In der empirischen Untersuchung wurden die Präferenzen durch Rangreihung der Stimuli erfragt.Google Scholar
  25. 176.
    Vgl. hierzu auch Hahn (1997), der als wesentlichen Kritikpunkt an der traditionellen Conjoint-Analyse mit Rangreihung anführt, daß lediglich Präferenzen und keine Kaufentscheidungsdaten erhoben werden (Hahn (1997), hier: S. 41).Google Scholar
  26. 177.
    Vgl. Green/Krieger (1996), S. 853.Google Scholar
  27. 178.
    Zur ausführlichen Erläuterung des Algorithmus vgl. Srinivasan/Shocker (1973).Google Scholar
  28. 179.
    Obwohl Ranking-Daten nicht das notwendige Skalenniveau aufweisen, werden die Teilnutzenwerte häufig auch mit Hilfe einer OLS-Schätzung ermittelt, wobei die Präferenzdaten als metrisch interpretiert werden. Vorangegangene Studien haben gezeigt, daß zwischen metrischen und nicht-metrischen Präferenzdaten bei der Anwendung von Conjoint-Analysen in Form von OLS-Schätzungen keine wesentlichen Unterschiede auftreten bzw. robuste Schätzergebnisse erzielt werden (vgl. Green/Srinivasan (1978); Carmone/Green/Jain (1978); Jain/Acito/Malhotra/Mahajan (1979) Wittink/Cattin (1981)). Der Einsatz einer OLS-Schätzung zur Auswertung von Präferenzdaten, die in Form von Rangreihung erhoben wurden, kann daher als zulässig angesehen werden. Dieses Vorgehen hat den Vorteil, daß OLS-Schätzungen mittels üblichen Softwareprogrammen wie z.B. SPSS oder Excel durchgeführt werden können.Google Scholar
  29. 180.
    Srinivasan/Park (1997) schlagen beispielsweise 6 Stimuli für das Validation-Set vor (hier: S. 288).Google Scholar
  30. 181.
    Vgl. Srinivasan/Park (1997), S. 288.Google Scholar
  31. 182.
    Aus Gründen der Übersichtlichkeit wird in Gleichung (3–3) kein zusätzlicher Index für das Produkt integriert.Google Scholar
  32. 183.
    Vgl. Hensel-Börner/Sattler (2000), S. 9.Google Scholar
  33. 184.
    Die alternative Bezeichnung „individualized” gegenüber „customized” bei der CCC wurde lediglich vor dem Hintergrund der kreierten Abkürzung CHIC gewählt.Google Scholar
  34. 185.
    Auch hier werden wieder max. 3 Ausprägungen je Eigenschaft berücksichtigt, wobei die für jeden Probanden beste und schlechteste sowie eine mittlere Ausprägung ausgewählt werden.Google Scholar
  35. 186.
    Das Gesamtdesign bezieht sich auf alle innerhalb des ganzen Conjoint-Interviews zu bewertenden Stimuli und nicht auf die Anzahl an Stimuli innerhalb eines Choice-Sets.Google Scholar
  36. 187.
    Ein Experimentdesign gilt als effizient, wenn die Varianzen und Kovarianzen der Parameterschätzungen minimiert werden (vgl. Kuhfeld/Tobias/Garrat (1994), S. 545).Google Scholar
  37. 188.
    Im Gegensatz dazu können insbesondere bei orthogonalen Designs lediglich die Haupteffekte geschätzt werden. Einzelne Interaktionseffekte können nur dann ermittelt werden. sofern diese explizit im Experimentdesign integriert werden (vgl. Green/Srinivasan (1978), S. 110).Google Scholar
  38. 189.
    Vgl. Krieger/Green (1991), S. 337.Google Scholar
  39. 190.
    Es sei an dieser Stelle angemerkt, daß pareto-optimale Designs nicht notwendigerweise orthogonal sind. Vielmehr stehen diese beiden Zielkriterien teilweise im Konflikt zueinander, schließen sich aber nicht grundsätzlich aus. Krieger/Green (1991) schlagen beispielsweise eine Heuristik zur Designkonstruktion vor, bei der ausgehend von einem orthogonalen Design, die Pareto-Optimalität maximiert wird. Diese Heuristik kann zu gleichzeitig orthogonalen und pareto-optimalen Designs führen, stellt dies aber nicht in jedem Fall sicher (vgl. Krieger/Green (1991), S. 343). Eine Verletzung der Orthogonalität bedeutet inhaltlich, daß zwischen den Eigenschaften des Designs Multikollinearität besteht, diese also nicht unabhängig voneinander sind. Inwieweit sich diese Prämissenverletzung auf die Schätzergebnisse auswirkt, kann a priori nicht getestet werden. sondern wird nachträglich bei der Datenauswertung überprüft.Google Scholar
  40. 191.
    Zu den Grundlagen der Designerstellung bei Choice-Experimenten vgl. u.a. Louviere/Woodworth (1983), Kuhfeld/Tobias/Garratt (1994) und Huber/Zwerina (1996).Google Scholar
  41. 192.
    Auch Louviere/Woodworth (1983) schlagen eine zufällige Designgestaltung als eine alternative Vorgehensweise vor (vgl. Louviere/Woodworth (1983), S. 354). Die Choice-Based Conjoint Analysis von Sawtooth Software bietet ebenfalls die Möglichkeit einer zufälligen Designerstellung (vgl. Sawtooth Software (1995), S. 4).Google Scholar
  42. 193.
    Vgl. hierzu Johnson/Orme (1996).Google Scholar
  43. 194.
    Damit liegt die Anzahl simultan zu bewertender Stimuli bei der CHIC mit 4+1 Alternativen zwischen den anderen betrachteten Verfahren CCC (9 Stimuli) und ACA (2 Stimuli).Google Scholar
  44. 195.
    Dieses Design impliziert, daß drei Kerneigenschaften 3 Ausprägungen und eine Kerneigenschaft lediglich 2 Ausprägungen aufweisen. Das vollständige Design umfaßt demnach insgesamt 54 Eigenschaftskombinationen.Google Scholar
  45. 196.
    Vgl. Elrod/Louviere/Davey (1992), S. 371; Louviere/Gaeth (1988), S. 68; Louviere/Fox/Moore (1993), S. 206; Louviere/Woodworth (1983), S. 355 ff.; Moore/Gray-Lee/Louviere (1998), S. 200; Oliphant et al. (1992), S. 386. Die Programmversion von Sawtooth Software ermöglicht bei der Choice-Based Conjoint Analysis sogar bis zu 50 Abfragen.Google Scholar
  46. 197.
    Vgl. hierzu auch Oliphant et al. (1992), S. 385; Louviere/Gaeth (1988), S. 62.Google Scholar
  47. 198.
    Vgl. Johnson/Orme (1996), S. 11.Google Scholar
  48. 199.
    Vgl. hierzu auch Elrod/Louviere/Davey (1992), S. 370.Google Scholar
  49. 200.
    Für diese Verankerung spricht, wie bei der Erfassung der Wichtigkeiten für die Eigenschaften in der Self-Explicated-Phase, daß dadurch die Wahrscheinlichkeit erhöht wird, die Präferenzunterschiede tatsächlich auf einer Ratio-Skala zu messen.Google Scholar
  50. 201.
    Vgl. Loosschilder et al. (1995), S. 20.Google Scholar
  51. 202.
    Diese Problematik wird in der Literatur unter dem Begriff „Independence from Irrelevant Alternatives (kurz: IIA)” diskutiert und besagt, daß der Gesamtnutzen einer Alternative unabhängig davon ist, welche Alternativen noch im Choice-Set vorhanden sind. Dies Annahme stellt ebenfalls eine Besonderheit der klassischen Choice-Based Conjoint Analysis dar. Zur Definiton der IIA-Eigenschaft vgl. Louviere/Woodworth (1983), S. 352.Google Scholar
  52. 203.
    Einschränkend muß angemerkt werden. daß die maximale Zahlungsbereitschaft nicht explizit als solche von den Probanden erhoben wurde, sondern aus den gegebenen Informationen abgeleitet wird. Da Abweichungen zur tatsächlich maximalen Zahlungsbereitschaft der Probanden auftreten können, ist die vorgenommene Interpretation nicht unproblematisch. Für die Vergleichbarkeit der Präferenzunterschiede zwischen den alternativen Produktalternativen ist die Erfassung der tatsächlich maximalen Zahlungsbereitschaft nicht zwingend erforderlich, was die Problematik der vorgenommenen Interpretation zumindest teilweise reduziert.Google Scholar
  53. 204.
    Alternativ können sowohl die jeweils am besten oder dazwischen eingestufte Produkte zur Verankerung herangezogen werden. Empfohlen wird aber eine der beiden Eckwerte der Skala zu verwenden, da sich in der vorliegenden empirischen Untersuchung zeigte, daß sich dabei die geringsten Inkonsistenzen zwischen der auf Basis der Self-Explicated-Befragung geschätzten und im Conjoint-Teil beobachteten Reihenfolge ergab.Google Scholar
  54. 205.
    Vgl. Green/Srinivasan (1978), S. 113.Google Scholar
  55. 206.
    Vgl. Carmone/Schaffer (1995), S. 117.Google Scholar
  56. 207.
    Vgl. Green/Srinivasan (1990), S. 11.Google Scholar
  57. 208.
    Vgl. Green/Krieger/Agarwal (1991), S. 216; Reiners (1996), S. 115 Weiber/Rosendahl (1997), S. 110.Google Scholar
  58. 209.
    Vgl. Johnson (1987), S. 259.Google Scholar
  59. 210.
    Vgl. Metegrano (1994), S. 3–4.Google Scholar
  60. 211.
    Vgl. Metegrano (1994), S. 3–5 f.Google Scholar
  61. 212.
    Vgl. Johnson (1987), S. 260.Google Scholar
  62. 213.
    Bei den beiden anderen Verfahren werden an dieser Stelle lediglich die jeweils am meisten und am wenigsten präferierte Ausprägung a priori festgelegt. Alle weiteren Ausprägungen sind von den Probanden zwischen diesen Endpunkten einzuordnen.Google Scholar
  63. 214.
    Zur Definition von Preisschwellen und damit verbundenen Effekten vgl. Gedenk/Sattler (1999).Google Scholar
  64. 215.
    Vgl. Metegrano(1994), S. 3–6.Google Scholar
  65. 216.
    Vgl. Srinivasan (1988), S. 296.Google Scholar
  66. 217.
    Zur Berechnung der Teilnutzen werte auf Basis der Self-Explicated-Phase vgl. Metegrano (1994), S.G-1 f.Google Scholar
  67. 218.
    Sofern die Präferenzen hinsichtlich der Eigenschaftsausprägungen mit einer Rangfolge erfaßt wurden, müssen diese zunächst in die umgekehrte Reihenfolge konvertiert werden.Google Scholar
  68. 219.
    Vgl. auch Green/Krieger/Agarwal (1991), S. 216 und Gutsche (1995), S. 96.Google Scholar
  69. 220.
    Vgl. Metegrano (1994), S. 3–7 f.Google Scholar
  70. 221.
    Vgl. Johnson (1987), S. 261.Google Scholar
  71. 222.
    Zum Schätzmodell für die Paarvergleichsaufgabe vgl. auch Green/Krieger/Agarwal (1991), S.217.Google Scholar
  72. 223.
    Vgl. Green/Srinivasan (1990), S. 11; Louviere/Gaeth (1988), S. 63. Reiners (1996), S. 93 und Srinivasan/Park(1997), S. 286.Google Scholar
  73. 224.
    Vgl. Green/Krieger/Agarwal (1991), S. 220.Google Scholar
  74. 225.
    Zur Gestaltung des Kalibrierungssets vgl. auch Reiners (1996), S. 120.Google Scholar
  75. 226.
    Zur Modellbeschreibung der Kombinationsphase vgl. Metegrano (1994), S. H-2.Google Scholar
  76. 227.
    Alternativ bietet die ACA 4.0 dem Anwender die Wahl, daß die Teilnutzenwerte aus den Paarvergleichen und der Self-Explicated-Phase gleichgewichtet aufsummiert werden. In diesem vereinfachten Fall wird nur ein Regressionskoeffizient für beide Teilnutzenwerte geschätzt. Formal gilt in diesem Fall bi = ci.Google Scholar
  77. 228.
    Zur Schätzung der Teilnutzenwerte bei der ACA vgl. Sawtooth Software (1996), S. 16 ff.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2000

Authors and Affiliations

  • Susanne Hensel-Börner

There are no affiliations available

Personalised recommendations