Auszug
Im Folgenden werden in D.1 die Softwareprogramme genannt, mit deren Hilfe die Datenerhebung und die Datenanalyse durchgeführt werden, und Angaben zur Stichprobengröße gemacht. In D.2 erfolgt die deskriptive Datenanalyse. Die Stichprobe wird charakterisiert. In D.3 werden die Ausstellerpräferenzen analysiert. Dabei werden unter anderem die Preislinien abgeleitet, beurteilt und bewertet. In D.4 werden schließlich die Nutzenunterschiede und die Leistungswahl mit den Ausstellercharakteristika erklärt.
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.
Literatur
CBC System For Choice-Based Conjoint von Sawtooth Software ist die am weitesten verbreitete Software für Choice-Based-Conjoint. Sie dominiert auch in praktischen Anwendungen. Vgl. Hartmann, Adriane/ Sattler, Henrik, 2002a, S. 7; Hartmann, Adriane/Sattler, Henrik: Wie robust sind Methoden zur Präferenzmessung?, in: Research Papers on Marketing and Retailing, University of Hamburg, 2002b, No. 4., S. 2.
Vgl. Hartmann, Adriane/ Sattler, Henrik, 2002b, S. 10; Sawtooth Software (Hrsg.), 1999, S. 5, 9f.; Weiber, R./Rosendahl, R., 1997, S. 109.
Vgl. DeSarbo, W./ Ramaswamy, V./ Cohen, S., 1995, S. 137–147.
Vgl. Orme, B. (Hrsg.), o.J., S. L-30.
Es wurden 800 Aussteller angeschrieben in der Hoffnung, im schlechtesten Fall 10 Prozent Rücklaufquote zu haben. Bei 80 Ausstellern können die aggregierten CBC-Parameter in einem 95 Prozent Konfidenzintervall mit einer Standardabweichung der Stichprobe von 0,026 (margin of error = +/-0,026) geschätzt werden. Vgl. Orme, B.: Sample Size Issues for Conjoint Analysis Studies, in: Sawtooth Software Research Papers Series, 1998b, S. 2–5, 7f.; Johnson, Richard: Getting the Most out from CBC, Part 1, in: Sawtooth Software Research Paper Series, 1996, S. 1f.; Bomsdorf, Eckart: Induktive Statistik — Eine Einführung, 6. Auflage, Bergisch-Gladbach-Köln, 1995, S. 137–139; Anderson, Richard R./Sweeney, Dennis J./Williams, Thomas A.: Statistics for Business and Economics, 7. Auflage, Cincinnati, 1999, S. 274f.; vgl. auch: Wittink, D./Cattin, P., 1989, S. 91–96.
Bezüglich des Vergleichs der Stichproben mit der Grundgesamtheit sei darauf hingewiesen, dass in diesem Experiment eine Zufallsauswahl getroffen worden ist und daher die Stichprobe, unter den Angaben der Erhebungsmethode und Rücklaufquote, bildhaft als repräsentativ bezeichnet werden kann. (Vergleiche dazu auch Diekmann, A., 1995, S. 368f.)
Zum Chi-Square-Test und zur Interpretation der Testergebnisse vgl. z.B. Anderson, R./ Sweeney, D./ Williams, T., 1999, S. 456–464.
Zum Spearman Korrelationskoeffizienten vgl. z.B. Bihn, Willi R./ Gröhn, Eckard: Deskriptive Statistik, ein Leitfaden für Wirtschaftswissenschaftler, Köln 1993, S. 95–97.
Dabei wird die Nullhypothese (zwei Variablen unabhängig voneinander) zurückgewiesen, wenn der p-Wert unter einem vorgegeben Signifikanzniveau et liegt (Alternativhypothese: zwei Variablen sind nicht unabhängig voneinander). Mit der Irrtumswahrscheinlichkeit a wird dann die Nullhypothese zurückgewiesen. Das bedeutet, dass eine Abhängigkeit zwischen den beiden Variablen besteht. Vgl. Anderson, R./ Sweeney, D./ Williams, T., 1999, S. 442, 460f.
Die Annahmen des Chi-Square-Tests sind, dass die erwartete Häufigkeit in jeder Kategorie mindestens 1 betragen muss. Und bei höchstens 20 Prozent der Kategorien darf die erwartete Häufigkeit unter 5 liegen. (Vgl. SPSS Base 11.0 Benutzerhandbuch 2001, S. 420). Bei den Berechnungen in Tabelle 5 werden, wenn die Annahmen nicht erfüllt sind, benachbarte Kategorien zusammengelegt, sofern dann noch eine gute Interpretation auf Basis der neuen Kategorien möglich ist. Danach wird die Chi-Square Statistik erneut berechnet. Vgl. dazu auch Anderson, R./Sweeney, D./Williams, T., 1999, S. 461. Bihn, W./Gröhn, E., 1993, S. 217.
Das Software Paket zu CBC von Sawtooth Software (CBC Version 2.0) berechnet (u.a.) die Chi-Square-Werte, p-Werte und die „numbers of degrees of freedom“ (Anzahl der Freiheitsgrade) und liefert damit die Informationen für den Chi-Square-Test. Vgl. Orme, B. (Hrsg.), o.J., S. 14–4f.
Vgl. Orme, B. (Hrsg.), o.J., S. 14–6.
Würden die beiden Eigenschaften unabhängig voneinander sein, schnitten sich die Graphen für die einzelnen Standformen nicht, da die Präferenzen für die einzelnen Ausprägungen unabhängig von der zweiten Eigenschaft wären. Vgl. Sawtooth Software (Hrsg.), 1999, S. 8f.
Mit dem Test wird der „Goodness-of-Fit“ des Logit-Modells beurteilt. Die Vorgehensweise bei der Prüfung ist, dass der Log-Likelihood-Wert des Null-Modells mit dem Log-Likelihood-Wert des geschätzten verglichen wird. Der Log-Likelihood-Wert ergibt sich unter der Annahme, dass bei gegebener Stichprobe und Choice-Daten alle geschätzten Effekte Null sind. Dieser Wert wird mit dem Log-Likelihood Wert der geschätzten Effekte verglichen. Die Differenz mit 2 multipliziert (Test-Größe) ist Chi-Square verteilt. Ist das Signifikanzniveau klein, kann die Nullhypothese zurückgewiesen werden. Die Nullhypothese besagt, dass alle Koeffizienten (Effekte) Null sind. Stattdessen wird geschlossen, dass das letzte geschätzte Modell signifikant besser ist und die Auswahlentscheidungen der Probanden signifikant von der Eigenschaftskombination beeinflusst wird. Vgl. Dahlhoff, Denise: Marketing Related Motives and the Key Role of Brands in Mergers and Acquisitions — the Perspective of the US Food Industry, Diss. Jena 2002, S. 109 und Orme, B. (Hrsg.), o.J., S. 15–5f.; Hahn, Christian: Conjoint-und Discrete Choice-Analyse als Verfahren zur Abbildung von Präferenzstrukturen und Produktauswahlentscheidungen — ein theoretischer und computergestützter empirischer Vergleich, Diss. Münster, 1997, S. 177f.
Der t-Wert ergibt sich aus dem Nutzenunterschied, dividiert durch den pooled standard error für die Nutzendifferenz. Der pooled standard error ist definiert als Quadratwurzel aus der Summe der quadrierten Standardfehler der jeweiligen beiden Nutzenwerte. Das dazugehörige Signifikanzniveau kann in einer t-Tabelle gefunden werden. Ist das Signifikanzniveau klein, kann geschlossen werden, dass der Nutzenunterschied signifikant ist. Vgl. Orme, B. (Hrsg.), o.J., S. 4–43.
Vgl. Orme, B. (Hrsg.), o.J., Appendix D, S. D-2.
Vgl. Orme, B. (Hrsg.), o.J., Appendix D, S. D-2f.
Vgl. Orme, B. (Hrsg.), o.J., Appendix D, S. D-3.
Vgl. Orme, B. (Hrsg.), o.J., S. 15–2.
Vgl. Orme, B. (Hrsg.), o.J., S. 15–2.
Die „Goodness-of-Fit“ der Logit-Analysen wird häufig mit dem Jog likelihood“, das das Zielkriterium bei der Schätzung der Koeffizienten bei Logit-Modellen ist, beurteilt. Dieses Kriterium zeigt, wie gut das Modell die beobachteten Auswahldaten wieder produziert. Gute Modelle würden einen Likelihood Wert nahe 1 haben, was sich in einen kleinen Log-Likelihood Wert übersetzen lässt. Hier kann nun die Verbesserung des Modells mit der Änderung des Log-Likelihood Werts geprüft werden. Das Log-Likelihood multipliziert mit 2 ist Chi-Square verteilt. Die Differenz zwischen den zwei Log-Likelihood Werten des Main-Effects-Only Modells und dem Modell mit Interaktionen wird mit 2 multipliziert, dieser Wert ist der Chi-Square-Test Wert. Wenn das Signifikanzniveau alpha klein ist, kann die Nullhypothese, das Main Modell only schätzt die Koeffizienten genauso gut wie das Interaktionsmodell, zurückgewiesen werden. Daraus kann gefolgert werden, dass das Interaktionsmodell signifikant besser ist. Vgl. Dahlhoff, D., 2002, S. 109; Orme, B. (Hrsg.), o.J., S. 15–10.
Vgl. Backhaus, K./ Erichson, B./ Plinke W., 2000, S. 589f.; Orme, B. (Hrsg.), o.J., Appendix D, S. D-4.
Vgl. Backhaus, K./ Erichson, B./ Plinke W., 2000, S. 589f.
Die Berechnung der relativen Wichtigkeiten auf Basis der Latent-Class-Utlities wird in der Regel für die Berechnung der durchschnittlichen relativen Wichtigkeiten empfohlen. Vgl. Orme, B. (Hrsg.), o.J., S. 15-2f, Appendix D, S. D-4.
Weitere Ausführungen vgl. Orme, B. (Hrsg.), o.J. S. 15-2f; Appendix G, S. G-7f. Orme, B., 1998a, S. 6.
Vgl. Orme, B. (Hrsg.), o.J. Appendix D, S. D-4.
Zu dem Konzept der Kreuzpreiselastizitäten vergleiche die Ausführungen im ersten Teil der Arbeit, und zu Elastizitäten und Kreuzpreiselastizitäten im Besonderen vgl. z.B. in Schumann, Jochen: Grundzüge der mikroökonomischen Theorie, 6. Auflage, Berlin u.a. 1992, S. 78–83. Nicholson, Walter: Microeconomic Theory, Basic Principles and Extensions, 5th Ed., The Dryden Press, Orlando 1992, S. 196–207; Diller, H., 2000, S. 80–82.
Vgl. Schumann, J., 1992, S. 79f. — Im Gegensatz zu den meist in den ökonomischen Modellen verwendeten Punktelastizitäten, die mit Hilfe von infinitesimalen Größenänderungen definiert sind, sind die Bogenelastizitäten definiert als: Prozent δMarktanteilA/Prozentδ PreisB. mit: Prozentδ MarktanteilA als die prozentuale Veränderung des Marktanteils für das Leistungsbündel A bezogen auf den ursprünglichen Verkaufsanteil und Prozentδ PreisB als die prozentuale Veränderung des Preises für das Leistungsbündel B bezogen auf seinen Ausgangspreis.
Ausführungen dazu vgl. Orme, B. (Hrsg.), o.J., Appendix G, S. G-5 bis G-7.
Der „Base Case“ reflektiert typischerweise das gegenwärtige oder zukünftige Marktszenario. Vgl. Orme, B. (Hrsg.), o.J., S. 16–5. Diese Choice-Based-Conjoint-Studie wurde entworfen, um lediglich die Produktlinien für die photokina zu entwerfen. Die Konkurrenz wurde nicht explizit mit einbezogen. Sie wurde indirekt wurde über die Preissetzung mit einbezogen.
Statt Marktanteil wird in der Literatur auch von „Share of Preference“ gesprochen. Vgl. Orme, B. (Hrsg.), o.J., S. 4–53. Auch in dieser Arbeit werden diese beiden Begriffe verwendet, obwohl hier nicht explizit die Konkurrenz der photokina mit einbezogen worden ist und man daher korrekter von Verkaufsanteilen der einzelnen Leistungen der Preislinien an dem gesamten Verkaufsvolumen der photokina sprechen sollte.
Vgl. auch Pilon, Thomas L.: Extensions to the Analysis of Choice Studies, in: Sawtooth Software Research Paper Series 1998, S. 4.
Vgl. Simon, H./ Dolan, R., 1997, S. 216; Nieschlag, R./Dichtl, E./Hörschgen, H., 1991, S. 223.
Vgl. Aust, E., 1996, S. 83f.; Orme, B. (Hrsg.), o.J. S. 16–1.
Vgl. Hahn, C, 1997, 153f. und vgl. Ausführungen unter C.1.3
Auch Share of Preference Verfahren oder auch einfach nur „LOGIT“ genannt. Vgl. auch Hartmann, A./ Sattler, H. 2002b, S. 13.
Vgl. Hartmann, A./ Sattler, H., 2002b, S. 13;. Orme, B. (Hrsg.), o.J., S. 16–8.
Vgl. Orme, B. (Hrsg.), o.J., S. 16–10.
Den Ausstellern wurden neben den Randomized-Auswahlaufgaben auch fixe Holdout-Auswahlfragen vorgelegt. Diese Holdout-Aufgaben wurden nicht in die Schätzung der Teilnutzenwerte mit einbezogen, sondern sie werden u.a. zur Validitätsprüfung und zur Auswahl des bestgeeigneten (mit den besten Ergebnissen bzgl. der Validitätsergebnisse) Simulationsmodells herangezogen. Es handelt sich dabei um die Überprüfung der „Predictive Validity“ (Vorhersagevalidität). Vgl. Hartmann, A./ Sattler, H., 2002b, S. 12; Diekmann, Andreas, 1995, S. 224f.
Das First Choice Simulationsmodell ordnet dem Konzept mit dem höchsten Nutzenwert 100 Prozent Kaufwahrscheinlichkeit zu, d.h., es wird angenommen, dass der Proband die Leistung mit dem größten Gesamtnutzen wählt. Das Simulationsmodell Randomized First Choice basiert auf dem First-Choice-Modell. RFC variiert aber zufällig Teilnutzen-und Gesamtnutzen der Konzepte. Die Auswahl erfolgt dann nach der First Choice Regel. Eine ausführliche und formale Darstellung des RFC-Modells findet sich in: Orme, Bryan/ Baker, Gary: Comparing Hierarchical Bayes Draws and Randomized First Choice for Conjoint Simulations, in: Sawtooth Software Research Paper Series, 2000; Hartmann, A./Sattler, H., 2002b, S. 13.
Es stehen eine Reihe von Simulationsmodellen für Choice-Based-Conjoint und Conjoint Marktsimulationen zur Verfügung, für diese Studie standen auch technisch die Methoden: First Choice, Share of Preference, Share of Preference with Correction for Similarity, Likelihood of Purchase and Randomized First Choice zur Verfügung. Zur Diskussion und Darstellung der meisten Modelle vgl. Orme, B. (Hrsg.), o.J., S. 16–1 bis S. 16–22; Hahn, C, 1997, S. 154–159.
Vgl. Weiber, R./ Rosendahl, R., 1997, S. 114; Orme, B. (Hrsg.), o.J., S. 10–16.
Huber, Joel/ Orme, Bryan/ Miller, Richard: Dealing with Product Similarity in Conjoint Simulations, in: Gustafsson, Anders/ Herrmann, Andreas/ Huber, Frank (Hrsg.): Conjoint Measurement Methods and Applications, 2. Aufl., Berlin u.a. 2001, S. 479–496. Huber, J./Orme, B./Miller, R., 1999; Orme, B. (Hrsg.), o.J., S. 16–15.
Vgl. Huber, J./ Orme, B./ Miller, R., 2001, S. 489–494.
Vgl. auch Hartmann, A./ Sattler, H., 2002b, S. 12f.
Vgl. zum Prinzip z.B. Huber, Joel/ Wittink, Dick R./ Fiedler, John/ Miller, Richard: The Effectiveness of Alternative Preference Elicitation Procedures in Predicting Choice, in: Journal of Marketing Research, Jg. 30 (1993), S. 105–114; Orme, B. (Hrsg.), o.J. S. 4–51.
Vgl. z.B. Hartmann, A./ Sattler, H., 2002b, S. 17; Dahlhoff, D., 2002, S. 131.
Vgl. Orme, Bryan K.: Helping Managers Understand the Value of Conjoint, in: Sawtooth Software Research Paper Series, 1996a, S. 5f.
Vgl. o.V., 2000, S. 1.
Vgl. zur Vorgehensweise auch Orme, B. (Hrsg.), o.J., Appendix L, S. L-26.
Der Chi-Square-Wert für eine Lösung ergibt sich aus 2-mal dem Log-Likelihood-Wert der Lösung abzgl. 2-mal dem Log-Likelihood-Wert der Null-Lösung. Zum einen kann damit getestet werden, ob eine Lösung zu einem signifikant besseren Datenfit als die Null-Lösung führt. Zum anderen gilt außerdem, je höher der Chi-Square-Wert, desto besser ist der Datenfit. Vgl. Orme, B. o.J., Appendix L, S. L-20.
Vgl. Orme, B., o.J., Appendix L, S. L-20, S. L-23.
Vgl. Orme, B., o.J., Appendix L, S. L-23.
Vgl. Orme, B., o.J., Appendix L, S. L-22.
Der Chi-Square-Test wurde mit SPSS Base 11.5 von SPSS Inc. durchgeführt. Zum Chi-Square-Test vgl. SPSS Base 11.0 Benutzerhandbuch 2001, S. 419–424; Anderson, R./Sweeney, D./Williams, T., 1999, S. 456–461.
Die Annahmen des Chi-Quadrat-Tests sind, dass die erwartete Häufigkeit in jeder Kategorie mindestens 1 betragen muss und dass bei höchstens 20 Prozent der Kategorien die erwartete Häufigkeit unter 5 liegen darf. (Vgl. SPSS Base 11.0 Benutzerhandbuch 2001, S. 420). Für die Berechnungen in Tabelle 15 werden, wenn die Annahmen nicht erfüllt sind, benachbarte Kategorien zusammengelegt, soweit dann noch eine gute Interpretation auf Basis der neuen Kategorien möglich ist. Dann wird die Chi-Square-Statistik erneut berechnet. In Fällen, in denen die Interpretierbarkeit mit einer Neukategorisierung stark beeinträchtigt würde, wird der Chi-Square-Test zugelassen, wenn nicht mehr als 22,2 Prozent der Daten 5 unterschreiten und die kleinste erwartete Zellenhäufigkeit nicht kleiner als 4 ist. Diese Merkmale werden mit einem Stern (*) gekennzeichnet. Im Falle der Merkmale „Sitz des Unternehmens“, „Beteiligungsziele des Unternehmens“ und „Bedeutung der photokina-Veranstaltung“ sind die Annahmen „deutlich“ nicht erfüllt, und eine Neukategorisierung macht im Hinblick auf die Interpretation keinen Sinn. Daher kann kein valider Chi-Square-Test für diese Merkmale durchgeführt werden. Vgl. dazu auch Anderson, R./Sweeney, D./Williams, T., 1999, S. 461. Bihn, W./Gröhn, E., 1993, S. 217, http://www.unc.edu/~preacher/chisq/chisq.htm (Stand 4.12. 2003; Autor: Kristopher J. Preacher, University of North Carolina at Chapel Hill); http://www.pindling.org/Math/Statistics/Textbook/Chapter11_Chi_Square/introduction.html (Stand 4.12.2003); http://www.psychologie.tu-bs.de/studium/manuale/spss/43_Aufgaben_und_Loesungen.pdf (Stand: 4.12.2003)
Diese Zusammenhänge sind für die Praxis, aus dem Gesichtspunkt der Zugänglichkeit der Benefitsegmente, von zusätzlichem Nutzen. Oben wurde aus Sicht der austellerbezogenen Variablen versucht, die Nutzenunterschiede zwischen den Benefitsegmenten zu erklären. Für die Praxis kann diese Perspektive etwas gedreht oder können die Ergebnisse in einer anderen Form zusammengestellt werden: Die Benefitsegmente werden der Ausgangspunkt. Sie können durch die Ausprägungen der Variablen und deren Verteilungen trennscharf voneinander beschrieben werden. Diese unterschiedlichen Charakterisierungen, zusammen mit den Nutzenstrukturen der Benefitsegmente, können im Rahmen der Entwicklung und Gestaltung eines segmentspezifischen Marketing-Mixes als Informationsgrundlage dienen. Vgl. auch DeSarbo, W./ DeSarbo, C., 2001, S. 447.
Vgl. z.B.: Green, P./ Krieger, A., 1991, S. 20–31; Forsyth, J./Gupta, S./Haldar, S./Kaul, A./Kettle, K., 1999, S. 6–15; Cohen, S./Ramaswamy, V., 1998, S. 12–21; Vriens, M., 1995, S. 86–88.
Rights and permissions
Copyright information
© 2006 Deutscher Universitäts-Verlag ∣ GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
(2006). Ergebnisse und Diskussion der Conjoint-Studie. In: Nutzenorientiertes Pricing von Messeleistungen. DUV. https://doi.org/10.1007/978-3-8350-9089-7_4
Download citation
DOI: https://doi.org/10.1007/978-3-8350-9089-7_4
Publisher Name: DUV
Print ISBN: 978-3-8350-0260-9
Online ISBN: 978-3-8350-9089-7
eBook Packages: Business and Economics (German Language)