Multivariatenanalysen (PDF, 976,1 KB) - TU Berlin
Multivariatenanalysen (PDF, 976,1 KB) - TU Berlin
Multivariatenanalysen (PDF, 976,1 KB) - TU Berlin
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Vorlesung Marktforschung<br />
<strong>Multivariatenanalysen</strong><br />
Sommersemester 2011<br />
<strong>TU</strong> <strong>Berlin</strong>, Lehrstuhl Marketing Prof. Dr. V. Trommsdorff, Sekr. WIL-B-3-1, Wilmersdorfer Straße 148, 10585 <strong>Berlin</strong>, www.marketing-trommsdorff.de<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff
Agenda<br />
• Nachtrag zur Diskriminanzanalyse<br />
• Fallbeispiel<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 2
Fallbeispiel<br />
Problemstellung<br />
• Ein Margarinhersteller möchte herausfinden, wie die Margarinemarken<br />
wahrgenommen werden, d.h.<br />
• ob signifikante Unterschiede in der Wahrnehmung verschiedener Marken<br />
bestehen und<br />
• welche Eigenschaften für die unterschiedliche Wahrnehmung der Marken<br />
relevant sind.<br />
• Zu diesem Zweck wurde eine Befragung von 18 Personen durchgeführt, wobei<br />
diese veranlaßt wurden, 11 Butter- und Margarinemarken jeweils bezüglich 10<br />
verschiedener Variablen auf einer siebenstufigen Rating-Skala zu beurteilen.<br />
• Um die Zahl der Gruppen zu vermindern, wurden die 11 Marken zu drei Gruppen<br />
(Marktsegmenten) zusammengefasst. Die Gruppenbildung wurde durch Anwendung<br />
einer Clusteranalyse vorgenommen.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 3
Fallbeispiel<br />
Merkmalsvariablen und Marktsegmente<br />
Merkmalsvariablen<br />
1 Streichfähigkeit<br />
2 Preis<br />
3 Haltbarkeit<br />
4 Anteil ungesätt. Fettsäuren<br />
5 Back- und Brateignung<br />
6 Geschmack<br />
7 Kaloriengehalt<br />
8 Anteil tierischer Fette<br />
9 Vitamingehalt<br />
10 Natürlichkeit<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktsegmente<br />
(Gruppen)<br />
1<br />
2<br />
3<br />
Marken im Segmenten<br />
Homa, Flora Soft<br />
Becel, Du darfst, Rama, SB,<br />
Sanella, Botteram<br />
Delicado, Holländische<br />
Markenbutter, Weihnachtsbutter<br />
Marktforschung – Diskriminanzanalyse 4
Fallbeispiel<br />
Ergebnisse (1) – Univariate Trennfähigkeit der Merkmale<br />
Streichfahigkeit<br />
Preis<br />
Haltbarkeit<br />
Anteil ungesattigter Fettsauren<br />
Back- und Brateignung<br />
Geschmack<br />
Kaloriengehalt<br />
Anteil tierischer Fette<br />
Vitamingehalt<br />
Natürlichkeit<br />
Tests of Equality of Group Means<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Wilks'<br />
Lambda F df1 df2 Sig.<br />
,798 11,246 2 89 ,000<br />
,916 4,074 2 89 ,020<br />
,952 2,264 2 89 ,110<br />
,993 0,321 2 89 ,726<br />
,944 2,619 2 89 ,078<br />
,795 11,484 2 89 ,000<br />
,836 8,703 2 89 ,000<br />
,712 17,980 2 89 ,000<br />
,885 5,806 2 89 ,004<br />
,703 18,813 2 89 ,000<br />
• Die Tabelle zeigt, wie gut die 10 Merkmale, jedes für sich, die drei Gruppen trennen<br />
(„diskriminieren“).<br />
• Mit Ausnahme von “Haltbarkeit”, “Anteil ungesättigter Fettsäuren” und “Back- und Brateignung”<br />
trennen alle Variablen signifikant (α < 5%).<br />
• Am besten trennt “Natürlichkeit”.<br />
nicht signifikant<br />
maximal<br />
trennscharf<br />
Marktforschung – Diskriminanzanalyse 5
Fallbeispiel<br />
Ergebnisse (2) - Diskriminanzfunktionen<br />
Canonical Discriminant Function Coefficients<br />
Streichfahigkeit<br />
Preis<br />
Haltbarkeit<br />
Anteil ungesattigter Fettsauren<br />
Back- und Brateignung<br />
Geschmack<br />
Kaloriengehalt<br />
Anteil tierischer Fette<br />
Vitamingehalt<br />
Natürlichkeit<br />
(Constant)<br />
Unstandardized coefficients<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Function<br />
1 2<br />
-,140 ,408<br />
,223 -,127<br />
-,336 -,276<br />
-,091 -,126<br />
-,020 ,131<br />
,190 ,372<br />
,268 -,102<br />
,189 ,166<br />
-,180 ,429<br />
,486 -,332<br />
-2,164 -2,322<br />
• Bei drei Gruppen lassen sich zwei Diskriminanzfunktionen bilden. In der Tabelle sind die<br />
geschätzten Parameter (unstandardisiert) dieser Diskriminanzfunktionen wiedergegeben.<br />
• Y 1 = -2,164 - 0,140*Streichfähigkeit + 0,223*Preis - 0,336*Haltbarkeit - 0,091*Anteil ungesättigter<br />
Fettsäuren - … + 0,486*Natürlichkeit<br />
Marktforschung – Diskriminanzanalyse 6
Fallbeispiel<br />
Ergebnisse (3) – Structure Matrix<br />
Structure Matrix<br />
Natürlichkeit<br />
Anteil tierischer Fette<br />
Kaloriengehalt<br />
Preis<br />
Anteil ungesattigter Fettsauren<br />
Vitamingehalt<br />
Geschmack<br />
Streichfahigkeit<br />
Back- und Brateignung<br />
Haltbarkeit<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Function<br />
1 2<br />
,546 * -,014<br />
,515 * ,341<br />
,371 * ,036<br />
,250 * ,111<br />
-,069 * -,044<br />
,170 ,614 *<br />
,367 ,531 *<br />
-,381 ,444 *<br />
,126 ,390 *<br />
-,170 ,206 *<br />
*.<br />
• Die Tabelle zeigt die gemeinsame Korrelation innerhalb der Gruppen zwischen<br />
Diskriminanzvariablen (z.B. Natürlichkeit) und standardisierten kanonischen<br />
Diskriminanzfunktionvariablen (z.B. Y1). • Mit diesen Korrelationen wird die diskriminatorische Bedeutung einer Merkmalsvariablen<br />
bezüglich aller Diskriminanzfunktionen beurteilt.<br />
Marktforschung – Diskriminanzanalyse 7
Fallbeispiel<br />
Ergebnisse (4)<br />
Gütemaße zur Beurteilung der Diskriminanzfunktionen<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Eigenvalues<br />
1,420 a 85,7 85,7 ,766<br />
,238 a Function Eigenvalue % of Variance Cumulative %<br />
Canonical<br />
Correlation<br />
1<br />
2<br />
14,3 100,0 ,438<br />
a.<br />
First 2 canonical discriminant functions were used in the analysis.<br />
• Aus Spalte 2 und 3 ist ersichtlich, dass die relative Wichtigkeit der zweiten<br />
Diskriminanzfunktion mit 14,3 % Varianzanteil wesentlich geringer ist als die der<br />
ersten Diskriminanzfunktion mit 85,7 % Varianzanteil.<br />
Marktforschung – Diskriminanzanalyse 8
Fallbeispiel<br />
Ergebnisse (5)<br />
Gütemaße zur Beurteilung der Diskriminanzfunktionen<br />
Test of Function(s)<br />
1 through 2<br />
2<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Wilks' Lambda<br />
Wilks'<br />
Lambda Chi-square df Sig.<br />
,334 92,718 20 ,000<br />
,808 18,029 9 ,035<br />
• In der Tabelle findet man die Werte für das residuelle Wilks’ Lambda. Sie zeigen,<br />
dass auch die zweite Diskriminanzfunktion noch signifikant (mit<br />
Irrtumswahrscheinlichkeit = 3,5 %) zur Trennung der Gruppen beiträgt.<br />
Marktforschung – Diskriminanzanalyse 9
Fallbeispiel<br />
Ergebnisse (6) – Gruppen Zentroide<br />
1<br />
2<br />
3<br />
Marktsegmente<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Functions at Group Centroids<br />
Function<br />
1 2<br />
-,773 ,885<br />
-,613 -,349<br />
2,088 4,538E-02<br />
Unstandardized canonical discriminant functions evaluated at group means<br />
• Die Werte sind so zu interpretieren:<br />
• Die erste Diskriminanzfunktion trennt Marktsegment 3 von den Segmenten 1<br />
und 2.<br />
• Die zweite Diskriminanzfunktion trennt die Marktsegmente 1 und 2<br />
Marktforschung – Diskriminanzanalyse 10
Fallbeispiel<br />
Ergebnisse (7) - Klassifizierungsmatrix<br />
Tatsächliche<br />
Gruppenzugehörigkeit<br />
Original<br />
Count<br />
%<br />
Marktsegmente<br />
1<br />
2<br />
3<br />
1<br />
2<br />
3<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
A<br />
B<br />
Classification Results<br />
Prognostizierte Gruppenzugehörigkeit<br />
richtige<br />
Klassifizierung<br />
falsche<br />
Klassifizierung<br />
Predicted Group Membership<br />
1 2 3 Total<br />
12 7 0 19<br />
9 38 4 51<br />
3 0 19 22<br />
63,2 36,8 ,0 100,0<br />
17,6 74,5 7,8 100,0<br />
13,6 ,0 86,4 100,0<br />
falsche<br />
Klassifizierung<br />
richtige<br />
Klassifizierung<br />
Marktforschung – Diskriminanzanalyse 11<br />
A<br />
B<br />
69 von 92<br />
Fälle (75%)<br />
richtig<br />
klassifiziert
Fallbeispiel<br />
Ergebnisse (8) - Darstellung der Gruppen im Diskriminanzraum<br />
Function 2<br />
4<br />
3<br />
2<br />
1<br />
0<br />
-1<br />
-2<br />
-3<br />
-4<br />
Function 1<br />
Canonical Discriminant Functions<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
-2<br />
1<br />
2<br />
0<br />
Marktforschung – Diskriminanzanalyse 12<br />
2<br />
3<br />
4<br />
6<br />
Marktsegmente<br />
Group Centroids<br />
3<br />
2<br />
1
Fallbeispiel<br />
Ergebnisse (9)<br />
Klassifizierungsdiagramm<br />
Symbol s used i n t er r i t or i al map<br />
Symbol Gr oup Label<br />
------ - ---- - -------------------<br />
1 1<br />
2 2<br />
3 3<br />
* I ndi cat es a gr oup cent r oi d<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Canoni cal Di scr i mi nant<br />
Funct i on 2<br />
- 6, 0 - 4, 0 - 2, 0 , 0 2, 0 4, 0 6, 0<br />
ôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòô<br />
6, 0 ô 13 ô<br />
ó 13 ó<br />
ó 13 ó<br />
ó 13 ó<br />
ó 13 ó<br />
ó 13 ó<br />
4, 0 ô ô ô ô 13 ô ô<br />
ó 13 ó<br />
ó 13 ó<br />
ó 13 ó<br />
ó 13 ó<br />
ó 13 ó<br />
2, 0 ô ô ô ô 13 ô ô ô<br />
ó 13 ó<br />
ó 13 ó<br />
ó * 13 ó<br />
ó 13 ó<br />
ó 11111111113 ó<br />
, 0 ô ô111111111111122222222223 * ô ô<br />
ó111111111112222222222222 * 23 ó<br />
ó22222222222 23 ó<br />
ó 23 ó<br />
ó 23 ó<br />
ó 23 ó<br />
- 2, 0 ô ô ô ô 23 ô ô ô<br />
ó 23 ó<br />
ó 23 ó<br />
ó 23 ó<br />
ó 23 ó<br />
ó 23 ó<br />
- 4, 0 ô ô ô ô 23 ô ô ô<br />
ó 23 ó<br />
ó 23 ó<br />
ó 23 ó<br />
ó 23 ó<br />
ó 23 ó<br />
- 6, 0 ô 23 ô<br />
ôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòô<br />
- 6, 0 - 4, 0 - 2, 0 , 0 2, 0 4, 0 6, 0<br />
Canoni cal Di scr i mi nant Funct i on 1<br />
Marktforschung – Diskriminanzanalyse 13
Fallbeispiel<br />
Ergebnisse (10) – Klassifikationsfunktionen<br />
Streichfahigkeit<br />
Preis<br />
Haltbarkeit<br />
Anteil ungesattigter Fettsauren<br />
Back- und Brateignung<br />
Geschmack<br />
Kaloriengehalt<br />
Anteil tierischer Fette<br />
Vitamingehalt<br />
Natürlichkeit<br />
(Constant)<br />
Fisher's linear discriminant functions<br />
• Nach Fisher wird für jede Gruppe eine Klassifizierungsfunktion bestimmt, die direkt von den<br />
gegebenen Merkmalen abhängt. Ein neues Objekt wird der Gruppe zugeordnet, deren<br />
Klassifizierungsfunktion den größten Wert liefert.<br />
F1 = -23,073 + 2,516*Streichfähigkeit + … + 1,516*Natürlichkeit<br />
F2 = -20,111 + 1,990*Streichfähigkeit + … + 2,004*Natürlichkeit<br />
F3 = -28,805 + 1,772*Streichfähigkeit + … + 3,187*Natürlichkeit<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Classification Function Coefficients<br />
1<br />
Marktsegmente<br />
2 3<br />
2,516 1,990 1,772<br />
,576 ,768 1,320<br />
1,580 1,866 ,850<br />
1,714 1,855 1,559<br />
,159 -5,396E-03 -6,699E-03<br />
,351 -7,722E-02 ,584<br />
,855 1,025 1,709<br />
1,122 ,948 1,523<br />
-8,275E-02 -,641 -,958<br />
1,516 2,004 3,187<br />
-23,073 -20,111 -28,805<br />
Marktforschung – Diskriminanzanalyse 14
Agenda<br />
• Imagepositionierung: Fakorenanalyse und Mehrdimensionale Skalierung<br />
• Faktorenanalytische Positionierungsanalyse<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 15
Positionierungsanalyse<br />
Multivariate Imageanalyse<br />
Image als mehrdimensionale Einstellung<br />
Imagemessung als Diagnose für Produktpositionierung<br />
Komponierende Imagemessung<br />
von differenzierten Eindrücken<br />
(Image-Items, Ratingbatterie)<br />
durch Kompression<br />
(Faktorenanalyse)<br />
zu Dimensionen<br />
Weitere Messmodell-Unterscheidungskriterien:<br />
• Ideal (-Punkt, -Vektor, ohne)<br />
• Operationalisierung (je ein/zwei Aspekte, deskriptiv/evaluativ ...)<br />
• Verknüpfung (multiplikativ, additiv)<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Dekomponierende Imagemessung<br />
von Objekt-Relations-Urteilen<br />
(Ähnlichkeiten, Präferenzen)<br />
per Dekomposition der Relationen<br />
(Mehrdimensionale Skalierung)<br />
zu Dimensionen<br />
Marktforschung – Diskriminanzanalyse 16
Positionierungsanalyse<br />
Wie findet man Imagemerkmale ?<br />
Naiv<br />
Qualitativ / nominal<br />
Quantitativ über<br />
Ratingskalen<br />
Quantitativ<br />
indirekt statistisch<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Direktes Abfragen<br />
Gruppendiskussion, Tiefeninterview<br />
Salienz: Spontanassoziationen<br />
Gittertechnik: Kriterien-Exploration<br />
Wichtigkeit (importance)<br />
Unterscheidbarkeit (discriminance)<br />
Entscheidend (important und discriminant)<br />
Regressionsanalyse<br />
Diskriminanzanalyse<br />
Mehrdimensionale Skalierung<br />
Marktforschung – Diskriminanzanalyse 17
Positionierungsanalyse<br />
Das Polaritätenprofil ist hoch redundant und damit wenige informativ<br />
Testbericht<br />
Lebensdauer<br />
Haftung bei Nässe<br />
niedriger Preis<br />
Fahrkomfort<br />
Hochgeschwindigkeitsreifen<br />
Wintertauglichkeit<br />
Entwicklungspotential<br />
besondere Ansprüche<br />
Kurvenstabilität<br />
Kosten - Nutzen - Relation<br />
Exklusivität<br />
sportliche Fahrweise<br />
Breitreifen<br />
Fahr- und Lenkverhalten<br />
dynamische Fahrer<br />
Aussehen<br />
Zuverlässigkeit<br />
attraktive Marke<br />
geringes Abrollgeräusch<br />
Ruf<br />
persönliches Interesse<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
x<br />
x<br />
x<br />
x<br />
x<br />
x<br />
x<br />
x<br />
x<br />
x<br />
x xx<br />
x<br />
x<br />
x<br />
x<br />
x<br />
x<br />
x<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
ooo<br />
o<br />
o<br />
o<br />
o<br />
Marktforschung – Diskriminanzanalyse 18<br />
x<br />
x A o C<br />
1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6
Positionierungsanalyse<br />
Fiktive dreidimensionale Positionierung<br />
Prestige<br />
Wirtschaftlichkeit<br />
Konkurrenz-<br />
Marke A<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Ideale Marke<br />
Eigene Marke<br />
Konkurrenz-<br />
Marke B<br />
Konkurrenz-<br />
Marke C<br />
Sportlichkeit<br />
Marktforschung – Diskriminanzanalyse 19
Agenda<br />
• Faktorenanalyse<br />
• Grundlagen<br />
• Basismodell<br />
• Varianzerklärung<br />
• Faktorrotation<br />
• Fallbeispiel<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 20
Faktorenanalyse<br />
Faktorenanalyse<br />
Ziel: Variablenreduktion<br />
Mehrere korrelierte und gemessene Variable sollen durch wenige,<br />
dahinter stehende und nicht direkt messbare, unkorrelierte Variablen<br />
ausgedrückt werden (Berekoven et al., 2001, s. 214).<br />
Aufgabenspektrum der Faktorenanalyse<br />
Aus einem großen Beobachtungsdatenvolumen Faktoren so extrahieren,<br />
dass ohne viel Informationsverlust der Gehalt der Daten erhalten bleibt.<br />
Latente Verursachungsgründe oder Dimensionen aufdecken,<br />
die hinter beobachteten Größen stehen und auf andere Weise<br />
nur schwer oder überhaupt nicht festzustellen wären.<br />
Extrahierte Faktoren besser interpretieren als viele korrelierte Variablen.<br />
vgl. Meffert H., Marktforschung, 1986, s. 84<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 21
Faktorenanalyse<br />
Die Beziehung zwischen Variablen und Faktoren<br />
Beispiel : Margarinemarken<br />
Haltbarkeit<br />
Preis<br />
Vitamingehalt<br />
Kaloriengehalt<br />
Anteil<br />
ungesättigter<br />
Fettsäuren<br />
Variablen Faktoren<br />
x 1<br />
x 2<br />
x 3<br />
x 4<br />
x 5<br />
vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 258<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 22<br />
F 1<br />
F 2<br />
Wirtschaftlichkeit<br />
Gesundheit
Faktorenanalyse<br />
Basismodell der Faktorenanalyse<br />
f11 f12 ...<br />
f 1p<br />
Ausprägung des Befragten 1 auf Faktor 1<br />
Ausprägung des Befragten 1 auf Faktor 2<br />
Ausprägung des Befragten 1 auf Faktor p<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
x 1j = l 1j1f 1 + l 1j2f 2 + ... + l 1jpf p +u jj<br />
x ij : empirische, z-standardisierte Antwort eines Befragten i auf Item j<br />
Faktorwerte = gesuchte (redundanzbereinigte) Ausprägungen<br />
Faktorladungen = gesuchte Einflußstärken von Faktoren auf Items<br />
li1 Ladung des Items i auf den Faktor 1<br />
li2 ...<br />
Ladung des Items i auf den Faktor 2<br />
lip Ladung des Items i auf den Faktor p<br />
ui : Störterm / Einzelrestfaktor<br />
Marktforschung – Diskriminanzanalyse 23
Faktorenanalyse<br />
Faktorenanalyse - weitere Zusammenhänge<br />
Eine empirische Korrelation r 12 zwischen zwei Items 1 und 2 spiegelt als Skalarprodukt<br />
der Vektoren X 1, X 2 den Grad ihrer gemeinsame Ladung durch Faktoren wider:<br />
r 12 = X 1X 2 = h 1h 2cos α<br />
α Winkel zwischen den beiden als Vektor visualisierten Items mit den<br />
Längen h 1 und h 2<br />
h i<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 24<br />
h1<br />
α h2<br />
“Kommunalität” des Items i sagt, wieweit es durch die Faktoren erklärt wird.<br />
h i = 0 ⇒ keinerlei Erklärung, h i = 1 ⇒ völlige Erklärung aus den Faktoren.<br />
h i 2 = li1 2 + li2 2 + ... + lip 2 (durch Faktoren erklärter Varianzanteil einer Variablen<br />
i)<br />
Daher kann man aus den Interkorrelationen r ii die Faktorladungen l i1, l i2, ..<br />
“rekonstruieren”. Anschließend Schätzung der Ausprägungen der Befragten auf den<br />
Faktoren (Faktorwerte).
Faktorenanalyse<br />
Faktorenanalyse<br />
Varianzerklärung<br />
Varianzerklärung durch gemeinsame (k) und spezifische (p) Faktoren<br />
l i1 2<br />
Standardisierte Gesamtvarianz = 1 = 100%<br />
…<br />
h i 2 : Kommunalität (durch alle Faktoren<br />
erklärte Varianz einer Variablen i)<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
l ik 2<br />
Marktforschung – Diskriminanzanalyse 25<br />
…<br />
r ii = l i1 2 +…+ lik 2 +…+ lip 2 + ci 2 = 1<br />
h i 2 = li1 2 +…+ lik 2 +…+ lip 2<br />
c i 2 = 1 - hi 2<br />
l ip 2<br />
c i 2<br />
Restvarianz
Faktorenanalyse<br />
Faktorenanalyse an einem einfachen fiktiven Beispiel illustriert:<br />
Korrelationen zwischen Items<br />
r 12 = f 1·f 2 = h 1h 2cos α 0 ≤ h ≤ 1<br />
(absolute<br />
Vektorlänge)<br />
Kommunalitäten h i 2<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 26<br />
α<br />
Korrelationen rij<br />
1 2 3 4<br />
brutal 1 .25 .21 .04 -.03<br />
hart 2 .18 .06 0<br />
jung 3 .20 .18<br />
frisch 4 .18<br />
h i .5 .42 .44 .42<br />
f 1<br />
f 2<br />
jung<br />
frisch
Faktorenanalyse<br />
Faktorenanalyse an einem einfachen fiktiven Beispiel illustriert:<br />
Winkel zwischen Items als Maß für semantische Ähnlichkeit der Items<br />
F2<br />
0,4<br />
h 1<br />
h 2<br />
ITEM<br />
0,3<br />
h 4<br />
h 3<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
F1<br />
ITEM<br />
α ij 1 2 3 4<br />
1 8,1 79,7 99,1<br />
2 71,6 90,0<br />
3 18,4<br />
4<br />
Marktforschung – Diskriminanzanalyse 27
Faktorenanalyse<br />
Faktorrotation<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Ziel : Interpretationserleichterung<br />
Die Faktorrotation ändert nichts an den Beziehungen der Variablen<br />
untereinander. Es ändert sich nur die Interpretierbarkeit der Faktoren,<br />
indem mehr Variablen mit Faktoren „zusammenfallen“<br />
Orthogonale (rechtwinklige) Rotation<br />
• VARIMAX<br />
• QUARTIMAX<br />
• EQUAMAX<br />
Oblique (schiefwinklige) Rotation<br />
• OBLIMIN<br />
• PROMAX<br />
Marktforschung – Diskriminanzanalyse 28
Faktorenanalyse<br />
Erläuterung der Rotationswirkung an dem einfachen Beispiel<br />
Faktorladungsmatrix<br />
Rotierte Faktorladungsmatrix<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
ITEM<br />
ITEM<br />
F1 F2<br />
1 .3 .4<br />
2 .3 .3<br />
3 .4 -.2<br />
4 .3 -.3<br />
F1 F2<br />
1 .50 -.03<br />
2 .42 .03<br />
3 .07 .44<br />
4 -.07 .43<br />
Marktforschung – Diskriminanzanalyse 29
Faktorenanalyse<br />
Schritte der Faktorenanalyse<br />
1 .. i .. n 1 .. .. j .. .. m 1 .. .. j .. .. m 1 .. l .. r 1 .. l .. r 1 .. j .. n<br />
1 1 1 1 1 1<br />
..<br />
..<br />
..<br />
..<br />
..<br />
..<br />
j xij j rjj j rjj j ijl j ijl * ..<br />
..<br />
..<br />
..<br />
..<br />
..<br />
..<br />
m m m m m<br />
Datenmatrix Korrelationsmatrix reduzierte<br />
Korrelationsmatri<br />
x<br />
Schätzung der<br />
Kommunalitäte<br />
n statt 1 in der<br />
Diagonalen<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Schätzung<br />
der hinter<br />
Variablen<br />
stehenden<br />
Faktoren l<br />
Faktorladungs<br />
-matrix<br />
Rotation:<br />
Möglichst<br />
viele<br />
Faktorladun<br />
gen sollen<br />
klein oder<br />
groß sein<br />
Rotierte<br />
Faktorladungsmatrix<br />
Schätzung von<br />
Faktorenwerten<br />
: Ausprägungen<br />
der n Fälle auf l<br />
Faktoren statt<br />
auf j Variablen<br />
Matrix der<br />
Faktorenwerte<br />
Marktforschung – Diskriminanzanalyse 30<br />
..<br />
..<br />
..<br />
..<br />
..<br />
..<br />
..<br />
..<br />
..<br />
l pil<br />
X R Rh I I* P<br />
r
Faktorenanalyse<br />
Faktorenanalyse mit SPSS – Screenshot 1<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 31
Faktorenanalyse<br />
Faktorenanalyse mit SPSS – Screenshot 2<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 32
Agenda<br />
• Faktorenanalyse<br />
• Grundlagen<br />
• Basismodell<br />
• Varianzerklärung<br />
• Faktorrotation<br />
• Fallbeispiel<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 33
Fallbeispiel<br />
Messung des allgemeinen Selbstwertes<br />
• Als Beispiel aus einer empirischen Untersuchung erläutern wir die Vorgehensweise<br />
bei einer explorativen Faktorenanalyse an einer Likertskala zur Messung des<br />
allgemeinen Selbstwertes. Diese Skala entstammt der Konsumsuchtstudie von<br />
Scherhorn.<br />
• Der Selbstwert besteht aus Einstellungen einer Person gegenüber sich selbst -<br />
sehr allgemein ausgedrückt: ihr „Selbstbewußtsein“ (Scherhorn et al. 1993, S. 28ff).<br />
• Den Befragten wurden 10 Items vorgelegt, zu denen sie auf einer sechsstufigen<br />
Ratingskala Zustimmung oder Ablehnung äußern konnten.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 34
Fallbeispiel<br />
Die Skala und Items<br />
Ein hohes Rating der Items signalisiert Zustimmung. Die Items 1,3,5,6,7 und 9 sind im<br />
Sinne der Messung von Selbstwert negativ gepolt. Ein hoher Wert (Zustimmung!)<br />
indiziert hier einen geringen Selbstwert. Für die weitere Analyse wurden diese Items<br />
umgepolt (z.B. V226n = 7-V226).<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 35
Fallbeispiel<br />
Eignung der Variablen für eine Faktorenanalyse<br />
• Zunächst werden das KMO-Maß sowie der Bartlett Test of Sphericity ausgegeben.<br />
Das KMO-Maß (Kaiser-Mayer-Olkin Measure) gibt Auskunft über die Güte der<br />
Faktorenanalyse.<br />
• Ein KMO-Wert über .89 deutet auf eine besonders gute Eignung der Items für eine<br />
Faktorenanalyse hin. Der Bartlett-Test ist signifikant. Das bedeutet, daß die<br />
Nullhypothese dieses Tests, die Korrelationsmatrix sei nur zufällig von der<br />
Einheitsmatrix verschieden, mit einer extrem geringen Irrtumswahrscheinlichkeit<br />
(nahezu 0%) abzulehnen ist.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 36
Fallbeispiel<br />
Ausgabe der Final Statistics (1)<br />
Die Kommunalität (communality) ist der Varianzanteil einer Variablen, den sie mit allen anderen<br />
Variablen gemeinsam hat. Hier werden alle Items zu über 50% durch das Ihnen Gemeinsame erklärt.<br />
Am schlechtesten schneidet V231n („Mangelnde Selbstachtung“) mit 54,5% ab. Am besten wird<br />
V229 erklärt („Bin eigentlich mit mir zufrieden“): 65,2%.<br />
Der Eigenwert (eigenvalue) eines Faktors drückt aus, wie viel Varianz dieser Faktor im Verhältnis zu<br />
einer Variablen erklärt. Die Summe aller Eigenwerte ist die Gesamtvarianz aller Variablen, hier bei 10<br />
Variablen genau 10 (weil alle Variablen z-standardisiert sind). Effizient ist eine Lösung mit wenig<br />
Faktoren bei wenig Informationsverlust. Extrahiere höchstens so viele Faktoren, wie sie zusammen<br />
mehr Varianz erklären als die Varianz eines einzelnen Items es tut! Also nur so lange, wie deren<br />
Eigenwert größer ist als 1.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 37
Fallbeispiel<br />
Ausgabe der Final Statistics (2)<br />
Hier werden also zwei Faktoren extrahiert. Sie erklären insgesamt 59,4% der Varianz der<br />
Items (Cum Pct). “Nur” ca. 40% der ursprünglichen Information in den Daten geht durch<br />
Substitution von 10 (alten; Items) auf 2 (neue; Faktoren) im Datensatz verloren.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 38
Fallbeispiel<br />
Unrotierte Faktorenmatrix (1)<br />
In der unrotierten Lösung ist der erste Faktor stets der erklärungsstärkste. Die Summe<br />
der quadrierten Faktorladungen ist 4,525 (Eigenwert).<br />
Der erste Faktor erklärt mit 45,2% den größten Anteil der Gesamtvarianz, der zweite<br />
nur noch zusätzliche 14,1%, beide zusammen 59,3%.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Eigenwert Faktor 1<br />
0,70535 2 +…+ 0,60335 2 = 4,525<br />
Eigenwert Faktor 2<br />
-0,22891 2 +…+ 0,51003 2 = 1,410<br />
Marktforschung – Diskriminanzanalyse 39
Fallbeispiel<br />
Unrotierte Faktorenmatrix (2)<br />
Alle Items werden hoch vom ersten Faktor geladen. Er ist als allgemeiner Selbstwert zu<br />
interpretieren.<br />
Die Vorzeichen der Ladungen auf Faktor 2 entsprechen der ursprünglichen Polung der Items. Positiv<br />
und negativ gepolte Items wurden unterschiedlich beantwortet, ein Hinweis auf die Antworttendenz,<br />
negative Fragen anders zu beantworten als positive Fragen. Schlösse man diese Varianzquelle aus<br />
den Daten aus, hätte man eine fehlerbereinigte Messung des Selbstwerts. man würde dann nur den<br />
Faktor 1 als neue Variable gelten lassen.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 40
Fallbeispiel<br />
Rotierte Faktorenmatrix (1)<br />
Wenn mehr als ein (inhaltlich interessanter, nicht fehlerbedingter) Faktor extrahiert wurde, sollte eine rotierte<br />
Lösung (Rotated Factor Matrix) interpretiert und weiter verwendet werden. Die VARIMAX-Rotation liefert<br />
meist praktikable Lösungen.<br />
Die (im Sinne des allgemeinen Selbstwertes) negativ formulierten Items werden hier hoch vom rotirerten<br />
Faktor 1 geladen, die positiv formulierten Items vom Faktor 2.<br />
Man kann den allgemeinen Selbstwert also auch als zweidimensionales Konstrukt verstehen, folglich statt<br />
mit einer neuen Variabeln mit zweien weiter rechnen.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 41
Fallbeispiel<br />
Interpretation der Ergebnisse<br />
Hier gibt es also zwei verschiedene Interpretationsmöglichkeiten:<br />
1. Negativer Selbstwert ist inhaltlich etwas anderes als das Fehlen eines positiven<br />
Selbstwertes.<br />
2. Die Zwei-Faktor-Lösung ist ein Methodenartefakt, d.h. die Befragten reagieren auf<br />
negativ formulierte Items anders als auf positive.<br />
Welche der beiden Interpretationsmöglichkeiten stimmt, ist eine Validitätsfrage. Die<br />
Faktorenanalyse allein lässt das nicht entscheiden.<br />
Eine sinnvolle Strategie ist es hier, zunächst zwei getrennte Skalen für positiven und<br />
negativen Selbstwert zu bilden und diese getrennt zu validieren.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 42
Agenda<br />
• Mehrdimensionale Skalierung<br />
• Fallbeispiele<br />
• Grundlagen<br />
• Lösung einer non-metrischen Skalierung<br />
• Stressmaß<br />
• MDS-Datenerhebung<br />
• Anzahl und Interpretation der Dimensionen<br />
• Multivariate Imageanalyse<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 43
Mehrdimensionale Skalierung<br />
Einführungsbeispiel zur Mehrdimensionalen Skalierung MDS:<br />
Interdistanzen informieren über die relative Lage von Städten<br />
Entfernungstabelle in 100 km<br />
<strong>Berlin</strong><br />
<strong>Berlin</strong><br />
Frankfurt 5,43<br />
Frankfurt<br />
Hamburg 2,91 4,94<br />
Hamburg<br />
Hannover 2,85 3,50 1,54<br />
Hannover<br />
Köln 5,75 1,86 4,25 2,95<br />
Köln<br />
Leipzig 1,89 3,83 4,40 2,81 4,93<br />
Leipzig<br />
München 5,84 3,92 7,71 6,27 5,71 4,24<br />
München<br />
Stuttgart 6,30 2,04 6,55 5,11 3,66 4,70 2,27<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Stuttgart<br />
Köln<br />
Hannover<br />
Stuttgart<br />
Hamburg<br />
Frankfurt<br />
München<br />
<strong>Berlin</strong><br />
Leipzig<br />
Marktforschung – Diskriminanzanalyse 44
Mehrdimensionale Skalierung<br />
Aus Interdistanzen kann man die Landkarte „rekonstruieren“<br />
K<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
2<br />
F<br />
M m<br />
4<br />
5<br />
1<br />
Marktforschung – Diskriminanzanalyse 45<br />
b<br />
H<br />
k<br />
3<br />
f<br />
B
Mehrdimensionale Skalierung<br />
Lage der Städte, ggf. nach Rotation und Spiegelung<br />
<strong>Berlin</strong><br />
Entfernungstabelle in 100 km<br />
<strong>Berlin</strong><br />
Frankfurt 5,43<br />
Frankfurt<br />
Hamburg 2,91 4,94<br />
Hamburg<br />
Hannover 2,85 3,50 1,54<br />
Hannover<br />
Köln 5,75 1,86 4,25 2,95<br />
Köln<br />
Leipzig 1,89 3,83 4,40 2,81 4,93<br />
Leipzig<br />
München 5,84 3,92 7,71 6,27 5,71 4,24<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Köln<br />
Hannover<br />
Stuttgart<br />
Nach der Ermittlung der Konfiguration erfolgt die Ermittlung der<br />
Zahl (hier 2) und Interpretation der Dimensionen (N-S und O-W)<br />
München<br />
Stuttgart 6,30 2,04 6,55 5,11 3,66 4,70 2,27<br />
Stuttgart<br />
Hamburg<br />
Frankfurt<br />
München<br />
<strong>Berlin</strong><br />
Leipzig<br />
Marktforschung – Diskriminanzanalyse 46
Agenda<br />
• Mehrdimensionale Skalierung<br />
• Fallbeispiele<br />
• Grundlagen<br />
• Lösung einer non-metrischen Skalierung<br />
• Stressmaß<br />
• MDS-Datenerhebung<br />
• Anzahl und Interpretation der Dimensionen<br />
• Multivariate Imageanalyse<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 47
Fallbeispiele<br />
Wahrnehmung von Automarken<br />
• In einer empirischen Untersuchung wurde die Wahrnehmung folgender Automarken<br />
untersucht:<br />
• Opel, VW, Suzuki, Toyota, Mercedes, BMW, Ferrari, Porsche, Lamborghini und<br />
Rolls Royce.<br />
• Dazu wurde 10 Männern die folgende Aufgabe gestellt:<br />
„Beurteilen Sie paarweise die Ähnlichkeit der folgenden Automarken. Vergeben sie<br />
für die Ähnlichkeit eines Automarkenpaares eine Zahl im Wertebereich von<br />
1 (= sehr ähnlich) bis 9 (= sehr unähnlich)!“<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 48
Fallbeispiele<br />
MDS-Datenerhebung<br />
Ratingverfahren<br />
Die Markenpaare werden mittels einer zweipoligen (strukturierten oder<br />
unstrukturierten) Skala beurteilt.<br />
VW und<br />
BMW sind sich<br />
Bei konsistenten Urteilen, sind n*(n-1)/2 Paarvergleiche durchzuführen <br />
Dreiecksmatrix<br />
<strong>Berlin</strong><br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
sehr<br />
ähnlich<br />
Frankfurt<br />
Hamburg<br />
Hannover<br />
überhaupt<br />
nicht ähnlich<br />
Marktforschung – Diskriminanzanalyse 49<br />
Köln<br />
Leipzig<br />
München<br />
<strong>Berlin</strong><br />
Frankfurt 5,43<br />
Hamburg 2,91 4,94<br />
Hannover 2,85 3,50 1,54<br />
Köln 5,75 1,86 4,25 2,95<br />
Leipzig 1,89 3,83 4,40 2,81 4,93<br />
München 5,84 3,92 7,71 6,27 5,71 4,24<br />
Stuttgart 6,30 2,04 6,55 5,11 3,66 4,70 2,27<br />
Stuttgart
Fallbeispiele<br />
MDS-Datenerhebung<br />
Ankerpunktverfahren<br />
Beispiel 1. Ankerpunkt: BMW<br />
PKW-Marke 2: Mercedes Rangwert ( )<br />
Jede Marke fungiert einmal als Vergleichsobjekt für alle anderen. Als Ergebnis erhält man<br />
eine „vollständige“ Matrix, die eine zusätzliche Konsistenzanalyse gestatten und in eine<br />
Dreiecksmatrix überführbar sind. Im Vergleich zum Ratingverfahren sind doppelt so viele<br />
Vergleiche notwendig (höherer Befragungsaufwand!).<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
3: Rangwert ( )<br />
• Rangwert ( )<br />
• Rangwert ( )<br />
• Rangwert ( )<br />
PKW-Marke 10: Suzuki Rangwert ( )<br />
Marktforschung – Diskriminanzanalyse 50
Fallbeispiele<br />
Unähnlichkeitsmatrix (1)<br />
Die “Unähnlichkeitsmatrix” enthält die Mittelwerte der Ähnlichkeitsratings. Je höher der<br />
Mittelwert eines Automarkenpaares, desto unähnlicher wurden diese beiden<br />
Automarken im Durchschnitt von den befragten Männern eingestuft.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 51
Fallbeispiele<br />
Unähnlichkeitsmatrix (2)<br />
Die Marken Ferrari und Lamborghini wurden von den Befragten mit einer Unähnlichkeit von 2,1 am<br />
ähnlichsten eingestuft. Am wenigsten ähnlich werden Suzuki und Rolls Royce mit einem Wert von 8,9<br />
wahrgenommen. Jeweils die drei ähnlichsten und die drei unähnlichsten Paarungen sind in der Tabelle<br />
farbig hervorgehoben.<br />
Die Rohdaten wurden mit MDS analysiert (ordinales Skalenniveau der Rohdaten).<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 52
Fallbeispiele<br />
Rangplätze und Distanzen<br />
Rohdaten und Rangplätze von drei Automarkenpaaren<br />
• Alle drei Paare unterscheiden sich um einen Rangplatz. Das bedeutet, in der<br />
Konfiguration sollte die Distanz zwischen Lamborghini und Toyota kleiner sein als die<br />
Distanz zwischen Lamborghini und Suzuki. Diese Distanz zwischen Lamborghini und<br />
Suzuki sollte wiederum geringer sein als die Distanz zwischen Rolls Royce und<br />
Suzuki. Um welchen Betrag die Distanz geringer sein sollte, wird nicht festgelegt.<br />
• Wie in der Tabelle zu entnehmen ist, spiegelt sich die Reihenfolge der<br />
Unähnlichkeiten in den Distanzen wider, ohne dass die Abstände zwischen den<br />
Distanzen den Abständen zwischen den Rangplätzen entsprechen.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 53
Fallbeispiele<br />
Wahrnehmungsraum<br />
• Die ordinale MDS der Daten erzeugte folgende Konfiguration:<br />
Zweidimensionale Konfiguration von Automarken<br />
(ordinale MDS: Stress=0,06; RSQ=0,98)<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 54
Fallbeispiele<br />
Interpretation der Konfiguration (1)<br />
• Es fällt auf und ist auch theoretisch plausibel, dass einige der untersuchten<br />
Automarken zu Gruppen zusammengrückt sind, die gemeinsame Merkmale<br />
aufweisen.<br />
• So lassen sich Ferrari, Lamborghini und Porsche zur Gruppe der Sportwagen<br />
zusammenfassen.<br />
• VW, Opel und Toyota lassen sich trotz breiter Produktpalette der Mittelklasse<br />
zurechnen.<br />
• BMW und Mercedes zählen trotz der ebenfalls breiten Produktpalette eher zur<br />
gehobenen Klasse.<br />
• Abgesetzt von den Gruppen haben sich als Extrempole Rolls Royce<br />
(Luxusklasse) auf der einen Seite und Suzuki (Kleinwagen) auf der anderen<br />
Seite.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 55
Fallbeispiele<br />
Interpretation der Konfiguration (2)<br />
• Klassifikation der Automarken in der Konfiguration und mögliches Marketingziel aus Sicht von BMW:<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 56
Fallbeispiele<br />
Interpretation der Konfiguration (3)<br />
• Dimension 2: ? (Sportlichkeit,… )<br />
• Dimension 1: ? (Luxusgrad, Image- versus Preis-orientiert,…)<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 57
Fallbeispiele<br />
Theorie: Mehrdimensionale Skalierung - MDS<br />
Ziel:<br />
Verdichtete (meist metrische) Abbildung von Objekten im euklidischen<br />
geringdimensionalen Merkmalsraum aufgrund von (meist ordinalen)<br />
Ähnlichkeits- oder Präferenzrelationen zwischen den Objekten.<br />
Erhebungsmethoden (siehe weiter hinten):<br />
- Rangordnungsverfahren<br />
- Ankerpunktmethode<br />
- Ratingmethode<br />
Algorithmen:<br />
Ausgehend von einer mehr oder weniger willkürlich gewählten Anfangskonfiguration der Punkte =<br />
Objekte wird eine Lösungs-Konfiguration gesucht, in der die Objektrelationen möglichst gut mit den<br />
eingegebenen Relationen übereinstimmen.<br />
Für jede auf diesem Wege gefundene Zwischenlösung lassen sich als Objektrelationen Distanzen<br />
berechnen, z.B. mit einer MINKOWSKI-Metrik:<br />
d ij = [<br />
Σ<br />
k<br />
( x ik - x jk ) r ] 1/r<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
x , x =<br />
ik Jk<br />
Position des Objektes i(j) auf der Dimension k<br />
r = konstanter Metrik-Parameter, r >, z.B. = 1 (city block),<br />
= 2 (euklidisch)<br />
Marktforschung – Diskriminanzanalyse 58
Fallbeispiele<br />
Ähnlichkeiten und Distanzen als MDS-Dateninput<br />
• Ähnlichkeit ist eine psychologisch-subjektive Variable<br />
• Distanz als räumliches Maß kann Ähnlichkeit repräsentieren<br />
Änlichkeiten werden zunächst in Unänlichkeiten transformiert.<br />
Objekte werden als Punkte in einem mehrdimensionalen Raum dargestellt.<br />
Die Position der Punkte wird so bestimmt, daß die Distanz zwischen den Punkten in einer linearen<br />
(oder monotonen) Beziehung zu den Unänlichkeiten stehen.<br />
metrische MDS: lineare Beziehung<br />
non-metrische MDS: monotone Beziehung<br />
vgl. Bortz J., Döring N., Forschungsmethoden und Evaluation, 1995<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 59
Fallbeispiele<br />
Rechnerische Distanzlösung einer ordinalen Ähnlichkeitsskalierung<br />
Gegeben:<br />
– Ähnlichkeitsmatrix oder Unähnlichkeitsmatrix<br />
Festzulegen sind:<br />
Suche:<br />
– Metrik (Distanzmaß)<br />
– Zahl der Dimensionen (p)<br />
Die MDS kann mit unterschiedlicher Dimensionenzahl ausprobiert werden,<br />
um die beste Lösung zu finden.<br />
– Ausgangskonfiguration<br />
Die Objekte werden im mehrdimensionalen Raum zufällig plaziert, um sie<br />
anschließend iterativ zu optimieren.<br />
– Koordinatenwerte für alle Objekte bestimmen, so dass die Distanzen in<br />
monotoner Beziehung zu den Unänlichkeiten stehen.<br />
uij < ukl dij < dkl ∀ i,j,k,l<br />
vgl. Bortz J., Döring N., Forschungsmethoden und Evaluation, 1995<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 60
Fallbeispiele<br />
Monotone Anpassung von Distanzen an Ähnlichkeiten<br />
(Shepard-Diagramm)<br />
Rangfolge Rij<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
(2,3)<br />
(2,4)<br />
(1,4)<br />
(1,3)<br />
(1,2)<br />
1 2 3 4 5 6 7<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
(3,4)<br />
= (dij, Rij)<br />
= (dij, Rij)<br />
dij = Distanz zwischen den Objekten i und j,<br />
die eine Konfiguration ausweist.<br />
dij = Distanz zwischen den Objekten i und j,<br />
die für Monotonie der Transformation<br />
Konfigurationsrangfolge /<br />
Ähnlichkeitsrangfolge nötig ist<br />
dij, dij<br />
Marktforschung – Diskriminanzanalyse 61
Fallbeispiele<br />
Das Stressmaß drückt die Güte der Anpassung „Daten-Lösung“ an<br />
STRESS (Kruskal 1964): Maß der Anpassung der Distanzen dij an<br />
die empfundenen Unähnlichkeiten<br />
2<br />
1/<br />
2<br />
∧<br />
Stress<br />
⎛<br />
⎜<br />
⎜<br />
= ⎜<br />
⎜<br />
⎝<br />
∑<br />
i,<br />
j<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
⎛<br />
⎜<br />
⎝<br />
d<br />
ij<br />
∑<br />
i,<br />
j<br />
Marktforschung – Diskriminanzanalyse 62<br />
−<br />
d<br />
d<br />
2<br />
ij<br />
ij<br />
⎞<br />
⎟<br />
⎠<br />
S ≥ 0.2 schlechte Übereinstimmung<br />
0.2 ≥ S ≥ 0.1 befriedigende Übereinstimmung<br />
0.1 ≥ S ≥ 0.05 gute Übereinstimmung<br />
0.05 ≥ S ≥ 0.025 hervorragende Übereinstimmung<br />
0.025 ≥ S ≥ 0.000 vollkommene Übereinstimmung<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠
Fallbeispiele<br />
Anzahl der Dimensionen<br />
Man kann Lösungen mit unterschiedlicher Anzahl von Dimensionen (n) und verschiedenen<br />
Metriken bestimmen.<br />
Je mehr Dimensionen man wählt (bis zu n-1), desto näher kommt man der<br />
Monotonienbedingung und desto kleiner der Stress der gefundenen Lösung.<br />
Man sucht eine Lösung mit nicht zu vielen Dimensionen und gutem Stresswert<br />
(Faustregel: 5% ist gut, 10% is o.k.), bei der sich das Hinzufügen einer weiteren<br />
Dimension nicht mehr lohnt.<br />
vgl. Bortz J., Döring N., Forschungsmethoden und Evaluation, 1995.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 63
Fallbeispiele<br />
Interpretation der Dimensionen<br />
Nach der Erstellung des Positionierungsraumes folgt die Interpretation der<br />
ermittelten Dimensionen. Sie kann entweder:<br />
– Durch weitere Fragen an die Probanden, nun direkt zu den Ausprägungen<br />
bestimmter Produkteigenschaften (PROFIT, Schobert, 1979, s.187).<br />
Zwecks besserer Interpretierbarkeit ist es oft notwendig, die Achsen<br />
geeignet zu rotieren (meist nach dem Varimaxkriterium).<br />
vgl. Trommsdorff V., Asan U., Becker J., Marken- und Produktpositionierung, 2003.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Auf Basis von Expertenurteilen erfolgen oder<br />
Marktforschung – Diskriminanzanalyse 64
Agenda<br />
• Mehrdimensionale Skalierung<br />
• Fallbeispiele<br />
• Grundlagen<br />
• Lösung einer non-metrischen Skalierung<br />
• Stressmaß<br />
• MDS-Datenerhebung<br />
• Anzahl und Interpretation der Dimensionen<br />
• Multivariate Imageanalyse<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 65
Fallbeispiele<br />
Wahrnehmung von Zeitschriften<br />
• Neben der Erhebung von Ähnlichkeiten zwischen Objekten ist es auch möglich, die Nähe oder<br />
Distanz von Subjekten (Befragten) zu einer Reihe von Objekten zu erheben. So könnten z.B.<br />
Versuchspersonen (VPN) aufgefordert werden, eine Reihe von Zeitschriften nach ihrer subjektiven<br />
Präferenz zu ordnen. Die resultierende Datenmatrix könnte so aussehen:<br />
Rangreihung von Zeitschriften nach subjektiver Präferenz (1 = am meisten präferiert)<br />
von vier Versuchspersonen (fiktive Daten).<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 66
Fallbeispiele<br />
Multidimensionale Entfaltung<br />
• Die multidimensionale Skalierung<br />
solcher zeilenkonditionalen<br />
Objekt x Subjekt - Matrizen<br />
wird als multidimensionale Entfaltung<br />
(multidimensional unfolding MDU)<br />
bezeichnet.<br />
• Die besondere Eigenart der<br />
Konfiguration einer MDU liegt darin,<br />
dass Subjekte und Objekte zusammen<br />
in ein und demselben Raum<br />
dargestellt werden.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 67
Fallbeispiele<br />
Idealpunktmodell<br />
• Der Interpretation einer MDU<br />
liegt ein Idealpunktmodell<br />
zugrunde. Die Subjekte (VPN 1<br />
bis 4) werden in der<br />
Konfiguration als ihre<br />
Idealpunkte abgebildet.<br />
• Bezogen auf das Beispiel der<br />
Zeitschriftenpräferenzen<br />
entspricht der Idealpunkt also<br />
der idealen Zeitschrift aus Sicht<br />
des Subjekts. Je weiter entfernt<br />
ein Objekt von einem Subjekt<br />
abgebildet wird, desto weiter<br />
entfernt vom Idealpunkt wurde<br />
dieses Objekt vom Subjekt<br />
wahrgenommen und um so<br />
weniger wurde es präferiert.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 68
Agenda<br />
• Marketingwirkungs- und Innovationsakzeptanzforschung:<br />
Regressions- und Varianzanalyse<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 69
Regressions- und Varianzanalyse<br />
Dependenzanalyseverfahren nach Skalenniveaus<br />
abhängige<br />
Variable<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
unabhängige Variable<br />
metrisch nominal<br />
metrisch Regressionsanalyse Varianzanalyse<br />
nominal Diskriminanzanalyse Kontingenzanalyse<br />
Marktforschung – Diskriminanzanalyse 70
Agenda<br />
• Regressionsanalyse<br />
• Fallbeispiel<br />
• Grundlagen<br />
• Grundmodell<br />
• Bedeutung der Statistiken<br />
• Prämissenverletzung<br />
• Prüfung der Regressionsfunktion<br />
• Variablenauswahl<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 71
Fallbeispiel<br />
Fallbeispiel: Mitarbeitermotivation und Gehaltsstruktur<br />
• Ein Dienstleistungsunternehmen mit mehreren tausend Angestellten will untersuchen<br />
lassen, warum die Motivation bei den mittleren und einfacheren Angestellten niedrig<br />
ist. Ein Organisationssoziologenteam soll der Sache nachgehen.<br />
• Das Team stößt in einer Exploration schnell auf die Unzufriedenheit mit den<br />
Gehaltsdifferenzen. Diese werden von mittleren und einfacheren Angestellten als<br />
unverständlich und als ungerechtfertigt empfunden.<br />
• An einer Zufallsstichprobe von 474 Angestellten soll eruiert werden, wie die Höhe<br />
der Jahresgehälter durch nachvollziehbare Kriterien erklärt werden kann. Daraus soll<br />
der Unternehmensführung vorgeschlagen werden, wie ggf. das Lohnsystem zu<br />
reorganisieren wäre.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 72
Regressionsanalyse<br />
Variablen<br />
• Zunächst wird vermutet, dass die Höhe des Gehalts erklärt werden kann durch die<br />
Dauer der Ausbildung (Schule, Berufsausbildung und Universität) und durch die<br />
Dauer der Mitgliedschaft im Unternehmen. Beide Variablen sollen gleichzeitig in<br />
ein statistisches Modell eingehen.<br />
• „Ausbildung" und „Mitgliedschaft" werden als voneinander unabhängige Variabeln<br />
betrachtet. Beide werden als unabhängige Variable für die Erklärung der<br />
abhängigen Variablen „Höhe des Gehalts“ angesehen.<br />
• Außerdem wird angenommen, dass „Ausbildung“ und „Mitgliedschaft" linear auf<br />
„Gehalt" einwirken.<br />
• Damit bietet sich die Anwendung einer multiplen linearen Regression an. Erwartet<br />
wird, dass die beiden Variablen einen positiven Einfluss auf das Jahresgehalt<br />
ausüben.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 73
Regressionsanalyse<br />
Modell und Regressionsfunktion<br />
u.V.<br />
U<br />
x 1<br />
x 2<br />
Y (GEHALT) = β 0+ β 1· x 1 (AUSBILDUNG) + β 2· x 2 MITGLIEDSCHAFT + U<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 74<br />
y<br />
a.V.
Regressionsanalyse<br />
Auswertung<br />
Das Modell wird hinsichtlich seiner Erklärungsleistung untersucht und inferenzstatistisch bewertet.<br />
Es ergeben sich folgende Werte:<br />
• Der Determinationskoeffizient r² korr= 0,437 besagt, dass (für die Stichprobe) 44% der Variation<br />
von Y durch die X j erklärt werden kann (Bestimmtheitsmaß der Varianzaufklärung = erklärte<br />
Varianz / Gesamtvarianz).<br />
• Dieses Ergebnis ist statistisch signifikant. Damit kann auch für die Grundgesamtheit eine<br />
Erklärungsleistung des Regressionsansatzes angenommen werden.<br />
• Nun sollten die einzelnen unabhängigen Variablen darauf geprüft werden, welchen Einfluss sie<br />
auf das Gehalt ausüben.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 75
Regressionsanalyse<br />
Erklärungsbeitrag der Regressionskoeffizienten<br />
• Wie verlässlich ist die Größe des Regressionskoeffizienten b 1 als Schätzung für den<br />
Regressionskoeffizienten in der Grundgesamtheit β 1?<br />
• Hinweis gibt das Konfidenzintervall: Ist es klein, so ist die Schätzung verlässlich.<br />
• Nur für „Ausbildung“ liegt ein signifikanter Einfluss vor.<br />
• Der Einfluss von „Mitgliedschaft" ist nicht signifikant. Diese Variable wird deshalb nicht weiter<br />
berücksichtigt.<br />
• Nun kann aber genauer ausgesagt werden, wie sich „Ausbildung“ auswirkt: b 1= 3895 besagt,<br />
dass mit jedem zusätzlichen Ausbildungsjahr das (geschätzte) Jahresgehalt um 3.895 €<br />
zunimmt.<br />
GEHALT = -25.415,257 + 3.895,067 · AUSBILDUNG + 89,808 · MITGLIEDSCHAFT<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 76
Regressionsanalyse<br />
Standardisierung der Regressionskoeffizienten<br />
• b j*: Dimensionsbereinigter Regressionskoeffizient (zwischen -1 und 1)<br />
• Wie wichtig ist eine u.V. (AUSBILDUNG; MITGLIEDSCHAFT) zur Erklärung der a.V.<br />
(GEHALT)?<br />
• b* AUSBILDUNG: 0,658 (sehr wichtig)<br />
• b* MITGLIEDSCHAFT: 0,053 (unwichtig)<br />
• Nun muss entschieden werden, ob man den Determinationskoeffizienten für das um die nicht<br />
signifikanten Variablen reduzierte Modell erneut berechnet oder ob das Modell weiter entwickelt<br />
wird.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 77
Regressionsanalyse<br />
Zwischenfazit Regressionsanalyse<br />
Ziele: 1) Erkennen von „Je-desto-Abhängigkeiten“ der a.V. von der u.V.<br />
2) Ausprägung eines neuen Falls der a.V. aus Kenntnis seiner u.V. schätzen<br />
3) Zeitreihenanalyse – wie verändert sich die abhängige Variable im Zeitablauf?<br />
Bedingungen: metrische a.V. und u.V., Linearität des Zusammenhangs (u.a.m.)<br />
Grundgleichung: y = b 0 + b 1x 1 + ... + b mx m + u<br />
(y=a.V., x=u.V., b=Regressionskoeffizient)<br />
b ist skalenabhängig, standardisierte Form ist skalenneutral<br />
Kriterium:Kleinstquadratminimierung: Σ (y geschätzt - y empirisch) 2 ⇒ Min<br />
Gütemaß: Bestimtheitsmaß r 2 von y empirisch und y geschätzt, das ist zugleich die<br />
Varianzaufklärung: (per Regression erklärte Varianz) / (Gesamtvarianz)<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 78
Regressionsanalyse<br />
Regressionsanalyse<br />
Grundmodell<br />
u.V.<br />
x1<br />
x2<br />
x3<br />
Erklärung einer metrischen Ergebnisvariablen y (a.V.)<br />
durch metrische bzw. metrisierte Variablen x (u.V.)<br />
über ein linear-statistisches Je-desto-Modell<br />
Parameter b, b 1, b 2... aus Daten schätzen,<br />
meist über Abweichungsquadratsummenminimierung<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
y<br />
a.V.<br />
y = b + b1 x1 + b2 x2 + b3 x3 + u<br />
z.B. y = Absatzmenge<br />
x1 = Stückpreis<br />
x2 = Werbebudget<br />
x3 = Vertreterbesuche<br />
Marktforschung – Diskriminanzanalyse 79
Regressionsanalyse<br />
Das Grundmodell der Regressionsanalyse<br />
Beispiel Preis-Absatz-Funktion<br />
y3<br />
x<br />
y<br />
yˆ<br />
e<br />
y, (Menge)<br />
x<br />
3<br />
3 = Preis der Beobachtung Nr.3<br />
3 = Menge der Beobachtung Nr.3<br />
= aufgrund der Regressionsfunktion geschätzte Mengen bei Preis<br />
3<br />
= Residuum, Schätzfehler<br />
3<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
y3<br />
Marktforschung – Diskriminanzanalyse 80<br />
e3<br />
yˆ<br />
3<br />
Regressionsfunktion<br />
x3<br />
x, (Preis)
Regressionsanalyse<br />
Regressionsanalyse<br />
Ergebnisse<br />
Regressionskonstante b<br />
Regressionskoeffizient b<br />
Standard -<br />
Regressionskoeffizient<br />
Multiple Korrelation R 2<br />
Bestimmtheitsmaß,<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
0<br />
i<br />
β<br />
i<br />
Ordinatenabschnitt, Nullniveau der a.V.:<br />
Normalwert der a.V. über alle u.V. - Bedingungen<br />
Steigung der Regressionsfunktion:<br />
Wie ändert sich a.V. bei Einheitsänderung u.V.<br />
und Konstanz aller a nderen Faktoren?<br />
Dimensionsbereinigter Regressionskoeffizient:<br />
Wie wichtig ist eine u.V. zur Erklärung von a.V.?<br />
Gütekriterium für ein Regressionsmodell<br />
(Reg ressiv erklärte Streuung)/(Gesamtstreuung)<br />
Marktforschung – Diskriminanzanalyse 81
Regressionsanalyse<br />
1. Globale Gütemaße zur Prüfung der Regressionsfunktion<br />
• Bestimmtheitsmaß (R2 ): Miβt die Güte der Anpassung der Regressionsfunktion an die empirischen Daten<br />
(goodness of fit). Das Bestimmtheitsmaβ ist eine normierte Gr öße, dessen Wertbereich zwischen Null und Eins<br />
liegt.<br />
2 erklärteStreuung<br />
K<br />
∑(<br />
yˆ<br />
k<br />
k = 1<br />
2<br />
− y)<br />
r<br />
= = K<br />
Gesamtstreuung<br />
• F-Statistik: Es stellt sich die Frage, ob das geschätzte Modell auch über die Stichprobe hinaus für die<br />
Grundgesamtheit Gültigkeit besitzt (Division durch Freihetsgrade: Umfang der Stichprobe, Zahl der Regressoren;<br />
z.B. bei 95% Vertrauensw.; K=10 und J = 1, sign. Zusammenhang bei F>5,32 aus Tabelle)<br />
• Standardfehler: Schätzung welcher mittlere Fehler bei Verwendung der Regressionsfunktion zur Schätzung der<br />
abhängigen Variablen Y gemacht wird.<br />
F emp<br />
=<br />
vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 19ff.<br />
∑<br />
k = 1<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
( y − y)<br />
erklärteStreuung<br />
/ J<br />
nicht erklärteStreuung<br />
/ ( K − J −1)<br />
k<br />
Marktforschung – Diskriminanzanalyse 82<br />
2<br />
J: Zahl der Regressoren (u.V.)<br />
K: Stichprobenumfang
Regressionsanalyse<br />
2. Maβe zur Prüfung der Regressionskoeffizienten<br />
• t-Wert: Die Regressionskoeffizienten sind einzeln auf Signifikanz zu überprüfen (Es wird die<br />
Nullhypothese wahrer Regressionskoeffizient =0; H 0: β i = 0 getestet, z.B. sign. Zusammenhang<br />
bei t>2,3 bei 8 Freiheitsgraden und Vertrauenswahrscheinlichkeit von 95%)<br />
t<br />
emp<br />
=<br />
b<br />
• Konfidenzintervall des Regressionskoeffizienten = zuvor akzeptierte Schwankung des<br />
Regressionskoeffizienten (Frage, welchen Wert die unbekannten Regressionskoeffizienten der<br />
Grundgesamtheit β i mutmaßlich haben). Z. B. Mit einer Wahrscheinlichkeit von 95% (t=2,3) liegt<br />
der Regressionskoeffizient zwischen -2,3 und 40.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
i<br />
− βi<br />
s<br />
bi<br />
i<br />
bi<br />
S bj = Standardfehler des Regressionskoeffizienten<br />
b i = empirischer Regressionskoeffizient<br />
b − t ⋅ s ≤ β ≤ b + t ⋅ s<br />
vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 19ff.<br />
i<br />
Marktforschung – Diskriminanzanalyse 83<br />
i<br />
bi
Regressionsanalyse<br />
Prämissen des Linearen Regressionsmodells<br />
Linearität in den Parametern<br />
(sonst nicht-lineares Modell)<br />
Vollständigkeit = Berücksichtigung aller relevanten Parameter<br />
(sonst Verzerrung der Schätzwerte)<br />
Keine lineare Abhängigkeit der unabhängigen Variablen<br />
(bei exakter „Multikollinearität” ist Variable zu entfernen)<br />
Normalverteilung der Störgrößen<br />
(sonst F- und t-Test nicht anwendbar)<br />
Unabhängigkeit der Störgrößen<br />
(keine Autokorrelation, diese führt zu verzerrter Ermittlung des Standardfehlers)<br />
Homoskedastizität der Störgrößen<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 84
Regressionsanalyse<br />
Prämisse Homoskedastizität; Gegenteil: Heteroskedastizität<br />
(unterschiedliche Varianz der Residuen)<br />
y<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
x1<br />
Marktforschung – Diskriminanzanalyse 85<br />
y<br />
x2
Regressionsanalyse<br />
Regressionsanalyse<br />
Prämissenverletzungen<br />
Diagnose Phänomen Therapie<br />
u.V.-Skalenniveau prüfen<br />
Scatterdiagramme<br />
Linearitätstest<br />
Korrelationsmatrix<br />
Toleranztest<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
u.V.<br />
a.V.<br />
Nichtmetrik<br />
Nichtlinearität<br />
Multikollinearität<br />
u.V.1<br />
u.V.-Konstrukt<br />
Dummy-Variablen<br />
definieren<br />
Datentransformation<br />
nichtlineare Regression<br />
Variable eliminieren<br />
Faktorenwerte<br />
Marktforschung – Diskriminanzanalyse 86<br />
u.V.<br />
u.V.2
Regressionsanalyse<br />
Regressionsanalyse - Fortsetzung<br />
Prämissenverletzung<br />
Diagnose Phänomen Therapie<br />
Residuen korrelieren<br />
Durbin -Watson -Test<br />
Residuen mit<br />
a.V. korrelieren<br />
Res. t-1<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Autokorrelation<br />
Heteroskedastizität<br />
a.V.<br />
Veränderungen statt<br />
Absolutwerte<br />
u.U. transformieren<br />
Marktforschung – Diskriminanzanalyse 87<br />
Res. t<br />
Res.
Regressionsanalyse<br />
Box/Cox-Regressionsfunktion "Gebrauchtwagenpreise"<br />
(p<br />
u<br />
m−1<br />
k −1<br />
−1)/u = β0<br />
+ ∑β<br />
jx<br />
j + ∑ ∑βi<br />
xi<br />
+ ∑ ∑β<br />
j j<br />
j=<br />
1<br />
i=<br />
1<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
j<br />
n<br />
j=<br />
m+<br />
1<br />
m o<br />
l=<br />
1 j=<br />
n+<br />
1<br />
−1)/v)x<br />
p Gebrauchtwagenpreis<br />
u, v Transformationsparameter<br />
xj, xl Dummy-u.V. "Marke", wenn j, l = 1, ...,m<br />
metrische u.V., wenn j = n+1, ..., o<br />
βj Regressionsparameter (j = 0, 1, ..., m-1)<br />
kj Zahl der Ausprägungen Merkmal j (j = m+1, ..., n)<br />
xij Dummy-u.V. Kategorie i, Merkmal j (i = 1, ..., kj-1, j = m+1, ..., n)<br />
βij Regr.-pmtr. für Kategorie i, Merkmal j (i = 1, ..., kj-1, j = m+1, ..., n)<br />
βlj Regr.-pmtr. Merkmal j, Marke l (j = n+1, ..., o, l = 1, ..., m)<br />
e Fehler<br />
m Zahl der Marken<br />
n-m Zahl der nominalen Merkmale<br />
o-n Zahl der metrischen Merkmale<br />
Quelle: Weber, M., Der Marktwert von Produkteigenschaften, asw 5/87<br />
+ e<br />
Marktforschung – Diskriminanzanalyse 88<br />
l j<br />
((x<br />
v<br />
j<br />
l
Regressionsanalyse<br />
Variablenauswahl<br />
Problem:<br />
Welche der theoretisch überhaupt denkbaren unabhängigen Variablen sollen zur<br />
Erklärung der abhängigen Variablen herangezogen werden.<br />
Verfahren für Variablenauswahl:<br />
• Aller-Möglichen-Regression<br />
• Rückwärtselimination<br />
• Vorwärtselimination<br />
• Schrittweise-Regression<br />
(vom theoretischen Standpunkt her als auch nach praktischen<br />
Erfahrungen ist die schrittweise-Regression am besten geeignet)<br />
vgl. Meffert H., Marktforschung, 1986, s. 117<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 89
Regressionsanalyse<br />
Schrittweise Regression<br />
1. Zunächst wird die unabhängige Variable in die Regression einbezogen, die den<br />
höchsten Wert des einfachen Bestimmtheitsmaßes aufweist.<br />
2. Als nächste aufzuhnemende Variable gilt nun die Variable, die das höchste<br />
partielle Bestimmtheitsmaßes aufweist. Die Signifikanz des Betrags wird dabei<br />
über den partiellen F-Test gemessen.<br />
3. Dann wird für die bereits in der Regressionsgleichung befindlichen Variablen ein<br />
partieller F-Test durchgeführt: Trägt eine angenommene Einflussvariable wegen<br />
möglicher Korrelationen mit anderen, später einbezogenen, Variablen noch<br />
signifikant zur Erklärung bei? Ist sie noch in die Regressionsgleichung<br />
einzubeziehen?.<br />
4. Die Schritte 2 und 3 werden zur Aufnahme weiterer Variablen solange fortgesetzt,<br />
bis keine weitere Variable mehr den kritischen Aufnahme-wert erfüllt.<br />
vgl. Meffert H., Marktforschung, 1986, s. 118<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 90
Agenda<br />
• Varianzanalyse<br />
• ANOVA-Fallbeispiel<br />
• Grundlagen<br />
• Typen der Varianzanalyse<br />
• Formulierung der Hypothesen<br />
• Fischer-Theorem<br />
• Rechenbeispiel zur einfachen Varianzanalyse<br />
• Zweifaktorielle Varianzanalyse<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 91
Varianzanalyse<br />
Mehrfaktorielle Varianzanalyse: Werbespotwirkung<br />
• Es wurde ein Experiment zur Wirkung der Werbegestaltung (Faktor 1) in diversen<br />
Programmumfeldern (Faktor 2) durchgeführt.<br />
• 135 Probanden aus Seminaren wurden getestet. Ihnen wurde je eine der neun<br />
Programmversionen vorgespielt. Danach füllten sie einen Fragbogen aus.<br />
• Das Experimentaldesign war wie folgt:<br />
Faktor 1:<br />
Form der Werbung<br />
Action<br />
Solo-Spot<br />
Action<br />
Tandem-Spot<br />
Action<br />
Dreifach-Spot<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Faktor 2: Programmumfeld<br />
Comedy<br />
Solo-Spot<br />
Comedy<br />
Tandem-Spot<br />
Comedy<br />
Dreifach-Spot<br />
Naturfilm<br />
Solo-Spot<br />
Naturfilm<br />
Tandem-Spot<br />
Naturfilm<br />
Dreifach-Spot<br />
Marktforschung – Diskriminanzanalyse 92
Varianzanalyse<br />
Forschungsfragen<br />
Zu prüfen sind folgende Hypothesen/Forschungsfragen:<br />
• Werbung, die als Tandem-/Dreifachspot gezeigt wird, wird besser erinnert als<br />
Werbung, die als Solospot gezeigt wird.<br />
• Wirken sich unterschiedliche Umfeldprogramme auf den Recall aus?<br />
• Zeigt der Recall Interaktion zwischen Werbeform und Umfeldprogramm? (graphische<br />
Darstellung + Interpretation!).<br />
„spotart“ = u.V. „Form der Werbung“,<br />
„umfeld“ = u.V. „Programmumfeld“.<br />
„recall“ = a.V. (ungestützte Erinnerung an den Testspot).<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 93
Varianzanalyse<br />
Allgemeines Lineares Modell<br />
• Um die Forschungsfragen zu<br />
prüfen, muss die mehrfaktorielle<br />
ANOVA aufgerufen werden. Das<br />
ist im SPSS-Menü „Allgemeines<br />
Lineares Modell“ zu finden.<br />
• Unter „Abhängige Variable“ wird<br />
“recall”, unter „Feste Faktoren“<br />
werden “spotart” und “umfeld”<br />
eingegeben.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 94
Varianzanalyse<br />
Tests der Zwischensubjekteffekte (1)<br />
• Vergleichbar mit der linearen Regression wird wieder R-Quadrat angegeben, was<br />
den Anteil der durch das Modell erklärten Varianz zeigt. Hier wird durch die beiden<br />
Faktoren ein hoher Varianzanteil (93%) erklärt. Die nicht erklärte Reststreuung<br />
findet sich in der Zeile „Fehler“ und ist hier gering.<br />
• Erwartungsgemäß ist das Gesamtmodell („Korrigiertes Modell“), das den Einfluss<br />
der u.V.s auf die AV prüft, hoch signifikant (p
Varianzanalyse<br />
Tests der Zwischensubjekt-Effekte (2)<br />
• Worin dieser im Gesamtmodell festgestellte Einfluss genau besteht, zeigen die Zeilen<br />
„SPOTART“ (Haupteffekt A = Effekt des Faktors Spotart), „UMFELD“ (Haupteffekt B = Effekt<br />
des Faktors Umfeld) und „SPOTART * UMFELD“ (Interaktion = Wechselwirkung zwischen den<br />
beiden Faktoren).<br />
• Ein signifikanter F-Wert steht für einen signifikanten Einfluss des jeweiligen Faktors. Hier<br />
bestehen also zwei hoch signifikante Haupteffekte und keine Interaktion. Beide<br />
Experimentalfaktoren entfalten eigenständig Wirkung.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 96
Varianzanalyse<br />
Graphische Darstellung<br />
Dreifachspots werden besser<br />
erinnert als Tandemspots, diese<br />
wiederum besser als Solospots<br />
(Haupteffekt A).<br />
Das Programmumfeld hat einen<br />
Einfluss auf die a.V.: Der<br />
Werbespot wird im Umfeld<br />
“Naturfilm” besser erinnert als<br />
bei “Comedy” und dort besser<br />
als bei “Action” (Haupteffekt B).<br />
Diese Effekte treten unabhängig voneinander (kumulativ) auf, es gibt keine<br />
Wechselwirkung zwischen Programmumfeld und Spotvariante (keine Interaktion), die<br />
Linien verlaufen parallel, schneiden sich nicht.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 97
Varianzanalyse<br />
Ergebnisse<br />
• Somit lässt sich die Forschungsfrage/Hypothese: “Werbung, die als Tandem-/ oder<br />
Dreifachspot gezeigt wird, wird besser erinnert als Werbung, die als Solospot gezeigt<br />
wird” bestätigen.<br />
• Antworten auf die weiteren Forschungsfragen:<br />
• Wirken sich unterschiedliche Umfeldprogramme auf die freie Erinnerung aus?<br />
• Ja<br />
• Gibt es bezüglich der freien Erinnerung (recall) eine Interaktion zwischen<br />
Werbeform und Umfeldprogramm?<br />
• Nein<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 98
Varianzanalyse<br />
Mit der Varianzanalyse wertet man Experimente aus<br />
Nichtmetrische u.V.<br />
Anzeigenelemente<br />
Erfolgsfaktoren<br />
Wohnungsmerkmale<br />
Fälle nach u.V. gruppieren und Untersuchung der a.V.-Varianz<br />
Entscheidung über u.V.-Wirkung nach Varianzanteil<br />
(Zwischengruppenvarianz : Innergruppenvarianz)<br />
Effektstärkenmaß Varianzaufklärung<br />
(Zwischengruppenvarianz : Gesamtvarianz)<br />
Mathematische Grundlage: Fisher-Quadratsummenzerlegung<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Metrische a.V.<br />
Werbewirkung<br />
Neuprodukt-MA<br />
Mietniveau<br />
Marktforschung – Diskriminanzanalyse 99
Varianzanalyse<br />
Rechenbeispiel zur einfachen Varianzanalyse (1)<br />
Meßwerte der a. V.<br />
x<br />
ij<br />
Summe = ∑ ij x A<br />
j<br />
Zellenbesetzung n<br />
j<br />
Mittelwerte x<br />
j<br />
Summe der Quadrate ∑<br />
i<br />
Abweichungsquadrate<br />
( ) 2<br />
x −x<br />
ij<br />
x<br />
2<br />
ij<br />
Stufen der u. V. (Gruppen j)<br />
Quadratsummen QS = 116<br />
tot<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
1 2 3 4<br />
2 3 6 5<br />
1 4 8 5<br />
3 3 7 5<br />
3 5 4 3<br />
1 0 10 2<br />
10 15 35 20<br />
5 5 5 5<br />
2 3 7 4<br />
24 59 265 88<br />
1 2 3 4<br />
4 1 4 1<br />
9 0 16 1<br />
1 1 9 1<br />
1 1 0 1<br />
9 16 36 4<br />
24 19 65 8<br />
Marktforschung – Diskriminanzanalyse 100<br />
p=4<br />
n = 5<br />
j<br />
N = 20; n = const. = n<br />
j<br />
x=<br />
4
Varianzanalyse<br />
Rechenbeispiel zur einfachen Varianzanalyse (2)<br />
Gesamtvarianzschätzung<br />
Zahl der Freiheitsgrade ( df ) = N−<br />
1=<br />
n⋅<br />
p −1=<br />
19<br />
tot<br />
σ ˆ 2<br />
= 116/19 = 6,11<br />
tot<br />
Zwischen-Varianzschätzung, wenn Unterschiede nur durch u.V. bedingt:<br />
Substitution der Meßwerte x durch Gruppenmittelwerte x<br />
ij<br />
j<br />
Fehlerbereinigte<br />
„Meßwerte“<br />
1 2 3 4<br />
2 3 7 4<br />
2 3 7 4<br />
2 3 7 4<br />
2 3 7 4<br />
2 3 7 4<br />
Summen<br />
Summen der Quadrate<br />
10 15 35 20<br />
20 5 45 0 QS = 70 = ∑n⋅( x −x)<br />
2<br />
bet<br />
j<br />
j<br />
Zwischen-Varianzschätzung<br />
Zahl der Freiheitsgrade ( df ) = p −1=<br />
3<br />
bet<br />
σ ˆ 2<br />
= 70/3 = 23,33<br />
bet<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 101
Varianzanalyse<br />
Rechenbeispiel zur einfachen Varianzanalyse (3)<br />
Fehlerkomponenten der<br />
Meßwerte:<br />
Summen<br />
Mittelwerte<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
1 2 3 4<br />
0 0 -1 1<br />
-1 1 1 1<br />
1 0 0 1<br />
1 2 -3 -1<br />
-1 -3 3 -2<br />
0 0 0 0<br />
0 0 0 0<br />
Summen d. Quadrate 4 14 20 8<br />
Fehler-QS je Gruppe<br />
Gesamt: QS = 46<br />
in<br />
Marktforschung – Diskriminanzanalyse 102
Varianzanalyse<br />
Rechenbeispiel zur einfachen Varianzanalyse (3)<br />
Fehler-Varianzschätzung:<br />
Zahl der Freiheitsgrade je Gruppe: n-1 = 4 Schätzung je<br />
Gruppe<br />
σˆ 2<br />
j<br />
1 3,5 5 2<br />
Schätzung gesamt:<br />
Zahl der Freiheitsgrade:<br />
df = ∑ df = ( n −1)<br />
⋅p<br />
= 16<br />
in j<br />
σ ˆ 2<br />
= 46/16 = 2,88<br />
in<br />
Additivität der Freiheitsgrade:<br />
df = df + df<br />
tot bet in<br />
19 = 3 + 16<br />
Additivität der Quadratsummen:<br />
QS = df + df<br />
tot bet in<br />
116 = 70 + 46<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 103
Varianzanalyse<br />
Rechenbeispiel zur einfachen Varianzanalyse (4)<br />
Maß für Effektstärke<br />
(Varianzaufklärung) :<br />
Signifikanztest :<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
QS 70<br />
η<br />
2<br />
= bet = = 60%<br />
QS 116<br />
tot<br />
2 MQ 23,33<br />
F = σˆ<br />
bet = bet = = 8,1 =<br />
σˆ<br />
2in<br />
MQ 2,88<br />
in<br />
Tabellenwerte<br />
für<br />
( df 3;16)<br />
df = 3;16 : 3,24(<br />
.05)<br />
Ergebnis : hoch signifikant<br />
5,29(<br />
.01)<br />
8,1 > 5,29<br />
( p < .01)<br />
Marktforschung – Diskriminanzanalyse 104
Varianzanalyse<br />
Fischer - Theorem<br />
⎛ ⎞ ⎛ ⎞ ⎛ ⎞<br />
⎜ x − x⎟<br />
= ⎜ x − x ⎟ + ⎜ x − x⎟<br />
⎝ ij ⎠ ⎝ ij j ⎠ ⎝ j ⎠<br />
2 2<br />
2<br />
⎛<br />
x x<br />
⎞ ⎛<br />
x x<br />
⎞<br />
2<br />
⎛<br />
x x<br />
⎞⎛<br />
x x<br />
⎞ ⎛<br />
x x<br />
⎞<br />
⎜ −<br />
ij<br />
⎟ = ⎜ −<br />
+<br />
ij j<br />
⎟ + ⎜ −<br />
ij j<br />
⎟⎜<br />
−<br />
j<br />
⎟ ⎜ −<br />
j<br />
⎟<br />
⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎝<br />
⎠ ⎝ ⎠<br />
n<br />
j 2<br />
2<br />
2<br />
∑<br />
⎛ ⎞<br />
∑<br />
⎛ ⎞ ⎛ ⎞<br />
∑<br />
⎛ ⎞<br />
+<br />
⎛ ⎞<br />
⎜ x − x⎟<br />
= ⎜ x − x ⎟ + 2⎜<br />
x − x⎟<br />
⎜ x − x ⎟ n ⎜ x − x⎟<br />
i ⎝ ij ⎠ i ⎝ ij j ⎠ ⎝ j ⎠ i ⎝ ij j ⎠ j⎝<br />
j ⎠<br />
N<br />
j k 2<br />
2<br />
2<br />
+ ∑<br />
⎛ ⎞<br />
∑ ∑<br />
⎛ ⎞<br />
∑ ∑<br />
⎛ ⎞<br />
⎜ x − x⎟<br />
= ⎜ x − x ⎟ n ⎜ x − x⎟<br />
i j ⎝ ij ⎠ i j ⎝ ij j ⎠ j<br />
j⎝<br />
j ⎠<br />
QS<br />
tot<br />
=<br />
QS<br />
in<br />
( df = N−<br />
1)<br />
= ( df = N−<br />
k)<br />
= ∑ = ⋅<br />
i j<br />
x<br />
0, da x n<br />
ij j<br />
QS<br />
bet<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
+<br />
+<br />
( df = k −1)<br />
quadrieren<br />
∑ über i<br />
∑ über j<br />
d.h. Quadratsummen wie Freiheitsgrade sind additiv<br />
Marktforschung – Diskriminanzanalyse 105
Varianzanalyse<br />
Typen der Varianzanalyse<br />
Faktoren = u.V.<br />
Faktorstufen: die einzelnen Ausprägungen der Faktoren<br />
Die Typen der Varianzanalyse lassen sich nach der Zahl der Faktoren differenzieren.<br />
Zahl der a.V.<br />
1<br />
1<br />
1<br />
Mindestens 2<br />
Zahl der u.V.<br />
usw.<br />
Eine oder mehrere<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
1<br />
2<br />
3<br />
Bezeichnung des Verfahrens<br />
Einfaktorielle Varianzanalyse<br />
Zweifaktorielle Varianzanalyse<br />
Dreifaktorielle Varianzanalyse<br />
Mehrdimensionale Varianzanalyse<br />
Marktforschung – Diskriminanzanalyse 106
Varianzanalyse<br />
Formulierung der Hypothesen<br />
Bei der einfaktoriellen Varianzanalyse wird die Additivität der Effekte eines Faktors<br />
durch folgende Modellgleichung zum Ausdruck gebracht:<br />
x ij = µ + α j + ε ij<br />
xij : i-ten Beobachtungswert der j-ten Stichprobe.<br />
µ : Gesamtmittelwert der Grundgesamtheit.<br />
αj : Wirkung der Stufe j des Faktors.<br />
εij : Zufallsfehler beim i-ten Beobachtungswert in der j-ten Stichprobe.<br />
Besteht ein Unterschied zwischen den Gruppen (Faktorstufen)?<br />
H0 (Nullhypothese) : µ 1 = µ 2 = … = µ<br />
H1 (Alternativhypothese) : mindestens für ein j , µ - µ j ≠ 0<br />
Die Prüfung erfolgt anhand eines Vergleichs des empirischen F-Wertes mit dem<br />
theoretischen F-Wert.<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 107
Varianzanalyse<br />
Zusammenstellung der Varianzanalyse<br />
Variationsquelle Quadratsumme Freiheitsgrade est. Varianz F-Wert<br />
QS df MQ<br />
Zwischen QS bet df bet MQ bet<br />
(treatment)<br />
Innerhalb QS in df i MQ in<br />
(Fehler)<br />
Signifikanz MQbet/MQin<br />
Gesamt QStot dftot Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 108
Varianzanalyse<br />
Zusammenstellung der Varianzanalyse<br />
Für Kurzberechnungen „zu Fuß“:<br />
= ∑∑<br />
i j<br />
Kurzberechnung: QS bet = (3) - (1)<br />
G<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
x<br />
QS in = (2) - (3)<br />
QS tot = (2) - (1)<br />
ij<br />
( 1)<br />
2<br />
G<br />
2 1<br />
= ( 2)<br />
∑∑ xij<br />
( 3)<br />
= ∑ A<br />
p⋅<br />
n<br />
n<br />
= i j<br />
Marktforschung – Diskriminanzanalyse 109<br />
2<br />
j
Varianzanalyse<br />
Zusammenstellung der Varianzanalyse (Zahlenbeispiel):<br />
Variationsquelle Quadratsumme Freiheitsgrade est. Varianz F-Wert<br />
QS df MQ<br />
Zwischen QS bet = 70 df bet = 3 MQ bet = 23,33<br />
(treatment)<br />
8,1<br />
Innerhalb QS in = 46 df in = 16 MQ in = 2,88<br />
(Fehler)<br />
Gesamt QS tot = 116 df tot = 19<br />
Definitionen zur Kurzberechnung:<br />
G ∑∑ xij<br />
= 80<br />
2<br />
G<br />
( 1)<br />
= = 320<br />
p⋅<br />
n<br />
( 2)<br />
2<br />
∑∑ xij<br />
= 436<br />
1<br />
( 3)<br />
= ∑ A<br />
n<br />
= i j<br />
= i j<br />
Kurzberechnung: QS bet = (3) - (1) = 70<br />
QS in =<br />
(2) - (3) = 46 QS tot =<br />
(2) - (1) = 116<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 110<br />
2<br />
j
Varianzanalyse<br />
Zusammenstellung der Varianzanalyse (Zahlenbeispiel):<br />
Erweiterungen:<br />
• mehr als ein Faktor (mehrfaktorielle ANOVA)<br />
• ungleiche Zellenbesetzung<br />
• nichtfixierte (random) treatments<br />
• unvollständige Designs, z.B. Lateinische Quadrate<br />
• Designs mit Mehrfachmessungen<br />
• Modelle für heterogene Varianzen<br />
• Modelle für geringeres Skalenniveau (nichtparametrische ANOVA)<br />
• mehr als eine a. V. (MANOVA)<br />
• Berücksichtigung konkomittierender Variablen (Kovarianzanalyse)<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
Marktforschung – Diskriminanzanalyse 111
Varianzanalyse<br />
Zweifaktorielle Varianzanalyse<br />
Die zweifaktorielle Varianzanalyse erlaubt gegenüber der einfaktoriellen VA die<br />
Erfassung des gleichzeitigen Wirksamwerdens zweier Faktoren, indem das Vorliegen<br />
von Wechselwirkungen (Interaktionen) zwischen den Faktoren getestet wird.<br />
ijk<br />
i<br />
( α ⋅ β ) ijk<br />
y = µ + α + β + + ε<br />
SS t = SS A + SSB<br />
+ SS AxB + SSW<br />
SSt<br />
: Gesamtstreuung<br />
SSbet<br />
: Streuung zwischen den Gruppen<br />
SSin<br />
: Streuung innerhalb der Gruppen<br />
SS A : Streuung durch Faktor A<br />
SSB<br />
: Streuung durch Faktor B<br />
SS : Streuung durch Wechselwirkung<br />
AxB<br />
Technische Universität <strong>Berlin</strong><br />
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff<br />
j<br />
ij<br />
von A und B<br />
SS bet<br />
Marktforschung – Diskriminanzanalyse 112<br />
SS t<br />
SS in<br />
SS A SS B SS AxB