Vergleich von künstlichen Neuronalen Netzen und multivariaten ...

Holger Schulze
Vergleich von künstlichen Neuronalen Netzen und
multivariaten statistischen Verfahren in der
Primärforschung: Ein empirischer Vergleich
Masterarbeit im wissenschaftlichen Studiengang Agrarwissenschaften
an der Georg-August-Universität Göttingen,
Fakultät für Agrarwissenschaften
Studienrichtung: Wirtschafts- und Sozialwissenschaften des Landbaus
1. Prüfer: Prof. Dr. Achim Spiller
2. Prüfer: Prof. Dr. Stephan von Cramon-Taubadel
Abgabetermin: 04.04.2005
angefertigt im: Institut für Agrarökonomie

Inhaltsverzeichnis
Inhaltsverzeichnis:
Abbildungsverzeichnis............................................................................................... III
Tabellenverzeichnis..................................................................................................... V
Symbolverzeichnis ....................................................................................................VII
Abkürzungsverzeichnis..............................................................................................IX
1 Einleitung ............................................................................................................. 1
2 Verwendung von statistischen Verfahren in der Primärforschung ...................... 3
2.1 Der Ablauf des Marktforschungsprozesses.................................................. 3
2.2 Analyseverfahren in der Primärforschung ................................................... 6
3 Methodische Grundlegung................................................................................. 11
3.1 Multivariate statistische Verfahren ............................................................ 11
3.1.1 Überblick über multivariate statistische Verfahren................................ 11
3.1.2 Regressionsanalyse ................................................................................ 12
3.1.3 Clusteranalyse ........................................................................................ 22
3.2 Künstliche Neuronale Netze ...................................................................... 34
3.2.1 Überblick über Neuronale Netze............................................................ 34
3.2.2 Grundstruktur und Funktionsweise Neuronaler Netze........................... 35
3.2.3 Multi-Layer-Perceptrons........................................................................ 42
3.2.4 Self-Organizing-Maps............................................................................ 48
3.3 Eigenschaften Neuronaler Netze im Vergleich zu den multivariaten
Verfahren ................................................................................................... 52
4 Empirische Anwendung und Vergleich der Verfahren...................................... 58
4.1 Zum Stand der Forschung .......................................................................... 58
4.2 Bewertungskriterien für die Güte der Verfahren ....................................... 62
4.3 Auswahl der Fallstudien und Vorgehensweise .......................................... 65
4.4 Fallstudie 1: Meinungsforschung zum Stallbau in Diemarden.................. 68
4.4.1 Empirische Basis und Problemstellung der Untersuchung .................... 68
4.4.2 Ergebnisse der multivariaten Analyseverfahren .................................... 70
I

Inhaltsverzeichnis
4.4.3 Ergebnisse der künstlichen Neuronalen Netze....................................... 81
4.4.4 Ergebnisse der Fallstudie und Verfahrensvergleich............................... 85
4.5 Fallstudie 2: Markenpräferenz bei chinesischen Konsumenten................. 88
4.5.1 Empirische Basis und Problemstellung der Untersuchung .................... 88
4.5.2 Ergebnisse der multivariaten Analyseverfahren .................................... 90
4.5.3 Ergebnisse der künstlichen Neuronalen Netze....................................... 99
4.5.4 Ergebnisse der Fallstudie und Verfahrensvergleich............................. 104
5 Zusammenfassung der Ergebnisse und Verfahrensvergleich .......................... 108
6 Schlussbemerkungen........................................................................................ 118
Literaturverzeichnis.................................................................................................. 120
Anhang ..................................................................................................................... 131
A. Methoden der Datenanalyse........................................................................ 131
B. Berechnungen der Fallstudie 1 .................................................................... 131
C. Berechnungen der Fallstudie 2 .................................................................... 139
D. Vergleich der Verfahren.............................................................................. 145
E. Fragebogen der Fallstudie 1 ........................................................................ 148
F. Fragebogen der Fallstudie 2......................................................................... 157
II

Abbildungsverzeichnis
Abbildungsverzeichnis:
Abbildung 1: Die Ablaufschritte des Marktforschungsprozesses.............................. 3
Abbildung 2: Grundmethoden der Datengewinnung ................................................. 4
Abbildung 3: Methoden der Primärdatenerhebung.................................................... 5
Abbildung 4: Analyseverfahren in der Primärforschung........................................... 7
Abbildung 5: Verwendung von KNN im Data Mining-Prozess ................................ 9
Abbildung 6: Vergleich von KNN und multivariaten Verfahren............................. 10
Abbildung 7: Grundlegende strukturen-prüfende Verfahren................................... 11
Abbildung 8: Die Ablaufschritte der Regressionsanalyse ....................................... 13
Abbildung 9: Die Ablaufschritte der Clusteranalyse ............................................... 22
Abbildung 10: Überblick über ausgewählte Clusteralgorithmen............................... 24
Abbildung 11: Dendogramm für ein hierarchisches Clusterverfahren ...................... 25
Abbildung 12: Scree-Test zur Bestimmung der Clusteranzahl.................................. 27
Abbildung 13: Schematische Darstellung einer Nervenzelle .................................... 36
Abbildung 14: Das menschliche Nervensystem als SOR-Modell ............................. 37
Abbildung 15: Allgemeines Modell eines künstlichen Neurons................................ 37
Abbildung 16: Kurvenverlauf ausgewählter Aktivierungsfunktionen....................... 38
Abbildung 17: Darstellung der Schichten eines Neuronalen Netzes ......................... 39
Abbildung 18: Einige schematische Netzwerktopologien ......................................... 40
Abbildung 19: Ausgewählte künstliche neuronale Netzwerktypen........................... 41
Abbildung 20: Ablaufschritte der Multi-Layer-Perceptrons...................................... 43
Abbildung 21: Test- und Validationsfehler im Lernverlauf ...................................... 45
Abbildung 22: Topologie einer Self-Organizing-Map............................................... 49
Abbildung 23: Ablaufschritte bei den Self-Organizing-Maps................................... 50
Abbildung 24: Eigenschaften Neuronaler Netze und statistische
Problemsituationen............................................................................. 52
Abbildung 25: Dimension der Komplexität............................................................... 54
Abbildung 26: Blackbox-Ansatz................................................................................ 56
Abbildung 27: Kriterien zur Beurteilung der Leistungsfähigkeit der Verfahren....... 63
Abbildung 28: Clementine Oberfläche mit Daten-Stream......................................... 67
Abbildung 29: Regressionsmodell auf Grundlage der Faktorenanalyse
(In-Sample) ........................................................................................ 74
Abbildung 30: Modifiziertes Regressionsmodell (In-Sample) .................................. 75
III

Abbildungsverzeichnis
Abbildung 31: Regressionsmodell auf Basis der Rückwärts-Methode...................... 79
Abbildung 32: MLP-Modell auf Grundlage der Faktorenanalyse
(Validationsdaten).............................................................................. 82
Abbildung 33: Modifiziertes MLP Model (Validationsdaten) .................................. 83
Abbildung 34: Elbow-Kriterium zur Bestimmung der Clusteranzahl ....................... 93
Abbildung 35: Beschreibung der Cluster durch die Statements der Faktoren........... 96
Abbildung 36: Entwicklung der Fehlerquadratsumme bei den SOM...................... 100
Abbildung 37: Beschreibung der Cluster durch die Statements der
Faktoren (SOM) ............................................................................... 103
Abbildung 38: SOM, K-Means und Ward im Vergleich ......................................... 104
Abbildung 39: Validität der Clusterlösungen im Verfahrensvergleich.................... 105
Abbildung 40: Einordnung der Analyseverfahren nach anwender-, daten- und
methodenorientierten Anforderungen .............................................. 116
Abbildung 41: Methoden der Datenanalyse............................................................. 131
Abbildung 42: Häufigkeitsverteilung der Residualwerte......................................... 133
Abbildung 43: P-P-Normalverteilungsdiagramm der standardisierten
Residualwerte................................................................................... 133
Abbildung 44: Streudiagramm - Residualwerte gegen Vorhersagewerte................ 134
Abbildung 45: Häufigkeitsverteilung der Residualwerte (Modell 2) ...................... 137
Abbildung 46: P-P-Normalverteilungsdiagramm der standardisierten
Residualwerte (Modell 2)................................................................. 137
Abbildung 47: Streudiagramm - Residualwerte gegen Vorhersagewerte
(Modell 2) ........................................................................................ 138
Abbildung 48: Screeplot der Faktorenanalyse ......................................................... 139
Abbildung 49: Komponentendiagramm im rotierten Raum .................................... 139
Abbildung 50: 3D-Streudiagramm der Clusterlösung (K-Means)........................... 145
Abbildung 51: 3D-Streudiagramm der Clusterlösung (SOM)................................. 146
Abbildung 52: Häufigkeit der eingesetzten Verfahren in der betrieblichen Praxis . 146
Abbildung 53: Bedeutung der Auswahlkriterien geeigneter Verfahren .................. 147
IV

Tabellenverzeichnis
Tabellenverzeichnis:
Tabelle 1: Annahmeverletzungen des linearen Regressionsmodells ....................... 15
Tabelle 2: Terminologie der KNN im Vergleich zu den multivariaten Verfahren.. 35
Tabelle 3: Ausgewählte Literatur zum Verfahrensvergleich in der
Sekundärforschung (Teil 1)..................................................................... 59
Tabelle 4: Ausgewählte Literatur zum Verfahrensvergleich in der
Sekundärforschung (Teil 2)..................................................................... 60
Tabelle 5: Ausgewählte Literatur zum Verfahrensvergleich in der
Primärforschung...................................................................................... 61
Tabelle 6: Übersicht über die Fallstudien und die verwendeten Modelle................ 66
Tabelle 7: Faktorladungen der einzelnen Statements............................................... 72
Tabelle 8: Prognosegüte des multiplen Regressionsmodells ................................... 78
Tabelle 9: Prognosegüte des multiplen Regressionsmodells auf Basis der
Rückwärts-Methode ................................................................................ 81
Tabelle 10: Prognosequalität des Neuronalen Netzwerkes (MLP)............................ 84
Tabelle 11: Prognosequalität im Verfahrensvergleich............................................... 85
Tabelle 12: Faktorladungen der einzelnen Statements............................................... 91
Tabelle 13: Kreuztabelle - K-Means versus Ward-Methode ..................................... 94
Tabelle 14: Homogenität der Cluster (F-Werte der extrahierten Faktoren)............... 94
Tabelle 15: Charakterisierung der Cluster durch die T-Werte der aktiven Faktoren. 95
Tabelle 16: Homogenität der Cluster (F-Werte der extrahierten Faktoren)............. 101
Tabelle 17: Charakterisierung der Cluster durch die T-Werte der Faktoren ........... 102
Tabelle 18: Kreuztabelle - SOM versus K-Means ................................................... 106
Tabelle 19: Bewertung von multivariaten Verfahren und KNN.............................. 115
Tabelle 20: ANOVA der Regressionsanalyse.......................................................... 131
Tabelle 21: Regressionskoeffizienten und Multikollinearitätsdiagnose .................. 132
Tabelle 22: ANOVA der Regressionsanalyse (Modell 2)........................................ 134
Tabelle 23: Regressionskoeffizienten und Multikollinearitätsdiagnose (Modell 2) 135
Tabelle 24: Korrelationsmatrix der exogenen Variablen aus der
Regressionsanalyse (Modell 2) ............................................................. 136
Tabelle 25: Korrelationsmatrix der exogenen Variablen der Regressionsanalyse... 138
Tabelle 26: Datenbasis zum Elbow-Kriterium......................................................... 140
Tabelle 27: Mittelwertvergleich bei der Ward Methode.......................................... 140
V

Tabellenverzeichnis
Tabelle 28: Mittelwertvergleich bei der K-Means Methode.................................... 141
Tabelle 29: ANOVA-Tabelle bei der K-Means Clusterung .................................... 141
Tabelle 30: Kreuztabelle der Ergebnisse der replizierten und der anfänglichen ..... 141
Tabelle 31: Ergebnisse der Clusteranalyse (Ausgangslösung) ................................ 142
Tabelle 32: Ergebnisse der replizierten Clusteranalyse ........................................... 142
Tabelle 33: Vergleich der Dimensionen der SOM................................................... 143
Tabelle 34: Mittelwertvergleich bei den SOM......................................................... 143
Tabelle 35: ANOVA der aktiven Faktoren .............................................................. 143
Tabelle 36: ANOVA-Tabelle bei den SOM............................................................. 144
Tabelle 37: Kreuztabelle der Ergebnisse der replizierten und der
anfänglichen SOM ................................................................................ 144
Tabelle 38: Ergebnisse der SOM (Ausgangslösung) ............................................... 144
Tabelle 39: Ergebnisse der replizierten SOM .......................................................... 145
VI

Symbolverzeichnis
Symbolverzeichnis:
a
b
0
b
j
Anzahl der Neuronen in der Ausgabeschicht
Konstante der Regressionsfunktion
Regressionskoeffizient (j= 1,2,…,J)
2
D quadrierte Euklidische Distanz
E
durchschnittlicher Gesamtfehler
e
k
Abweichung des Schätzwertes vom Beobachtungswert
e(x)
Eingangsfunktion
J Zahl der unabhängigen Variablen
K Zahl der Beobachtungen
k Zahl der Ausprägungen
M Zahl der Übereinstimmungen
N
p
i
Gesamtzahl der berechneten Beobachtungen (i = 1,…,N).
relativer Anteil der einzelnen Ausprägungen an der
Gesamtzahl der Fälle
R
Korrelationskoeffizient
S(J) Standardabweichung der Variablen J in der
Erhebungsgesamtheit
s
bj
Standardfehler von b
j
s
t
Streuung der empirischen (beobachteten) Ausgabewerte
s
y
Streuung der berechneten (vorhergesagte) Ausgabewerte
t
i
empirische (beobachtete) Ausgabewerte
t
emp
Empirischer t-Wert für den j-ten Regressor
t
u
Ü
Mittelwert der empirischen (beobachteten) Ausgabewerte
Störgröße
Anteil der tatsächlich beobachteten Übereinstimmungen
VII

Symbolverzeichnis
Ü
E
Anteil der erwarteten Übereinstimmung
V Zahl der Vergleiche
V (J) Varianz der Variablen J in der Erhebungsgesamtheit
V(J,G) Varianz der Variablen J in Gruppe G
w
j
Verbindungsgewichte
X
j
Wert der unabhängigen Variablen (j= 1,2,…,J)
x
j
Eingangsinformationen
x
ij
(x
i´j) Merkmalsausprägung des Objektes ei
i´
(x ) auf dem Merkmal j
X(J,G) Mittelwert der Variablen J über die Objekte in Gruppe G
X(J)
Y
y
i
y
k
Gesamtmittelwert der Variablen J in der Erhebungsgesamtheit
Wert der j-ten Beobachtung für die abhängige Variable
berechnete (vorhergesagte) Ausgabewerte
Wert der abhängigen Variablen (k=1,2,…,K)
$ y
k
ermittelter Schätzwert von Y für x
k
y
Mittelwert der berechneten (vorhergesagte) Ausgabewerte
β
0
Konstantes Glied der Regressionsfunktion
β
j
Regressionskoeffizient (j= 1,2,…,J)
VIII

Abkürzungsverzeichnis
Abkürzungsverzeichnis:
ANN
ANOVA
BLUE
CLU
DA
DW
EB
KDD
KI
KNN
KQ
LOGR
MAE
MAPE
MLP
MRA
MS
MSE
NDA
OLS
RCLU
RBF
RMSE
SEA
SNNS
SOM
SOR
SPSS
SS
VIF
Artificial Neural Networks
Analysis of Variance
Best Linear Unbiased Estimator
Clusteranalyse
Diskriminanzanalyse
Durbin-Watson-Statistik
Entscheidungsbaum
Knowledge Discovery in Database
Künstliche Intelligenz
Künstliche Neuronale Netze
Kleinstquadrat
Logistische Regressionsanalyse
Mean Absolute Error
Mean Absolute Percent Error
Multi-Layer-Perceptrons
Multiple Regressionsanalyse
Mean Squares
Mean Square Error
Neuronale Diskriminanzanalyse
Ordinary Least Squares
Replizierte Clusteranalyse
Radiale Basisfunktionen
Root Mean Square Error
Sensitivitätsanalyse
Stuttgarter Neuronale Netze Simulator
Self-Organizing-Maps
Stimulus-Organismus-Response
Statistical Package for the Social Sciences
Sum of Squares
Variance Inflation Factors
IX

1 Einleitung
1 Einleitung
Die heutige Unternehmensführung benötigt für die Entwicklung eines erfolgreichen
Marketingkonzeptes umfassende und aktuelle Informationen. Das Ziel der
Primärforschung ist, diese Informationen zu erheben und anschließend die
Komplexität und Dynamik auf die relevanten Daten zu verdichten. Nur so kann den
Entscheidungsträgern, die einem immer stärkeren Wettbewerbsdruck unterliegen,
eine schnellere individuelle Anpassung an die Marktbedingungen ermöglicht werden.
Dem Marktforscher obliegt somit die Aufgabe, eine möglichst effiziente Ausnutzung
der zur Verfügung stehenden Daten zu erreichen. Dafür steht ihm ein breites
Spektrum an Analyseverfahren zur Auswahl. Während es sich bei den klassischen
uni-, bi- und multivariaten Verfahren um bereits erprobte Verfahren handelt, weisen
die künstlichen Neuronalen Netze, im Einsatz für die Primärforschung, einen
innovativen Charakter auf. Sie sind ursprünglich als mathematisches Abbild
neurobiologischen Lernens (künstliche Intelligenz) entstanden und haben sich nach
vielen Weiterentwicklungen in verschiedenartigen Wissenschaftsdisziplinen
etabliert. Im Gegensatz zu den meisten herkömmlichen multivariaten Verfahren
ermöglichen sie es unter anderem, nicht lineare Zusammenhänge darzustellen und
eine sehr hohe Anzahl an Variablen zu verarbeiten.
Folglich ist es Ziel der Arbeit, zu untersuchen, ob durch den Einsatz von künstlichen
Neuronalen Netzen in der Primärforschung eine Verbesserung der Informationsgewinnung
im Vergleich zu den bisher eingesetzten multivariaten Verfahren
möglich ist.
Zur Beantwortung dieser Frage gliedert sich die vorliegende Masterarbeit in fünf
Teile. Nach der Einleitung stellt Kapitel 2 die Einordnung der Primärforschung in
den Marktforschungsprozess dar. Anschließend erfolgt ein Überblick über die in der
Primärforschung einsetzbaren Analyseverfahren. Im dritten Abschnitt werden die
methodischen Grundlagen der zu vergleichenden Datenanalyseverfahren aufgezeigt.
Da die Literatur zum Teil, außer bei der Regressionsanalyse, keine genauen und
einheitlichen Ablaufschritte sowie Gütekriterien zur Verwendung dieser Verfahren
(Clusteranalyse, Multi-Layer-Perceptrons und Self-Organizing-Maps) aufweisen,
1

1 Einleitung
liegt der Schwerpunkt dieses Kapitels darin, diese anwenderbezogenen Abläufe
darzulegen. Abgeschlossen wird dieser Abschnitt mit einem theoretischen Überblick
über die Eigenschaften Neuronaler Netze im Vergleich zu den multivariaten
Verfahren. Zu Beginn des empirischen Teils wird durch eine Vorstellung
ausgewählter Studien ein Überblick zum Stand der Forschung gegeben. Auf Basis
der in Kapitel 4.2 vorgestellten Bewertungskriterien wird anschließend exemplarisch
durch zwei Fallstudien der Vergleich zwischen den multivariaten Verfahren und den
künstlichen Neuronalen Netzen durchgeführt. In den abschließenden Kapiteln 5 und
6 und werden die wesentlichen Ergebnisse der Arbeit zusammengefasst, ein Ausblick
auf weitere, auf diese Arbeit aufbauende wissenschaftliche Untersuchungsmöglichkeiten
gegeben und Handlungsempfehlungen ausgesprochen.
2

2 Verwendung von statistischen Verfahren in der Primärforschung
2 Verwendung von statistischen Verfahren in der
Primärforschung
2.1 Der Ablauf des Marktforschungsprozesses
Für die Festlegung der Marketingstrategien sowie die Entwicklung eines
Marketingplans benötigt die Unternehmensführung vielfältige Informationen aus der
Umfeld-, Markt-, und Unternehmensanalyse. Die methodische Fundierung für diesen
Marketing-Entscheidungsprozess liefert die Marktforschung. Sie umfasst die
Erhebung, Auswertung und Interpretation von entscheidungsrelevanten
Informationen im Rahmen der Marketingsituationsanalyse (BODENSTEIN/SPILLER
1998: 75; BRUHN 1999: 89-92). Die Durchführung einer Marktforschungsuntersuchung
verläuft anhand des in Abbildung 1 dargestellten Prozesses. 1
Abbildung 1: Die Ablaufschritte des Marktforschungsprozesses
Schritt 1
Problemdefinition
Schritt 2
Marktforschungsdesign
Schritt 3
Datengewinnung
Schritt 4
Datenanalyse
Schritt 5
Kommunikation der Ergebnisse
Quelle: Eigene Darstellung in Anlehnung an HÜTTNER 1999: 17; BEREKOVEN et al. 1999: 49
1 Einen detaillierten Überblick über den Marktforschungsprozess zeigen unter anderem
BEREKOVEN et al. (1999), Bodenstein/Spiller (1998), BRUHN (1999), HERRMANN et al. (1999) und
HÜTTNER (1999).
3

2 Verwendung von statistischen Verfahren in der Primärforschung
Demnach erfolgt zunächst die Strukturierung des Forschungsproblems
(Modellbildung) mit anschließender Definition eines Forschungsziels. Zur
Konkretisierung dieses Zieles werden im zweiten Schritt Hypothesen aufgestellt, die
mögliche theoretische Lösungen des Forschungsproblems darstellen (Modellspezifikation).
Darauf aufbauend wird ein detaillierter Forschungsplan (Arbeits-,
Zeit-, Kostenplan) erstellt (Marktforschungsdesign) (HERRMANN et al. 1999: 18ff.).
Im Rahmen der anschließenden Datengewinnung können die Sekundärforschung
(Desk Research) und die Primärforschung unterschieden werden (Abbildung 2).
Abbildung 2: Grundmethoden der Datengewinnung
Quelle: Eigene Darstellung in Anlehnung an HÜTTNER 1999: 23; BEREKOVEN et al. 1999: 49
Die Sekundärforschung verwendet für die Auswertung und Analyse bereits
vorhandenes Datenmaterial. Zum einen können diese Daten aus
unternehmensexternen Quellen (z. B. Panel, Statistisches Bundesamt, öffentliche
Institutionen, Fachbücher) und zum anderen aus unternehmensinternen Quellen
(z. B. Buchhaltungsunterlagen, Kundenstatistik, Controlling, Meldungen des
Außendienstes) stammen (BODENSTEIN/SPILLER 1998: 75-77; BEREKOVEN et al.
1999: 42-48). Diese Art der Informationsgewinnung verursacht einen relativ
geringen finanziellen und zeitlichen Aufwand. Jedoch sind die ermittelten Daten
häufig nicht speziell auf ein vorliegendes Informationsproblem ausgerichtet und
weisen einen zu geringen Grad an Aktualität, Detailliertheit, Objektivität und
Relevanz auf (ebd.).
Ziel der Primärforschung ist es somit für die Entscheidungsfindung konkrete
originäre Daten selbst zu erheben (BODENSTEIN/SPILLER 1998: 77). Abbildung 3
verdeutlicht, dass im Rahmen der Primärdatenerhebung die Möglichkeit besteht
Befragungen und Beobachtungen durchzuführen. Erstere können weiterhin in
4

2 Verwendung von statistischen Verfahren in der Primärforschung
quantitative und qualitative Methoden differenziert werden. Während quantitative
Befragungen standardisiert erfolgen und dadurch ein breites Spektrum an Verhaltensund
Denkmusterinformationen (z. B. Kundenzufriedenheit, Einstellungen,
Kaufabsichten usw.) über die Grundgesamtheit liefern können, bieten qualitative
Befragungen die Möglichkeit einen vertieften Einblick in Bestimmungsfaktoren
einzelner Handlungen zu erhalten (ebd.: 77-78). Beobachtungen haben im Gegensatz
zu den Befragungen den Vorteil, dass sie unabhängig von der Auskunftswilligkeit
und Auskunftsfähigkeit der Probanten sind. Es können apparative und persönliche
Beobachtungen unterschieden werden (BRUHN 1999: 104f.).
Abbildung 3: Methoden der Primärdatenerhebung
Quelle: Eigene Darstellung
Bevor im nächsten Schritt die Analyse der gewonnenen Daten vorgenommen werden
kann, müssen diese zunächst aufbereitet werden. Das heißt, die Datenquellen, z. B.
Fragebögen, werden bezüglich der Vollständigkeit und Plausibilität und ggf. auch
auf unsachgemäße Erhebung (Interviewereinfluss) hin überprüft. Nach Feststellung
5

2 Verwendung von statistischen Verfahren in der Primärforschung
der Responsequote muss unter Umständen auch über eine Nachbefragung
entschieden werden. Für die eigentliche Auswertung der Daten liegt eine Vielzahl
von statistischen Methoden vor. Dieses breite Methodenspektrum wird in der
vorliegenden Arbeit dadurch eingeschränkt, dass nur der Einsatz von multivariaten
Verfahren und künstlichen Neuronalen Netzen (KNN) bei der Analyse von Daten,
die durch die Primärforschung erhoben wurden, betrachtet werden. Die
unterschiedlichen Analyseverfahren der Primärforschung werden im anschließenden
Kapitel noch einmal ausführlicher dargestellt.
Der abschließende Schritt des Marktforschungsprozesses umfasst die Dokumentation
und Interpretation der Analyseergebnisse. Die gewonnenen Informationen sind mit
der in Schritt 1 (vgl. Abbildung 1) definierten Problemstellung zu vergleichen
(Rückkopplung). Gegebenenfalls sind weitere Untersuchungen notwendig
(BEREKOVEN et al. 1999: 36; HÜTTNER 1999: 26). Nur Marktforschungsergebnisse,
die einen hohen Grad an Validität, Reliabilität und Objektivität aufweisen, können
den Ansprüchen der Entscheidungsträger des Unternehmens gerecht werden und
somit die Grundlage für zukünftige Marketingstrategien bilden. 2 Für eine schnelle
Entscheidungsfindung ist darüber hinaus wichtig, dass die relevanten Informationen
auf ein überschaubares Maß verdichtet werden. Die Datenauswertung und somit auch
die Auswahl eines geeigneten Analyseverfahrens spielen dabei eine große Rolle.
2.2 Analyseverfahren in der Primärforschung
Die Analyseverfahren in der Primärforschung lassen sich hinsichtlich der Anzahl der
untersuchten Variablen in uni-, bi- und multivariate Verfahren unterscheiden (vgl.
Abbildung 4). Kennzeichnend für die einfachste Form der Datenanalyse (univariate
Methoden) ist, dass sich diese nur auf die Auswertung einer Variablen und deren
Ausprägung konzentrieren. Während es bei nominal- und ordinalskalierten Daten nur
möglich ist Häufigkeiten zu analysieren, können bei metrischem Skalenniveau
Häufigkeitsverteilungen durch die Berechnung von Mittelwerten und
Streuungsmaßen komprimiert charakterisiert werden. Das Ziel der univariaten
2
Reliabilität = Zuverlässigkeit der Ergebnisse; Reproduzierbarkeit der Daten; Validität =
inhaltliche Gültigkeit des Gemessenen; Objektivität = Unabhängigkeit der Messergebnisse vom
Untersuchungsleiter
6

2 Verwendung von statistischen Verfahren in der Primärforschung
Datenanalyse ist somit insbesondere eine Datenverdichtung. Bei den bivariaten
Verfahren wird durch die Verknüpfung von zwei Variablen versucht,
Zusammenhänge zwischen den Merkmalen in Form von Korrelationen oder
Abhängigkeiten aufzudecken oder zu überprüfen. Als Analysemethoden bieten sich
hier unter anderem die Korrelationsanalyse, die Kreuztabellierung sowie die einfache
Regressionsanalyse an.
Abbildung 4: Analyseverfahren in der Primärforschung 3
Quelle: Eigene Darstellung
In der Marktforschung lassen sich jedoch häufig komplexe Zusammenhänge nicht
nur durch die Herauslösung von einer bzw. zwei Variablen darstellen. Dieses würde
leicht zu Fehlschlüssen bzw. -interpretationen führen. Aus diesem Grunde besitzt die
multivariate Datenanalyse innerhalb der Primärforschung einen hohen Stellenwert.
Sie ermöglicht entweder die wechselseitigen Beziehungen (Interdependenzanalyse,
Strukturentdeckung) oder die Abhängigkeiten (Dependenzanalyse, Strukturabbildung)
zwischen mehreren Variablen zu analysieren. Das heißt während bei der
3 Die wichtigsten Anwendungsfelder im Marketing sowie die Vorgehensweise der in Abbildung 1
dargestellten Analyseverfahren werden im Anhang durch Abbildung 41 kurz vorgestellt.
7

2 Verwendung von statistischen Verfahren in der Primärforschung
Dependenzanalyse (z. B. Regressionsanalyse) ein kausaler Zusammenhang
unterstellt wird, indem eine Unterteilung in abhängige und unabhängige Variablen
geschieht, erfolgt bei der Interdependenzanalyse (z. B. Clusteranalyse) keine
Unterscheidung (BEREKOVEN et al. 1999: 191-204; HERRMANN et al. 1999: 29f.).
Die KNN werden in der Literatur (BACKHAUS 2003: 742; PODDIG et al. 2001: 364),
obwohl sie mehr als zwei Variablen analysieren nicht als spezielles multivariates
Verfahren bezeichnet, sondern können neben den uni-, bi- und multivariaten
Verfahren als eine eigenständige Verfahrensklasse eingeordnet werden. 4
Analysemethoden, die in diese Verfahrensklasse fallen, sind durch Lernfähigkeit, die
Möglichkeit nichtlineare Zusammenhänge darzustellen und durch die Fähigkeit, eine
sehr hohe Anzahl an Variablen verarbeiten zu können, charakterisiert (vgl. Kapitel
3.3).
KNN wurden bisher hauptsächlich im Rahmen des Data Mining eingesetzt (vgl.
Kapitel 4.1). Der Terminus Data Mining bezeichnet eine relativ neue Forschungsund
Anwendungsrichtung. Auf Grund dessen erfolgt auch die Definition dieses
Begriffes in der Literatur auf unterschiedlichste Art und Weise. Übergreifend kann
jedoch gesagt werden, dass beim Data Mining anspruchsvolle automatisierte
Methoden (Verfahren der klassischen statistischen Datenanalyse, Anwendungen aus
der künstlichen Intelligenz, der Mustererkennung und des maschinellen Lernens) auf
relativ große und komplexe Datenvolumina angewendet werden. Das Ziel ist dabei
die entscheidungsrelevanten Informationen aus den Daten zu extrahieren und zu
interpretieren (BERRY et al. 2004: 7f.; KÜPPERS 1999: 17-22). 5
Die erforderlichen Daten für den Data Mining-Prozess werden aus dem Data
Warehouse bezogen. Diese Daten wiederum entstammen größtenteils
unternehmensinternen Quellen (z.B. Kundendaten). Der Data Mining-Prozess
umfasst nach Abbildung 5 sechs Phasen. Erst nach der Aufgabendefinition
(Bestimmung der analytischen Ziele, Modellbildung), Auswahl und Aufbereitung der
4 Ein kurzer Überblick über die historische Entwicklung sowie dem Terminus der KNN findet sich
in Kapitel 3.2.1.
5 Die Begriffe „Knowledge Discovery in Database“ (KDD) und Data Mining werden von den
meisten Autoren synonym verwendet (KÜPPERS 1999: 19; WILDE 2001: 13).
8

2 Verwendung von statistischen Verfahren in der Primärforschung
relevanten Daten (z. B. Transformation und Entfernung von Ausreißern) erfolgt die
eigentliche Anwendung der Data Mining-Methoden. Dabei stehen dem Anwender
Methoden aus den verschiedensten Gebieten zur Verfügung (Data Mining als
interdisziplinäre Wissenschaft). So können die künstlichen neuronalen Netze der
künstlichen Intelligenz (KI), die Entscheidungsbäume als Element des maschinellen
Lernens und die Assoziationsanalysen als eher heuristischer Ansatz betrachtet
werden. Nach der Anwendung der Data Mining-Methoden und anschließender
erfolgreicher Evaluation und Interpretation der Ergebnisse erfolgt letztlich die
Anpassung des Marketings an die Data Mining-Ergebnisse (WILDE 2001: 14f.). 6
Abbildung 5: Verwendung von KNN im Data Mining-Prozess
Quelle: Eigene Darstellung
6 Einen umfassenderen Überblick zum Data Mining zeigen die Autoren BERRY et al. (2004),
KÜPPERS (1999), SÄUBERLICH (2000) und WILDE (2001).
9

2 Verwendung von statistischen Verfahren in der Primärforschung
Abbildung 5 verdeutlicht den Ansatz dieser Arbeit, KNN, die bislang im Rahmen des
Data Mining-Prozesses Einsatz fanden, direkt auf die in der Primärforschung
erhobenen Daten anzuwenden (gestrichelter Pfeil). 7 Dabei wird jeweils ein
multivariates Verfahren aus der Interdependenz- und Dependenzanalyse mit einem
dem Verwendungszweck nach analogen künstlichen Neuronalen Netzwerk
verglichen. Entsprechend der Abbildung 6 wird die Regressionsanalyse den Multi-
Layer-Perceptrons (MLP) und die Clusteranalyse den Self-Organizing-Maps (SOM)
gegenübergestellt. 8
Abbildung 6: Vergleich von KNN und multivariaten Verfahren
Quelle: Eigene Darstellung
Nachdem in den folgenden Kapiteln die methodischen Grundlagen der eben
genannten Verfahren aufgezeigt werden, wird im empirischen Teil untersucht, ob
und in wie weit die KNN für die analytische Informationsgewinnung, im Rahmen
des betrieblichen Informationsmanagements, potenzielle Vorteile erbringen können. 9
Die Grundlage für diese Bewertung erfolgt durch die in Kapitel 4.2 aufgezeigten
Gütekriterien.
7 Die Daten unterscheiden sich dabei in der Hinsicht, dass die Primärforschung im Gegensatz zur
Sekundärforschung mehr psychographische Variablen mit einem beschränkten Skalenniveau erhebt.
8 Der praktische Verwendungszweck für die Regressionsanalyse und die MLP ist z. B. die
Käuferanalyse, in der die Bestimmungsgründe von Kaufentscheidungen analysiert werden (Wirkungsund
Ursachenanalysen). Das Einsatzgebiet der Clusteranalyse und der SOM erfolgt z. B. im Rahmen
des zielgruppenspezifischen Marketings durch Marktsegmentierungen (Clusterung).
9 Das betriebliche Informationsmanagement beinhaltet unter anderem das Management von
Informationen, Informationssystemen und der Informations- und Kommunikationstechnologie
(BEREKOVEN et al.1999: 19-48).
10

3 Methodische Grundlegung
3 Methodische Grundlegung
3.1 Multivariate statistische Verfahren
3.1.1 Überblick über multivariate statistische Verfahren
In der Marktforschung liegen häufig sehr komplexe Zusammenhänge zwischen den
erhobenen Daten vor. Um diese vieldimensionalen Beziehungen zwischen den
Variablen aufzudecken, ist es notwendig, mehr als zwei Variablen gleichzeitig in die
Datenanalysen mit einzubeziehen. Dafür stehen dem Marktforscher verschiedene
multivariate Analyseverfahren zur Verfügung. Diese lassen sich, wie schon in
Kapitel 2.2 aufgezeigt, in struktur-prüfende und struktur-entdeckende Verfahren
unterteilen (BEREKOVEN et al. 1999: 202). Bei den struktur-prüfenden Verfahren
unterstellt der Anwender aufgrund von sachlogischen oder theoretischen
Überlegungen einen kausalen Zusammenhang zwischen den Variablen. Zur
Überprüfung des theoretischen Modells werden die relevanten Variablen in
unabhängige und abhängige Variablen eingeteilt und mit Hilfe von multivariaten
statistischen Verfahren geprüft. Das Ziel der Analyse besteht darin, den Einfluss der
unabhängigen Variablen auf die abhängigen Variablen zu beschreiben (BACKHAUS et
al. 2003: 7f.). Die grundlegenden struktur-prüfenden Verfahren lassen sich nach
ihrem Skalenniveau gemäß Abbildung 7 zuordnen.
Abbildung 7: Grundlegende strukturen-prüfende Verfahren
Quelle: BACKHAUS et al. 2003: 8
11

3 Methodische Grundlegung
Bei den struktur-entdeckenden Verfahren erfolgt keine Unterteilung in abhängige
und unabhängige Variablen. Der Anwender besitzt vor der Analyse keine
Vorstellungen über die wechselseitigen Beziehungen zwischen den Daten. Ziel der
Interdependenzanalyse ist somit unbekannte Zusammenhänge zwischen den
Variablen oder Datenobjekten aufzudecken (BEREKOVEN et al. 1999: 203).
Grundlegende struktur-entdeckende Verfahren sind unter anderem die
Faktorenanalyse, die Clusteranalyse, die Multidimensionale Skalierung und die
Korrespondenzanalyse. 10
Um in der Marktforschung eine Problemstellung zu lösen, ist es vorteilhaft nicht nur
ein einzelnes multivariates Verfahren zu verwenden, sondern mehrere Methoden
miteinander zu kombinieren. Dieser Methodenmix ermöglicht eine Aggregation der
Stärken jedes einzelnen Verfahrens. Beispielsweise wird die Faktorenanalyse häufig
dafür eingesetzt, eine Vielzahl von Variablen auf einige wenige zu reduzieren, damit
anschließend auf Grundlage dieser Dimensionsreduktion eine Clusteranalyse oder
Regressionsanalyse durchgeführt werden kann. 11 Eine ausführliche Betrachtung aller
multivariaten Verfahren würde sicherlich den Rahmen dieser Arbeit sprengen,
deshalb wird in den folgenden Kapiteln jeweils nur ein Verfahren aus der
Dependenzanalyse (Regressionsanalyse) und Interdependenzanalyse (Clusteranalyse)
näher vorgestellt. 12
3.1.2 Regressionsanalyse
Die Regressionsanalyse ist eines der vielseitigsten und am häufigsten eingesetzten
multivariaten Analyseverfahren (BACKHAUS et al. 2003: 46). Sie wird verwendet, um
die Beziehungen zwischen einer abhängigen (endogenen, Regressand) und einer oder
mehreren unabhängigen (exogenen, Regressoren) Variablen zu analysieren (z. B. der
10 Die wichtigsten Anwendungsfelder im Marketing sowie die Vorgehensweise der aufgezeigten
struktur-entdecken und –prüfenden Analyseverfahren werden im Anhang durch Abbildung 41 kurz
vorgestellt.
11 Diese Vorgehensweise erfolgt auch im empirischen Teil dieser Arbeit.
12 Die Varianz-, Diskriminanz- und Faktorenanalyse werden zusätzlich als Hilfsverfahren (der
Regressions- und Clusteranalyse vor- oder nachgeschoben) im empirischen Teil dieser Arbeit
verwendet. Eine ausführliche Darstellung dieser Verfahren würde jedoch den Rahmen des
methodischen Kapitels sprengen.
12

3 Methodische Grundlegung
Einfluss des Preises auf die Nachfrage eines Produktes). Ist eine abhängige Variable
nur von einer unabhängigen Variablen beeinflusst, so wird die Beziehung in einer
Einfachregression analysiert. Wird hingegen eine abhängige Variable von mehreren
unabhängigen Variablen bestimmt, kann von einer Mehrfach- oder auch multiplen
Regression gesprochen werden. Im Folgenden wird die Vorgehensweise bei einer
multiplen linearen Regression in Anlehnung an Abbildung 8 dargestellt (VON AUER
2003: 8; BACKHAUS et al. 2003: 52).
Abbildung 8: Die Ablaufschritte der Regressionsanalyse
Schritt 1
Spezifikation des Modells
• funktional
• Störgröße
• Variablen
A- Annahmen
B- Annahmen
C- Annahmen
Schritt 2
Schätzung des Modells
Schritt 3
Prüfung des geschätzten Modells
Prüfung der
Regressionsfunktion
Prüfung der
Regressionskoeffizienten
Quelle: Eigene Darstellung in Anlehnung an VON AUER 2003: 8; BACKHAUS et al. 2003: 52
Demnach erfolgt zuerst die Spezifikation des Regressionsmodells, welches die
vermutete Ursache-Wirkungs-Beziehung möglichst vollständig enthalten sollte
(BACKHAUS et al. 2003: 52). Prinzipiell geht die multiple lineare Regressionsanalyse
von folgendem Grundmodell aus: 13
13 Die Notation orientiert sich in diesem Kapitel an BACKHAUS et. al. (2003).
13

3 Methodische Grundlegung
Y = b0 + b1X1+ b2X2 + ... + b X + ... + b X
mit
j j J J
Y = Wert der j-ten Beobachtung für die abhängige Variable
b
0
= Konstante der Regressionsfunktion
b
j
= Regressionskoeffizient (j= 1,2,…,J)
X
j
= Wert der unabhängigen Variablen (j= 1,2,…,J)
(1)
Das lineare Regressionsmodell unterliegt dabei wichtigen grundlegenden Annahmen
bzw. Prämissen, die erforderlich sind, um im zweiten Schritt, der Schätzung des
Modells, die wahren unbekannten Parameter zu ermitteln (VON AUER 2003: 15).
Tabelle 1 fasst die wichtigsten Prämissen, die Konsequenzen der Verletzung und die
Überprüfung der Annahmen zusammen. Die A-Annahmen beziehen sich auf die
funktionelle Spezifikation des Regressionsmodells. Dieses beinhaltet vor allem, dass
alle relevanten und keine irrelevanten unabhängigen Variablen in die Gleichung (1)
aufgenommen werden. Ebenfalls verdeutlicht Formel (1), dass der wahre
Zusammenhang zwischen Y und den unabhängigen Variablen X j linear sein soll. Es
ist jedoch auch möglich, nicht-lineare Zusammenhänge in lineare zu transformieren,
z. B. im Falle einer multiplikativen Verknüpfung durch Logarithmieren (RUDOLPH
1998: 43; VON AUER 2003: 277-299). Die B-Annahmen beziehen sich auf die
Residuen bzw. die Störgröße. Die Residuen entsprechen nach Formel (2) der
Abweichung der tatsächlich beobachteten Werte von den Schätzwerten (BACKHAUS
et al. 2003: 56).
e = y − $ y
k = 1,2,..., K
k k k
mit
e
k
= Abweichung des Schätzwertes vom Beobachtungswert
(2)
y
k
= Beobachtungswert der abhängigen Variablen Y für x k
$ y
k
= ermittelter Schätzwert von Y für x k
K = Zahl der Beobachtungen
Eine Verletzung der B-Annahmen kann unter anderem zu Heteroskedastizität oder zu
Autokorrelation führen. Heteroskedastizität liegt vor, wenn die Streuung der
Residuen keine gleich bleibende Varianz aufweist. Autokorrelation ist gegeben,
14

3 Methodische Grundlegung
wenn die Residuen in der Grundgesamtheit untereinander korrelieren (VON AUER
2003: 353-404).
A2: Linearität in den
Parametern
A3: Die Parameter sind
für alle Beobach–
tungen konstant
B1: Erwartungswert
der Störgröße
gleich null
B2: Homoskedastizität
der Störgröße
B3: Freiheit von
Autokorrelation
B4: Normalverteilung
der Störgröße
C1: Keine lineare
Abhängigkeit
zwischen den
unabhängigen
Variablen
Nichtlinearität
verzerrte oder
falsche Schätzer
Überprüfung
t-Test
F-Test
(korrigiertes R²)
(graphische
Analyse)
Box-Cox-Test
Strukturbruch falsches Modell F-Test
Chow-Test
Autokorrelation
Störgröße nicht
normalverteilt
Perfekte
Multikollinearität
verzerrte
Schätzer
ineffiziente
Schätzer
ineffiziente
Schätzer
Ungültige
Signifikanztests
(F-Test, t-Test)
bei N < 40
Verminderte
Präzision der
Schätzwerte
während der
Datenerhebung
Tabelle 1: Annahmeverletzungen des linearen Regressionsmodells
Annahme Annnahmeverletzung
Konsequenzen
A1: Vollständigkeit Unvollständigkeit
verzerrte oder
des Modells
ineffiziente
(Berücksichtigung
Schätzer
aller relevanten
Variablen)
Erwartungswert
der Störgröße von
null verschieden
Heteroskedastizität
Goldfeld-Quandt-
Test
White-Test
Durbin-Watson-
Test
Graphische
Analyse
Jarque-Bera-Test
Korrelationsmatrix
Regression
zwischen den
erklärenden
Variablen
Variance Inflation
Factor
Quelle: Eigene Darstellung in Anlehnung an BACKHAUS et al. 2003: 92;VON AUER 2003: 237- 486
Die C-Annahmen beziehen sich auf die Eigenschaften der unabhängigen Variablen.
Wenn diese z. B. untereinander lineare Abhängigkeiten aufweisen, also korrelieren,
liegt das Problem der Multikollinearität vor (ebd.: 461-487). In diesem Fall ist der
Einfluss der exogenen Variablen auf die endogene Variable nicht mehr eindeutig
zurechenbar (ebd.). Als Konsequenz der Prämissenverletzungen kann es zu
15

3 Methodische Grundlegung
verzerrten oder ineffizienten Schätzern kommen (vgl. Tabelle 1). Ein Schätzer ist
unverzerrt (erwartungstreu), wenn die aus wiederholten Stichproben ermittelten
Regressionskoeffizienten im Mittel den wahren Wert aus der Grundgesamtheit
treffen (BACKHAUS et al. 2003: 79). Wenn ein unverzerrter Schätzer innerhalb der
Gruppe der unverzerrten Schätzer die kleinste Streuung aufweist, ist er effizient
(ebd.). Die unter dem zweiten Schritt erklärte Kleinstquadratmethode (KQ-Methode,
englisch: Ordinary Least Squares, OLS) liefert unter den getroffenen A-, B- und C-
Annahmen (ohne B4-Annahme) Regressionskoeffizienten, die innerhalb der Klasse
der unverzerrten linearen Schätzern effizient sind. Dieser Zusammenhang wird als
das Gauss-Markov-Theorem bezeichnet (BLEYMÜLLER et al. 2002: 150). 14 In der
Praxis werden die Prämissen des Modells häufig erst nach der Prüfung des
geschätzten Modells kontrolliert. Ohne vorherige Prüfung der Prämissen dürften
jedoch streng genommen, nach dem Gauss-Markov-Theorem, der F- und t-Test nicht
angewandt werden (HOFFMANN 2004: 40). 15
Nach der Spezifikation des Regressionsmodells wird im zweiten Schritt (vgl.
Abbildung 8) mit Hilfe der KQ-Methode die Ermittlung der Schätzwerte für die
Regressionskoeffizienten vorgenommen. Dabei werden die Parameter so gewählt,
dass die Summe der quadrierten Residuen minimiert wird (FAHRMEIR et al. 2003:
478; BACKHAUS et al. 2003: 60):
( ) 2
⎤
0 1 1 2 2
K K
2
∑ek ∑ ⎡
⎣
yk b bx
k
b x
k
bjxj bJxJ
k= 1 k=
1
mit
= − + + + ... + + ... +
⎦
→ min
e
k
= Wert der Residualgröße (k=1,2,…,K)
y
k
= Wert der abhängigen Variablen (k=1,2,…,K)
b
0
= Konstante der Regressionsfunktion
b
j
= Regressionskoeffizient (j= 1,2,…,J)
x
jk
= Wert der unabhängigen Variablen (j= 1,2,…,J; k=1,2,…,K)
J = Zahl der unabhängigen Variablen
K = Zahl der Beobachtungen
(3)
14 Im Englischen auch als BLUE (Best Linear Unbiased Estimator) ausgedrückt (ebd.).
15 Für tiefer greifende Betrachtungen in die Regressionsanalyse, besonders in Bezug auf die Überprüfung
der Annahmen, sei auf die Literatur von BACKHAUS et al. (2003: 77-104), BROSIUS et al.
(1996: 488-497), BLEYMÜLLER et al. (2002: 139-179) und VON AUER (2003: 237-486) verwiesen.
16

3 Methodische Grundlegung
Im letzten Schritt (vgl. Abbildung 8) wird die Qualität bzw. die Güte des geschätzten
Modells überprüft. Neben der globalen Prüfung des Regressionsmodells erfolgt auch
eine Kontrolle der einzelnen Regressionskoeffizienten. (BACKHAUS et al. 2003: 63).
Bei der globalen Prüfung wird untersucht, wie gut die unabhängigen Variablen die
abhängige Variable erklären können. Die Kontrolle der einzelnen
Regressionskoeffizienten hingegen überprüft, wie gut jede einzelne exogene Variable
zur Erklärung der endogenen Variablen beiträgt (ebd.). Am häufigsten wird zur
Prüfung der Erklärungskraft der Regressionsfunktion das Bestimmtheitsmaß
verwendet. Dieses Maß berechnet, wieviel der Gesamtvarianz durch die
Regressionsgleichung erklärt werden kann (ebd.: 66):
R
K
2
$
∑( yk
− y)
k =
= =
K
2
y − y
2 1
∑
k = 1
( k )
erklärte Streuung
Gesamtstreuung
(4)
Das Bestimmtheitsmaß R² ist jedoch kritisch zu sehen, denn mit jeder hinzugefügten
exogenen Variablen wird der Erklärungsanteil, der möglicherweise nur zufällig
bedingt ist, und somit der Wert des Bestimmtheitsmaßes, zunehmen (VON AUER
2003: 252). Damit der Wert des Maßes nicht auch bei der Aufnahme einer
irrelevanten Variablen (vgl. Annahme-A1) steigt, sollte das korrigierte
Bestimmtheitsmaß, (englisch: adjusted R-squared) welches diesen Zusammenhang
berücksichtigt, verwendet werden (BACKHAUS et al. 2003: 67):
R
2 2
korr
mit
2
( 1−
R )
J
= R −
K −J
−1
J = Zahl der Regressoren
K −J −1 = Zahl der Freiheitsgrade
K = Zahl der Beobachtungswerte
(5)
Um die Gültigkeit des Regressionsmodells auch in der Grundgesamtheit zu
gewähren, wird als weiteres Gütemaß zur globalen Prüfung der Regressionsfunktion
17

3 Methodische Grundlegung
der F-Test verwendet (ebd.: 68). Besonders wenn das Regressionsmodell nur
aufgrund einer geringen Stichprobengröße geschätzt wird, erweist sich dieser Test als
Gewähr für die Gültigkeit des Modells in der Grundgesamtheit (ebd.). Um diesen
Test jedoch anwenden zu können, wird die geschätzte Regressionsfunktion (vgl.
Formel (1)) zunächst als eine stochastische Funktion mit dem Term der Störgröße
dargestellt (vgl. Formel (6)). Es handelt sich dabei um eine stochastische Funktion,
da sowohl β 0 , β j , u und Y Zufallsvariablen sind (BACKHAUS et al. 2003: 69, VON
AUER 2003: 68).
Y = β0 + β1X1+ β2X2 + ... + β
jX j
+ ... + βJXJ
+ u
mit
Y = Abhängige Variable
β
0
= Konstantes Glied der Regressionsfunktion
β
j
= Regressionskoeffizient (j= 1,2,…,J)
X
j
= Unabhängige Variable (j= 1,2,…,J)
u = Störgröße
(6)
Die Nullhypothese des F-Tests besagt, dass keiner der Regressionskoeffizienten zur
Erklärung der abhängigen Variablen beiträgt (FAHRMEIER et al. 2003: 498):
H0 β1 β2
β J
: = = ... = = 0
Der empirische F-Wert F emp berechnet sich aus dem Verhältnis der erklärten zu der
nicht erklärten Streuung jeweils dividiert durch die Zahl der Freiheitsgrade
(BACKHAUS et al. 2003: 70):
F
emp
K
2
$
∑( yk
− y)
J
k = 1
erklärte Streuung J
= =
K
2
$
nicht erklärte Streuung K − J −1
y − y K −J
−1
∑
k = 1
( k k )
(7)
Wenn der empirische F-Wert größer ist als der theoretische F-Wert, kann die
Nullhypothese abgelehnt werden. In diesem Fall liegt zumindest ein signifikanter
kausaler Zusammenhang zwischen einer exogenen und der endogenen Variablen in
18

3 Methodische Grundlegung
der Grundgesamtheit vor (HOFFMANN 2004: 38). Der theoretische F-Wert ergibt sich
mit dem gewählten Signifikanzniveau aus der F-Verteilung und kann aus der F-
Tabelle 16 entnommen werden. Das als letztes für die Prüfung der
Regressionsfunktion vorgestellte Gütemaß ist der Standardfehler der Schätzung.
Dieses Maß gibt an, welcher mittlere Fehler aus der Anwendung der
Regressionsfunktion zur Schätzung der endogenen Variablen resultiert (BACKHAUS
et al. 2003: 73):
s =
∑ K
k = 1
e
2
k
( K −J
−1)
(8)
Nach der globalen Prüfung der Regressionsfunktion erfolgt die Überprüfung der
einzelnen Regressionskoeffizienten. Während der F-Test in der Nullhypothese
überprüft, dass alle Regressionskoeffizienten gleich null sind, wird analog mit dem
t-Test jeder einzelne Koeffizient geprüft (ebd.):
H : 0
0
β
j
=
Der empirische t-Wert einer exogenen Variablen wird durch die Division des
betreffenden Regressionskoeffizienten durch dessen Standardfehler ermittelt (ebd.:
74):
t
emp
bj
− β
j
=
s
bj
(9)
mit
t
emp
= Empirischer t-Wert für den j-ten Regresssor
β
j
= Wahrer Regressionskoeffizient (unbekannt)
b
j
= Regressionskoeffizient des j-ten Regressors
s
bj
= Standardfehler von b
j
16 F- sowie eine t-Tabelle sind unter anderem in den meisten statistischen Lehrbüchern auffindbar.
19

3 Methodische Grundlegung
Ist der empirische t-Wert größer als der theoretische t-Wert, kann die Nullhypothese
abgelehnt werden. Demnach existiert dann ein signifikanter Zusammenhang
zwischen der unabhängigen Variablen und der abhängigen Variablen in der
Grundgesamtheit (FAHRMEIR et al. 2003: 497). Der theoretische t-Wert ergibt sich
mit dem gewählten Signifikanzniveau aus der Student-t-Verteilung und kann aus der
t-Tabelle 16 entnommen werden. Zusätzlich zum t-test gibt das Konfidenzintervall den
Bereich an, in dem sich der wahre Wert des Regressionskoeffizienten in der
Grundgesamtheit befinden könnte (BACKHAUS et al. 2003: 76):
b −t s ≤ β ≤ b + t s
mit
j bj j j bj
t
emp
= t-Wert aus der Student-Verteilung
β
j
= Wahrer Regressionskoeffizient (unbekannt)
b
j
= Regressionskoeffizient der Stichprobe
s
bj
= Standardfehler von Regressionskoeffizienten
(10)
Je größer das Konfidenzintervall ist, desto unsicherer ist die Schätzung des
betreffenden Regressionskoeffizienten auf die Grundgesamtheit übertragbar (ebd.:
77). Anhand der Regressionskoeffizienten ist es möglich, den marginalen
Zusammenhang zwischen den exogenen Variablen und der endogenen Variablen
inhaltlich zu interpretieren (ebd.: 61). Ein Vergleich zwischen den Regressoren in
Bezug auf die Einflussstärke auf den Regressanden ist allerdings nur dann möglich,
wenn die unabhängigen Variablen ein gleiches Messniveau aufweisen (ebd.:). Sollte
dieses jedoch nicht vorliegen, so können die Regressionskoeffizienten nach einer
Standardisierung verglichen werden (BACKHAUS et al. 2003: 76; HOFFMANN 2004:
40) 17 :
b$
j
= b
j
Standardabweichung von X
Standardabweichung von Y
j
(11)
17 Die Standardabweichung berechnet sich wie folgt (BACKHAUS et al. 2003: 62):
s
x
=
K
∑
k = 1
( x ) 2
k
− x
K − 1
20

3 Methodische Grundlegung
Diese standardisierten Regressionskoeffizienten werden auch als Beta-Werte
bezeichnet (BACKHAUS et al. 2003: 61). Im nachstehenden letzten Abschnitt über das
multivariate Verfahren der Regressionsanalyse werden kurz deren Schwächen und
Stärken diskutiert.
Ein optimales Einsetzen der Regressionsanalyse erfordert bereits im Vorfeld, dass
die Art der Beziehungen zwischen der abhängigen Variablen und den Unabhängigen
klar ist. Diese Zusammenhänge erweisen sich aber oft als sehr komplex und sind
dementsprechend nur schlecht als lineares Model darzustellen. Es ergibt sich zwar,
wie schon oben angesprochen, die Möglichkeit der Linearisierung, jedoch reicht
auch diese oft nicht aus. Denn bei vielen Fragestellungen, insbesondere im
Marketing, ist die endogene Variable binär (dichotom oder zweiwertig) ausgeprägt.
Als Beispiel dafür sei der Kauf bzw. Nichtkauf eines Produktes genannt. Die
Regressionsanalyse kann in diesem Fall nicht verwendet werden, da die Residuen
nicht normalverteilt sind und somit die Annahme-B4 verletzt ist (MEYER 2002: 198).
Als Analyseverfahren bieten sich daher im Fall einer binären abhängigen Variablen
die logistische Regressionsanalyse und die Diskriminanzanalyse an (BACKHAUS et al.
2003: 418). Praktische und wissenschaftliche Fragestellungen, die komplexere
kausale Abhängigkeiten zwischen bestimmten Variablen aufweisen, können
konfirmatorisch, mit Hilfe von Strukturgleichungen im Rahmen von Kausalanalysen,
untersucht werden (ebd.: 334). 18 Die statistische Stärke des Regressionsmodells ist
eine umfassende theoretische Fundierung mit zahlreichen Erweiterungen und
Spezialfällen. Deshalb setzt sie ein umfangreiches anwenderbasiertes Wissen voraus.
So werden z. B. Ausreißer bei der Gewichtung der einzelnen Regressionskoeffizienten
durch die quadratische Minimierung der Abweichungen (KQ-Methode)
zu stark bewertet. Demnach ist gegebenenfalls eine Voranalyse der Datenbasis
erforderlich. Letztendlich ist die Regressionsanalyse jedoch mathematisch und
sachlogisch einfach nachzuvollziehen und die Ergebnisse sind leicht zu
interpretieren.
18 Weiterführende Betrachtungen über die eben genannten multivariaten Verfahren enthalten z. B.
BACKHAUS et al. (2003) und JANSEN et al. (2003).
21

3 Methodische Grundlegung
3.1.3 Clusteranalyse
Während die Regressionsanalyse als struktur-prüfendes Verfahren die Beziehungen
zwischen den Variablen aufzeigt, betrachtet die Clusteranalyse als strukturentdeckendes
Verfahren die Beziehungsstrukturen zwischen den Objekten. Das Ziel
der Clusteranalyse besteht darin, Gruppen (bzw. Cluster, Klassen, Typen) zu bilden,
in denen die durch eine Anzahl von Variablen beschriebenen Objekte möglichst
homogen sind. Objekte aus unterschiedlichen Gruppen sollten hingegen möglichst
heterogen sein (BACHER 1996: 1-3). Der Einsatz der Clusteranalyse in der
Primärforschung erfolgt z. B. zur Marktstrukturierung, Marktsegmentierung und
Konsumententypologisierung.
Abbildung 9: Die Ablaufschritte der Clusteranalyse
Schritt 1
Auswahl von Variablen
Schritt 2
Wahl des Proximitätsmaßes
Schritt 3
Wahl des Clusteralgorithmus
Schritt 4
Bestimmung der Clusteranzahl
Schritt 5
Clusterzentrenanalyse
Schritt 6
Prüfung der Clusteranalyse
externe
Prüfung
interne
Prüfung
relative
Prüfung
Schritt 7
Interpretation der Cluster
Quelle: Eigene Darstellung
22

3 Methodische Grundlegung
Die Literatur (unter anderem BACHER 1996; BACKHAUS et al. 2003; BORTZ 2005;
GIERL et al. 2001; JANSEN et al. 2003) beschreibt die Vorgehensweise bei der
Clusteranalyse besonders in Bezug auf die Gütekriterien zum Teil sehr
unterschiedlich. In Anlehnung an Abbildung 9 wird deshalb im Folgenden die
Vorgehensweise der Clusteranalyse, wie sie im Rahmen dieser Arbeit durchgeführt
wird, vorgestellt.
Der erste Schritt, die Auswahl der clusterbildenden Variablen (Inputvariablen, aktive
Variablen), anhand derer die Zuordnung der Objekte zu den Clustern resultiert, ist als
das ausschlaggebende Kriterium für den Erfolg der Analyse anzusehen. 19 Es sollten
demnach nur die theoretisch relevanten Variablen für die Analyse ausgewählt
werden (BACKHAUS et al. 2003: 537). 20 Bei Datensätzen mit sehr vielen Variablen
bietet eine vorgeschobene Faktorenanalyse häufig die Möglichkeit eine größere
Anzahl von miteinander korrelierten Variablen auf einige wenige Faktoren zu
reduzieren. Diese Faktoren können dann anschließend als Inputvariablen verwendet
werden (BACHER 1996: 126; BACKHAUS et al. 2003: 538; JANSEN et al. 2003: 437f.). 21
Nach GIERL et al. (2001: 130) wird die Anzahl der clusterbildenden Variablen in der
Literatur meistens auf vier bis acht beschränkt.
Durch die Festlegung eines Proximitätsmaßes werden im zweiten Schritt der
Clusteranalyse die Distanzen (Unterschiede) bzw. die Ähnlichkeiten
(Übereinstimmungen) zwischen den zu gruppierenden Objekten numerisch
ausgedrückt. Das allgemein gebräuchlichste, wie auch für die meisten
Clusteralgorithmen am besten geeignete Proximitätsmaß, ist die „quadrierte
Euklidische Distanz“ (BORTZ 2005: 569; GIERL et al. 2001: 865):
K
∑ ( ij i´j )
2
D = x −x
j1 =
2
(12)
19 Variablen, die nicht in der Clusterbildung Verwendung fanden, werden als passive Variablen
bezeichnet.
20 BACHER (1996: 410-412) und BERGS (1980: 51-62) zeigen eine umfassendere Beschreibung zur
Auswahl der clusterbildenden Variablen auf.
21 Eine Übersicht über die Faktorenanalyse zeigen z. B. BACKHAUS et al. (2003); BORTZ (2005);
BROSIUS et al. (1996) und JANSEN et al. (2003).
23

3 Methodische Grundlegung
mit:
2
D = quadrierte Euklidische Distanz
x
ij
(x
i´j) = Merkmalsausprägung des Objektes ei
i´
(x ) auf dem Merkmal j
Diese Quantifizierung dient als Ausgangspunkt für den sich anschließenden Clusterbzw.
Fusionierungsalgorithmus (Clusterverfahren) (BROSIUS et al. 1996: 865). In der
Literatur (BACHER 1996; BACKHAUS et al. 2003: 480-542; BERGS 1980;
VAZIRGIANNIS et al. 2003; WEDEL et al. 2003) finden sich eine Vielzahl von
unterschiedlichen Algorithmen. Abbildung 10 gibt deshalb nur einen Überblick über
die in dieser Arbeit verwendeten Clusteralgorithmen. Neben den multivariaten
Verfahren bieten auch die KNN (Self-Organizing-Maps) die Möglichkeit eine
Clusterung durchzuführen (vgl. Kapitel 3.2.4). Bei den multivariaten statistischen
Verfahren unterscheidet man die Gruppierungsalgorithmen in hierarchische und
partitionierende Verfahren.
Abbildung 10: Überblick über ausgewählte Clusteralgorithmen
Clusterverfahren
Multivariate Verfahren
Künstliche Neuronale
Netze
Partitionierende
Verfahren
Hierarchische
Verfahren
Self Organzing
Maps
K-Means
Single-
Linkage
Ward
Quelle: Eigene Darstellung in Anlehnung an PETERSOHN 1999: 553
Die hierarchischen agglomerativen Verfahren beginnen mit der feinsten
Objektgruppierung, d.h. jedes Objekt bzw. Fall bildet ein eigenes Cluster,
24

3 Methodische Grundlegung
schrittweise werden diese dann zu immer umfangreicheren Clustern
zusammengefasst (WEDEL et al. 2003: 48-50). 22 Während das Single-Linkage
Verfahren (oder auch Nearest-Neighbour-Verfahren) die Objekte (Gruppen)
vereinigt, die die kleinste Distanz zueinander aufweisen, werden beim Ward-
Verfahren diejenigen Gruppen fusioniert, die ein vorgegebenes Heterogenitätsmaß,
die Fehlerquadratsumme (Varianzkriterium), am geringsten erhöhen (BORTZ 2005:
575). 23 In Abbildung 11 werden die Fusionierungsschritte, bei der Ward-Methode,
bezogen auf die Fehlerquadratsumme (standardisiert von 0 bis 25), graphisch für
jedes Objekt (1-8) in Form eines Dendogramms dargestellt.
Abbildung 11: Dendogramm für ein hierarchisches Clusterverfahren 24
Quelle: Eigene Darstellung
Unter die partitionierenden Verfahren fällt der K-Means-Algorithmus
(Clusterzentrenanalyse). Dieser unterscheidet sich von den hierarchischen Verfahren
dadurch, dass zunächst eine vorgegebene oder zufällige Startpartition durch iteratives
Verschieben von Objekten zwischen den Clustern solange verbessert wird, bis sich
jedes Objekt in einer Gruppe befindet, zu dessen Schwerpunkt (Mittelpunkt) es, im
22
Man unterscheidet zwischen hierarchisch-divisiven Verfahren und hierarchischenagglomerativen
Verfahren. Die hierarchisch-divisiven Clusteralgorithmen beginnen mit der gröbsten
Partition, bei der alle Objekte in einem Cluster zusammengefasst sind (WEDEL et al. 2003: 50).
23
Bei der Fusionierung zweier Gruppen im Ward-Algorithmus, entspricht die quadrierte
Euklidische Distanz genau dem doppelten der Fehlerquadratsumme (BACKHAUS et al. 2003: 512).
24 Einen Überblick über den Ablauf der Fusionierungsschritte innerhalb eines Dendogramms zeigt
unter anderem BACKHAUS et al. (2004: 506-524), BROSIUS et al. (1996: 875-877) und PETERSOHN
(1997: 118-120).
25

3 Methodische Grundlegung
Vergleich zu den übrigen Gruppen, die geringste Distanz aufweist (BORTZ 2005: 578;
VAZIRGIANNIS et al. 2003: 25). Dieses Verfahren hat gegenüber den hierarchischen
Methoden den Vorteil, dass eine Neuzuordnung der Objekte (Fälle) jederzeit möglich
ist (GIERL et al. 2001: 131; GRABMEIER 2001: 329-332). Der Nachteil dieses
Verfahrens liegt jedoch darin, dass man vor der Analyse die Struktur des Datensatzes
und somit die Startpartitionen und die Clusteranzahl nicht kennt. Deshalb ist es nach
BORTZ (2005: 575), JANSEN et al. (2003: 433) und WIEDENBECK et al. (2001: 14)
vorteilhaft, zunächst mit dem Ward-Algorithmus die Anfangspartitionen zu
berechnen und dann mit der K-Means-Methode das Ergebnis zu optimieren. Um die
Anfälligkeit des Ward-Verfahrens bei der Gruppierung der Objektmenge gegenüber
Ausreißern, welche den Fusionierungsprozess negativ beeinflussen, zu mindern,
empfiehlt es sich, diese zunächst mit dem Single-Linkage-Algorithmus zu
identifizieren und dann anschließend zu entfernen (BACKHAUS et al. 2003: 537;
KÖNIG 2001: 110). 25 Demnach ergibt sich, in Bezug auf die Wahl der
Fusionierungsalgorithmen, nachstehender Ablauf der Clusteranalyse: 26
1. Single-Linkage-Methode (zur Eliminierung der Ausreißer)
2. Ward-Methode (zur Bestimmung von Startpartitionen)
3. K-Means (zur Bestimmung der optimalen Endpartitionen)
Die Bestimmung der optimalen Clusteranzahl (vgl. Abbildung 9) ist innerhalb der
hierarchischen und partitionierenden Verfahren nicht automatisiert. Die
Entscheidung sollte deshalb aufgrund von mathematisch-statistischen und
interpretationsbezogenen Kriterien erfolgen (KÖNIG 2001: 112). Als mathematischstatistische
Verfahren können das Dendogramm sowie das Scree-Test-Diagramm
verwendet werden (ebd.: 522- 524). 27 Der Scree-Test (vgl. Abbildung 12) basiert
gegenüber dem Dendogramm auf einem Koordinatensystem, auf dem die
25 „Ausreißer sind Objekte, die im Vergleich zu den übrigen Objekten eine vollkommen anders
gelagerte Kombination der Merkmalsausprägungen aufweisen und dadurch von allen andern Objekten
weit entfernt liegen“ (BACKHAUS et al. 2003: 537).
26 Einen umfassenderen Überblick über die Proximitätsmaße und Algorithmen der Clusteranalyse
zeigen unter anderem BACHER (1996); BACKHAUS et al. (2003); BERGS (1980); VAZIRGIANNIS et al.
(2003); und WEDEL et al. (2003).
27 Einen Überblick über weitere statistisch-mathematische Kriterien, die jedoch nicht in dieser
Arbeit verwendet werden, zeigen unter anderem BORTZ (2005: 576-578); GIERL et al. (2001: 134f.);
WEDEL et al. (2003: 91-93) und TIBSHIRANI (2000).
26

3 Methodische Grundlegung
Clusteranzahl gegen die Entwicklung der Fehlerquadratsumme abgetragen wird
(BORTZ 2005: 576 f.).
Abbildung 12: Scree-Test zur Bestimmung der Clusteranzahl
450
400
Fehlerquadratsumme
350
300
250
200
150
100
„Elbow“
50
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Anzahl der Cluster
Quelle: Eigene Darstellung in Anlehnung an BACKHAUS et al. 2003: 524; BERGS 1980: 102
Die Heterogenitätszuwächse (Fehlerquadratsummen) nehmen mit sinkender
Clusteranzahl und durch die Fusion immer heterogenerer Cluster überproportional
zu. Dort, wo der Graph vor dem überproportionalen Anstieg einen deutlichen Knick
(Elbow) aufweist, liegt bei der gegebenen Objektmenge die optimale Clusteranzahl
vor (ebd.). BERGS (1980: 97) zeigte, dass der Scree-Test (oder auch das Elbow-
Kriterium) bei den hierarchischen Algorithmen vor allem beim Ward-Verfahren die
richtige Clusteranzahl signalisiert. Da jedoch dieser Knick nicht immer graphisch zu
identifizieren ist, kann eine Tabelle mit den Koeffizienten (Fehlerquadratsummen)
bei den einzelnen Fusionierungsschritten weiteren Aufschluss über die optimale
27

3 Methodische Grundlegung
Gruppenanzahl geben. 28 Das Dendogramm kann parallel zum Scree-Test bei der
Bestimmung der optimalen Gruppenanzahl verwendet werden. Es wird allerdings mit
zunehmender Stichprobengröße immer unübersichtlicher. Die Entscheidung für die
Anzahl der Cluster sollte jedoch nicht nur auf statistisch-mathematische Kriterien
(„Homogenitätsanforderungen“) beruhen, sondern vor allem aus der
„Handhabbarkeit“ bzw. der sachlogischen Interpretation der Clusterlösung
resultieren (BACKHAUS et al. 2003: 521). 29
Nachdem die beste Clusteranzahl ermittelt wurde, wird dieses Ergebnis, wie oben
dargestellt, mit einer Clusterzentrenanalyse (K-Means) optimiert (vgl. Abbildung 9).
Im Anschluss erfolgt die Überprüfung der Clusterlösung. Dabei unterteilt man drei
Bereiche zur Clustervalidierung (VAZIRGIANNIS et al. 2003: 95-123; WEDEL et al.
2003: 59f.):
- externe
- interne
- relative Kriterien
Die externen Kriterien vergleichen die ermittelte Clusterstruktur mit der
tatsächlichen (VAZIRGIANNIS et al. 2003: 98-101). In vielen Untersuchungen, sowie
auch im empirischen Teil dieser Arbeit, sind jedoch die wahren Gruppen nicht
bekannt. Deshalb wird dieses Kriterium hier nicht weiter betrachtet.
Anhand der internen Kriterien wird das Ausmaß der Homogenität (Varianz)
innerhalb der Cluster gemessen. Als Gütemaß stehen hier der F-Wert und eta zur
Verfügung. Der F-Wert kann, sowohl für jede Variable über alle Gruppen, als auch
für jede Variable innerhalb eines Cluster berechnet werden. Bei der Ermittlung des
F-Wertes für eine Variable innerhalb einer Gruppe gilt (BACKHAUS et al. 2003: 533):
28 Die meisten statistischen Programme (z. B. SPSS, ClustanGraphics) geben bei der Clusterlösung
ein Dendogramm und eine Tabelle mit den Fehlerquadratsummen (Koeffizienten) an. Ein Scree-Test-
Diagramm kann jedoch nur mit Hilfe dieser Tabelle in z. B. Excel erstellt werden.
29 Dieser Konflikt bezieht sich z. B. auf Marktsegmentierungen. Denn eine zu große Anzahl an
Gruppen würde die Gefahr der „Oversegmentation“ und den damit im Marketing verbundenen
zusätzlichen Kosten mit sich bringen (KÖNIG 2001: 113).
28

3 Methodische Grundlegung
V(J,G)
F =
V(J)
(13)
mit
V(J,G) = Varianz der Variablen J in Gruppe G
V (J) = Varianz der Variablen J in der Erhebungsgesamtheit
Je kleiner der Quotient aus der Streuung einer Variablen in einem Cluster und der
Streuung dieser Variablen in der Grundgesamtheit ist, desto homogener ist die
Gruppe in Bezug auf die betrachtete Variable. Wenn alle Variablen einen F-Wert von
kleiner als eins aufweisen, gilt dieses Cluster als vollkommen homogen (BACHER
1996: 334). Der F-Wert einer Variablen über alle Gruppen berechnet sich
entsprechend der Formel (7). Die Nullhypothese lautet dabei: Die Mittelwerte der
Variablen sind in allen Gruppen gleich. Kann diese Hypothese nicht abgelehnt
werden, dann liegt kein signifikanter Unterschied zwischen den Mittelwerten der
Variablen in den Clustern vor. 30 Analog zu R² in der Regressionsanalyse bietet sich
als weiteres Gütekriterium innerhalb der Varianzanalyse das Assoziationsmaß eta²
an. 31
Es handelt sich dabei um ein spezielles Gütemaß für den Fall, dass die
unabhängige Variable (Cluster) nominalskaliert und die Abhängige (aktive oder
passive Variable) mindestens intervallskalierte ist (JANSEN et al. 2003: 321-326;
BACHER 1996: 334). 32
2 erklärte Varianz
eta =
Gesamtvarianz
(14)
Nach Formel (14) gibt eta² darüber Auskunft, wie viel Prozent der Streuung einer
Variablen auf die Unterschiede zwischen den Clustern zurückzuführen sind. Oder
anders gesagt, eta² zeigt den Anteil der Varianz der abhängigen Variablen an, der
durch die unabhängigen Variablen erklärt wird (BACHER 1996: 335; JANSEN et al.
30 Das Ergebnis der Standardisierung der Quadratsummen (SS = Sum of Squares), also der Division
der SS durch die Freiheitsgrade entspricht dem Mittel der Quadrate (MS = Mean Squares).
31 Hinweise zur Terminologie: Fehlerquadratsumme = nicht erklärte Varianz (Streuung) = Varianz
innerhalb der Gruppen = Innengruppenvarianz = Fehlervarianz = Residual Sum of Squares; Erklärte
Varianz = Varianz zwischen den Gruppen = Explained Sum of Squares; Gesamte Streuung = Total
Sum of Squares
32 Die unhabhängige Variable kann jedes Skalenniveau annehmen.
29

3 Methodische Grundlegung
2003: 325). Der Mittelwert von eta² (Gesamt eta²) aus mehreren Variablen gibt an,
wie viel Prozent der Varianz der Variablen durch die Unterschiede zwischen den
Gruppen erklärt wird (KAMINSKI et al. 2004: 24). Mit dem Eta-Koeffizienten lässt
sich die Beziehung zwischen den Variablen beschreiben. Er zeigt an, wie sehr sich
die Mittelwerte der clusterbildenden Variablen zwischen den verschiedenen Gruppen
unterscheiden. Unterscheiden sie sich stark und ist außerdem die Varianz der
einzelnen Gruppen gering, tendiert eta gegen 1. Unterscheiden sie sich gar nicht,
tendiert er gegen 0. Eta entspricht der Wurzel aus eta² und kann wie der
Korrelationskoeffizient r interpretiert werden (JANSEN et al. 2003: 245ff.). 33
Variablen, die nach dem F-Test oder eta keinen signifikanten Beitrag zur Trennung
der Gruppen leisten, sollten nicht als clusterbildene Variablen verwendet werden, da
diese ansonsten das Ergebnis einer Clusteranalyse verzerren würden (BACHER 1996:
335). Zur näheren Überprüfung des Einflusses (Wirkungsanalyse) der aktiven und
passiven Variablen auf die gebildeten Cluster, kann eine multinomial-logistische-
Regressionsanalyse verwendet werden. 34
Als letztes werden im Rahmen der Validitätsprüfung die relativen Kriterien
aufgezeigt. Diese dienen für die Überprüfung der Stabilität bzw. Generalisierbarkeit
(Stichprobenabhängigkeit) der Clusterlösung (BORTZ 2005: 580; König 2001: 115).
Die Objektmenge wird dabei zufällig in zwei oder mehrere gleich große
Teilstichproben getrennt. Anschließend werden auf diese Teilmengen verschiedene
oder gleiche Clusteralgorithmen angewendet (replizierte Clusteranalysen). Die
Gruppenlösungen werden dann auf Übereinstimmungen hin überprüft (BORTZ 2005:
581). Diese Vorgehensweise soll die Vielfalt von unterschiedlichen Clusteralgorithmen
berücksichtigen. Zur Beurteilung der Übereinstimmungen kommen
dabei verschiedene Gütemaße in Betracht (ebd.: 581-583; KÖNIG 2001: 115): 35
33 Die Zuordnung von eta² in die internen Kriterien erfolgt aufgrund seiner varianzanalytischen
Betrachtung.
34 Die multinomial-logistische-Regressionsanalyse wird jedoch nicht im empirischen Teil dieser
Arbeit eingesetzt. Einen Überblick über dieser Verfahren zeigen unter anderem BACKHAUS et al.
(2003: 417-477) und SPSS (2003e).
35 Weitere hier nicht betrachtete Gütemaße sind der Rand- und der Jaccard-Index (BORTZ 2005:
582; KÖNIG 2001: 115; GIERL et al. 2001: 129).
30

3 Methodische Grundlegung
- Prozentsatz übereinstimmender Zuordnungen
- Kappa-Maß
- Diskriminanzanalyse
Das einfachste Gütemaß betrachtet den prozentualen Anteil der übereinstimmenden
Zuordnungen (JANSEN et al. 2003: 248):
M
Ü = V
mit:
M = Zahl der Übereinstimmungen
V = Zahl der Vergleiche
(15)
Bei diesem Maß wird jedoch nicht der mögliche Anteil an zufällig richtig
zugeordneten Übereinstimmungen berücksichtigt. Dieser komplexere
Zusammenhang wird mit dem Kappa-Maß einkalkuliert (BORTZ 2005: 581f.; JANSEN
et al. 2003: 249):
Ü−
Ü
κ=
1 − Ü
E
E
mit:
Ü = Anteil der tatsächlich beobachteten Übereinstimmungen
Ü = Anteil der erwarteten Übereinstimmung
E
(16)
Der Anteil der erwarteten Übereinstimmungen berechnet sich durch (ebd.):
Ü
E
k
= ∑
i=
1
( p )
i
2
(17)
mit:
p
i
= relativer Anteil der einzelnen Ausprägungen an der Gesamtzahl der
Fälle
k = Zahl der Ausprägungen
31

3 Methodische Grundlegung
Das Kappa-Maß kann maximal den Wert von 1 erreichen. Nur, wenn der Anteil an
Übereinstimmungen größer ist als der Anteil an zufälligen Übereinstimmungen,
nimmt Kappa positive Werte an. Im umgedrehten Fall weist Kappa negative Werte
auf. (KÖNIG 2001: 116).
Die Diskriminanzanalyse ist ein eigenständiges multivariates Verfahren und bietet
die Möglichkeit die Clusterlösung sowie die clusterbildenden Variablen zu
überprüfen (BORTZ 2005: 583; WIEDENBECK et al. 2001: 17). Auf Grundlage der
Clusterlösung wird eine Diskriminanzfunktion geschätzt, die eine maximale
Trennung der Cluster ermöglicht. Anschließend werden die Objekte nach der
Bedingung der Diskriminanzfunktion den Gruppen neu zugeordnet. Die
Diskriminanzkoeffizienten werden dabei ähnlich der Regressions- oder
Varianzanalyse, durch die Optimierung des Verhältnisses zwischen der erklärten
Streuung (Varianz zwischen den Clustern) und der nicht erklärten Streuung (Varianz
innerhalb der Cluster) berechnet. Die letztendliche Übereinstimmung zwischen dem
Gruppierungsergebnis der Diskriminanz- und der Clusteranalyse, kann als relatives
Validitätskriterium verwendet werden (BACKHAUS et al. 2003: 155-227, BROSIUS et
al. 1996: 771-813; JANSEN et al. 2003: 439-456) 36 .
Die abschließenden Schritte der Clusteranalyse sind die Interpretation bzw. die
Charakterisierung und die Beschreibung der einzelnen Gruppen (vgl. Abbildung 9).
Dafür eigenen sich vornehmlich die t-Werte, welche einzeln für jede Variable
innerhalb einer Gruppe berechnet werden (BACHER 1996: 330; BACKHAUS et al.
2003: 534):
X(J,G) − X(J)
t =
S(J)
(18)
mit
X(J,G) = Mittelwert der Variablen J über die Objekte in Gruppe G
X(J) = Gesamtmittelwert der Variablen J in der Erhebungsgesamtheit
36 Weitere Ausführungen zur Diskriminanzanalyse finden sich bei BACKHAUS et al. (2003: 155-
227), BROSIUS et al. (1996: 771-813) und JANSEN et al. (2003: 439-456).
32

3 Methodische Grundlegung
S(J) = Standardabweichung der Variablen J in der
Erhebungsgesamtheit
Positive bzw. negative t-Werte zeigen an, dass der Mittelwert einer Variablen
innerhalb eines Clusters über- bzw. unter dem Mittelwert der Erhebungsgesamtheit
dieser Variablen liegt (ebd.). 37 Nur eine Clusterlösung, die durch eine Interpretation
logisch nachvollziehbar ist, erweist sich als sinnvoll. Für die Beschreibung der
einzelnen Gruppen sollten neben den clusterbildenden bzw. aktiven Variablen auch
die nicht in die Clusterbildung eingeschlossenen Variablen (passive Variablen), die
signifikante Unterschiede zwischen den Clustern aufweisen, herangezogen werden
(KÖNIG 2001: 117).
Insgesamt bietet die Clusteranalyse dem Nutzer durch die Vielzahl von
Proximitätsmaßen und Algorithmen ein breites Anwendungsfeld. Dieses bedeutet
aber auch gleichzeitig eine starke subjektive Beeinflussung. Die besonders durch die
Auswahl der clusterbildenden Variablen und die Entscheidung für die Anzahl der
Gruppen erhöht wird. Deshalb sollte gegenüber Dritten eine umfassende
Offenlegung, in Bezug auf die Ablaufschritte (vgl. Abbildung 9) und die damit
verbundenen Entscheidungen des Anwenders, innerhalb der Clusteranalyse erfolgen.
37 Die t-Werte stellen eine normierte Größe dar.
33

3 Methodische Grundlegung
3.2 Künstliche Neuronale Netze
3.2.1 Überblick über Neuronale Netze
Ursprünglich wurden künstliche Neuronale Netze (KNN, artificial neural networks,
ANN) entwickelt, um die neurobiologischen Prozesse innerhalb des Nervensystems
bei Tieren und Menschen besser begreifbar zu machen. Dieser Ansatz wird unter der
Terminologie des Konnektionismus zusammengefasst (Hoffmann 2004: 48). „Das
Paradigma des Konnektionismus besagt, dass Informationsverarbeitung als
Interaktion einer großen Zahl einfacher Einheiten (Zellen, Neuronen) angesehen
wird, die anregende oder hemmende Signale an andere Zellen senden“ (Zell 2003:
26). 38 Seit dem Ende der 80er Jahre des zwanzigsten Jahrhunderts entwickelte sich
neben diesem neurobiologisch orientierten Forschungszweig ein eigener nur auf
statistische Problemstellungen bezogener anwendungsorientierter Zweig (PODDIG et
al. 2001: 363). 39 In dieser Arbeit wird der Terminus der KNN nur im Zusammenhang
mit der statistischen Forschungsrichtung weiter verwendet.
Neuronale Netze können wie die multivariaten Verfahren als eine eigenständige
Verfahrensklasse mit vielen verschiedenen Typen (Verfahren) von KNN angesehen
werden (BACKHAUS 2003: 742; PODDIG et al. 2001: 364). Diese Typen der
Neuronalen Netze ermöglichen es aber, ähnliche statistische Problemsituationen wie
in der multivariaten Statistik zu analysieren (Strukturentdeckung und
Strukturabbildung). Die Literatur verwendet jedoch bei der Anwendung dieser
beiden Verfahrensklassen (multivariate Statistik und KNN) unterschiedliche
Fachtermini (vgl. Tabelle 2).
38 Einen ausführlichen Überblick über die Historie KNN zeigen STRECKER et al. (1997: 9-12) und
ZELL (2003: 28-33). LENZ et al (1995) stellt die Begriffsdefinitionen der Neuronalen Netze und der
künstlichen Intelligenz näher dar.
39 Beide Forschungsrichtungen fallen unter dem Begriff der Künstlichen Intelligenz (KI)
34

3 Methodische Grundlegung
Tabelle 2: Terminologie der KNN im Vergleich zu den multivariaten Verfahren
Quelle: Eigene Darstellung in Anlehnung an ANDERS 1996: 164
In den folgenden Kapiteln wird zunächst ein Überblick über die Grundstruktur und
die Funktionsweise Neuronaler Netze gegeben. Anschließend werden zwei Typen
von Neuronalen Netzen näher betrachtet, die Multi-Layer-Perceptrons und die Self-
Organizing-Maps. Danach werden die spezifischen Eigenschaften der KNN im
Vergleich zu den multivariaten Verfahren dargestellt.
Im Vergleich zu der multivariaten Statistik wurde in der Literatur nur wenig zu der
praktischen Vorgehensweise und Anwendung von KNN verfasst. Dementsprechend
beruhen die hier dargestellten Verfahrensabläufe zum Teil auf einer eigenen
methodischen Erforschung im Rahmen dieser Arbeit. 40
3.2.2 Grundstruktur und Funktionsweise Neuronaler Netze
Da die KNN ursprünglich dazu entwickelt wurden, biologische Lernprozesse besser
darzustellen, bietet es sich zunächst an, die Informationsverarbeitung einer
natürlichen Nervenzelle (Neuron) näher zu erläutern und diese dann der
40 Anwenderbezogene Literatur für multivariate Verfahren finden sich z.B. bei BACKHAUS et al.
(2004); BORTZ (2005); BROSIUS (2004); RUDOLF et al. (2004) und JANSEN et al. (2004).
Anwenderbezogene Literatur für MLP Verfahren findet sich z.B. bei ALEX (1998); BACKHAUS et al.
(2003) und WIEDMANN (2003).
35

3 Methodische Grundlegung
Funktionsweise eines künstlichen Neurons gegenüberzustellen. Nach Schätzungen
besteht das menschliche Gehirn aus ca. 100 Milliarden Nervenzellen (ZELL 2003:
35). Jede einzelne Nervenzelle (vgl. Abbildung 13) setzt sich aus dem Zellkörper
(Soma) mit Zellkern (Nucleus), einer Nervenfaser (Axon) und vielen Dendriten
zusammen. Die Verbindung zwischen Axon und Dendriten wird durch die Synapsen,
die mit vielen verschiedenen Nervenzellen miteinander verbunden sind, realisiert
(ebd. 37).
Abbildung 13: Schematische Darstellung einer Nervenzelle
Quelle: Eigene Darstellung in Anlehnung an ANDERSON et al. 1992; ZELL 2003: 36
Über die Dendriten empfangene hemmende oder erregenden Signale werden an den
Zellkörper weitergeleitet und aufaddiert. Haben die Signale einen bestimmten
Schwellenwert überschritten wird der Zellkern aktiviert, die Signale analysiert,
ausgewertet und schließlich über das Axon durch einen kurzfristigen elektrischen
Impuls weitergeleitet. Dieser Impuls wird dann durch die Synapsen an die Dendriten
der nachgeschalteten Neuronen übertragen. Durch die Anpassung der Verbindungen
(Synapsen) zwischen den Nervenzellen erfolgt der biologische Lernprozess. Das
heißt, mit zu-, bzw. abnehmenden Nutzungsgrad der Synapsen wachsen oder
36

3 Methodische Grundlegung
degenerieren diese (ebd.: 35-38). 41 Neben der Eigenschaft der Lernfähigkeit besitzt
das Nervensystem sowie das KNN die Fähigkeit auf Signale der Umgebung
(Stimulus) zu reagieren (Response) (BACKHAUS et al. 2003: 740). Abbildung 14
verdeutlicht diesen Zusammenhang mit dem Stimulus-Organismus-Response-Modell
(SOR-Modell).
Abbildung 14: Das menschliche Nervensystem als SOR-Modell
Quelle: BACKHAUS et al. 2003: 740
Ein künstliches Neuron (Unit) lässt sich analog zu der biologischen Nervenzelle
vereinfacht durch drei mathematische Rechenoperationen (Bildung des Inputs,
Bildung des Aktivitätsniveaus, Bildung des Outputs) abbilden (vgl. Abbildung 15).
Abbildung 15: Allgemeines Modell eines künstlichen Neurons
Quelle: Eigene Darstellung in Anlehnung an PODDIG et al. 2001: 370; SCHÜLER 2002: 15
41 Einen umfassenden Überblick über die Neurobiologischen Grundlagen und Konnektionistische
Modelle zeigt insbesondere Zell (2003).
37

3 Methodische Grundlegung
Dabei entspricht die Summe der unterschiedlich gewichteten Eingangswerte e(x)
dem konnektionistischen Gegenstück der neurobiologischen Synapsen (SCHÜLER
2002: 15):
e(x) = ∑ w
jx
n
j1 =
j
(19)
mit:
e(x) = Eingangsfunktion
x
j
= Eingangsinformationen
w
j
= Verbindungsgewichte
Erreicht der summierte Eingabewert ein bestimmtes Niveau (Schwellenwert), wird
die Aktivierungsfunktion aktiviert und dadurch bestimmt, inwieweit und in welcher
Höhe das Signal durch das Neuron an andere Neuronen weitergeleitet wird (ALEX
1997: 87). Die Aktivierungsfunktion kann dabei recht komplexe Formen annehmen
(vgl. Abbildung 16). Besonders den sigmoiden Funktionen kommt eine große
Bedeutung zu, wenn KNN für Problemstellungen verwendet werden sollen, bei
denen der Zusammenhang zwischen Input- und Outputvariablen nicht-linear ist
(ZELL 2003: 89). 42
Abbildung 16: Kurvenverlauf ausgewählter Aktivierungsfunktionen
Quelle: Eigene Darstellung in Anlehnung an ALEX 1997: 88; BACKHAUS et al. 2003: 740
Im letzten Schritt erfolgt die Bildung der Ausgabe als Ergebnis auf die Anwendung
einer Outputfunktion auf das Aktivitätsniveau. Diese Outputfunktion hat bei den
42 Sigmoide Funktionen weisen einen S-förmigen Verlauf auf. Z. B. logistische und Tangens
Hyperbolicus-Funktionen (BACKHAUS et al. 2003: 760).
38

3 Methodische Grundlegung
meisten neuronalen Netzen einen nichtlinearen Charakter und ist oftmals auch
Bestandteil der Aktivierungsfunktion (Zell 2003: 76). Das Ausgangssignal wird
anschließend an nachfolgende Neuronen weitergeleitet (PODDIG ET AL. 2001: 372).
Der Ablauf dieser drei Rechenschritte lässt sich in der Literatur meistens wieder
finden. Häufig wird er jedoch unterschiedlich zusammengefasst und anders
angeordnet, was leicht zu Irritationen führen kann. Deshalb wird hier für einen
umfassenderen Überblick über die Arbeitsweise der künstlichen Neuronalen Netze
auf ANDERSON/MCNEILL 1992, FREEMAN/SKAPURA 1991, PERETTO 1992, PODDIG et
al. 2001, WHITE 1992 und ZELL 2003 verwiesen.
Durch die Verbindung von mehreren künstlichen Neuronen ergibt sich ebenfalls
analog zum biologischen Nervensystem ein leistungs- und anpassungsfähiges
Netzwerk, in dem die einzelnen Neuronen Berechnungs- und Informationsergebnisse
austauschen (MEYER 2002: 1999). Die Neuronen werden dabei wie in Abbildung 17
nach Aufgabe und Positionierung im Netzwerk in drei Schichten (Layer) unterteilt.
Abbildung 17: Darstellung der Schichten eines Neuronalen Netzes
Quelle: Eigene Darstellung in Anlehnung an HOFFMANN 2004: 50; BERRY et al. 2004: 221
In der Eingabeschicht (Input-Layer) werden externe Informationen, die Werte der
unabhängigen Variablen aufgenommen und unverändert an die verdeckte Schicht
oder Zwischenschicht (Hidden-Layer) weitergeben. Diese verdeckte Schicht hat
keine Verbindungen zur Netzwerkaußenwelt, ist für den außenstehenden Beobachter
39

3 Methodische Grundlegung
nicht sichtbar und dient der internen Informationsverteilung und -weiterverarbeitung.
Die Ausgabenschicht (Output-Layer) verarbeitet die Informationen der vorgelagerten
Neuronen weiter und ist der Austrittspunkt der analysierten Informationen. Die
Anzahl der Output-Neuronen hängt von der Anzahl der zu analysierenden Zielgrößen
ab (ZIMMERER 1997: 16). Besonders durch die nichtlinearen Aktivierungsfunktionen
in der verdeckten Schicht sind KNN in der Lage, komplexe nichtlineare
Zusammenhänge innerhalb der Datenbasis zu approximieren (HEIMEL 1994: 25).
Würden nur lineare Aktivierungsfunktionen eingesetzt, könnte das Netz auf die Einund
Ausgabeschicht reduziert werden (ZELL 2003: 89). 43
Abbildung 18: Einige schematische Netzwerktopologien
Quelle: Eigene Darstellung in Anlehnung an ALEX 1998: 83; PODDIG et al. 2001: 374; ZELL 2003: 79
Die verschiedenen Typen von KNN sind gekennzeichnet durch differenzierte
Verbindungsstrukturen der Neuronen (Topologie bzw. Architektur eines
Netzwerkes), eine unterschiedliche Anzahl an verdeckten Schichten sowie eine
unterschiedliche Anzahl an Neuronen pro Schicht (MEYER 2002: 200). Zusätzlich
kann die Netzwerktopologie auch durch die Richtung des Informationsflusses
charakterisiert werden. Verläuft der Informationsstrom nur von der Eingabe- zur
Ausgabeschicht, so wird von vorwärtsgerichteten (feedforward) Netzen gesprochen.
Bei rückwärtsgerichteten (feedback) KNN ist hingegen ein Informationsrückfluss
(Rückkopplung) möglich. Das heißt, die Informationsverteilung verläuft nicht nur
von der der Eingabe- zur Ausgabeschicht, sondern auch zwischen den Neuronen
einer Schicht und von den eigentlich nachgelagerten Neuronen zu den
43 Da die Inputschicht über keine Informationsverarbeitung verfügt, wird diese in der Literatur
(BACKHAUS et al. 2003: 740; PODDIG et al. 2001: 373; ZIMMERER 1997: 16) nicht einheitlich den
Schichten des Netzwerkes zugeordnet. In dieser Arbeit wird sie jedoch mitgezählt.
40

3 Methodische Grundlegung
Vorgängerneuronen (ANDERSON et al. 1992: 9). Dadurch ist häufig keine eindeutige
Zuordnung der Schichten mehr möglich (ALEX 1998: 84). Abbildung 18 vermittelt
einen schematischen Überblick über einige ausgewählte Netzwerkarchitekturen.
Neben der Topologie stellt der Lernprozess eine weitere wichtige Eigenschaft der
KNN dar. Dieser vollzieht sich durch die Anwendung eines Lernalgorithmus
(Lernregel) bei dem die Höhe der Gewichte bzw. die Stärke der Verbindungen
zwischen den Neuronen auf das Lernziel hin angepasst wird. Der gesamte
Lernprozess wird auch als Training des Netzwerkes bezeichnet (ebd.: 89). Es kann
zwischen unüberwachtem (Strukturentdeckung) und überwachtem (Strukturabbildung)
Lernen unterschieden werden. Beim überwachten Lernen wird einem
Eingabemuster (Input) ein bestimmtes Ausgabemuster (Output) zugeordnet. Die
Verbindungsgewichte werden dann so lange angepasst, bis die Differenz (der Fehler)
zwischen ermitteltem und tatsächlichem Output minimiert ist. Beim unüberwachten
Lernen liegt dem KNN nur das Eingabemuster vor. Hier ist das Ziel des Netzwerkes
diese Inputdaten entsprechend ihrer Homogenitäten hin zu ordnen (Clusterung) und
als Gruppen auszugeben (ANDERSON et al. 1992: 10-12).
Abbildung 19: Ausgewählte künstliche neuronale Netzwerktypen 44
Quelle: Eigene Darstellung in Anlehnung an BACKHAUS et al. 2003: 743; SCHÜLER 2002: 24
44 In dieser Arbeit werden nur die MLP und SOM vorgestellt. Die anderen Verfahren der KNN
werden unter anderem von ANDERSON/MCNEILL (1992), FREEMAN/SKAPURA (1991), PERETTO
(1992), PODDIG et al. (2001), WHITE (1992) und ZELL (2003) aufgezeigt.
41

3 Methodische Grundlegung
Abbildung 19 zeigt Beispiele für verschiedene Netzwerktypen und klassifiziert diese
in Bezug auf die angewandten Lernregeln und die Richtung des Informationsflusses.
Die unterschiedlichen Neuronalen Netze haben die Gemeinsamkeit, dass sie einen
iterativen Lernprozess zur Erschließung von Zusammenhängen in den Daten
durchlaufen. Daraus folgend wird noch einmal deutlich (vgl. Kapitel 2.2 und 3.2.1),
dass die KNN wie die multivariaten Verfahren für unterschiedliche statistische
Problemstellungen eingesetzt werden können und deshalb neben den uni-, bi-, und
multivariaten Methoden eine eigene Verfahrensklasse bilden (BACKHAUS 2003: 742;
PODDIG et al. 2001: 364).
Im Folgenden werden zwei Typen von KNN (MLP und SOM) näher vorgestellt.
Diese können in Bezug auf die Datenanalyse in der Primärforschung, wie die im
Kapitel 3.1 aufgezeigten multivariaten Verfahren (Regressionsanalyse, Clusteranalyse)
eingesetzt werden.
3.2.3 Multi-Layer-Perceptrons
Das Multi-Layer-Perceptron (MLP) ist das bekannteste struktur-abbildende
künstliche Neuronale Netzwerk (SÄUBERLICH 2000: 54; WIEDMANN et al. 2003: 58).
Es ist eine Weiterentwicklung der Perceptrons, einem zweischichtigen, trainierbaren
neuronalen Netz, dass von dem Psychologen Rosenblatt 1958 entwickelt wurde und
somit eines der ersten KNN darstellt (HEIMEL 1994: 33). Bei dem MLP handelt es
sich um ein Neuronales Netz wie es in Abbildung 17 aufgezeigt wurde. Dabei
variiert jedoch die Anzahl der verdeckten Schichten und Neuronen pro Schicht je
nach Problemfall. Der Informationsfluss ist vorwärtsgerichtet (feedforward) und
verläuft dementsprechend von den Input-Layern zu den Output-Layern (ANDERS
1997: 3). Innerhalb der Neuronen entspricht die Informationsverarbeitung den
Ausführungen zu Abbildung 15. Der Aktivierungszustand wird durch eine
logistische Funktion festgelegt (SPPS 2003a: 4).
Als überwachtes Lernverfahren bieten MLP die Möglichkeit, funktionale
Zusammenhänge zwischen einer oder mehreren abhängigen und unabhängigen
Variablen aufzuzeigen. Dem Verwendungszeck nach entsprechen sie deshalb der
42

3 Methodische Grundlegung
Regressionsanalyse aus den multivariaten Verfahren. (PODDIG et al. 2001: 367). Die
folgenden Ausführungen zu den MLP beziehen sich auf die in Abbildung 20
dargestellte Vorgehensweise.
Abbildung 20: Ablaufschritte der Multi-Layer-Perceptrons
Schritt 1
Problemstrukturierung
Schritt 2
Festlegung der Netztopologie
Schritt 3
Trainieren des Netzes
Schritt 4
Anwendung des Netzes
Schritt 5
Prüfung des Netzes
Quelle: Eigene Darstellung in Anlehnung an ALEX 1998: 108; BACKHAUS et al. 2003: 752;
WIEDMANN 2003: 70
Im ersten Schritt, der Problemstrukturierung, müssen die abhängigen und
unabhängigen Variablen festgelegt werden (überwachtes Lernverfahren). Dabei ist es
sogar möglich, mehrere endogene Variablen zu bestimmen. Diese Eingangs- und
Zielvariablen können numerisch, ordinal oder metrisch skaliert sein (SPSS 2003c).
Die Auswahl der exogenen Variablen sollte, trotz der Fähigkeit der MLP, Variablen
zu identifizieren, die keinen relevanten Einfluss auf die Outputvariable ausüben,
aufgrund von sachlogischen Überlegungen erfolgen. Andernfalls würde nach
BACKHAUS et al. (2003: 754) die Komplexität des Netzes überdimensioniert und
somit die Rechenzeit erheblich steigen.
Die Festlegung der Netztopologie wird durch die Bestimmung der Anzahl der
verdeckten Schichten und Neuronen pro Schicht definiert. Je höher die Anzahl der
43

3 Methodische Grundlegung
Schichten und Neuronen ist, desto komplexer wird das Netzwerk und umso besser
wird der Zusammenhang zwischen den Inputdaten und den Outputdaten approximiert
(HEIMEL 1994: 25; PODDIG et al. 2001: 380f.). Jedoch hat ein sehr komplexes
Netzwerk auch gleichzeitig sehr hohe Rechenzeitansprüche (SARLE 2002: 123-130).
Die Literatur gibt aufgrund dieses Zusammenhanges keine genauen Empfehlungen
zur Festlegung der Netzwerktopologie ab. Der Anwender muss somit nach dem
Trial-and-Error Prinzip ein Netzwerk konstruieren, dass sowohl der Komplexität der
Datenstruktur sowie dem Rechenaufwand gerecht wird.
Nach der Festlegung der Netztopologie erfolgt der eigentliche überwachte
vorwärtsgerichtete (feedforward) Lernprozess (Trainieren des Netzes) unter
Verwendung des Backpropagation-Algorithmus. 45 Dieser versucht den
durchschnittlichen Gesamtfehler durch die Veränderung der Verbindungsgewichte zu
minimieren. Der durchschnittliche Gesamtfehler E ergibt sich dabei nach Formel
(20) aus der Differenz zwischen dem empirischen und dem berechneten
Ausgabewert (BACKHAUS et al. 2003: 766; WIEDMANN et al. 2003: 62):
a
∑
E = (t −y )
mit:
i=
1
i
i
2
a = Anzahl der Neuronen in der Ausgabeschicht
t
i
= empirische (beobachtete) Ausgabewerte
y
i
= berechnete (vorhergesagte) Ausgabewerte
(20)
Durch die Quadrierung wird einer gegenseitigen Aufhebung der Vorzeichen
vorgebeugt. Der Lernprozess wird durch die Schrittweite (Lernrate), also die
Änderung der Gewichte, beeinflusst. Eine sehr kleine Lernrate bedeutet, dass auch
viele Lernschritte und somit auch ein erhöhter Rechenaufwand notwendig ist, bis der
Algorithmus das Minimum der Fehlerfunktion erreicht hat (BACKHAUS et al. 2003:
767). In Bezug auf die optimale Lernrate empfiehlt die Literatur diese in
Abhängigkeit von der Problemstellung, der Stichprobengröße und der Netztopologie
45
Einen umfassenden Überblick über den Backpropagation-Algorithmus zeigen
ANDERSON/MCNEILL (1992); FREEMAN/SKAPURA (1991); WHITE (1992) und ZELL (2000).
44

3 Methodische Grundlegung
zu wählen (ALEX 1998: 126; BACKHAUS et al. 2003: 767; Zell 2003: 114). Der
Anwender unterliegt aber im Prinzip wieder einem Trial-and-Error Prozess. Das Ziel
des Lernalgorithmus ist es nicht, den durchschnittlichen Gesamtfehler innerhalb des
Trainingsdatensatzes zu verringern, sondern diesen auf einen separaten
Validationsdatensatz und somit auf allgemeine Zusammenhänge
(Generalisierungsfähigkeit) zwischen den Inputdaten und Outputdaten zu minimieren
(vgl. Abbildung 21) (HOFFMANN 2004: 65).
Abbildung 21: Test- und Validationsfehler im Lernverlauf
Quelle: Eigene Darstellung in Anlehnung an BACKHAUS et al. 2003: 770; HOFFMANN 2004: 66
Dieses birgt auch die Gefahr des „Overfitting“, dem Auswendiglernen der Daten
durch das Neuronale Netz vor (BACKHAUS et al. 2003: 769; WILBERT 1996: 76). Der
empirische Datensatz wird deshalb in Trainings-, Validierungs- und in Testdaten
aufgeteilt. Die zusätzliche Unterteilung in einen Testdatensatz erfolgt, weil die
Validationsdaten schon zur Auswahl des Modells herangezogen wurden und somit
nicht mehr für die Berechnung der Güte des gewählten Modells verwendet werden
können (ebd.: 770).
Im vierten Schritt (vgl. Abbildung 20) wird nach Abschluss des Lernprozesses die
Anwendung des trainierten Netzes durchgeführt. Die Verbindungsgewichte der
Neuronen innerhalb der Schichten sind fest bestimmt und werden auf die
45

3 Methodische Grundlegung
Eingabedaten angewandt (ebd. 772). Das Ergebnis, die berechneten Ausgabedaten
(Testdaten), können im abschließenden Ablaufschritt der „Anwendung des Netzes“
geprüft werden. Dafür bieten sich nachstehende Fehlermaße an, die im Wesentlichen
auf die Residuen (Formel (2)) basieren (ANDERS 1997: 80-81; FAHRMEIER et al. 364-
374; RUDOLPH 1998: 7f.):
1
MAE = t − y
N
∑ N i i
i=
1
Mean Absolute Error
(21)
1
MSE = t − y
N
∑ N i i
i=
1
( ) 2
1
RMSE = t − y
N
∑ N i i
i=
1
( ) 2
Mean Square Error
Root Mean Square Error
(22)
(23)
1 −
= ∑ N ti yi
MAPE i 100% Mean Absolute Percent Error
N t
i=
1 i
(24)
( t t) ( y y)
∑ N i i
i 1
− i −
1
R = =
N s i s
t
y
Korrelationskoeffizient
(25)
mit:
N = Gesamtzahl der berechneten Beobachtungen (i = 1,…,N).
t = Mittelwert der empirischen (beobachteten) Ausgabewerte
y = Mittelwert der berechneten (vorhergesagte) Ausgabewerte
s
t
= Streuung der empirischen (beobachteten) Ausgabewerte
s
y
= Streuung der berechneten (vorhergesagte) Ausgabewerte
Der Mean Absolute Error (MAE) gibt an, inwieweit der vorhergesagte Ausgabewert
im Durchschnitt dem empirischen Wert entspricht. Durch das Quadrieren der
Residuen im Mean Square Error (MSE), werden große Abweichungen stärker
gewichtet als kleinere, woraus eine hohe Sensibilität gegenüber Ausreißern in den
berechneten Ausgabewerten folgt. Der Root Mean Square Error (RMSE) berechnet
die Wurzel aus dem MSE. Dieser häufig verwendete Wert ist mit dem Standardfehler
der Regression (Standardfehler der Residuen) unmittelbar vergleichbar und
46

3 Methodische Grundlegung
ermöglicht eine leichte inhaltliche Interpretation, da er auf der gleichen Maßeinheit
wie die beobachteten Werte beruht (ANDERS 1997: 8). 46 Der Vorteil des Mean
Absolute Percent Error (MAPE) ist seine Unabhängigkeit von der Größe der
Ausgabewerte, da er die betragsmäßige, mittlere prozentuale Abweichung der
empirischen Ausgabewerte von den berechneten Ausgabewerten bestimmt. Dabei
muss jedoch beachtet werden, dass dasselbe Ausmaß einer Fehlberechnung bei
einem hohen Beobachtungswert weniger wichtig bewertet wird, als bei einem
niedrigen Beobachtungswert (ebd.: 9). Der hier aufgezeigte Korrelationskoeffizient
R ist vor allem in regressionsanalytischen Verfahren gebräuchlich. Er quantifiziert
die lineare Korrelation zwischen den empirischen und den berechneten
Ausgabewerten. Durch Quadrieren dieses Koeffizienten ergibt sich das schon in
Kapitel 3.1.2 aufgezeigte Bestimmtheitsmaß R².
Das Ergebnis der MLP liefert nicht, wie bei der multivariaten Regressionsanalyse,
Koeffizienten, mit deren Hilfe eine einfache inhaltliche Interpretation der
einfließenden Variablen erfolgen kann (HOFFMANN 2004: 68). Es ist jedoch möglich
unter Anwendung von verschiedenen Verfahren eine Aussage über die globale und
lokale Relevanz der Inputvariablen zu treffen. Die globale Relevanz soll eine
Aussage darüber treffen, inwieweit eine Inputvariable einen Beitrag zu Varianz der
Outputvariablen leistet (WIEDMANN et al. 2003: 74). Dafür können im Rahmen des
Trainingsprozesses der MLP Pruning-Verfahren Informationen darüber geben,
welche Variablen keinen Beitrag zur Varianz der Outputvariablen leisten (ebd.). 47
Ein anderer Ansatz zur Bestimmung der globalen Relevanz erfolgt durch die
Beobachtung der Veränderung der Fehlermaße bei der iterativen Auswahl der
Inputvariablen (ebd.). Die lokale Relevanz betrachtet durch die Anwendung von
linearen Sensitivitätsanalysen wie stark sich der Output bei Variation einer
Inputvariablen unter Verwendung von Durchschnittswerten bei den restlichen
Variablen ändert (SPSS 2003a: 16; WIEDMANN et al. 2003: 74). Diese
Durchschnittsbetrachtung ist daher nur anzuwenden, wenn die Nicht-Lineraritäten
46 Dies setzt jedoch voraus, dass die Größenordnung der abhängigen Variablen bekannt ist
(ANDERS 1997: 8).
47 Diese Verfahren beginnen mit sehr vielen Inputvariablen (Neuronen) und löschen dann iterativ
die Variablen, die keinen hilfreichen Einfluss auf den Output haben (SPSS 2003a: 12-13).
47

3 Methodische Grundlegung
innerhalb des Neuronalen Netzwerkes gering ausgeprägt sind (BACKHAUS et al.
2003: 773).
Insgesamt wurde aufgezeigt, dass die Literatur (Z.B. ALEX 1998; BACKHAUS et al.
2003; WIEDMANN 2003) oft keine genauen Angaben zur spezifischen Anwendung
von MLP geben kann. Der Anwender unterliegt, wie oben aufgezeigt, häufig einem
Trial-and-Error Prozess. Er muss deshalb besonders sorgfältig einen systematischen
Mittelweg zwischen dem zeitlichen Rechenaufwand und der Fähigkeit des Netzes,
komplexe Zusammenhänge darzustellen, finden. 48 Dabei beeinflusst er die
Rechenzeit des Netzes durch die Anzahl der Variablen, Schichten, Neuronen und die
Höhe der Lernrate. In Bezug auf die notwendige Stichprobengröße gibt die Literatur
keine Hinweise. Es scheint aber offensichtlich, dass umso komplexer der
Zusammenhang der Datenstruktur ist, desto größer sollte auch der Datensatz sein.
Trotz dieser anwendungsbezogenen Probleme bieten MLP auf Grund ihrer
spezifischen Eigenschaften (Nichtlinearität, Lernfähigkeit usw.) viele Potenziale und
ein breites Einsatzgebiet (vgl. Kapitel 3.3).
3.2.4 Self-Organizing-Maps
Die Self-Organzing-Maps (SOM, Selbstorganisierende Karten) oder auch Kohonen-
Netze sind neben den MLP ein ebenfalls weit verbreiteter Netzwerktyp (MEYER
2002: 202). Sie wurden 1981 von Kohonen entwickelt und gehören zu den
unüberwachten Lernverfahren (KOHONEN 1995: 2001). Die Architektur eines SOM
wird in Abbildung 22 aufgezeigt. Es ist demnach ein einfach konstruiertes
zweischichtiges, vorwärtsgerichtetes (feedforward) KNN, mit einer Inputschicht zur
externen Informationsaufnahme und einer zweidimensionalen Outputschicht. Jedes
Neuron der Eingabeschicht ist mit jedem Neuron der Ausgabeschicht durch
Verbindungsgewichte verbunden. Auch die Neuronen der Ausgabeschicht
48 Die Berechnung eines Neuronalen Netzes kann im extremsten Fall einige Stunden bis Tage
dauern.
48

3 Methodische Grundlegung
(Kartenschicht) sind miteinander verknüpft, was Rückkopplungen der Karte auf sich
selbst ermöglicht (PETERSOHN 1997: 94). 49
Abbildung 22: Topologie einer Self-Organizing-Map
Quelle: Eigene Darstellung in Anlehnung an MEYER 2002: 202; SCHÜLER 2002: 282
Als struktur-entdeckendes Verfahren bieten die SOM die Möglichkeit, eine beliebige
Menge von Objekten (z. B. Kunden) nach ihren Ähnlichkeiten, eine bestimmte
Anzahl von Merkmalen (oder auch Variablen z.B. Umsatz, Haushaltsgröße), zu
ordnen. Die Objekte werden dabei solange auf der Karte (Fläche) verschoben, bis die
ähnlichsten Objekte nebeneinander liegen (PODDIG et al. 2001: 383). Diese Objekte
werden dann in Gruppen zusammengefasst. Das Ziel des Lernprozesses der SOM ist
es, dass die Objekte innerhalb der Gruppen möglichst homogen und die Gruppen
zueinander möglichst heterogen sind (SPSS 2003d: 324). Demnach haben die SOM
und das multivariate Verfahren der Clusteranalyse das gleiche Ziel (vgl. Kapitel
3.1.3). 50 Es ist deshalb nicht verwunderlich, dass sich die Ablaufschritte (vgl.
Abbildung 9 und Abbildung 23) der beiden Verfahren ähneln. Dementsprechend
werden im Folgenden nur die Schritte 1 bis 3 aus Abbildung 23 näher dargestellt.
Insgesamt beruht der hier dargestellte Verfahrensablauf auf einer eigenen
49
Die Verbindungslinien zwischen den Outputneuronen in Abbildung 22 stellen keine
Verbindungsgewichte, sondern symbolisieren nur deren Ordnungsrelation in der Ausgabeschicht.
50 Obwohl man die SOM, wie in Abbildung 10 den Clusterverfahren zuordnen kann, wird dieses
hier terminologisch getrennt. D. h. die Verwendung des Terminus der Clusteranalyse bezieht sich nur
auf die multivariaten Clusterverfahren.
49

3 Methodische Grundlegung
methodischen Erforschung im Rahmen dieser Arbeit, da die Literatur bisher kaum
anwenderorientierte Ausführungen aufweist.
Abbildung 23: Ablaufschritte bei den Self-Organizing-Maps
Schritt 1
Auswahl von Variablen
Schritt 2
Festlegung des Outputgitters
Schritt 3
Trainieren der SOM
Schritt 4
Prüfung des Netzergebnisses
externe
Prüfung
interne
Prüfung
relative
Prüfung
Schritt 5
Interpretation der Cluster
Quelle: Eigene Darstellung
Zunächst erfolgt die Auswahl der Inputvariablen, welche gleichzeitig den
Inputneuronen entsprechen. Die Eingangsvariablen können nominal, ordinal oder
metrisch skaliert sein. Wie bei der Clusteranalyse hat die Auswahl der aktiven
Variablen den größten Einfluss auf das Gruppierungsergebnis. Nach GIERL et al.
(2001: 130) wird die Anzahl der Eingabeneuronen in der Literatur meist auf vier bis
acht beschränkt. Es ist ebenfalls möglich bei einer hohen Anzahl an Variablen eine
Faktorenanalyse vorzuschieben (ebd.).
50

3 Methodische Grundlegung
Die optimale Clusteranzahl des Datensatzes wird automatisch durch den
Trainingsprozess der SOM bestimmt (SPSS 2003d: 325). Jedoch kann durch die
Festlegung der Dimension (Breite und Länge) des Outputgitters (Karte) auf die
Anzahl der Ausgabeneuronen und somit auch auf die Anzahl der Cluster Einfluss
genommen werden. Um möglichst brauchbare Ergebnisse zu erzielen, sollte die
Karte jedoch nicht zu groß spezifiziert werden.
Während des Trainings (Schritt 3) der SOM konkurrieren die Outputneuronen
untereinander um jedes Objekt. Hat ein Neuron ein Objekt gewonnen, so werden die
Verbindungsgewichte dieses Siegerneurons und seiner Nachbarneuronen der Art
angepasst, dass die Werte des Objektes, bestimmt durch die Inputvariablen, besser
vorausgesagt werden. Im Laufe des Trainingsprozesses werden die Gewichte der
Outputgitterneuronen so angenähert, dass sie eine zweidimensionale Karte erzeugen
(deshalb Self-Organizing-Maps), in der benachbarte Cluster durch benachbarte
Neuronen repräsentiert werden (SPSS 2003d: 324f.). 51 Die Genauigkeit der
Anpassung der Verbindungsgewichte kann der Anwender, wie bei den MLP, durch
die Höhe der Lernraten vorgeben. Das Training wird abgebrochen bzw. beendet,
wenn die Gewichtsanpassungen nur noch sehr klein sind oder eine bestimme Anzahl
an Durchläufen stattgefunden hat. 52
Die Überprüfung sowie die Interpretation des Ergebnisses der SOM (Schritt 4 und 5)
erfolgt analog zur Clusteranalyse (vgl. Kapitel 3.1.3).
Wie bei den MLP wurde auch bei den SOM aufgezeigt, dass der Anwender
Kenntnisse und Erfahrungen mitbringen muss, um die KNN effizient einsetzen zu
können. Dem Trial-and-Error Prozess sollte er durch ein systematisches und
sachlogisches Vorgehen vorbeugen.
51 Als Ähnlichkeitsmaß verwenden die SOM das Euklidische Distanzmaß (SPSS 2003a: 50).
52 Einen ausführlicheren Überblick über den Lernprozess der SOM gibt KOHONEN (2001).
51

3 Methodische Grundlegung
3.3 Eigenschaften Neuronaler Netze im Vergleich zu den
multivariaten Verfahren
Nachdem in den vorhergehenden Kapiteln die Verfahren der multivariaten Statistik
und der künstlichen Neuronalen Netze vorgestellt wurden, werden im Rahmen dieses
Abschnittes zunächst, in Anlehnung an Abbildung 24, blockweise die speziellen
Eigenschaften der Neuronalen Netze den multivariaten Verfahren in Bezug auf die
statistischen Problemsituationen gegenübergestellt. Anschließend werden der Trialand-Error
Prozess sowie das Black-Box Prinzip in Hinblick auf die vorgestellten
statistischen Verfahren näher untersucht.
Abbildung 24: Eigenschaften Neuronaler Netze und statistische Problemsituationen
in der Primärforschung 53
Quelle: Eigene Darstellung in Anlehnung an WIEDMANN et al. 2003: 49
53 Die aufgezeigte Dynamik eines Systems berücksichtigt insbesondere die zeitliche Entwicklung
eines Merkmals (Variable), welche in vielen ökonomischen Vorgängen eine wichtige Rolle spielt.
Diese Dynamik wird vor allem durch Lernen unter Verwendung von Beispieldaten innerhalb des
KNN berücksichtigt (WIEDMANN et al. 2003: 50). Da im Rahmen der Primärforschung selten
Zeitreihen mit einbezogen werden, wird dieser Punkt hier nicht näher betrachtet.
52

3 Methodische Grundlegung
Nichtlinearität
Neuronale Netze können jeden nichtlinearen funktionellen Zusammenhang, wie z. B.
die Interaktionen zwischen den Eingabevariablen darstellen und sind deshalb nicht
auf die gewichtete Addition (Linearität) der Inputvariablen wie bei vielen
multivariaten Verfahren (z. B. lineare Regressionsanalyse und Diskriminanzanalyse)
beschränkt (STRECKER 1997: 28). Sie vermögen deshalb die Komplexität und
Intransparenz einer statistischen Problemsituation besser aufzudecken (WIEDMANN et
al. 2003: 49).
Lernfähigkeit
KNN werden durch Lernverfahren auf Basis von Beispieldaten trainiert. Der
Anwender benötigt im Gegensatz zu den multivariaten Verfahren keine expliziten
problembezogenen Annahmen (Wissen) über die Zusammenhänge (HEIMEL 1994:
30; STRECKER 1997: 28). Oder anders gesagt, neuronale Netze benötigen keine
Regeln um ein Problem detailliert zu beschreiben, sondern Beispiele (Erfahrungen)
(PETERSOHN 1997: 78). Durch diese Lernfähigkeit können sich KNN dynamisch an
die Bedingungen der Problemsituation anpassen (Flexibilität des KNN), sofern sich
die Datengrundlage nicht verändert oder der Anwender durch die Beeinflussung des
Lernverhaltens (Einstellungen der Lernrate, Lernschritte) einen Algorithmus für ein
Problem vorschreibt (ANDERS 1996: 164; PETERSOHN 1997: 78; WIEDMANN et al.
2003: 49).
Variablenanzahl
Die beiden erstgenannten Eigenschaften (Lernfähigkeit und Nichtlinearität) werden
bei einer geringen Anzahl von Variablen zum Teil auch von multivariaten Verfahren
ermöglicht. Jedoch können KNN eine besonders große Anzahl von erklärenden
Variablen in den Lernprozess mit einbeziehen. Dieses ermöglicht dem Neuronalen
Netzwerk, die Komplexität einer Datenstruktur besser zu durchdringen bzw. offen zu
legen (WIEDMANN et al. 2003: 49). Die Dimensionalität des Begriffes der
Komplexität umfasst dabei im mathematischen Sinn zum einen den Grad der
Nichtlinearität und zum anderen die Anzahl der Variablen (vgl. Abbildung 25)
(REHKUGEL et al. 1994: 13-20). Während es mit den multivariaten Verfahren nur
möglich ist, entweder mit wenigen Variablen einen hohen Grad an Nichtlinearität
53

3 Methodische Grundlegung
(Analysis) oder umgekehrt mit vielen Variablen einen geringen Grad an
Nichtlinearität (Lineare Algebra) zu erreichen, können KNN beide Dimensionen
verwirklichen. Es ist jedoch darauf hinzuweisen, dass eine höhere Anzahl an
Inputvariablen zwar eine Verbesserung der Anpassung an die beobachteten
Ausgabedaten bedeutet, was aber nicht notwendigerweise mit einer besseren
Approximation der gesuchten Funktion einhergeht (ANDERS 1996: 164).
Abbildung 25: Dimension der Komplexität
Quelle: Eigene Darstellung in Anlehnung an REHKUGEL et al. 1994: 13
Parallelität und Fehlertoleranz
Die Parallelität der Informationsverarbeitung innerhalb der Netzwerkarchitektur
verteilt den Input über viele Neuronen. Dadurch bleibt das KNN auch funktionsfähig
beim Ausfall einiger Bausteine (z. B. Entfernung oder Fehlfunktion von
Verbindungen und Verarbeitungseinheiten) oder bei der Aufnahme unsicherer oder
fehlerhafter Inputsignale. Daraus ergibt sich auch die Robustheit bzw. Fehlertoleranz
gegenüber Datenmängeln (STRECKER 1997: 28; ZELL 2003: 27). Dieses bedeutet aber
nicht, dass die Genauigkeit der Ergebnisse (des Outputs) erhalten bleibt. Sondern es
besteht sogar die Gefahr, dass sich das Neuronale Netz aufgrund seiner Flexibilität
den fehlerhaften Daten anpasst (ANDERS 1996: 164). Somit sollten Datensätze vor
der Analyse mit KNN ebenso wie vor der Anwendung von multivariaten Verfahren
auf Ausreißer hin untersucht werden.
54

3 Methodische Grundlegung
„Trial-and-Error“ Entwicklungsprozess
Bei der Darstellung der MLP und der SOM (vgl. Kapitel 3.2.3 und 3.2.4) wurde
schon deutlich, dass der Entwicklungsprozess eines KNN experimentell-explorativ
verläuft. Denn im Gegensatz zu den multivariaten Verfahren liegen in der Literatur
keine allgemeingültigen Handlungsanweisungen für den Aufbau des Neuronalen
Netzwerkes vor (STRECKER 1997: 29f.). Der Anwender unterliegt deshalb einem
Trial-and-Error Prozess in dem er die Netzwerktopologie und die Lernregeln so
lange variiert bis er ein akzeptables Ergebnis erreicht. Dadurch erhöht sich
letztendlich in erheblichem Maße die Entwicklungs- bzw. Vorbreitungszeit zur
Lösung eines statistischen Problems (ebd.). Diesem Prozess kann der Praktiker nur
durch ein systematisches Vorgehen bei der Netzwerkentwicklung begegnen. Auch
benötigt er Kenntnisse und Erfahrungen im Umgang mit KNN (PODDIG et al. 2001:
369). Es soll jedoch nicht suggeriert werden, dass künstliche Neuronale Netze einem
größeren subjektiven Einfluss in der Ergebnisentwicklung unterliegen und mehr
Anwenderwissen benötigen als multivariate Verfahren. Denn auch diese unterliegen
häufig einem Trial-and-Error Prozess, z. B. die Faktor- und Clusteranalyse. Der
entscheidende Unterschied zwischen den beiden Verfahrensklassen liegt bei diesem
Problem vor allem darin, dass bisher im Vergleich zu den multivariaten Verfahren
nur wenige wissenschaftliche Erkenntnisse über den praktischen Gebrauch der
neuronalen Netze vorhanden sind.
„Black-Box“ Modelle
Neuronale Netze unterliegen häufig dem Vorwurf, sie seien „Black-Box“ Modelle,
denn es sei nicht nachvollziehbar, welche Prozesse zwischen der Eingabe- und
Ausgabeschicht durchgeführt werden (Abbildung 26) (STRECKER 1997: 29f.;
WILBERT 1996: 257-264). Diese Prozesse verlaufen aufgrund der konfigurierten
Lernverfahren automatisch in der internen Zwischenschicht des Netzwerkes und
führen so zu einer komplizierten Analysierbarkeit und damit einhergehenden
eingeschränkten Nachvollziehbarkeit der Verarbeitungsentscheidungen des KNN.
Während STRECKER (1997: 29f.) und WILBERT (1996: 257-264) die Ergebnisse bzw.
Entscheidungen der Netzausgabe aufgrund des fehlenden Lösungsweges für schwer
interpretierbar halten, sehen WIEDMANN et al. (2003: 74), dass Problem darin, dass
Neuronale Netze „lediglich komplexe Zusammenhänge der Realität abbilden“, und
55

3 Methodische Grundlegung
somit nicht sie, „sondern die Realität für uns Menschen eine „Black Box“
darstellt“. 54
Abbildung 26: Blackbox-Ansatz
Quelle: Eigene Darstellung in Anlehnung an WILBERT 1996: 257
Nach STRECKER (1997: 29) kann jedoch die eben genannte Problematik letztendlich
zu einer geringeren Ergebnisakzeptanz in der praktischen Anwendung von
Neuronalen Netzen führen. Es stellt sich jedoch darüber hinaus die Frage, ob für den
Marktforschungspraktiker mit geringen Methodenwissen die komplizierten
multivariaten Verfahren, z. B. die Cluster-, Faktor und Diskriminanzanalyse, bedingt
durch einfache Anwendersoftware, nicht ebenfalls als Black Box-Prinzip erscheinen.
Demnach sollten zunächst empirische Untersuchungen über das Wissen und den
Gebrauch von statistischen Methoden in der Praxis erfolgen, bevor man einer ganzen
Verfahrenklasse (den Neuronalen Netzen) das Black-Box Prinzip unterstellt.
Die in diesem Kapitel aufgezeigten Eigenschaften der Neuronalen Netze machen
deutlich, dass unter gewissen Einschränkungen mit ihrer Hilfe neuartige Modelle
statistischer Problemsituationen gebildet werden können.
In dem nun folgenden empirischen Teil dieser Arbeit soll aufgezeigt werden,
inwieweit die KNN die hier aufgezeigten Eigenschaften und Potenziale in der
54 WIEDMANN et al. (2003: 74) beschreibt als Analogie dazu, dass ein PC Anwender ja auch nicht
weiß wie dieser funktioniert und trotzdem dessen Ergebnissen vertraut.
56

3 Methodische Grundlegung
Primärforschung verwirklichen können. Um diese Frage zu beantworten, zeigt das
anschießende Kapitel zunächst ein Überblick zum Stand der Forschung. Erst darauf
hin erfolgt auf Basis von Bewertungskriterien und anhand von zwei Fallstudien der
Vergleich zwischen den multivariaten Verfahren und den KNN.
57

4 Empirische Anwendung und Vergleich der Verfahren
4 Empirische Anwendung und Vergleich der Verfahren
4.1 Zum Stand der Forschung
Über die Einsatzmöglichkeiten von Neuronalen Netzen existiert eine Vielzahl von
Untersuchungen. Nach GYAN et al. (2004) wurden in der Periode von 1999 bis 2003
schätzungsweise 22.500 Zeitschriftenartikel und 13.800 Konferenzpapiere in den
verschiedensten Forschungsfeldern (von der Biologie bis zur Ökonomie) über KNN
veröffentlicht. 55 Angesichts dieser hohen Anzahl von Publikationen ist es nicht
verwunderlich, dass neben GYAN et al. (2004) auch andere Autoren (KRYCHA et al.
1999, SHARDA et al. 1998, VELLIDO et al. 1999) den Schwerpunkt ihrer Studien nur
auf die Auswertung von schon publizierten Artikeln zur Verwendung von KNN im
Marketing beziehen.
Im Rahmen dieses Kapitels werden unter anderem die Ergebnisse der oben
genannten Autoren mit denen der eigenen Bestandsaufnahme verglichen. Primäres
Ziel ist es jedoch zu überprüfen, inwieweit die bestehende Literatur einen Beitrag zur
Forschungsfrage (vgl. Abschnitt 2.2) leisten kann. 56 Aufgrund dieser Fragestellung
wurden nur Publikationen aus der Marktforschung untersucht, die einen
Methodenvergleich zwischen den in Kapitel 3 aufgeführten Verfahren aufweisen.
Tabelle 3, 4 und 5 geben einen Überblick über ausgewählte Forschungsergebnisse
auf diesem Gebiet. Neben dem Autor, dem Jahr der Veröffentlichung und einer
kurzen Beschreibung des Untersuchungsschwerpunktes, werden jeweils die
wesentlichen Forschungsergebnisse in komprimierter Form dargestellt.
55 Über die Anzahl der Veröffentlichungen, die in die Forschungsrichtung des betriebswirtschaftlichen
Marketings fallen, liegen jedoch keine Zahlen vor.
56 Ziel der Arbeit ist es, zu untersuchen, ob durch den Einsatz von künstlichen Neuronalen Netzen
in der Primärforschung, eine Verbesserung der Informationsgewinnung im Vergleich zu den bisher
eingesetzten multivariaten Verfahren möglich ist (vgl. Kapitel 1).
58

4 Empirische Anwendung und Vergleich der Verfahren
Tabelle 3: Ausgewählte Literatur zum Verfahrensvergleich in der Sekundärforschung
Autor
(Jahr)
ALON et al.
(2001)
BARTHELE-
MY et al.
(2003)
CHAN et al.
(2000)
ERXLEBEN
et al. (1992)
HEIMEL
(1994)
HIPPNER et
al. (2001a)
HOFFMANN
(2004)
HRUSCHKA
et al.
(2001b,
2004) und
PROBST
(2002)
(Teil 1)
Typologisierung von
sehr kleinen
Unternehmen
Vorhersage von
Finanzzeitreihen im
Aktienmarkt
Klassifikation von
Unternehmen in der
Krisenfrüherkennung
Kaufverhalten bei
kurzlebigen Konsumgütern
(Universalwaschmittelmarkt)
Kreditwürdigkeitsprüfung
im Versandhandel
Werbewirkungsforschung
in
verschiedenen
Branchen
Analyse der Markenwahlentscheidungen
bei Ketchup und
Erdnussbutter
(Scannerdaten)
Untersuchungsschwerpunkt/
Anwendungsgebiet
Vorhersage von
Einzelhandelsumsätzen
Stichprobengröße
DW
Verfahrensvergleich
MLP vs.
MRA
459 SOM vs.
CLU (Ward,
K-Means)
650 MLP vs.
MRA
3539 NDA vs.
DA
2198 MLP vs.
LOGR
159165 MLP vs. DA
vs. LOGR
vs. EB
2713 MLP vs.
MRA
811
Ketchup
960
Erdnuss
butter
MLP vs.
MNR
Ergebnisse
Überlegenheit der MLP. Diese
benötigen aber Expertenwissen
und einen höheren Softwareaufwand.
Die Ergebnisse sind
schwer zu interpretieren.
SOM, Ward und K-Means CLU
Algorithmus erbringen im
Wesentlichen die gleichen
Ergebnisse. Die SOM sind
jedoch weniger anfällig für
Datenfehler.
Vergleichbare Ergebnisse.
Eignung der KNN für die
Krisenfrüherkennung, aber
keine abschließende
Beurteilung, ob die KNN der
DA überliegen.
Überlegenheit der MLP.
Problematisch erwies sich
jedoch die Interpretation der
Netzwerkarchitektur bei den
MLP.
Überlegenheit der MLP.
Problematisch erwies sich
jedoch die Interpretation der
Ergebnisse.
Vergleichbare Ergebnisse.
Jedoch weisen die Ergebnisse
der MRA zum Teil erhebliche
Prämissenverletzungen auf.
Überlegenheit der MLP. Zur
Erzielung robuster Ergebnisse
sind jedoch relativ große
Schätzsamples notwendig. Dies
führt wiederum zu langen
Rechenzeiten. Die Ergebnisse
sind schwer zu interpretieren.
Überlegenheit der SOM.
KIANG et al.
(2005a,b)
Marktsegmentierung
von Telefonkunden
3602 SOM vs. K-
Means
QI et al. Vorhersage für die 1804 MLP vs.
(2003) Entscheidung eines
LOGR
Kreditkarteneinsatzes
DA = Diskriminanzanalyse EB = Entscheidungsbaum
LOGR= Logistische Regressionsanalyse MLP = Multi-Layer-Perceptrons
MRA = Multiple Regressionsanalyse NDA = Neuronale Diskriminanzanalyse
SOM = Self-Organizing-Maps CLU = Clusteranalyse
DW = Data Warehouse MNR = Multinomiale-logistische-Regression
Quelle: Eigene Darstellung
Erheblich bessere Ergebnisse
der MLP.
59

4 Empirische Anwendung und Vergleich der Verfahren
Tabelle 4: Ausgewählte Literatur zum Verfahrensvergleich in der Sekundärforschung
Autor
(Jahr)
SÄUBERLICH
(2003)
SHIN et al.
(2004)
SMITH et al.
(2000)
THIEME et
al. (2000)
TIETZ et al.
(2001)
URBAN
(1998)
WEBER
(2003b)
WEBER
(2001)
WEINGÄRT-
NER (2001)
(Teil 2)
Segmentierung von
Aktienhandelskunden
Verfahrensvergleich
Kundenbindungsanalyse
in der Versicherungsbranche
Entscheidungsunterstützung
bei der
Neuentwicklung von
Produkten
Cross-Selling-
Optimierung von
Finanzprodukten
Werbemitteleinsatzplanung
im Versandhandel
Medienforschung zur
Vorhersage des
Fernsehverhaltens
Medienforschung
zum Publikumserfolg
von Spielfilmen
Web Mining für
Online Shops
Untersuchungsschwerpunkt/
Anwendungsgebiet
Web Mining für
Online Shops
Stichprobengröße
22000 MLP vs.
MRA vs. EB
3000 SOM vs. K-
Means vs.
Fuzzy K-
Means
20914 MLP vs.
LOGR vs.
EB
612 MLP vs. K-
Means vs.
MNR vs.
MRA vs.
DA
160716 MLP vs.
LOGR vs.
EB
22000 MLP vs. DA
vs. LOGR
5200 MLP vs.
MRA
209 MLP vs.
MRA
300000 MLP vs.
LOGR vs.
EB
Ergebnisse
Überlegenheit der MLP. Die
MLP sind aber im Gegensatz zu
den anderen Verfahren eine
Black Box.
Überlegenheit der Fuzzy K-
Means. Die SOM überliegen
aber der K-Means Clusterung.
Überlegenheit und bessere
Generalisierung der MLP.
Überlegenheit der MLP.
Problematisch erwies sich
jedoch die Interpretation der
Parameter des neuronalen
Netzes.
Überlegenheit der EB. Die MLP
überliegen jedoch den LOGR.
Problematisch erwies sich die
Interpretation der MLP
Ergebnisse.
Bessere Ergebnisse der MLP.
Jedoch weisen diese eine
geringe Transparenz und
wissenschaftliche Fundierung
auf.
Geringfügige Überlegenheit der
MLP.
Erheblich bessere Ergebnisse
der MLP. Jedoch benötigen
diese ein hohes Maß an
Erfahrungen, Experimentierfreude
und Rechenzeit.
Überlegenheit der MLP. Jedoch
konnte der Weg zur Lösung
nicht erklärt werden (Black-
Box-Effekt).
Überlegenheit der neuronalen
WIEDMANN Marktsegmentierung 12582 NDA vs.
et al. (1995) von PKW-Nutzern
DA Diskriminanzanalyse.
WIEDMANN Käuferverhalten bzw. DW MLP vs. DA Überlegenheit der MLP
et al. Kaufgründe für PKW
gegenüber der konventionellen
(2003a) Marken
Methode.
DA = Diskriminanzanalyse EB = Entscheidungsbaum
LOGR= Logistische Regressionsanalyse MLP = Multi-Layer-Perceptrons
MRA = Multiple Regressionsanalyse NDA = Neuronale Diskriminanzanalyse
SOM = Self-Organizing-Maps CLU = Clusteranalyse
DW = Data Warehouse MNR = Multinomiale-logistische-Regression
Quelle: Eigene Darstellung
60

4 Empirische Anwendung und Vergleich der Verfahren
Bei den Auswertungen der Tabellen 3 und 4 wird deutlich, dass der größte Teil der
Forschungsarbeiten aus dem Data-Mining bzw. der Sekundärforschung stammt.
Dieses wird neben dem Untersuchungsschwerpunkt vor allem auch durch die sehr
großen Stichproben der jeweiligen Studien ersichtlich. GYAN et al. (2004: 3) und
SHARDA et al. (1998: 3f.) bestätigen diese Beobachtung. In Bezug auf die
Verwendung von KNN in der Primärforschung konnten nur drei Studien gefunden
werden. Dadurch wird der Ansatz dieser Arbeit, die KNN, die bislang im Rahmen
des Data-Mining-Prozesses Einsatz fanden, direkt auf die in der Primärforschung
erhobenen Daten anzuwenden bestätigt (vgl. Kapitel 2.2). Es muss jedoch darauf
hingewiesen werden, dass die Ergebnisse der Tabelle 5 sicherlich nicht repräsentativ
sind. Insbesondere deswegen, weil dort nur Studien über die SOM vorliegen.
Tabelle 5: Ausgewählte Literatur zum Verfahrensvergleich in der Primärforschung
Autor
(Jahr)
Anwendungsgebiet
Untersuchungs-
Stichproben-
Verfahrensvergleich
Ergebnisse
DOLNICAR
(1997)
HRUSCHKA
et al. (1999)
LÖBLER et
al. (2001)
schwerpunkt
Marktsegmentierung
in der Tourismusbranche
Marktsegmentierung
von Haushaltsreinigermarken
Kundensegmentierung
im Automobilhandel
KNN = künstliches Neuronales Netzwerk
Quelle: Eigene Darstellung
größe
7864 SOM vs. K-
Means
n= 854 spezielles
KNN vs. K-
Means
? SOM vs. K-
Means
Annährend gleiche Ergebnisse.
Jedoch erwiesen sich die SOM
als nicht benutzerfreundlich.
Überlegenheit des KNN.
Die SOM weisen bessere
Klassifizierungsergebnisse auf.
Die Interpretation der
gebildeten Segmente (SOM)
erwies sich als schlüssig.
SOM = Self-Organizing-Maps
In fast allen Untersuchungen aus der Sekundärforschung wurden die MLP
verwendet. Dabei erzielten diese im Vergleich zu den multivariaten Verfahren außer
bei der Studie von TIETZ et al. (2001) gleich gute oder bessere Ergebnisse. VELLIDO
et al. (1999) bestätigt dieses Resultat nach einer Untersuchung von 93 Publikationen.
Die MLP offenbarten in den Forschungsstudien jedoch zum Teil erhebliche
anwenderbezogene Probleme. So zeigte sich unter anderem bei HIPPNER et al.
(2001a) und THIEME et al. (2000) die Interpretation der Netzwerkarchitektur und der
Ergebnisse als sehr problematisch. URBAN (1998) schreibt den MLP deshalb eine
geringe wissenschaftliche Fundierung und Transparenz zu. Aufgrund dieser
Schwierigkeiten sehen SÄUBERLICH (2003) und WEINGÄRTNER (2001) den
61

4 Empirische Anwendung und Vergleich der Verfahren
Verfahrensablauf des MLP als Black-Box an. Um diese Black-Box zu öffnen,
benötigt der Anwender nach WEBER (2003) ein hohes Maß an Erfahrungen und
Experimentierfreude.
Die Untersuchungsergebnisse zu den SOM entsprechen im Wesentlichen denen der
MLP. So erbrachten bei BARTHELEMY et al. (2003) die SOM die gleichen Ergebnisse
wie die Ward und K-Means Clusterung. Jedoch erwiesen sich die KNN als weniger
anfällig gegenüber Datenfehlern. Die Berechnungen von HRUSCHKA et al. (1999) und
SHIN et al. (2004) wiesen den SOM ein besseres Klassifizierungsergebnis zu als den
multivariaten Clusterverfahren. Während sich bei LÖBLER et al. (2001) die
Interpretation der SOM als schlüssig erwies, bezeichnet DOLNICAR (1997) die SOM
als nicht benutzerfreundlich.
Im Hinblick auf die Bewertung der Einsatzmöglichkeiten von Neuronalen Netzen zur
Lösung von statistischen Problemen in der Primärforschung, liegt als Ergebnis der
Auswertungen der oben aufgeführten Forschungsergebnisse die Vermutung nahe,
dass die KNN, unter der Einschränkung der aufgezeigten Anwendungsprobleme,
bessere Ergebnisse erbringen als die multivariaten Verfahren. Jedoch genügen die in
den Tabellen 3, 4 und 5 aufgezeigten Ergebnisse nicht, um diese Annahme in Bezug
auf die Primärforschung verifizieren zu können. Auf der Grundlage der im
anschließenden Kapitel aufgezeigten Bewertungskriterien, werden daher im
Folgenden weitere empirische Untersuchungen durchgeführt.
4.2 Bewertungskriterien für die Güte der Verfahren
Für die Bewertung der Leistungsfähigkeit (Informationsgewinnung) von
multivariaten Verfahren und künstlichen Neuronalen Netzen in der Primärforschung
sowie den Vergleich dieser Methoden sind geeignete Kriterien festzulegen. In diesem
Kontext können nach Abbildung 27 direkte und indirekte Kriterien differenziert
werden (ALEX 1998: 176f).
62

4 Empirische Anwendung und Vergleich der Verfahren
Abbildung 27: Kriterien zur Beurteilung der Leistungsfähigkeit der Verfahren
Quelle: Eigene Darstellung in Anlehnung an ALEX 1998: 178; BERRY et al. 1997: 422f.; KÜPPERS
1999: 87f.
Die direkten Kriterien (direkt messbar) beziehen sich auf die Lösung einer konkreten
Problemstellung und können objektiv z. B. durch statistische Kennzahlen
quantifiziert werden. Sie können weiter in daten- und methodenorientierte Kriterien
unterteilt werden. Die datenorientierten Kriterien (Datendeformation, Datenqualität
und Datenmengen) beziehen sich darauf, dass bei der Anwendung eines statischen
Verfahrens mitunter Anforderungen bzw. Einschränkungen bezüglich der Daten
bestehen (KÜPPERS 1999: 96). Während das Kriterium „Datendeformation“
untersucht, inwieweit eine Methode Einschränkungen hinsichtlich der
Vorverarbeitung der Daten hat (z. B. Anforderungen an das Skalenniveau), wird bei
der „Datenqualität“ geprüft, ob ein Verfahren gegenüber Fehlern bzw.
unvollständigen Daten anfällig ist. In Bezug auf die „Datenmengen“ wird analysiert,
wie akzeptabel die Laufzeiten (Rechenzeiten) der Verfahren bei großen oder kleinen
Datenbeständen sind (ebd.). Bei den methodenorientierten Kriterien
(Ergebnissicherheit, Generalisierung, Modellprämissen) wird neben den
Analyseergebnissen direkt die angewendete Verfahrensmethodik betrachtet. Dabei
bewertet das Kriterium „Ergebnissicherheit“ durch statistische Kennzahlen, die Güte
63

4 Empirische Anwendung und Vergleich der Verfahren
mit der ein Verfahren eine Lösung für eine Problemsituation ermitteln kann (ALEX
1998: 176). Zusätzlich wird durch das Kriterium „Generalisierung“, die Fähigkeit
des trainierten (MLP) oder geschätzten (Regression) Modells, auf neue Daten
sinnvolle Outputdaten zu erzeugen, beurteilt (Allgemeingültigkeit der Ergebnisse)
(BERRY et al. 1997: 423). Die Bewertung der „Modellprämissen“ eines Verfahrens
erfolgt an Hand der Relevanz der Annahmebeschränkungen für die Modellbildung
(KÜPPERS 1999: 94). Eine Methode, für die keine oder weniger Annahmen bezüglich
der zu verarbeitenden Daten vorliegen, gilt dabei als vorteilhafter, als eine für die
viele Prämissen notwendig sind.
Neben den direkten Kriterien können die indirekten oder auch anwenderorientierten
Kriterien formuliert werden. Diese lassen sich schwerer objektiv ermitteln und leiten
sich aus dem jeweiligen Einsatzgebiet des Verfahrens sowie der subjektiven
Einschätzung des Anwenders ab. Bezogen auf das betriebswirtschaftliche
Informationsmanagement, spielen diese Kriterien eine besonders wichtige Rolle,
denn die Methoden sollten dem Marktforscher möglichst schnell interessante und
leicht verständliche Ergebnisse liefern, damit darauf aufbauend die
Entscheidungsträger des Unternehmens flexibel auf neue Marktsituationen reagieren
können. Aufgrund dessen werden diese anwenderorientierten Bewertungen
(Interessantheit, Verständlichkeit, Interpretierbarkeit, Bedienbarkeit, Flexibilität,
Verfügbarkeit) im Folgenden detailliert aufgezeigt (vgl. Abbildung 27).
Das Kriterium „Interessantheit“ bezieht sich auf die Einschätzung, welche
Informationen interessant sind und welche nicht und hängt im Wesentlichen vom
individuellen Anwender ab (ebd. 88). Der Fokus in dieser Arbeit liegt deshalb vor
allem auf der Entdeckung von neuen interessanten Mustern in den Datenbeständen. 57
In Bezug auf die Ergebnisse der Verfahren stellt der Anwender die Anforderung,
dass diese einfach nachvollziehbar und leicht interpretierbar sind. Dabei bezieht sich
die „Verständlichkeit“ vor allem auf die Nachvollziehbarkeit der hinter der Lösung
stehenden Rechenschritte bzw. Algorithmen. Letztendlich ist eine Methode
verständlich, wenn sie dem Anwender transparent und nicht als Black-Box erscheint
57 Einen umfassenden Überblick über die „Interessantheit“ in Datenbeständen gibt KÜPPERS (1999:
88).
64

4 Empirische Anwendung und Vergleich der Verfahren
(BERRY et al. 1997: 422). Eine weitere wichtige Voraussetzung für den Einsatz von
multivariaten Verfahren und KNN im betrieblichen Informationsmanagement ist,
dass deren „Bedienbarkeit“ (von der Eingabe der Daten bis zur Ausgabe der
Ergebnisse) möglichst einfach ist. Dieses beinhaltet darüber hinaus die Robustheit
gegenüber Fehleinstellungen oder Fehlbedienungen (ALEX 1998: 177). Dieses
Kriterium ist neben dem spezifischen Verfahrensablauf vor allem auch von der zur
Verfügung stehenden Software abhängig (Kriterium „Verfügbarkeit“). Das letzte
anwenderorientierte Kriterium ist die Forderung nach einer weitgehenden
„Flexibilität“ des Verfahrens. Dieses bezieht sich zum einen auf die
unterschiedlichen Einsatzgebiete einer Methode und betrachtet zum anderen den
zeitlichen Aspekt (ebd.). Ein Analyseverfahren ist dann flexibel einsetzbar, wenn es
schnell auf eine neue Problemsituation hin konfiguriert werden kann und nur kurze
Rechenzeiten bis zur Projektion der Ergebnisse benötigt.
In dem letzten Abschnitt wurde deutlich, dass es schwierig ist, geeignete Kennzahlen
zur Bewertung der indirekten Kriterien zu definieren, da diese zum Teil der
subjektiven Wahrnehmung unterliegen. In den folgenden Fallstudien zur Lösung
konkreter statistischer Problemstellungen in der Primärforschung liegt daher der
Schwerpunkt auf den ergebnisorientierten Kriterien (Ergebnissicherheit und
Generalisierung). Erst in Kapitel 5 werden dann die Analyseverfahren anhand der
weiteren Kriterien, gestützt auf die Ergebnisse der Fallstudien, die literarischen
Bestandsaufnahme und die methodische Grundlegung, bewertet.
4.3 Auswahl der Fallstudien und Vorgehensweise
Die Grundlage der sich anschließenden empirischen Untersuchungen für den Einsatz
von KNN in der Primärforschung und den Vergleich mit den multivariaten Verfahren
bilden jeweils die Daten zweier Studien des Lehrstuhles für Marketing für
Lebensmittel und Agrarprodukte am Institut für Agrarökonomie der Universität
Göttingen. Die Erhebung dieser Primärdaten erfolgte durch standardisierte
Fragebögen bei einem face-to-face Interview. Tabelle 6 gibt einen komprimierten
Überblick über die beiden Fallstudien.
65

4 Empirische Anwendung und Vergleich der Verfahren
Tabelle 6: Übersicht über die Fallstudien und die verwendeten Modelle 58
Fallstudie 2:
Markenpräferenz bei
Chinesischen
Konsumenten/
Typlogisierung
(Strukturentdeckung)
164
Anwohner
800
Konsumenten
MLP = Multi-Layer-Perceptrons
SOM = Self-Organizing-Maps
Quelle: Eigene Darstellung
Fallstudie/
Anwendungsschwerpunkt
Fallstudie 1:
Meinungsforschung
zum Stallbau in
Diemarden/
Ursachenanalyse
(Strukturabbildung)
Stichprobengröße
Verfahrensvergleich
MLP vs.
MRA
SOM vs.
CLU
(Ward,
K-
Means)
Modelle
Modell 1:
explorative Faktorenanalyse mit
anschließender Ursachenanalyse
Modell 2:
Aufnahme aller unabhängigen
Variablen in das Modell mit
anschließendem sequentiellen
Ausschluss nichtsignifikanter
Variablen
Modell 1:
explorative Faktorenanalyse mit
anschließender Clusterung auf Basis
von 3 clusterbildenden Variablen
Modell 2:
Clusterung auf Basis von 11
clusterbildenden Variablen
MRA = Multiple Regressionsanalyse
CLU = Clusteranalyse
Aufgrund der Stichprobengröße, der Erhebungsart (Datengewinnung) sowie des
Anwendungsschwerpunktes (Strukturentdeckung, Strukturabbildung) der Fallstudien
wird deutlich, dass die Datenbestände dieser Untersuchungen als statistische
Problemstellungen in der Primärforschung angesehen werden können und somit
deren Verwendung als Ausgangsbasis für den Methodenvergleich im Rahmen dieser
Arbeit gerechtfertigt ist. 59
Die Vorgehensweise beider Fallstudien vollzieht sich gleichermaßen. Zunächst wird
die empirische Basis und die Problemstellung der Untersuchung vorgestellt. Darauf
aufbauend werden jeweils zwei Modelle für die multivariaten Methoden und die
KNN entwickelt, um die Vielfältigkeit anwenderbezogener Fragestellungen
58 Das erste Modell beinhaltet jeweils durch die explorative Faktoranalyse auch ein strukturentdeckendes
Verfahren. Deshalb kann in der zweiten Studie das erste Modell nur eingeschränkt als
struktur-abbildendes Modell betrachtet werden.
59 Für einen umfassenderen Methodenvergleich müssten jedoch in Zukunft noch mehr Fallstudien
mit eingeschlossen werden.
66

4 Empirische Anwendung und Vergleich der Verfahren
bezüglich der Verfahren besser abzudecken. 60 Anschließend werden die Ergebnisse
der multivariaten Verfahren und der KNN präsentiert. 61 Erst daraufhin werden die
Resultate der beiden Verfahrensklassen miteinander verglichen. Dabei muss auf eine
tiefergehende inhaltliche Analyse der Fallstudien verzichtet werden, da dieses den
Rahmen der vorliegenden Arbeit sprengen würde. Der Schwerpunkt liegt deshalb vor
allem auf dem methodischen ergebnisorientierten Vergleich.
Für die Berechnungen der Fallstudien wurde zum einem das klassische
Datenanalyse-Tool SPSS 12 (Statistical Package for the Social Sciences) und zum
anderen das Data Mining-Tool Clementine 8.5 verwendet. 62
Abbildung 28: Clementine Oberfläche mit Daten-Stream
Quelle: Eigene Darstellung
Das zentrale Softwarekonzept von Clementine ist eine prozessorientierte
Benutzeroberfläche, bei der einzelne Datenoperationen durch Knoten dargestellt
werden (Abbildung 28). Die Verbindung mehrerer Knoten untereinander ergibt einen
60 Die anwenderbezogenen Fragestellungen werden in den betreffenden Kapiteln näher dargestellt.
61 Dabei können nicht alle Berechnungen der Analysen aufgezeigt werden. Diese nichtaufgezeigten
Kalkulationen werden jeweils im Anhang dargelegt.
62 Darüber hinaus wurde besonders für die Berechnungen der Gütekriterien (R², MSE usw.) das
Microsoft Office XP-Tool EXCEL verwendet.
67

4 Empirische Anwendung und Vergleich der Verfahren
Datenstrom (Stream). Durch diese Darstellungsweise wird es dem Benutzer unter
anderem ermöglicht, Datenzugriff, -veränderung und -analyse sichtbar zu machen.
Clementine bietet neben anderen Verfahren auch die Möglichkeit, die in dieser
Arbeit verwendeten KNN (MLP, SOM), einzusetzen. 63
4.4 Fallstudie 1: Meinungsforschung zum Stallbau in Diemarden
4.4.1 Empirische Basis und Problemstellung der Untersuchung
Die erste Fallstudie zum Verfahrensvergleich zwischen KNN und multivariaten
Verfahren beruht auf einer face-to-face Befragung zu den Einstellungen von 164
Anwohnern in Diemarden über den geplanten Bau eines Schweinestalles zweier
Landwirte. Das Dorf Diemarden mit 1358 Einwohnern gehört zur Gemeinde
Gleichen im Landkreis Göttingen (Niedersachsen/Deutschland). 64
Von den 164 durchgeführten Befragungen waren 155 für weitere Analysen
verwertbar. Das entspricht 11,41 % der Gesamtbevölkerung Diemardens. Aufgrund
dieses hohen Anteils und der Zusammensetzung der Stichprobe kann die Studie als
repräsentativ angesehen werden. Der Fragebogen (siehe Anhang E) setzt sich aus
verschiedenen inhaltlichen und methodischen Elementen zusammen. Überwiegend
wurden geschlossene Fragen sowie Statementbatterien mit siebenstufigen Likert-
Skalen eingesetzt. In der Regel dauerte die Beantwortung des Fragebogens ca. 15
Minuten. Durchgeführt wurde die Erhebung im November und Dezember 2003. Die
Probanden wurden per Random-Verfahren ausgewählt und durch geschulte,
studentische Interviewer zur Beantwortung des Fragebogens zu Hause aufgesucht.
Die Stichprobe setzt sich aus 55,5 % männlichen und 44,5 % weiblichen Probanten
zusammen. Der größte Anteil der Befragten (81 %) hat eine eigene Wohnung oder
ein eigenes Haus, 15 % sind Mieter. Über die Hälfte der Befragten (56,8 %) leben in
einem 2 bis 3 Personenhaushalt, knapp 32 % wohnen in größeren Haushalten. Die
63 Nach ANGUS (2004: 29) unterstützt Clementine, als eine führende Datenplattform, eine schnelle
und gute Marketingentscheidungsfindung in den praktischen Unternehmen.
64 1358 Einwohner mit Hauptwohnsitz (EINWOHNERSTATISTIK GEMEINDE GLEICHEN 2004)
68

4 Empirische Anwendung und Vergleich der Verfahren
Zahl der Single-Haushalte beträgt 11,1 %. Rund 26 % der Probanten sind gebürtige
Diemardener, ca. 63 % sind zugezogen. Als höchster Bildungsabschluss dominiert in
der Stichprobe ein abgeschlossenes Hochschulstudium (33,1 %), ca. 10,6 % der
Probanden absolvierten das Gymnasium, 23,2 % die Realschule und rund 27 % die
Hauptschule. Demnach ist das Bildungsniveau in Diemarden im Vergleich zum
bundesdeutschen Durchschnitt sehr hoch (STATISTISCHES BUNDESAMT 2004: 121f.).
In Bezug auf die Beschäftigung gaben rund 46,4 % an, in einem
Angestelltenverhältnis bei einem staatlichen (12,4 %) oder privat geführten (34 %)
Unternehmen zu stehen sowie ca. 11,1 %, dass sie selbstständig sind. Rund 22 % der
Befragten sind Rentner oder Pensionäre. Die Arbeitslosenquote lag in der erhobenen
Stichprobe bei nur 1,3 %.
Das Ziel der folgenden Untersuchungen ist, zu analysieren, welche Gründe bzw.
Ursachen bei den Probanten für oder gegen den Stallbau sprechen. Zur Lösung dieser
struktur-beschreibenden Problemstellung bieten sich die Regressionsanalyse aus der
multivariaten Statistik sowie die MLP aus den KNN an. Um einen umfassenderen
Vergleich der Leistungsfähigkeit der beiden Verfahrensklassen zur Lösung der
Problemsituation zu ermöglichen, wurden zwei Modelle aufgestellt:
Modell 1:
Um die Vielzahl von Einflussfaktoren zu berücksichtigen erfolgt im ersten Modell
zunächst eine explorative Faktorenanalyse zur Komplexitätsreduktion. Die dadurch
aufgedeckten voneinander unabhängigen Einflussgrößen werden dann als exogene
Variablen in der anschließenden Ursachenanalyse verwendet.
Modell 2:
Im zweiten Modell werden zunächst direkt 29 unabhängige Variablen aus der
Faktorenanalyse in die Wirkungsanalyse aufgenommen. Anschließend werden
sequentiell nichtsignifikante exogene Variablen ausgeschlossen.
Mit Hilfe dieser Modelle sollen unter anderem folgende anwenderbezogene
Fragestellungen beantwortet werden:
69

4 Empirische Anwendung und Vergleich der Verfahren
• Welche Verfahrensklasse ermittelt die Gründe für oder gegen den Stallbau
besser?
• Werden bei der Regressionsanalyse und bei den MLP die gleichen Beziehungen
zwischen den unabhängigen und der abhängigen Variablen aufgedeckt?
• Welche Verfahrensklasse weist eine bessere Generalisierungsfähigkeit auf?
• Erbringt eine vorgeschobene Faktorenanalyse ein besseres Ergebnis der
Wirkungsanalyse?
In den nächsten zwei Kapiteln werden die Analyseergebnisse der einzelnen Modelle
pro Verfahrensklasse vorgestellt.
4.4.2 Ergebnisse der multivariaten Analyseverfahren
Für die Berechnungen der MLP war es zunächst erforderlich, die Daten der
abhängigen Variablen auf das kontinuierliche Intervall [0;1] zu transformieren (vgl.
Formel (26)). 65 Um die gleichen Aussagen bei den Prognosegütemaßen zu erhalten,
wurde diese Normierung auch für die regressionsanalytischen Berechnungen
verwendet.
x
x´
i
=
x
i
max
− x
− x
min
min
mit:
x
max
= Maximalwert der i-ten Beobachtungsvariablen
x
min
= Minimalwert der i-ten Beobachtungsvariablen
(26)
Für die Schätzung der Parameter des multiplen Regressionsmodells bzw. zum
Training der MLP wurden aus der bereinigten Stichprobe 103 Datensätze als Schätzbzw.
Trainings-/Validationsdaten entnommen. Die verbliebenen 52 Daten wurden als
Testdaten verwendet. Das Aufteilungsverhältnis der Daten beträgt demnach zwei zu
eins (HIPPNER ET AL. 2001: 74).
65 Obwohl diese Transformation in Clementine automatisch verläuft, zeigte sich, dass die vorweg
durchgeführte Normierung eine Verbesserung der Prognoseleistung erbrachte, da die geschätzten
Skalierungsdaten nicht gerundet, sondern in Dezimal-Dezimal Zahlen vorlagen. Eine Prüfung dieser
Problematik sollte in Zukunft vorgenommen werden.
70

4 Empirische Anwendung und Vergleich der Verfahren
Modell 1:
Faktorenanalyse zur Dimensionsreduktion
Zur Erklärung welche Gründe bzw. Ursachen der Anwohner in Diemarden für oder
gegen einen Stallbau sprechen, sind eine Vielzahl von Einflussfaktoren zu
berücksichtigen. Um diese Variablenvielfalt zu reduzieren, wird im Folgenden eine
explorative Faktorenanalyse durchgeführt. Neben der Komplexitätsreduktion soll sie
vor allem zur Aufdeckung voneinander unabhängiger Einflussgrößen dienen und
beugt somit a priori dem Problem der Multikollinearität in der sich anschließenden
Regressionsanalyse vor. Für die nachstehende Untersuchung wurde die
Hauptkomponentenanalyse als Faktorextraktionsverfahren gewählt. 66 Die Güte der
Daten für die Faktorenanalyse wurde zusammen mit dem Bartlett-Test durch das
Kaiser–Meyer–Olkin–Kriterium getestet. Der ermittelte Wert von 0,863 belegt eine
gute Tauglichkeit der Datengrundlage. 67 Insgesamt konnten 5 Faktoren (mit
Eigenwerten > 1), die kumuliert eine Gesamtvarianz von 65,89 % erklären, extrahiert
und folgendermaßen charakterisiert werden: 68
• Faktor 1: emotionale/persönliche Belastung durch den Stallbau
• Faktor 2: gesellschaftliche Bedeutung der Landwirtschaft
• Faktor 3: Wissen über die Landwirtschaft
• Faktor 4: Informationsnachfrage
• Faktor 5: nicht in meiner Nachbarschaft
Die folgende Tabelle gibt die hinter den jeweiligen Faktoren stehenden Statements
und die zugehörigen Faktorladungen wieder:
66 Für die Rotation wurde die Varimax-Methode gewählt und die Faktorwerte wurden mit der
Bartlett-Methode abgespeichert.
67 Bei Werten unter 0,5 wird von einer Durchführung der Faktorenanalyse abgeraten. Werte von
größer als 0,8 sind wünschenswert (BACKHAUS et al. 2003: 276).
68 Der Eigenwert eines Faktors gibt an, welcher Betrag der Gesamtstreuung aller Variablen eines
Faktorenmodells durch diesen einen Faktor erklärt wird (BROSIUS 1996: 825).
71

4 Empirische Anwendung und Vergleich der Verfahren
Tabelle 7: Faktorladungen der einzelnen Statements
Faktor 1: Cronbachs Alpha = 0,955; 28,98% der Varianz:
Faktorladung
Wenn ich an den Stallbau denke, ärgere ich mich sehr. 0,835
Durch den Schweinestall würde ganz Diemarden stinken. 0,835
Ich fühle mich von den Landwirten unfair behandelt. 0,823
Die Gründung eines Vereins gegen den Schweinestall finde ich übertrieben. -0,816
Die Belastung durch den Schweinestall wird man kaum bemerken. -0,735
Durch den Stall wird die gesundheitliche Belastung stark steigen. 0,734
Der Verein "Natürlich Diemarden" hat dafür gesorgt, dass wir endlich informiert 0,728
werden.
Die Landwirte in Diemarden haben sich ungeschickt verhalten. 0,719
Der Güllegeruch beim Ausbringen wird unerträglich sein. 0,673
Wenn ein Stall ordentlich begrünt ist, stört er optisch nicht weiter. -0,667
Die Freizeitmöglichkeiten in Diemarden werden durch den Stall nicht beeinträchtigt. -0,629
Dass die Landwirte einfach einen Stall bauen können, finde ich nicht akzeptabel. 0,588
Die Gülle belastet die Umwelt in unserer Umgebung. 0,564
Ich rechne nicht mit einer persönlichen Belastung durch den Stall. -0,557
Faktor 2: Cronbachs Alpha = 0,786; 14,271% der Varianz:
Ohne die Bauern wäre Diemarden nur halb so lebenswert. 0,683
Die Bedeutung der Landwirtschaft in der Gesellschaft wird überbewertet. -0,655
Ohne Landwirtschaft hätten wir in Deutschland noch viel mehr Arbeitslose. 0,651
Polaritätenprofil: bescheiden-gierig 0,636
Polaritätenprofil: sympathisch-unsympathisch 0,611
Polaritätenprofil: Landschaftspfleger-Landschaftszerstörer 0,592
Die Subventionen für die Landwirtschaft sind generell zu hoch. -0,568
Faktor 3 : Cronbachs Alpha = 0,665; 7,60% der Varianz:
Von Landwirtschaft habe ich eigentlich keine Ahnung. 0,887
Ich kenne mich in landwirtschaftlichen Themen aus. -0,867
Die Diskussion um den Stallbau interessiert mich überhaupt nicht. 0,558
Faktor 4 : Cronbachs Alpha = 0,492; 7,45% der Varianz:
Hätten die Landwirte uns Bürger von Anfang an informiert, wäre die Akzeptanz
größer.
Eigentlich müssten die Bürger immer vor Beginn eines größeren Bauvorhabens
informiert werden.
Ich informiere mich sehr ausführlich über alles, was mit dem Stallbau zusammen
hängt.
Faktor 5 : Cronbachs Alpha = 0,620; 7,26% der Varianz:
0,756
0,631
0,590
Eigentlich habe ich nichts gegen solch einen Stall, nur sollte er nicht direkt vor unserer 0,772
Haustür gebaut werden.
Würde der Stall in Diemarden an anderer Stelle stehen, wäre mir das Ganze egal. 0,718
Quelle: Eigene Berechnungen
Zur Überprüfung der Zuverlässigkeit der extrahierten Faktoren wurde die
Reliabilitätsanalyse (Cronbachs Alpha) eingesetzt. Sie ermittelt, wie zuverlässig ein
latentes Merkmal durch ein Set von Variablen bzw. Statements abgebildet wird und
welchen Beitrag die einzelne Variable zur Zuverlässigkeit des Konstruktes leistet
(JANSEN/LAATZ 2003: 521). Die extrahierten Faktoren „emotionale/persönliche
72

4 Empirische Anwendung und Vergleich der Verfahren
Belastung durch den Stallbau“ (0,955) und „gesellschaftliche Bedeutung der
Landwirtschaft“ (0,786) verfügen über Werte, die größer als 0,7 sind und weisen
somit einen reliablen Charakter auf. 69 Die Komponenten „Wissen über die
Landwirtschaft“ (0,665), „nicht in meiner Nachbarschaft“ (0,620) und
„Informationsnachfrage“ (0,492) können als nur bedingt bzw. gering reliabel
angesehen werden. Aufgrund dieser Reliabilitätsproblematik sowie des hohen
Anteils an Missing Values, die zu einem Ausschluss von 81 Fällen bei der
Faktorenanalyse führten, werden im Folgenden für die weiteren Analysen nur die
Leitvariablen verwendet. 70 In diesem Kontext wird der explorative Charakter der
durchgeführten Faktorenanalyse noch einmal verstärkt deutlich. Dieser muss jedoch
auch sehr kritisch betrachtet werden. 71
Regressionsanalyse auf Basis der extrahierten Faktoren
Für den Aufbau des Regressionsmodells wurden die Leitvariablen der extrahierten
Faktoren als unabhängige Variablen und das Statement „Stellen Sie sich vor, es gäbe
eine Dorfabstimmung über den Stallbau in Diemarden, wie würden Sie
entscheiden?“ als abhängige Variable verwendet. 72 Aufgrund dessen, dass die
endogene Variable ein siebenstufiges metrisches Skalenniveau von „Ja, ich stimme
auf jeden Fall dafür“ bis „Nein, ich stimme auf jeden Fall dagegen“ hat und die
durch die Voranalyse berechnete Korrelationsmatrix einen linearen Zusammenhang
zeigt, wurde eine Multiple-Lineare-Regressionsanalyse durchgeführt. 73 Für die
Berechnung der Regressionsfunktion bietet das Statistikprogramm Clementine
verschiedene Möglichkeiten. Bei dem hier verwendeten Einschluss-Verfahren
werden alle erklärenden Variablen in einem Schritt in die Gleichung einbezogen
69 In der Literatur existieren keine Konventionen für die Höhe der Reliabilitätskoeffizienten (Werte
des Koeffizienten Cronbachs Alpha liegen zwischen 0 und 1), ab dem eine Skala als hinreichend
zuverlässig angesehen wird. Mindestwerte von 0,7 oder 0,8 werden häufig empfohlen (JANSEN/LAATZ
2003: 525). Darüber hinaus ist Cronbachs Alpha umso größer, je stärker die Korrelation zwischen den
Variablen und je größer die Anzahl der Variablen ist (BROSIUS 1996: 911-913).
70 Die Leitvariable ist die Variable auf die der Faktor am höchsten lädt (JANSEN/LAATZ 2003: 472).
71 Auf eine tiefergehende Interpretation der Faktoren wird verzichtet, da dieses keinen wesentlichen
Beitrag zum Verfahrensvergleich erbringen, sondern nur zusätzlich den Umfang der Arbeit erhöhen
würde.
72 Die nicht in der Faktorenanalyse verwendeten Variablen wurden auch nicht in das Regressionsmodell
eingeschlossen, da sie keine Korrelationen zu der abhängigen Variablen aufwiesen.
73 In Bezug auf die endogene Variable wäre auch eine logistische Regressionsanalyse möglich. Da
die Daten der Abstimmungsentscheidung aber im metrischem Skalenniveau vorliegen, würde diese
Form der Regressionsanalyse zu einem Informationsverlust führen.
73

4 Empirische Anwendung und Vergleich der Verfahren
(JANSEN/LAATZ 2003: 472). Abbildung 29 zeigt das Ergebnis der Regressionsanalyse
und verdeutlicht, dass nur die Variablen „Wenn ich an den Stallbau denke, ärgere ich
mich sehr“, „Hätten die Landwirte uns Bürger von Anfang an informiert, wäre die
Akzeptanz größer“ und „Ohne die Bauern wäre Diemarden nur halb so lebenswert“
einen signifikanten Einfluss auf die Abstimmungsentscheidung der Anwohner haben.
Abbildung 29: Regressionsmodell auf Grundlage der Faktorenanalyse (In-Sample) 74
Quelle: Eigene Berechnungen
Da die Variablen „Von Landwirtschaft habe ich eigentlich keine Ahnung“ und
„Eigentlich habe ich nichts gegen solch einen Stall, nur sollte er nicht direkt vor
unserer Haustür gebaut werden“ keinen signifikanten Einfluss aufweisen, wurden
diese iterativ aus dem Modell entfernt. Abbildung 30 zeigt folglich das modifizierte
Regressionsmodell auf.
74 Terminologie: Signifikanz: *** = p < 0,001, ** = p < 0,01, * = p < 0,05; s = Standardfehler der
Schätzung; DW = Durbin-Watson-Statistik
74

4 Empirische Anwendung und Vergleich der Verfahren
Abbildung 30: Modifiziertes Regressionsmodell (In-Sample)
Quelle: Eigene Berechnungen
Demnach können die drei verbliebenen exogenen Variablen 71,8 % der Varianz der
endogenen Variablen erklären. Die ANOVA in Tabelle 20 im Anhang zeigt, dass die
Prüfgröße F hochsignifikant ist, wonach ein Einfluss bei einer oder mehreren
unabhängigen Variablen auf die Abstimmungsentscheidung gegeben ist. Nach der t-
Teststatistik sind die Regressionskoeffizienten signifikant von Null verschieden (vgl.
Tabelle 23 im Anhang). Die Interpretation der standardisierten
Regressionskoeffizienten verdeutlicht, dass die Variable „Wenn ich an den Stallbau
denke, ärgere ich mich sehr“ die Hauptursache für die Abstimmungsentscheidung der
Diemardener ist. Bevor jedoch eine detaillierte Interpretation des
Regressionsergebnisses erfolgt, wird zunächst die Einhaltung der Prämissen des
geschätzten multiplen Regressionsmodells untersucht.
Im ersten Schritt wird die Multikollinearität der aufgenommenen exogenen Variablen
geprüft. Tabelle 23 im Anhang stellt die Multikollinearitätsdiagnose dar. Für die
Toleranz gilt, dass kleine Werte (

4 Empirische Anwendung und Vergleich der Verfahren
Im zweiten Schritt erfolgt die Analyse der Residuen, wobei die Prämissen der
Normalverteilung der Residuen, Autokorrelation und Heteroskedastizität untersucht
werden. Im Histogramm der Abbildung 42 im Anhang entsprechen die Säulen den
empirischen Häufigkeiten der Residuen. Die glockenförmige Kurve gibt die Linie
der entsprechenden Normalverteilung wieder. Es zeigt sich, dass die Abweichungen
der empirischen Werte von der Normalverteilung nicht sehr gravierend sind.
Demnach kann von einer Normalverteilung der Residuen ausgegangen werden.
Womit letztendlich auch die Voraussetzung zur Durchführung von Signifikanztests
gewährt ist (JANSEN/LAATZ 2003: 403). Diese Aussage wird auch durch das
Diagramm der Abbildung 43 gestützt, in dem die kumulierte Häufigkeitsverteilung
der standardisierten Residuen (Punkte) der kumulierten Normalverteilung
(durchgezogene Gerade) gegenübergestellt ist. Würde keine Normalverteilung
vorliegen, müssten die Residuen weiter entfernt von der Geraden liegen (ebd.).
Das Problem der Autokorrelation spielt vorwiegend bei Regressionsanalysen von
Zeitreihen eine Rolle. Nach JANSEN/LAATZ (2003: 398) sollte aber auch dann auf
Autokorrelation hin geprüft werden, wenn die Untersuchungsobjekte eine räumliche
Nähe (spatial correlation), wie sie in diesem Fall gegeben ist, zueinander aufweisen.
Über das Vorliegen von Autokorrelation gibt der Durbin-Watson-Test Auskunft.
Nach Abbildung 30 entspricht der Durbin-Watson-Koeffizient 2,400. Für 98
Beobachtungen, 3 exogenen Variablen und einer Irrtumswahrscheinlichkeit von 5 %
ergibt sich aus der Durbin-Watson-Tabelle (vgl. VON AUER 2003: 553) d u = 2,387
und d 0 = 2,264. Damit fällt die Prüfgröße in den Ablehnungsbereich für die Null-
Hypothese. Es liegt demnach eine negative Autokorrelation der Residualwerte vor.
Das Vorhandensein der Autokorrelation führt zwar zu unverzerrten Schätzwerten für
die Regressionskoeffizienten, nicht aber für deren Standardabweichungen. Die Folge
ist, dass die Signifikanztests fehlerbehaftet und somit nicht mehr aussagekräftig sind
(JANSEN/LAATZ 2003: 398). Die Ursache für die Autokorrelation kann neben einer
falschen Gleichungsform folge des Fehlens wichtiger exogener Variablen in der
Regressionsgleichung sein (ebd.). Da in diesem Fall mittlere bis starke lineare
Beziehungen (Korrelationen) zwischen der abhängigen und den unabhängigen
Variablen vorliegen, wird davon ausgegangen, dass eine oder mehrere wichtige
Variablen fehlen.
76

4 Empirische Anwendung und Vergleich der Verfahren
Die Prämisse der Homoskedastizität verlangt, dass die Varianz der Fehlervariablen
über alle empirischen Werte homogen ist. Eine Überprüfung der homoskedastischen
Struktur der Residuen erfolgt über den Zusammenhang zwischen den
standardisierten geschätzten Werten der Untersuchungsvariablen und den
standardisierten Residuen der Beobachtungswerte (BACKHAUS et al. 2003: 104).
Abbildung 44 im Anhang stellt eine systematische lineare Beziehung zwischen den
Residuen und den geschätzten Werten der Untersuchungsvariablen dar. Es muss
demnach davon ausgegangen werden, dass Homoskedastizität vorliegt, wodurch die
bei der Autokorrelation aufgetretenen Zweifel über die Unvollständigkeit des
Regressionsmodells gestärkt werden (JANSEN/LAATZ 2003: 402).
Zusammenfassend lässt sich bisher festhalten, dass die Abstimmungsentscheidung
der Diemardener im Wesentlichen durch die Variable „Wenn ich an den Stallbau
denke, ärgere ich mich sehr“ erklärt wird. Unter der Berücksichtigung, dass diese
Variable die Leitvariable des ersten Komponenten aus der Faktorenanalyse ist und
somit auch mit den anderen in diesen Faktor fallenden Variablen korreliert, kann mit
Vorbehalt die Aussage getroffen werden, dass die Entscheidung für oder gegen den
Stallbau vor allem auf die emotionale/persönliche Belastung der Anwohner durch
den Stallbau zurückzuführen ist. Dieses Resultat muss jedoch aufgrund der
vorhandenen Prämissenverletzungen mit Einschränkungen beurteilt werden, da das
Vorliegen von Autokorrelation und Homoskedastizität zu nicht vertrauenswürdigen
Ergebnissen führt. 75
Im Folgenden wird daher anhand der Testdaten geprüft, inwieweit die geschätzte
Regressionsfunktion die Abstimmungsentscheidung der Anwohner prognostizieren
kann. Der Vergleich zwischen den geschätzten und den tatsächlichen Werten beruht
auf dem mittleren quadratischen Fehler (MSE) und der Wurzel aus dem mittleren
quadratischen Fehler (RMSE). 76 Dabei wurde der RMSE hauptsächlich wegen seiner
75
Ob durch die Aufnahme weiterer exogener Variablen eine Vorbeugung der Annahmeverletzungen
möglich ist, wird im anschließenden zweiten Modell überprüft.
76 Nach MCGUIRK (1995), WIDMANN (2001: 103) und VON AUER (2003: 291) sollte das
Bestimmtheitsmaß R² nur bei Modellen verwendet werden, bei denen die endogene Variable identisch
ist, die Anzahl der exogenen Variablen identisch ist und die Modelle einen Niveauparameter
verwenden. Da aber KNN über keinen Niveauparameter verfügen, eignet sich R² nicht als
Prognosegütemaß.
77

4 Empirische Anwendung und Vergleich der Verfahren
quadratischen Fehlergewichtung, seiner einfachen Interpretation und seinem hohen
Bekanntheitsgrad als Gütemaß für die Prognosequalität ausgewählt (vgl. Kapitel
3.2.3). Tabelle 8 enthält die Prognosegütemaße, die sich aus den Berechnungen mit
dem geschätzten Regressionsmodell ergeben haben.
Tabelle 8: Prognosegüte des multiplen Regressionsmodells
In-Sample Out-of-Sample
MSE: 0,038 0,070
RMSE: 0,196 0,266
Quelle: Eigene Berechnungen
Demnach liegt ein mittlerer Fehler von 0,266 (RMSE) aus der Anwendung der
Regressionsfunktion zur Schätzung der endogenen Variablen vor. 77 Nach dem MSE
verschlechterte sich die Schätzung auf die Out-of-Sample Menge im Gegensatz zu
der In-Sample Menge um 83,75%. 78 Unter der Beachtung der Skalierung (von 0 bis
1) der abhängigen Variablen kann trotz der Prämissenverletzungen ein mittel gutes
Prognoseergebnis erzielt werden.
Modell 2:
Im Rahmen des zweiten Modells wurden direkt die 29 exogenen Variablen aus der
Faktorenanalyse in die Regressionsanalyse aufgenommen. Anschließend wurden die
nicht signifikanten Variablen sequentiell ausgeschlossen. Für diese
Variablenselektion wurde die Rückwärts-Methode aus SPSS angewendet. Bei diesem
Verfahren wird die exogene Variable mit der kleinsten Teilkorrelation zur endogenen
Variablen als erste für den Ausschluss in Betracht gezogen. Als Kriterien für den
Ausschluss einer unabhängigen Variablen dient, neben der Toleranz
(Multikollinearität), das Signifikanzniveau des partiellen Korrelationskoeffizienten,
wobei der Schwellenwert für die Signifikanz bei 0,05 liegt. Nach dem Ausschluss
der ersten Variablen wird die nächste Variable mit der kleinsten Teilkorrelation in
Betracht gezogen. Das Verfahren wird beendet, wenn keine Variablen mehr zur
77 Die Interpretation des RMSE entspricht dem Standardfehler aus der Regressionsanalyse.
78 Für die Berechnung der relativen Verschlechterung der Prognoseleistung wurde der MSE der In-
Sample-Menge auf 100 festgelegt.
78

4 Empirische Anwendung und Vergleich der Verfahren
Verfügung stehen, die die Ausschlusskriterien erfüllen (JANSEN/LAATZ 2003: 410).
Der Nachteil der Rückwärtsregression besteht darin, dass die weiteren relevanten
Prüfkriterien hinsichtlich der Prämissenverletzungen in den einzelnen Schritten nicht
berücksichtigt werden.
Die Variablenselektion der Rückwärtsregression war nach 21 Schritten
abgeschlossen. Von den ursprünglich 29 Regressoren haben entsprechend der
Abbildung 31 neun Variablen einen signifikanten Einfluss auf die
Abstimmungsentscheidung der Diemardener.
Abbildung 31: Regressionsmodell auf Basis der Rückwärts-Methode
Quelle: Eigene Berechnungen
79

4 Empirische Anwendung und Vergleich der Verfahren
88,8 % der Varianz der endogenen Variablen können durch diese neun unabhängigen
Variablen erklärt werden. Die ANOVA in Tabelle 22 im Anhang zeigt, dass die
Prüfgröße F hochsignifikant ist, wonach ein Einfluss bei einer oder mehreren
unabhängigen Variablen auf die Abstimmungsentscheidung gegeben ist. Nach der t-
Teststatistik sind die Regressionskoeffizienten signifikant von Null verschieden (vgl.
Tabelle 23 im Anhang). Die Interpretation der standardisierten Regressionskoeffizienten
verdeutlicht wie schon im ersten Modell, dass die Variable „Wenn ich
an den Stallbau denke, ärgere ich mich sehr“, eine der Hauptursachen für die
Abstimmungsentscheidung der Diemardener ist.
Die Multikollinearitätsdiagnose in Tabelle 23 im Anhang zeigt, dass keine
Multikollinearität vorliegt. Dieses wird auch durch die Korrelationsmatrix (vgl.
Tabelle 24) der exogenen Variablen bestätigt. Demnach kann die ursprünglich vor
der Durchführung der Faktorenanalyse begründete Multikollinearitätsproblematik in
Bezug auf diesen Datensatz nicht bestätigt werden. Abbildung 45 und Abbildung 46
im Anhang zeigen, dass die Abweichungen der empirischen Residualwerte von der
Normalverteilung nicht sehr gravierend sind. Folglich kann von einer
Normalverteilung der Residuen ausgegangen werden. Mit 1,961 liegt der Durbin-
Watson-Koeffizient nahe bei zwei, wonach keine Autokorrelation existiert
(JANSEN/LAATZ 2003: 398). Durch die Abbildung 47 im Anhang wird ersichtlich,
dass eine systematische lineare Beziehung zwischen den standardisierten Residuen
der Beobachtungswerte und den standardisierten geschätzten Werten der
Untersuchungsvariablen besteht. Es muss demnach davon ausgegangen werden, dass
Homoskedastizität vorliegt.
Zusammenfassend lässt sich festhalten, dass im Vergleich zu dem ersten Modell im
Zweiten eine größere Varianzerklärung (vgl. adjusted R²) und keine Autokorrelation
gegeben sind. Im Folgenden wird anhand der Testdaten geprüft, ob durch diese
Verbesserungen des Modells die Prognosequalität erhöht wird. Tabelle 9 enthält die
dafür notwendigen Prognosegütemaße, die sich aus den Berechnungen mit dem
geschätzten Regressionsmodell ergeben haben.
80

4 Empirische Anwendung und Vergleich der Verfahren
Tabelle 9: Prognosegüte des multiplen Regressionsmodells auf Basis der Rückwärts-
Methode
In-Sample Out-of-Sample
MSE: 0,0237 0,0469
RMSE: 0,1542 0,2165
Quelle: Eigene Berechnungen
Dementsprechend liegt ein mittlerer Fehler von 0,2165 (RMSE) aus der Anwendung
der Regressionsfunktion zur Schätzung der endogenen Variablen vor. Nach dem
MSE verschlechterte sich die Schätzung auf die Out-of-Sample Menge im Gegensatz
zu der In-Sample Menge um 97,16 %. Trotz dieser schlechten Anpassung an die Outof-Sample
Daten, ist das Ergebnis des zweiten Regressionsmodells nach dem MSE
um 50,70 % besser als das des ersten Modells. Ein darüber hinausgehender Vergleich
mit den RMSE macht deutlich, dass der mittlere Fehler beim zweiten Modell nur um
0,0493 kleiner ist als beim ersten Modell. Dieses lässt sich wahrscheinlich vor allem
darauf zurückführen, dass alleine die Variable „Wenn ich an den Stallbau denke,
ärgere ich mich sehr“ bei einer Einfachregression 66,7 % der Varianz (adjusted R²)
der abhängigen Variablen erklärt. Somit steht der Anwender vor der Entscheidung,
entweder ein sehr umfassendes Ergebnis mit vielen signifikanten exogenen Variablen
und einer guten Güte (Modell 2) oder andererseits, ein sehr komprimiertes Ergebnis
mit einer etwas minderen Güte (Modell 1) für die weiteren Analysen zu verwenden.
4.4.3 Ergebnisse der künstlichen Neuronalen Netze
Analog zu der Ergebnispräsentation bei der multiplen linearen Regressionsanalyse,
werden im Folgenden die Ergebnisse der künstlichen Neuronalen Netze (MLP)
vorgestellt.
Modell 1:
Für den Aufbau des Neuronalen Netzwerkes wurden die Leitvariablen der
extrahierten Komponenten aus der multivariaten Faktorenanalyse als Inputneuronen
in der Eingangsschicht und das Statement „Stellen Sie sich vor, es gäbe eine
Dorfabstimmung über den Stallbau in Diemarden, wie würden Sie entscheiden?“, als
81

4 Empirische Anwendung und Vergleich der Verfahren
Outputneuron in der Ausgabeschicht verwendet. Das Statistikprogramm
„Clementine“ bietet für das Training verschiedene Verfahren. Um einen schnellen
und guten Netzaufbau zu gewähren, wurde die Quick-Methode verwendet, die alle
erklärenden Variablen in einem Schritt in die Gleichung einbezieht. Für die
Trainingsdaten wurden 60% der 103 Datensätze verwendet, 40 % der Daten wurden
als Validationsdaten eingesetzt. Die systematische Änderung der Lernraten und der
Netzwerktopologie erbrachte keine besseren Ergebnisse, als es schon bei den
Standardeinstellungen der Fall war. 79 Abbildung 32 zeigt das Ergebnis des trainierten
und validierten Netzes, welches 20 Neuronen in der verdeckten Schicht aufweist.
Abbildung 32: MLP-Modell auf Grundlage der Faktorenanalyse (Validationsdaten) 80
Quelle: Eigene Berechnungen
Für die Interpretation des erstellten Netzwerkes wurde eine lineare
Sensitivitätsanalyse (SEA) durchgeführt (lokale Relevanz) (vgl. Kapitel 3.2.3). Die
SEA-Werte (von 0 bis 1) werden für jede Inputvariable einzeln gemessen und zeigen
79 Die Standardeinstellungen lauten: Alpha = 0,9; Initial Eta = 0,3; High Eta = 0,1; Eta decay = 30;
Low Eta = 0,01.Als Aktivierungsfunktion wurde eine sigmoide, logistische Funktion gewählt.
Overtraining wurde automatisch verhindert. Das Abbruchkriterium wurde zeitlich festgelegt (nach 3
Minuten).
80 Terminologie: SEA = Sensitivitätsanalyse; Die Abbildung zeigt nicht die Netztopologie sondern
nur die Input- und Outputneuronen.
82

4 Empirische Anwendung und Vergleich der Verfahren
die relative Wichtigkeit dieser Variablen auf das Output an. Während eine Variable
mit dem SEA-Wert von null keinen Einfluss auf die Outputvariable hat, bedeutet ein
Wert von 1, dass die Eingabevariable vollständig durch die Ausgabevariable erklärt
wird (SPSS 2003a: 16). Demnach kann die Abstimmungsentscheidung der
Diemardener zu 61% durch das Eingabeneuron „Wenn ich an den Stallbau denke,
ärgere ich mich sehr“ erklärt werden. Das Ergebnis der MLP in Abbildung 32 zeigt
die gleiche Rangfolge in Bezug auf die Wichtigkeiten der erklärenden Variablen wie
das Regressionsmodell in Abbildung 29. Einschränkend muss jedoch darauf
hingewiesen werden, dass der Aufbau unterschiedlicher Netzwerke zeigte, dass die
Hierarchie der Variablen zum Teil um einen Platz variierte. Ausgenommen davon
war die Eingabevariable „Wenn ich an den Stallbau denke, ärgere ich mich sehr“.
Hauptursache für die Veränderungen der Rangfolgen war die Festlegung
unterschiedler Startgewichte (Verbindungsgewichte) bei den Neuronen.
Abbildung 33: Modifiziertes MLP Model (Validationsdaten)
Quelle: Eigene Berechnungen
Um die Ergebnisse der KNN mit denen der Regressionsanalyse besser vergleichen zu
können, wurden entsprechend des modifizierten Regressionsmodells (vgl. Abbildung
30) die zwei unwichtigsten (nicht signifikanten) Variablen aus dem MLP-Modell
ausgeschlossen (vgl. Abbildung 33). Auch hier zeigte der Aufbau unterschiedlicher
Netzwerke, dass die Hierarchie der Eingabevariablen „Hätten die Landwirte uns
Bürger von Anfang an informiert, wäre die Akzeptanz größer“ und „Ohne die Bauern
wäre Diemarden nur halb so lebenswert“ untereinander variierte. Da die Werte der
SEA dieser beiden Neuronen nicht sehr unterschiedlich sind, wurde letztendlich ein
83

4 Empirische Anwendung und Vergleich der Verfahren
dem Regressionsmodell vergleichendes Netzwerk ausgewählt. Demnach können die
drei verbleibenden Inputvariablen 73,2 % der Varianz der Outputvariablen erklären.
Zur Überprüfung der Prognosequalität des trainierten Netzes, wurde anhand der
Testdaten eine Prognose zur Abstimmungsentscheidung der Anwohner
vorgenommen. 81
Tabelle 10: Prognosequalität des Neuronalen Netzwerkes (MLP)
Validationsdaten Testdaten
MSE: 0,044 0,073
RMSE: 0,210 0,270
Quelle: Eigene Berechnungen
Nach Tabelle 10 liegt ein mittlerer Fehler von 0,266 (RMSE) aus der Anwendung
des MLP-Modelles zur Prognose der endogenen Variablen vor. 82 Nach dem MSE
verschlechterte sich die Schätzung auf die Out-of-Sample Menge im Gegensatz zu
der In-Sample Menge um 64,70%. Unter der Beachtung der Skalierung (von 0 bis 1)
der Outputvariablen wird demnach ein mittelgutes Prognoseergebnis erzielt.
Modell 2:
Im Rahmen des zweiten Modells wurden entsprechend der multivariaten
Regressionsanalyse direkt die 29 exogenen Variablen aus der Faktorenanalyse in das
Netzwerk aufgenommen. Analog zu der Rückwärts-Methode wurde für das Training
der MLP (im Software-Tool Clementine) die Pruning-Methode verwendet. Dieses
Verfahren beginnt mit sehr vielen Inputvariablen (Neuronen) und löschen dann
iterativ die Variablen, die keinen wichtigen Einfluss auf den Output haben. Die
Pruning-Methode verringert somit die Komplexität des Neuronalen Netzwerks,
wodurch auch gleichzeitig die Netzwerktopologie optimiert wird (SPSS 2003a: 12-
13). Das Training der MLP konnte jedoch keine stabilen Ergebnisse erbringen. Die
Anzahl der verbliebenen Neuronen sowie deren relativen Wichtigkeiten auf den
Output waren bei jedem Netzwerk unterschiedlich, obwohl die Prognosequalitäten
nicht groß schwankten. Auch erhöhte Rechenzeitaufwendungen erbrachten keine
81 Diese Überprüfung dient auch als Test für die Generalisierbarkeit des Netzes.
82 Die Interpretation des RMSE entspricht dem Standardfehler aus der Regressionsanalyse.
84

4 Empirische Anwendung und Vergleich der Verfahren
besseren Ergebnisse. Es ließen sich keine Tendenzen sowie wiederkehrende Muster
in den trainierten Netzen erkennen. Hauptursache für die unterschiedlichen
Trainingsergebnisse waren die differenzierten Festlegungen der Startgewichte
(Verbindungsgewichte) bei den Neuronen. Aufgrund dieser Problematik wurde kein
endgültiges Netzwerk trainiert.
4.4.4 Ergebnisse der Fallstudie und Verfahrensvergleich
Die empirischen Untersuchungen haben gezeigt, dass die Abstimmungsentscheidungen
der Diemardener Anwohner mittels multipler linearer
Regressionsanalyse und künstlicher Neuronaler Netze (MLP) analysiert werden
konnte. Ohne vorherige Festlegung der unabhängigen Variablen (Modell 2), war es
aber nur mit Hilfe der Rückwärts-Methode bei der Regressionsanalyse möglich ein
Ergebnis zu erhalten, da durch die Verwendung der Pruning-Methode bei den MLP
kein stabiles Netzwerk aufgebaut werden konnte. Der sich anschließende
Verfahrensvergleich stützt sich deshalb, unter Einbeziehung der erzielten
Prognosequalitäten und der Interpretationen der Ergebnisse, hauptsächlich auf das
erste Modell.
Tabelle 11: Prognosequalität im Verfahrensvergleich
Verfahren Modelle
In-Sample
Qualität
Out-of-Sample
Qualität
MSE RMSE MSE RMSE
Multiple
Modell 1 0,039 0,196 0,070 0,266
Regressionsanalyse Modell 2 0,024 0,154 0,046 0,216
Multi-Layer-Perceptrons Modell 1 0,044 0,210 0,073 0,270
Quelle: Eigene Berechnungen
Tabelle 11 verdeutlicht, dass die Regressionsanalyse in Bezug auf die In-Sample-
Qualität im ersten Modell nach dem MSE um 12,81 % bessere Ergebnisse aufweist
als die MLP. Diese bessere Schätzung der Regression verringert sich jedoch bei der
Out-of-Sample Qualität auf nur 2,72 %. Demnach weisen die KNN eine bessere
Generalisierbarkeit auf als die multivariate Regressionsanalyse. Letztendlich sind die
85

4 Empirische Anwendung und Vergleich der Verfahren
Ergebnisse beider Verfahren aber nahezu identisch. Die Ursache für die schlechten
Ergebnisse der KNN, im Vergleich zu den positiven Aussagen in der Literatur (vgl.
Kapitel 4.1), könnten unter anderem damit begründet sein, dass in den
Datenstrukturen nur wenige nichtlineare Anteile nachweisbar sind (vgl. die
Korrelationsmatrix in Tabelle 25 im Anhang). Auf der anderen Seite könnte aber
auch die Regressionsanalyse bei einer Verringerung der Prämissenverletzungen
effizientere und unverzerrtere Schätzer aufweisen. Das zweite Regressionsmodell
bestätigt, mit weniger Annahmeverletzungen und einer höheren Prognosequalität,
diesen Zusammenhang. Zukünftige Studien sollten daher diese Probleme
(Nichtlinearität und Prämissenverletzungen) berücksichtigen und darüber hinaus
variierende Stichprobengrößen und wechselnde Anzahlen an Variablen in die
Analysen einbeziehen, um so die mögliche Leistungsfähigkeit der KNN in der
Primärforschung umfangreicher und besser aufzudecken.
Die Ursachenanalyse (Interpretation der Regressionskoeffizienten und der
Sensitivitätsanalyse) beider Verfahren erbrachte jeweils im ersten Modell, in Bezug
auf die Wichtigkeit der unabhängigen Variablen auf die Abstimmungsentscheidung,
die gleichen Ergebnisse. Demzufolge hat die Variable „Wenn ich an den Stallbau
denke, ärgere ich mich sehr“ den größten Einfluss auf die exogene Variable. Danach
folgen die Variablen „Hätten die Landwirte uns Bürger von Anfang an informiert,
wäre die Akzeptanz größer“ und „Ohne die Bauern wäre Diemarden nur halb so
lebenswert“. Während die Regressionskoeffizienten die Richtung des Einflusses
(negatives oder positives Vorzeichen) der exogenen Variablen auf die Endogene
anzeigen, fehlt diese Wirkungsanalyse bei den MLP. Demnach kann das Neuronale
Netzwerk auch nicht erklären, dass die Variable „Ohne die Bauern wäre Diemarden
nur halb so lebenswert“ einen positiven Einfluss auf die Abstimmungsentscheidung
hat, während die anderen Variablen negativ wirken. Aufgrund dieser
Einschränkungen der Sensitivitätsanalyse des Neuronalen Netzes, ist die
Interpretation der Ergebnisse der MLP im Vergleich zu denen der
Regressionsanalyse nur bedingt möglich.
Durch das zweite Modell sollte insbesondere untersucht werden, ob die Verfahren
auch ohne eine vorherige Dimensionsreduktion (Faktorenanalyse) die Komplexität
86

4 Empirische Anwendung und Vergleich der Verfahren
der statistischen Problemsituation (vgl. Kapitel 3.3) erfassen und auf die
wesentlichen exogenen Variablen reduzieren können. Es zeigte sich, wie schon oben
dargestellt, dass nur die Regressionsanalyse ein verwertbares Ergebnis erzeugte,
welches eine bessere Güte als das erste Modell aufwies. Die Vielzahl der
Einflussfaktoren bzw. der unabhängigen Variablen erschwert jedoch die
Interpretation der Ergebnisse. Somit steht der Anwender vor der Entscheidung,
entweder ein sehr umfassendes Ergebnis mit vielen exogenen Variablen und einer
guten Güte (Modell 2) oder andererseits ein sehr komprimiertes Ergebnis mit einer
etwas minderen Güte (Modell 1) für die weiteren Analysen zu verwenden.
Die Interpretation beider Modelle macht deutlich, dass die Abstimmungsentscheidung
der Anwohner vor allem von der emotionalen/persönlichen Belastung
(vgl. Faktor 1, Kapitel 4.4.2) durch den Stallbau abhängt. Da dieses Ergebnis eine
hohe Komplexität in Hinsicht der Vielzahl der Einflussvariablen und der
Beziehungen dieser untereinander aufweist, sollten weitergehende Analysen
spezifische Problemstellungen betrachten, z. B. die Möglichkeiten der Landwirte, die
Abstimmungsentscheidung der Diemardener zu beeinflussen oder die Hauptgründe
der stärksten Ablehner des Stallbaus.
Die Schlussfolgerung dieser Fallstudie in Bezug auf den Verfahrensvergleich ist,
dass sich die MLP zwar einerseits nach der Güte (MSE) und der Generalisierbarkeit
der Ergebnisse für den Einsatz in der Primärforschung eignen aber andererseits durch
die mangelnde Interpretierbarkeit der Ergebnisse im Vergleich zu der
Regressionsanalyse nur bedingt einsetzbar sind.
87

4 Empirische Anwendung und Vergleich der Verfahren
4.5 Fallstudie 2: Markenpräferenz bei chinesischen Konsumenten
4.5.1 Empirische Basis und Problemstellung der Untersuchung
Die nachfolgend vorgestellte Fallstudie beruht auf einer face-to-face Befragung über
das Konsumentenverhalten von 1600 Chinesen in den beiden Städten Peking und
Wuhan. 83 Peking ist die Hauptstadt der Volksrepublik China mit einer registrierten
Bevölkerung von 11,5 Mio. Einwohnern. Die Stadt verfügt über eine der höchsten
Konzentrationen von Einwohnern mit hohen Einkommen in China und repräsentiert
als solche die boomenden Metropolen der weltmarktorientierten Ostküste. Die Stadt
Wuhan ist mit 7,8 Mio. Einwohnern die Hauptstadt der zentralchinesischen Provinz
Hubei. Mit ihrer schwerindustriellen Ausrichtung ist die Stadt ökonomisch am
Binnenmarkt ausgerichtet und partizipiert nur marginal an den vom Weltmarkt
ausgehenden Wachstumsimpulsen. Wuhan steht somit für die große Gruppe der
chinesischen Städte mit mittleren Einkommen (NATIONAL BUREAU OF STATISTICS
2004: 404).
In den zwei Befragungsregionen Peking und Wuhan wurden jeweils 800 Probanden
interviewt. Folglich kann die Studie als bedingt repräsentativ angesehen werden.
Dennoch können aufgrund der Zusammensetzung der Stichprobe aussagekräftige
Ergebnisse über das chinesische Konsumentenverhalten erwartet werden. Der
Fragebogen (siehe Anhang F) setzt sich aus verschiedenen inhaltlichen und
methodischen Elementen zusammen. Überwiegend wurden geschlossene Fragen
sowie Statementbatterien mit Likert-Skalen eingesetzt. In der Regel dauerte die
Beantwortung des Fragebogens ca. 30 Minuten. Durchgeführt wurde die Erhebung
im September 2004 (KW 38 und KW 39). Die Probanden wurden per Random-
Verfahren ausgewählt und durch geschulte, chinesische Interviewer zur
Beantwortung des Fragebogens zu Hause aufgesucht.
Die Stichprobe setzt sich aus 44,8 % männlichen und 55,2 % weiblichen Probanten
zusammen. Die Hälfte der Befragten (52,3 %) leben mit Kind und/ oder Ehepartner
83 Die Datenerhebung erfolgte in Kooperation mit dem China Economic Monitoring Center des
National Bureau of Statistics der VR China.
88

4 Empirische Anwendung und Vergleich der Verfahren
in einem Haushalt, knapp 16 % leben zusammen mit ihren Eltern. Die Zahl der
Single-Haushalte (7,6 %) sowie derer, die kinderlos mit Partner (10,6 %) leben, ist
im Vergleich zu europäischen Verhältnissen auffallend gering (STATISTISCHES
BUNDESAMT 2004: 63). 42 % der Probanden sind haushaltsführend, bzw. kaufen für
den eigenen Haushalt Lebensmittel ein. Als höchster Bildungsabschluss dominiert in
der Stichprobe die High School (ca. 32 %), rund 26 % der Probanden absolvierten
das Junior College und rund 19 % die Senior Secondary School. In Bezug auf die
Beschäftigung gaben rund 41 % an, in einem Angestelltenverhältnis bei einem
staatlichen (25,5 %) oder privat geführten (15,6 %) Unternehmen zu stehen sowie ca.
14,4 %, dass sie selbstständig sind. Die Arbeitslosenquote lag in der erhobenen
Stichprobe bei 12,9 %. Hinsichtlich des monatlich verfügbaren
Haushaltseinkommens können rund 48 % der Befragten in eine der
Einkommensklassen zwischen 500 und 2000 RMB ein (12,9 % gaben diesbezüglich
keine Antwort) eingeordnet werden.
Das Ziel der folgenden Untersuchungen ist, die Probanden aus Wuhan hinsichtlich
ihres Kaufverhaltens in Bezug auf internationale und chinesische Marken zu
typologisieren. Zur Lösung dieser struktur-entdeckenden Problemstellung bieten sich
die Clusteranalyse (Single-Linkage, Ward und K-Means Algorithmus) aus der
multivariaten Statistik sowie die SOM aus den KNN an. Um einen umfassenderen
Vergleich der Leistungsfähigkeit der beiden Verfahrensklassen zur Lösung der
Problemsituation zu ermöglichen, werden zwei Modelle aufgestellt:
Modell 1
Im ersten Modell erfolgt zunächst durch eine explorative Faktorenanalyse eine
Dimensionsreduktion von mehreren korrelierten Variablen auf einige wenige
Faktoren. 84 Anschließend werden diese Faktoren als clusterbildende Variablen bei
der multivariaten Clusteranalyse und den SOM verwendet.
84 Es kann entweder eine explorative (ohne vorangestellte Hypothese) oder eine konfirmatorische
(Überprüfung einer vorangestellten Hypothese) Faktorenanalyse durchgeführt werden (JANSEN/LAATZ
2003: 457).
89

4 Empirische Anwendung und Vergleich der Verfahren
Modell 2:
Im zweiten Modell erfolgt die Typologisierung direkt auf Basis von 11
clusterbildenden Variablen.
Mit Hilfe dieser Modelle sollen unter anderem folgende anwenderbezogene
Fragestellungen beantwortet werden:
• Welche Verfahrensklasse weist eine bessere Klassifizierungsgüte auf?
• Werden die Probanten bei der multivariaten Clusteranalyse und bei den SOM den
gleichen Clustern zugeordnet?
• Erbringt eine vorgeschobene Faktorenanalyse ein besseres Gruppierungsergebnis?
• Wie verändert sich die Homogenität der Cluster mit zunehmender Clusteranzahl?
In den nächsten zwei Kapiteln werden die Ergebnisse der einzelnen Modelle pro
Verfahrensklasse vorgestellt. Daran anschließend werden die Resultate der KNN und
der multivariaten Methoden verglichen.
4.5.2 Ergebnisse der multivariaten Analyseverfahren
Bevor in den folgenden Modellen eine Analyse der Daten vorgenommen wird,
wurden zunächst 3 Fragebögen, die Ausreißer enthielten, entfernt. Damit verblieben
für weitere Berechnungen 797 Datensätze aus Wuhan.
Model 1:
Faktorenanalyse zur Dimensionsreduktion
Zur Erklärung der Markenpräferenzen chinesischer Konsumenten ist es erforderlich,
eine Vielzahl von Einflussfaktoren zu berücksichtigen. Gegenstand der zunächst
durchgeführten Faktorenanalyse ist deshalb die Reduktion dieser Variablenvielfalt
auf Gruppen von Variablen, die ähnliche Erklärungsfaktoren thematisieren
(BACKHAUS et al. 2003: 292). Die Faktorenanalyse dient neben der
Komplexitätsreduktion der Aufdeckung voneinander unabhängiger Einflussgrößen
90

4 Empirische Anwendung und Vergleich der Verfahren
und wird in diesem Fall explorativ eingesetzt. Für die folgende Untersuchung wurde
die Hauptkomponentenanalyse als Faktorextraktionsverfahren gewählt. 85 Die Güte
der Daten für die Faktorenanalyse wurde zusammen mit dem Bartlett-Test durch das
Kaiser–Meyer–Olkin–Kriterium getestet. Mit diesem Kriterium wird geprüft, ob sich
die Datengrundlage zur Durchführung einer Faktorenanalyse eignet (ebd.). Der
ermittelte Wert von 0,796 belegt eine gute Tauglichkeit der Datengrundlage. 86
Insgesamt konnten drei Faktoren (mit Eigenwerten > 1), die kumuliert eine
Gesamtvarianz von 61,04 % erklären, extrahiert und folgendermaßen charakterisiert
werden: 87
• Faktor 1: Patriotismus
• Faktor 2: Prestige-Effekt von internationalen Marken
• Faktor 3: Vertrauens-/Performance-Effekt von chinesischen Marken
Tabelle 12: Faktorladungen der einzelnen Statements
Faktor 1: Cronbachs Alpha = 0,877; 22,53% der Varianz:
Faktorladung
…to support the national industry. 0,900
…because I love my home country. 0,873
…because this will generate jobs in China. 0,834
Faktor 2: Cronbachs Alpha = 0,753; 21,96% der Varianz:
…when I invite friends, I try to offer foreign brands. 0,811
…I prefer to buy foreign brands if I want to give the product away as
a gift.
0,745
…I will shop first at retail stores that make a special effort to sell
foreign brands.
0,728
…I choose foreign brands because they are cool and have really funny
and crazy ads.
0,669
Faktor 3 : Cronbachs Alpha = 0,616; 16,55% der Varianz:
…it is more important to know whether the product I buy was made in
China than what brand it is.
0,718
…even though certain products are available in a number of different
brands, I always tend to buy the Chinese brand.
0,621
…because I trust Chinese brands more than foreign brands. 0,601
…Chinese products have a higher level of quality than products from
abroad.
0,593
85 Für die Rotation wurde die Varimax-Methode gewählt und die Faktorwerte wurden mit der
Bartlett-Methode abgespeichert.
86 Bei Werten unter 0,5 wird von einer Durchführung der Faktorenanalyse abgeraten (BACKHAUS et
al. 2003: 276).
87 Abbildung 48 zeigt den Screeplot der Faktorlösung und Abbildung 49 das Komponentendiagramm
im rotierten Raum. Der Eigenwert eines Faktors gibt an, welcher Betrag der Gesamtstreuung
aller Variablen eines Faktorenmodells durch diesen einen Faktor erklärt wird (BROSIUS 1996: 825).
91

4 Empirische Anwendung und Vergleich der Verfahren
Quelle: Eigene Berechnungen
Tabelle 12 gibt die hinter den jeweiligen Faktoren stehenden Statements und die
zugehörigen Faktorladungen wieder. Als Gütekriterium zur Überprüfung der
Zuverlässigkeit der extrahierten Faktoren wurde die Reliabilitätsanalyse (Cronbachs
Alpha) eingesetzt. Die extrahierten Faktoren „Patriotismus“ (0,877) und „Prestige-
Effekt von internationalen Marken“ (0,753) verfügen über Werte die größer als 0,7
sind und weisen somit einen reliablen Charakter auf. 88 Der Faktor „Vertrauens-
/Performance-Effekt von chinesischen Marken“ (0,616) kann nur als bedingt reliabel
angesehen werden. Aufgrund der inhaltlichen Relevanz sowie der Faktorladungen
wird diese Komponente trotzdem in die weiteren Analysen einbezogen. 89
Clusteranalyse zur Identifikation von Gruppen unterschiedlicher
Markenpräferenz
Aufgrund fehlender Einzelwerte (missing values) wurde die Stichprobe bei der
Faktorenanalyse um 10 Datensätze reduziert. Mit Hilfe des Single-Linkage-
Algorithmus unter Verwendung der drei bei der Faktoranalyse extrahierten
Komponenten, „Patriotismus“, „Prestige-Effekt von internationalen Marken“ und
„Vertrauens-/Performance-Effekt von chinesischen Marken“, als clusterbildende
Variablen wurden noch einmal 4 Ausreißer lokalisiert und ebenfalls aus der Menge
der zu gruppierenden Objekte entfernt. 90 Es verblieben demnach 783 Datensätze für
die Bestimmung der optimalen Clusteranzahl durch die Ward-Methode. 91 Obwohl
das Ellbow-Kriterium auf eine Vierclusterlösung hinwies, wurde infolge der
inhaltlichen Interpretation ein Ergebnis mit fünf Clustern zur weiteren Analyse
ausgewählt (vgl. Abbildung 34). 92
88 In der Literatur existieren keine Konventionen für die Höhe der Reliabilitätskoeffizienten (Werte
des Koeffizienten Cronbachs Alpha liegen zwischen 0 und 1), ab dem eine Skala als hinreichend
zuverlässig angesehen wird. Mindestwerte von 0,7 oder 0,8 werden häufig empfohlen (JANSEN/LAATZ
2003: 525).
89 Auf eine tiefergehende Interpretation der Faktoren wird verzichtet, da dieses keinen wesentlichen
Beitrag zum Verfahrensvergleich erbringen sondern nur zusätzlich den Umfang der Arbeit erhöhen
würde.
90
Die Methodik, die hinter den verwendeten Analyseverfahren steht, wurde in Kapitel 3
vorgestellt.
91 Es ist jedoch kritisch zu sehen, inwieweit die optimale Clusteranzahl bestimmt werden kann.
92 Das Dendogramm konnte zur Bestimmung der optimalen Clusteranzahl nicht verwendet werden,
da der Datensatz zu groß und damit auch das Dendogramm zu unübersichtlich ist. Die
Fünfclusterlösung wird durch die Datenbasis des Scree-Tests besser bestätigt (vgl. Tabelle 26).
Ebenfalls spricht für die Fünfclusterlösung, dass mit zunehmender Clusteranzahl auch die
Fehlerquadratsumme sinkt.
92

4 Empirische Anwendung und Vergleich der Verfahren
Abbildung 34: Elbow-Kriterium zur Bestimmung der Clusteranzahl
Fehlerquadratsumme
2000
1800
1600
1400
1200
1000
800
600
400
200
0
2 3 4 5 6 7 8 9 10 11 12 13 14 15
Anzahl der Cluster
Quelle: Eigene Berechnungen
Durch das K-Means Verfahren wurde abschließend die ermittelte Näherungslösung
des Ward-Algorithmus in sieben Iterationen optimiert. 93 Tabelle 13 zeigt, dass bei
dieser Optimierung 24 % der Objekte zwischen den Clustern verschoben wurden.
76 % der Fälle wurden durch die K-Means und Ward Methode gleich klassifiziert. 94
Der auf Basis der Übereinstimmungsquoten berechnete Kappa-Koeffizient erreicht
mit 0,694 einen positiven Wert, der signalisiert, dass die Übereinstimmungsquote
wesentlich höher ausfällt, als dies bei einer zufälligen Zuordnung der Objekte zu den
Clustern zu erwarten wäre. 95 Damit liegt eine recht gute Übereinstimmung zwischen
den beiden Clusteralgorithmen vor.
93 Die K-Means Methode kann nur angewendet werden, wenn die Startpartitionen sowie die Anzahl
der Cluster a priori vorliegen. Eine direkte Berechnung, ohne das vorherige Ward-Verfahren, würde
aufgrund zufälliger Startwerte zu unterschiedlichen Clusterlösungen führen (vgl. Kapitel 3.1.3).
94 Neben der guten numerischen Übereinstimmung der K-Means und Ward Methode, ergab auch
die inhaltliche Interpretation der Cluster ein annährend gleiches Ergebnis (vgl. Tabelle 27 und Tabelle
28 im Anhang).
95 Nach BORTZ (1999: 204) und JANSEN/LAATZ (2003: 249) kann der Kappa-Koeffizient ähnlich
dem Korrelationskoeffizienten interpretiert werden. Schwache Korrelation = |r| < 0,5; mittlere
Korrelation = 0,5 ≤ |r| < 0,8; starke Korrelation 0,8 ≤ |r| (FAHRMEIER ET AL. 2003: 136).
93

4 Empirische Anwendung und Vergleich der Verfahren
Tabelle 13: Kreuztabelle - K-Means versus Ward-Methode
Ward
K-Means
Gesamt
Cluster 1 2 3 4 5
1 142 0 4 1 3 150
2 64 138 17 13 27 259
3 13 5 140 0 8 166
4 8 1 0 62 0 71
5 1 0 10 15 111 137
Gesamt
228 144 171 91 149 783
Quelle: Eigene Berechnungen
Zur Prüfung der internen Validität sind in Tabelle 14 die F-Werte der erhaltenen
Clusterlösung dargestellt. Diese bilden ein Gütemaß für die Homogenität innerhalb
der ermittelten Cluster (vgl. Abschnitt 3.1.3). Insgesamt unterschreiten alle aktiven
Variablen die kritische Prüfgröße von 1. Damit kann von einer sehr guten
Homogenität der Clusterlösung ausgegangen werden. Nach der Analysis of Variance
(ANOVA) unterscheiden sich die Mittelwerte der clusterbildenden Variablen
signifikant in den Gruppen (vgl. Tabelle 29 im Anhang). 96 Durch diese Unterschiede
in den Clustern können 55 % der Varianz der aktiven Variablen erklärt werden (K-
Means, eta² = 0,55; Ward, eta² = 0,50). Der eta Koeffizient zeigt an, wie sehr sich die
Mittelwerte der clusterbildenden Variablen zwischen den verschiedenen Gruppen
unterscheiden. Mit 0,74 (Ward eta = 0,70) weist er einen mittelstarken
Zusammenhang auf (vgl. Abschnitt 3.1.3).
Tabelle 14: Homogenität der Cluster (F-Werte der extrahierten Faktoren)
Cluster
1 2 3 4 5
n = 228 n = 144 n = 171 n = 91 n = 149
Faktoren
29,1 % 18,4 % 21,8 % 11,6 % 19,0 %
Faktor 1: patriotism 0,27 0,53 0,33 0,47 0,32
Faktor 2: prestige effect of foreign
brands 0,30 0,61 0,66 0,50 0,70
Faktor 3: trust/performance effect of
Chinese brands 0,50 0,45 0,39 0,45 0,44
Quelle: Eigene Berechnungen
96 Die Homogenitätsüberprüfung der passiven Variablen steht noch offen.
94

4 Empirische Anwendung und Vergleich der Verfahren
Zur Überprüfung der relativen Validität der Clusterlösung wurden die
Übereinstimmungsquoten herangezogen, die auf Grundlage der Diskriminanzanalyse
sowie der replizierten Clusteranalysen ermittelt wurden. Anhand der
Diskriminanzfunktion konnten 96,3 % der ursprünglich durch die K-Means Methode
gruppierten Fälle korrekt klassifiziert werden (Ward Methode 81,9%). Wilks`
Lambda liegt mit einem Wert von 0,084 nahe bei Null, was auf eine hohe Güte der
Ergebnisse schließen lässt, da nur 8,4 % der Streuung der aktiven Variablen nicht
durch die Gruppenunterschiede erklärt werden können (JANSEN/LAATZ 2003: 445). 97
Zur Berechnung der Übereinstimmungsquote mit der replizierten Clusteranalyse
wurde der gesamte Datensatz durch eine Zufallsauswahl in zwei gleich große Hälften
geteilt. 98 Für jeden der Teildatensätze wurde eine Clusteranalyse mittels des Wardund
des K-Means Algorithmus durchgeführt. Die Ausgangsanalysen sowie die
Teilanalysen ergaben mit einer Übereinstimmungsquote von 78,2 % (Kappa-Wert
von 0,726) sehr ähnliche Clusterstrukturen (vgl. Tabelle 30 im Anhang). Darüber
hinaus zeigte jedoch ein inhaltlicher Vergleich der Cluster, dass zum Teil starke
Mittelwertabweichungen zwischen den Ergebnissen der replizierten Clusteranalyse
und der Ausgangslösung vorliegen (vgl. Tabelle 31 und Tabelle 32). Somit kann
letztendlich von einer nur sehr eingeschränkten Generalisierbarkeit der
Gruppierungsergebnisse gesprochen werden.
Tabelle 15: Charakterisierung der Cluster durch die T-Werte der aktiven Faktoren
1 2 3 4 5
Cluster
n = 228 n = 144 n = 171 n = 91 n = 149
Faktoren
29,1 % 18,4 % 21,8 % 11,6 % 19,0 %
Faktor 1: patriotism 0,48 0,39 0,69 -1,38 -1,07
Faktor 2: prestige effect of foreign
brands -0,83 1,07 0,18 -0,51 0,34
Faktor 3: trust/performance effect of
Chinese brands 0,38 0,87 -1,01 0,70 -0,69
Quelle: Eigene Berechnungen
97 nicht erklärte Streuung
W ilk´s Lambda =λ=
gesamte Streuung
Wilk`s Lambda und eta² (kanonischen Korrelationskoeffizienten) sind zueinander komplementär,
da sie sich zu eins ergänzen (JANSEN/LAATZ 2003: 445).
98 Die Ausreißer wurden bereits vorher eliminiert.
95

4 Empirische Anwendung und Vergleich der Verfahren
Einen ersten Anhaltspunkt zur Beurteilung der Interpretationsfähigkeit der
Clusterlösung liefert die Struktur des Gruppierungsergebnisses, welche durch die
Anzahl der Cluster und den relativen Anteil der Objekte pro Gruppe charakterisiert
wird (vgl. Tabelle 15). Weiterhin werden die t-Werte der Variablen zur Interpretation
herangezogen (vgl. Kapitel 3.1.3).
Abbildung 35: Beschreibung der Cluster durch die Statements der Faktoren
Quelle: Eigene Berechnungen
96

4 Empirische Anwendung und Vergleich der Verfahren
Da im Rahmen dieser Arbeit der Verfahrensvergleich im Vordergrund steht, werden
zur Bewertung der Interpretierbarkeit nur die t-Werte der aktiven Faktoren (vgl.
Tabelle 15) und die dahinter stehenden Statements herangezogen (Abbildung 35).
Denn nur diese haben im Gegensatz zu den passiven Variablen einen Einfluss auf die
Homogenität einer Gruppe. Im Folgenden werden die Gruppen kurz beschrieben.
Cluster 1: „Patriotic Brand Supporters“ (29,1 %)
Mit 29,1 % der Befragten sind die „Patriotic Brand Supporters“ die größte Gruppe.
Das deutlichste Merkmal dieses Clusters ist die pro-patriotische Grundeinstellung.
Darüber hinaus sind eine starke Präferenz und ein großes Vertrauen für chinesische
Marken vorhanden. Die „Patriotic Brand Supporters“ schätzen die Performance ihrer
chinesischen Marken und lehnen den Kauf von internationalen Marken aus
Prestigegründen ab. Aus diesem Grund kommt dem Patriotismus bei der
Kaufentscheidung eine gleichwertige Bedeutung wie der Präferenz für chinesische
Marken zu.
Cluster 2: „Brand Lovers“ (18,4 %)
Das Cluster der „Brand Lovers“ wird durch ein konsistentes Bekenntnis zur Marke
geprägt. Mit 18,4 % der Befragten weist es eine ähnliche Größe wie die Cluster 3
und 4 auf. Eine differenzierte Betrachtung der Gruppe in Hinblick auf die
Markenpräferenz verdeutlicht, dass sowohl internationale als auch chinesische
Marken präferiert werden, allerdings bestimmt der Kaufanlass die
Wahlentscheidung. Der Fokus auf internationale Marken lässt sich
schwerpunktmässig anhand von Prestige-Gründen erklären. Patriotismus-Motive
spielen bei der Kaufentscheidung im Gegensatz dazu eine untergeordnete Rolle.
Cluster 3: „Foreign Brand Accepters“ (21,8%)
In der Gruppe der „Foreign Brand Lovers“, die 21,8 % der Stichprobe umfasst,
finden sich Probanden mit einer deutlichen Markenpräferenz, die sowohl auf
internationale als auch auf nationale Marken fokussiert sind. Im Widerspruch zur
Präferenz für internationale Marken scheint das äußerst hohe Maß an Patriotismus zu
stehen. Daher ist anzunehmen, dass die Foreign Brands vor allem aus Prestige-
Gründen nachgefragt werden, etwa als Geschenk oder für besondere Anlässe.
97

4 Empirische Anwendung und Vergleich der Verfahren
Cluster 4: „Chinese Brand Supporters“ (11,6 %)
Ähnlich wie beim Cluster 1 ist das deutlichste Merkmal der kleinsten Gruppe die
Präferenz für chinesische Marken. Die „Chinese Brand Supporters“ schätzen die
Performance „ihrer“ chinesischen Marken ebenso wie die „Patriotic Brand
Supporters“. Internationale Marken werden im Gegensatz dazu abgelehnt. Vor allem
die in den Clustern 2 bis 3 zitierten Prestige-Gründe wirken an dieser Stelle negativ.
Der Patriotismus-Faktor ist im Vergleich zu den anderen Clustern am schwächsten
ausgeprägt.
Cluster 5: „Foreign Brand Lovers“ (19,0 %)
Die Gruppe der „Foreign Brand Lovers“ verfügt mit 19,0 % der befragten
Konsumenten über eine ähnliche Größe wie das Cluster der „Foreign Brand
Accepters“. Weitere Parallelen werden bei der Betrachtung des Faktors 2 „Prestige-
Effekt von internationalen Marken“ und des Faktors 3 „Vertrauens-/Performance-
Effekt von chinesischen Marken“ deutlich. Der Fokus auf internationale Marken ist
allerdings etwas stärker ausgeprägt als bei Cluster 3. Im Gegensatz zu den
aufgezählten Gemeinsamkeiten fällt das äußerst niedrige Maß an Patriotismus in
diesem Cluster auf.
Insgesamt konnten somit durch die multivariate Clusteranalyse fünf verschiedene
Gruppen aufgedeckt werden, die alle außer den „Brand Lovers“ (18,4 %), in Form
einer allgemeinen Markenpräferenz für internationale als auch für chinesische
Marken zu spezifizieren sind.
Modell 2:
Im zweiten Modell wurden die 11 Variablen aus der Faktorenanalyse direkt als
aktive Variablen in der Clusteranalyse verwendet. Die Ergebnisse verschiedener
Gruppenlösungen zeigten insgesamt, im Vergleich zu dem ersten Modell, eine
wesentlich höhere Fehlerquadratsumme und daraus folgend eine sehr geringe
Homogenität der Cluster in Bezug auf die gruppenbildenden Variablen. Nach
BACKHAUS et al. (2003: 537f.) ist die Ursache für diese mindere Güte der Ergebnisse
darin zu sehen, dass eine ungleiche Korrelation unter den aktiven Variablen zu
unterschiedlichen Gewichtungen führt, die bei der Fusionierung der Objekte eine
98

4 Empirische Anwendung und Vergleich der Verfahren
Überbetonung bestimmter Merkmale bedeutet und somit zu Verzerrungen der
Ergebnisse führen kann. Die im ersten Modell vorgeschaltete Faktorenanalyse beugte
dieser Ungleichgewichtung vor, wodurch anschließend auch bessere Ergebnisse
erzeugt wurden. Aufgrund dessen, dass das zweite Modell im Gegensatz zum ersten
keinen zusätzlichen Informationsgewinn in Bezug auf den Verfahrensvergleich
erbringt, wurde im Folgenden darauf verzichtet dieses näher zu beschreiben.
4.5.3 Ergebnisse der künstlichen Neuronalen Netze
Analog zu der Ergebnispräsentation bei der multivariaten Clusteranalyse werden in
diesem Abschnitt die Ergebnisse der künstlichen Neuronalen Netze (SOM)
dargestellt.
Modell 1:
Zur Bildung der SOM und somit zur Typlogisierung der chinesischen Konsumenten
bezüglich deren Markenpräferenzen wurden die aus der Faktorenanalyse (aus Kapitel
4.5.2) extrahierten Komponenten, „Patriotismus“, „Prestige-Effekt von internationalen
Marken“ und „Vertrauens-/Performance-Effekt von chinesischen
Marken“, als Inputneuronen verwendet.
Bei der Festlegung des Outputgitters der SOM zeigte sich, dass die besten
Ergebnisse, in Hinsicht auf eine hohe Homogenität der Cluster, erzeugt werden
konnten, wenn eine Dimension der Outputkarte auf 2 Neuronen beschränkt wurde
(Tabelle 33). 99 Darüber hinaus erwies es sich als vorteilhaft, zunächst die Dimension
des Outputgitters zu bestimmen und erst daran anschließend das Netz durch
systematisches Verändern der Lernraten zu optimieren. 100 Die Veränderung der
Startgewichte hatte im Gegensatz zu den MLP nicht sehr starke Auswirkungen auf
das Ergebnis der Clusterlösung. 101 Abbildung 36 verdeutlicht die Entwicklung der
99 Dieser Sachverhalt wurde aber nur bis zu einer Clusteranzahl von fünfzehn überprüft.
100 Letztendlich erweisen sich bei diesem Datensatz folgende Einstellungen als optimal: Learning
rate decay = linear; Phase 1: Neighborhood = 2, Initial Eta = 0,6, Cycles 60; Phase 2: Neighborhood =
1, Initial Eta = 0,2, Cycles 450
101 In Zukunft sollten jedoch in Bezug auf die Veränderungen der Startgewichte weitere Untersuchungen
erfolgen.
99

4 Empirische Anwendung und Vergleich der Verfahren
Fehlerquadratsumme mit zunehmender Clusteranzahl. 102 Obwohl demzufolge nach
dem Scree-Test eine Sieben- oder Achtclusterlösung statistisch optimal wäre, wird
im Folgenden die Fünferlösung weiter betrachtet um den Vergleich der Ergebnisse
mit der multivariaten Clusteranalyse zu gewähren.
Abbildung 36: Entwicklung der Fehlerquadratsumme bei den SOM 103
1800
1600
Fehlerquadratsumme
1400
1200
1000
800
600
400
200
0
2 3 4 5 6 7 8 9 10 11 12 13 14 15
Anzahl der Cluster
Quelle: Eigene Berechnungen
Die Prüfung der internen Validität mit Hilfe der Tabelle 16 zeigt, dass die F-Werte
des Faktors „prestige effect of foreign brands“ im Durchschnitt der kritischen
Prüfgröße von 1 entsprechen. Somit kann, obwohl sich nach der ANOVA die
Mittelwerte der clusterbildenden Variablen signifikant in den Gruppen unterscheiden
(vgl. Tabelle 36 im Anhang), die Gruppenlösung als lediglich mäßig homogen
beurteilt werden. 104 Tabelle 35 im Anhang bestätigt diese Aussage durch die hohe
Fehlervarianz und den geringen Eta-Wert des zweiten aktiven Faktors. 105 Durch die
Unterschiede in den Clustern können trotzdem 46 % der Varianz der aktiven
102 Beim Training der SOM wurde ersichtlich, dass mit zunehmender Clusteranzahl auch die
Rechenzeit steigt.
103 Es konnte aufgrund der Dimensionen der SOM keine Zweiclusterlösung gebildet werden.
104 Die Homogenitätsüberprüfung der passiven Variablen steht noch offen.
105 Die weiteren Analysen bezüglich der Homogenitäten der Clusterlösungen offenbarten, dass ab
der Sechserclusterlösung eine gute Homogenität der Gruppen vorliegt.
100

4 Empirische Anwendung und Vergleich der Verfahren
Variablen erklärt werden (eta² = 0,46). Der eta Koeffizient mit 0,60 weist einen
mittelmäßigen Zusammenhang auf.
Tabelle 16: Homogenität der Cluster (F-Werte der extrahierten Faktoren)
Cluster
1 2 3 4 5
n = 138 n = 198 n = 162 n = 181 n = 104
Faktoren
17,4 % 25 % 20,4 % 22,8 % 14,4 %
Faktor 1: patriotism 0,30 0,32 0,25 0,39 0,11
Faktor 2: prestige effect of foreign
brands 0,99 1,01 1,00 1,00 0,87
Faktor 3: trust/performance effect of
Chinese brands 0,08 0,32 0,33 0,61 0,45
Quelle: Eigene Berechnungen
Zur Überprüfung der relativen Validität der Clusterlösung wurden die
Übereinstimmungsquoten herangezogen, die auf Grundlage der Diskriminanzanalyse
sowie der replizierten Clusteranalysen ermittelt wurden. Anhand der
Diskriminanzfunktion konnten 88 % der ursprünglich durch die K-Means Methode
gruppierten Fälle korrekt klassifiziert werden. Wilks`Lambda liegt mit einem Wert
von 0,097 nahe bei Null, was auf eine hohe Güte der Ergebnisse schließen lässt, da
nur 9,7 % der Streuung der aktiven Variablen nicht durch die Gruppenunterschiede
erklärt werden können. Es muss jedoch beachtet werden, dass die
Diskriminanzfunktion linear ist und somit für die Prüfung der relativen Validität der
nichtlinearen SOM nur bedingt geeignet ist. Zur Berechnung der
Übereinstimmungsquote mit der replizierten SOM wurde der gesamte Datensatz
durch eine Zufallsauswahl in zwei gleich große Hälften geteilt. 106 Die
Ausgangsanalysen sowie die Teilanalysen ergaben mit einer Übereinstimmungsquote
von 52,82% (Kappa-Wert von 0,401 Kappa) eine nur sehr schwache Ähnlichkeit der
Clusterstrukturen (vgl. Tabelle 37 im Anhang). Darüber hinaus zeigte der
Mittelwertvergleich zwischen den Ergebnissen der replizierten und der
Ausgangslösung der SOM kaum Übereinstimmungen (Tabelle 38 und Tabelle 39).
106
Die Ausreißer wurden bereits vorher eliminiert. Die Zufallsauswahl der multivariaten
Clusteranalyse ist identisch.
101

4 Empirische Anwendung und Vergleich der Verfahren
Somit kann von einer sehr schlechten Generalisierbarkeit der
Gruppierungsergebnisse gesprochen werden.
Tabelle 17: Charakterisierung der Cluster durch die T-Werte der Faktoren
Cluster
1 2 3 4 5
n = 138 n = 198 n = 162 n = 181 n = 104
Faktoren
17,4 % 25 % 20,4 % 22,8 % 14,4 %
Faktor 1: patriotism 0,78 0,55 0,55 -1,34 -0,60
Faktor 2: prestige effect of foreign
brands -0,13 -0,15 0,01 0,22 0,06
Faktor 3: trust/performance effect of
Chinese brands -0,05 1,10 -1,09 0,24 -0,73
Quelle: Eigene Berechnungen
Für die Beurteilung der Interpretationsfähigkeit der Clusterlösung der SOM wurde
zum einen die Struktur des Gruppierungsergebnisses und zum anderen die t-Werte
der aktiven Variablen herangezogen (vgl. Tabelle 17). Es zeigt sich, dass die oben
beschriebene geringe Homogenität der Cluster in Bezug auf den Faktor „prestige
effect of foreign brands“ auch mit einer verminderten Interpretierbarkeit einhergeht.
Die Abbildung 37 enthält daher nur die Mittelwerte der Faktoren „patriotism“ und
„trust/performance effect of Chinese brands“. Ein Vergleich der Mittelwerte mit
denen der multivariaten Clusteranalyse (vgl. Tabelle 15) lässt ähnliche
Ausprägungen bzw. Werte erkennen. Aufgrund dessen wird auf eine detaillierte
Beschreibung der Cluster verzichtet.
Die mittelmäßige Homogenität der Gruppen sowie die geringe Generalisierbarkeit
der Clusterlösung weist insgesamt ein mittelgutes Ergebnis der SOM auf. Die
weiteren Analysen zeigten, dass erst ab einer Sechsclusterlösung eine bessere
Homogenität sowie Interpretation der Gruppen gegeben ist. Demnach sollten
zukünftige Forschungsarbeiten untersuchen, inwieweit die Anzahl der Inputvariablen
sowie die Anzahl der Gruppen einen Einfluss auf das Ergebnis der SOM haben.
102

4 Empirische Anwendung und Vergleich der Verfahren
Abbildung 37: Beschreibung der Cluster durch die Statements der Faktoren (SOM)
Quelle: Eigene Berechnungen
Modell 2:
Im zweiten Modell wurden die 11 Variablen aus der Faktorenanalyse direkt als
aktive Variablen für den Netzwerkaufbau verwendet. Die Ergebnisse verschiedener
Gruppenlösungen zeigten insgesamt, im Vergleich zu dem ersten Modell, eine
wesentlich höhere Fehlerquadratsumme und daraus folgend eine sehr geringe
Homogenität der Cluster in Bezug auf die gruppenbildenden Variablen. Dieses
Ergebnis entspricht somit auch den Resultaten aus der multivariaten Clusteranalyse
(vgl. 4.5.2, Modell 2). Demnach wird auch im Folgenden auf weitere Analysen
verzichtet.
103

4 Empirische Anwendung und Vergleich der Verfahren
4.5.4 Ergebnisse der Fallstudie und Verfahrensvergleich
Die empirischen Untersuchungen im ersten Modell haben gezeigt, dass sowohl mit
der multivariaten Clusteranalyse als auch mit den SOM die Probanden aus Wuhan
hinsichtlich ihres Kaufverhaltens in Bezug auf internationale und chinesische
Marken typologisiert werden können. Im zweiten Modell wurde dagegen ersichtlich,
dass ohne eine vorherige Dimensionsreduktion (vgl. Modell 2) beide
Verfahrensklassen im Vergleich zum ersten Modell schlechtere Ergebnisse hatten.
Demnach konzentriert sich der folgende Verfahrensvergleich auf das erste Modell.
Abbildung 38 macht deutlich, dass der K-Means Algorithmus im Vergleich zu den
anderen Methoden auch bei zunehmender Clusteranzahl die kleinste
Fehlerquadratsumme aufweist und somit auch die homogensten Gruppen bildet. Die
SOM und die Ward-Methode zeigen einen annährend gleichen Verlauf der
Fehlerquadratsumme. Aufgrund dieser Ergebnisse können die positiven Aussagen
aus der Literatur in Bezug auf die Überlegenheit der KNN bei der Klassifizierung
von Objekten im Vergleich zu den multivariaten Verfahren nicht bestätigt werden
(vgl. Kapitel 4.1).
Abbildung 38: SOM, K-Means und Ward im Vergleich
Fehlerquadratsumme
2000
1800
1600
1400
1200
1000
800
600
400
200
0
2 3 4 5 6 7 8 9 10 11 12 13 14 15
Anzahl der Cluster
Ward
K-Means
SOM
Quelle: Eigene Berechnungen
104

4 Empirische Anwendung und Vergleich der Verfahren
Die Berechnung des Scree-Test-Diagramms (vgl. Abbildung 38) gestaltet sich bei
der K-Means Methode und den SOM als sehr aufwendig, da für jede Gruppenlösung
(von 2 bis 15) eine Clusteranalyse berechnet bzw. ein Netz trainiert werden muss, um
anschließend durch die ANOVA die Fehlerquadratsumme pro Input bzw.
clusterbildende Variable zu kalkulieren. Erst daran anschließend können in Excel die
Gesamtfehlerquadratsummen berechnet und die Scree-Plots erstellt werden. Aus
dieser umfangreichen Vorgehensweise wird ersichtlich, dass es für den praktischen
Anwender bei der K-Means und SOM Clusterung nur schwer möglich ist, die
optimale Clusteranzahl zu definieren, wenn er nicht vorweg eine Hypothese über die
Gruppenanzahl hat. Bei einer vorherigen Festlegung der Clusteranzahl würde aber
wiederum zum Teil der explorative Charakter der Clusteranalyse bzw. der SOM als
struktur-entdeckendes Verfahren verloren gehen. Somit ist der Anwender auf ein
Hilfsverfahren, z. B. die Ward-Methode angewiesen, um die optimale
Gruppenanzahl für die betreffende Problemsituation festzulegen. In diesem
Zusammenhang liegen jedoch keine Literaturhinweise über die Verwendung eines
Hilfsverfahrens bei den SOM vor. 107 Zukünftige Studien sollten diese Problematik
mit einbeziehen.
Abbildung 39: Validität der Clusterlösungen im Verfahrensvergleich
Cluster
Validierung
interne
Gütekriterium K-Means SOM
eta² 0,55 0,46
Validität eta 0,74 0,60
Übereinstimmungsquote der DA 96,30 88,00
relative
Validität
Wilks` Lambda 0,084 0,097
Übereinstimmungsquote der RCLU 78,20 52,82
Kappa-Wert der RCLU 0,726 0,401
DA = Diskriminanzanalyse
Quelle: Eigene Berechnungen
RCLU = replizierte Clusteranalyse
107 In diesem Kontext müssten die SOM auch die Endpartitionen des Ward-Algorithmus verwenden
können (Kapitel 3.1.3). Das heißt aber letztendlich zusätzliche Softwareimplikationen.
105

4 Empirische Anwendung und Vergleich der Verfahren
Die Validitätskriterien der Fünfclusterlösungen der Verfahren in Abbildung 39
zeigen, dass die K-Means-Methode bei der internen und relativen Prüfung bessere
Ergebnisse hat als die SOM. In Hinsicht auf die relative Validität wurde jedoch bei
dem inhaltlichem Vergleich der Gruppen (Mittelwertvergleich) der replizierten und
der Ausgangslösung beider Verfahren ersichtlich, dass nur wenige
Übereinstimmungen zwischen den Ergebnissen vorliegen. Die multivariate
Clusteranalyse und die SOM weisen somit insgesamt eine schlechte
Generalisierungsleistung auf. Darüber hinaus wird ersichtlich, dass der Einsatz der
Diskriminanz- und der replizierten Clusteranalyse zur Prüfung der Generalisierbarkeit
der Gruppenlösungen, wie er in der Literatur empfohlen wird, nur dann
zweckmäßig ist, wenn die Ergebnisse der replizierten Analysen auch auf inhaltliche
Übereinstimmungen hin überprüft werden.
Tabelle 18: Kreuztabelle – SOM versus K-Means
SOM
Gesamt
Cluster 1 2 3 4 5
1 81 111 23 0 13 228
2 25 80 5 24 10 144
3 32 0 134 0 5 171
4 0 7 0 82 2 91
K-Means
5 0 0 0 75 74 149
Gesamt
138 198 162 181 104 783
Quelle: Eigene Berechnungen
Tabelle 18 zeigt, dass nur 58 % der Objekte durch die SOM und K-Means Methode
gleich klassifiziert wurden. Der auf Basis der Übereinstimmungsquoten berechnete
Kappa-Koeffizient erreicht mit 0,473 einen positiven Wert, der signalisiert, dass die
Übereinstimmungsquote nur geringfügig höher ausfällt, als dies bei einer zufälligen
Zuordnung der Objekte zu den Clustern zu erwarten wäre. Neben dieser schlechten
Übereinstimmung zwischen den Gruppierungsergebnissen der Verfahrensklassen,
zeigt auch die inhaltliche Interpretation der Cluster (durch die Mittelwerte) zum Teil
sehr unterschiedliche Ergebnisse auf (vgl. Tabelle 15 und Tabelle 17). Ein Vergleich
der 3D-Streudiagramme der Abbildung 50 und Abbildung 51 im Anhang
verdeutlicht diesen Zusammenhang noch einmal visuell. Die Ursache für die geringe
Übereinstimmungsquote zwischen den Verfahren ist vor allem darauf
zurückzuführen, dass der zweite aktive Faktor bei den SOM kaum zur Clusterbildung
106

4 Empirische Anwendung und Vergleich der Verfahren
verwendet wurde. Die weitergehenden Analysen zeigten erst ab einer
Sechsclusterlösung, dass eine Einbeziehung des zweiten Faktors in die
Gruppenbildung erfolgt. Inwieweit sich die SOM deshalb nur für umfangreichere
Gruppierungslösungen eignen, sollte in weitergehenden Studien überprüft werden.
Dies spielt insbesondere für die praktische Marktforschung eine wichtige Rolle da
jede weitere ermittelte Gruppe auch zusätzliche Marketingkosten bedeutet. Ein
Analyseverfahren sollte dementsprechend auch bei einer geringen Gruppenanzahl
gute Ergebnisse erbringen.
Die Interpretationen der Gruppenlösungen der multivariaten Clusteranalyse und den
SOM zeigen, dass insgesamt fünf verschiedene Gruppen spezifiziert werden können,
von denen alle einen deutlich ausgeprägten Markenfokus aufweisen. Dieser Fokus ist
allerdings differenziert zu betrachten. Denn auf der einen Seite finden sich die
Cluster, die eine deutliche Präferenz für internationale Marken haben, während auf
der anderen Seite die Gruppen deren deutlichstes Merkmal die Präferenz für
chinesische Marken ist einen Gegenpol bilden. Lediglich bei einem Cluster, den
„Brand Lovers“, ist der Markenfokus in Form einer allgemeinen Markenpräferenz zu
spezifizieren.
Die Schlussfolgerung dieser Fallstudie in Bezug auf den Verfahrensvergleich ist,
dass die SOM, nach der internen Prüfung, wie die Ward-Methode in der
Primärforschung eingesetzt werden können. Aufgrund der mangelnden
Generalisierbarkeit der Ergebnisse sowie den fehlenden Optionen (Voranalysen) für
eine optimale Clusteranzahl sind die SOM jedoch im Vergleich zu der K-Means
Methode nur bedingt einsetzbar.
107

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
Im Rahmen dieses Kapitels werden die in Abschnitt 4.2 aufgezeigten Gütekriterien
(vgl. Abbildung 27) verwendet, um die Leistungsfähigkeit der multivariaten
Verfahren und der künstlichen Neuronalen Netze in der Primärforschung zu
vergleichen. Die Basis für diesen Vergleich bilden, neben den methodischen
Grundlagen der Verfahren, die Ergebnisse der zuvor vorgestellten Fallstudien. 108
Darüber hinaus wird überprüft, ob die KNN durch ihre spezifischen Eigenschaften
(vgl. Abschnitt 3.3) im Stande sind, die statistischen Problemstellungen in der
Primärforschung besser zu lösen als die multivariaten Verfahren. Die Ergebnisse der
literarischen Bestandsaufnahme werden ebenfalls mit in den Vergleich
eingeschlossen.
Datenorientierte Kriterien
In Bezug auf die „Datendeformation“ haben die KNN den Vorteil, keine Ansprüche
an das Skalenniveau zu stellen. Das heißt, die MLP und SOM können sowohl mit
metrisch-/ordinal- als auch mit nominalskalierten Daten ein Netzwerk aufbauen. Um
die multivariaten Verfahren anwenden zu können müssen die Daten hingegen ein
bestimmtes Skalenniveau aufweisen (vgl. Abbildung 7). Demgemäß liegt unter
anderem bei der multiplen linearen Regressionsanalyse die Prämisse vor, dass die
abhängige Variable metrisch skaliert sein muss. Ist diese stattdessen z. B.
nominalskaliert, müssen andere Verfahren, die logistische oder multinomiallogistische
Regressionsanalyse, verwendet werden (vgl. Kapitel 3.1.2). Auch für die
Durchführung der multivariaten Clusteranalyse ist es notwenig, dass die Daten der
clusterbildenden Variablen im metrischem Skalenniveau vorliegen (BACKHAUS et al.
2003: 517).
Die Ansprüche der KNN (MLP) an die „Datenqualität“ (Missing Values) sind
geringer als die der multivariaten Verfahren. Dementsprechend kann z. B. im
108 Aufgrund der geringen Ergebnisunterschiede zwischen den SOM und den MLP werden diese
nicht getrennt durch die Kriterien bewertet.
108

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
Rahmen der Regressionsanalyse keine Schätzung für die endogene Variable eines
Datenobjektes vorgenommen werden, wenn nur ein Wert einer exogenen Variablen
fehlt. Diese Problematik ist besonders dann schwerwiegend, wenn viele Regressoren
zur Schätzung einbezogen werden und gleichzeitig eine hohe Anzahl an Missing
Values vorliegt. Daraus folgt, dass nur für sehr wenige Datenobjekte eine Schätzung
vorgenommen werden kann und daran anschließend auch nur eine geringere
Generalisierung der Ergebnisse möglich ist. Die KNN, in diesem Fall die MLP, sind
durch ihre parallele Informationsverarbeitung (vgl. Kapitel 3.3) tolerant gegenüber
diesem Missing Values Problem. Inwieweit diese Toleranz jedoch mit einer geringen
Approximation an das tatsächliche Output einhergeht, konnte im Rahmen dieser
Arbeit nicht überprüft werden (vgl. Abschnitt 3.3). Bei der multivariaten
Clusteranalyse sowie den SOM konnten keine unterschiedlichen Einflüsse der
Datenqualität auf das Ergebnis identifiziert werden. Wie gut KNN und multivariate
Verfahren mit Datenfehlern (falsche oder fehlerhafte Daten) umgehen können, steht
ebenfalls noch offen.
Hinsichtlich der Verarbeitungsfähigkeit von großen „Datenmengen“ zeigen die
KNN im Vergleich zu den multivariaten Verfahren ein besseres Laufzeitverhalten.
Der Grund dafür ist, dass die statistischen KNN ursprünglich für das Data Mining
entwickelt wurden und somit auch das originäre Ziel haben, sehr große Datenmengen
automatisch verarbeiten zu können (vgl. Kapitel 2.2). In der Primärforschung liegen
jedoch im Gegensatz zum Data Mining häufig kleinere Stichproben mit einer relativ
großen Anzahl an (psychographischen) Variablen vor. Das Ziel der statistischen
Analysen ist dann, anhand von wenigen Variablen aussagekräftige Ergebnisse zu
erhalten (Dimensionsreduktion). Im Rahmen der ersten Fallstudie (Modell 2) wurde
deutlich, dass die multivariate Rückwärtsregression im Vergleich zur Pruning-
Methode (MLP) stabilere und validere Ergebnisse erzeugt und demzufolge besser die
relevanten bzw. signifikanten Variablen selektieren kann. Die zweite Fallstudie
zeigte hingegen, dass weder die SOM noch die multivariate Clusteranalyse bei vielen
Input- bzw. clusterbildenden Variablen valide Ergebnisse erbringen konnten.
Demnach können die KNN die Komplexität einer statistischen Problemsituation (vgl.
Kapitel 3.3) nicht besser aufdecken als die multivariaten Verfahren. Diese Aussage
muss jedoch eingeschränkt betrachtet werden, denn ob die Neuronalen Netze die
109

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
„Nichtlinearität der Daten“ als Teil der Dimension der Komplexität (vgl. Abschnitt
3.3 besser erklären können als die multivariaten Methoden konnte nicht überprüft
werden, da die verwendeten Fallstudien nur geringe nachweisbare nichtlineare
Datenstrukturen aufwiesen. 109
Methodenorientierte Kriterien
Die methodenorientierten Kriterien beziehen sich neben den Analyseergebnissen
(Ergebnissicherheit, Generalisierung,) auch auf die angewendete Verfahrensmethodik
(Modellprämissen). Das Kriterium „Ergebnissicherheit“ wurde umfassend
durch statistische Kennzahlen in den Kapiteln 4.4 und 4.5 überprüft. In dem ersten
Fallbeispiel (Modell 1) wurde dargestellt, dass die Gütekriterien (adjusted R², MSE)
der In-Sample-Mengen bei der Regressionsanalyse geringfügig besser waren als bei
den MLP. Die zweite Fallstudie machte deutlich, dass die K-Means Methode nach
der Fehlervarianz bzw. dem F-Test homogenere Cluster bildete als die SOM.
Lediglich das Ward-Verfahren wies eine ähnliche Homogenität in den Gruppen auf
wie die SOM. Aufgrund dieser Resultate können die in der Literatur überwiegend
positiven Aussagen hinsichtlich der Ergebnissicherheit der KNN im Data Mining
(vgl. Kapitel 4.1) nicht auf die Primärforschung übertragen werden. Um diese These
zu festigen, sollten aber in Zukunft weitere Studien über den Einsatz von Neuronalen
Netzen in der Primärforschung folgen. Denn die Ursache für die geringere
Ergebnissicherheit der KNN in den Fallbeispielen dieser Arbeit könnte unter
anderem damit begründet werden, dass in den Datenstrukturen nur wenige
nichtlineare Anteile nachweisbar waren. Zukünftige Arbeiten sollten diese
Problematik berücksichtigen und darüber hinaus variierende Stichprobengrößen und
wechselnde Anzahlen an Variablen in die Analysen einbeziehen, um so die mögliche
Leistungsfähigkeit der KNN in der Primärforschung umfangreicher und besser
aufzudecken.
Durch das Kriterium „Generalisierbarkeit“ wird die Allgemeingültigkeit der
Ergebnisse überprüft. Bei der Anwendung der erzeugten Modelle in der ersten
Fallstudie auf die Out-of-Sample Menge zeigte sich, dass die MLP eine bessere
109 Die nichtlinearen Datenstrukturen spielen insbesondere im Vergleich zwischen den MLP und
der multiplen linearen Regressionsanalyse eine wichtige Rolle (vgl. Kapitel 4.4).
110

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
Generalisierbarkeit aufwiesen als die geschätzte Regressionsfunktion. Diese Leistung
der MLP kann möglicherweise durch deren Lernfähigkeit begründet werden (vgl.
Abschnitt 3.3), während die schlechte Leistung der Regressionsanalyse
wahrscheinlich auf Verletzungen der Modellprämissen zurückzuführen ist.
Letztendlich war jedoch die Güte der Prognosen beider Verfahren ähnlich (vgl.
Kapitel 4.4.4). Zur Überprüfung der relativen Validität bzw.
Generalisierungsleistung der Clusterlösung wurden die Übereinstimmungsquoten
herangezogen, die auf Grundlage der Diskriminanzanalyse sowie der replizierten
Clusteranalysen ermittelt wurden (vgl. Abschnitt 3.1.3). Anhand der
Diskriminanzfunktion zeigte die multivariate Clusteranalyse eine höhere
Übereinstimmungsquote auf als die SOM. Die replizierten Analysen der Verfahren
offenbarten jedoch, dass kaum inhaltliche Übereinstimmungen zwischen den
Ergebnissen vorlagen (vgl. Kapitel 4.5.4. Demnach ist der Einsatz der
Diskriminanzanalyse zur alleinigen Überprüfung der Generalisierbarkeit der
Gruppenlösungen kritisch zu sehen. Somit weisen die multivariate Clusteranalyse
und die SOM insgesamt eine schlechte Generalisierungsleistung auf.
Die Bewertung des Kriteriums „Modellprämissen“ erfolgte an Hand der Relevanz
der Annahmebeschränkungen eines Verfahrens für die Modellbildung. Da die KNN
im Vergleich zu den multivariaten Verfahren keine bzw. weniger Annahmen
bezüglich der zu verarbeitenden Daten erfordern, gelten sie als vorteilhafter. So muss
für ein neuronales Netz lediglich die Netzwerktopologie festgelegt werden, während
z. B bei der Spezifikation des Regressionsmodells Annahmen im Hinblick auf die
Funktion, die Störgröße und die Variablen einzuhalten sind (vgl. Abschnitt 3.1.2).
Die Fallstudie 1 zeigte aber auch, dass selbst bei Prämissenverletzungen der
Regressionsfunktion gute Ergebnisse erzeugt werden können (vgl. Kapitel 4.4.2).
Anwenderorientierte Kriterien
Neben den bisher aufgezeigten direkten Kriterien werden im Folgenden die
indirekten oder auch anwenderorientierten Kriterien pro Verfahren bewertet, die
besonders im betriebswirtschaftlichen Informationsmanagement eine wichtige Rolle
spielen (vgl. Abschnitt 4.2). Die Beurteilung der „Interessantheit“ der
Verfahrensergebnisse bezieht sich vor allem auf die struktur-entdeckenden
111

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
Verfahren. Denn bei den struktur-beschreibenden Verfahren ist vor der Berechnung
ein Modell aufzubauen, so dass keine neuen interessanten Informationen gewonnen,
sondern nur vorhandene in ihrer Wechselwirkung bestätigt werden können (vgl.
Kapitel 2.2). Die Pruning-Methode der MLP kann, obwohl dieser Netzwerktyp den
struktur-beschreibenden Verfahren zugeordnet ist, zur Entdeckung neuer reduzierter
nichtlinearer Datenmuster eingesetzt werden (vgl. Abschnitt 4.4.3). Im Rahmen der
ersten Fallstudie konnte jedoch kein stabiles Netzwerk aufgebaut und somit auch
keine neuen Datenmuster identifiziert werden. Bei den struktur-entdeckenden
Verfahren zeigten die Gruppenlösungen der SOM und der multivariaten
Clusteranalyse vom methodischen Ansatz her keine wesentlichen Unterschiede in
Bezug auf die Entdeckung von interessanten Mustern in den Daten. Folglich können
die KNN auch nicht durch ihre Lernfähigkeit die Unwissenheit (Intransparenz) über
die Strukturen in den Datenbeständen besser aufdecken (vgl. Kapitel 3.3). Insgesamt
erwies sich die Bewertung der „Interessantheit“ als sehr schwierig und sollte daher
dem jeweiligen Anwender überlassen werden.
Das Kriterium „Verständlichkeit“ bezieht sich vor allem auf die methodische
Transparenz der Verfahren. Während die Regressions- und Clusteranalyse
mathematisch und sachlogisch einfach nachzuvollziehen sind, ist es schwierig die
internen Gewichtungen und Verknüpfungen der Netzwerkstrukturen der Neuronalen
Netze zu durchschauen. Andere Programme für Datenanalysen mit KNN, z. B. der
SNNS (Stuttgarter Neuronale Netze Simulator), bieten hier zwar mehr Transparenz
als SPSS Clementine, haben dafür aber auch höhere methodische Anforderungen an
den Anwender. 110 In Zukunft sollten weitergehende Studien über den Einsatz von
KNN in der Primärforschung eine Befragung über die Transparenz der Verfahren bei
wissenschaftlichen und praktischen Anwendern einschließen. Dadurch wäre eine
bessere Bewertung des Kriteriums „Verständlichkeit“ geben und darauf aufbauend,
könnten anwenderorientierte Softwareanpassungen für KNN vorgenommen werden.
Die „Interpretierbarkeit“ der Ergebnisse ist bei den MLP nicht so einfach möglich
wie bei der Regressionsanalyse (vgl. Kapitel 4.4.4). Während bei der multiplen
110
Die SNNS sind ein leistungsfähiger universeller Simulator neuronaler Netze für Unix
Workstations und Unix-PCs und wurden von einem Team an der Universität Stuttgart entwickelt.
112

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
linearen Regression die Richtung (positiv, negativ) und die Stärke des Einflusses auf
die abhängige Variable durch die Regressionskoeffizienten der unabhängigen
Variablen genau dargelegt werden, bietet die Sensitivitätsanalyse der MLP nur eine
sehr einfache Grundlage (relative Wichtigkeit der Eingabevariable auf die
Ausgabevariable) zur Interpretation der Inputneuronen. Die Interpretation der
Ergebnisse der multivariaten Clusteranalyse und der SOM vollzieht sich
gleichermaßen (vgl. Abschnitt 4.5.4). Ein inhaltlicher Vergleich der
Verfahrenslösungen untereinander ist jedoch nur schwierig durchzuführen, da die
Methoden keine analogen Ergebnisse hervorbringen. Da die KNN eine geringere
methodische Transparenz aufweisen und deren Analyseergebnisse im Vergleich zu
den multivariaten Verfahren nur beschränkt zu interpretieren sind, kann die in der
Literatur häufig erwähnte Black-Box-Problematik der neuronalen Netze bestätigt
werden (vgl. Kapitel 3.3 und 4.1). Inwieweit diese Problematik letztendlich zu einer
geringeren Akzeptanz der Ergebnisse der KNN in der praktischen Anwendung führt,
sollte in weitergehenden Studien erforscht werden.
Eine weitere wichtige Voraussetzung für den Einsatz von multivariaten Verfahren
und KNN in der betrieblichen Primärforschung ist, dass deren „Bedienbarkeit“ bzw.
Anwendung möglichst einfach ist. Die Regressionsanalyse weist in diesem
Zusammenhang von der Dateneingabe bis zur Ergebnisausgabe im Vergleich zu den
anderen Verfahren eine relativ anwenderfreundliche Bedienung auf (vgl. Abschnitt
4.4.2). Bei den KNN müssen hingegen sehr viele Einstellungen im Hinblick auf die
Netzwerktopologien, Lernraten und Laufzyklen usw. vorgenommen werden, um ein
brauchbares Ergebnis zu erhalten. Durch diese Vielfalt an Einstellungsmöglichkeiten
kann der praktisch orientierte Anwender der Versuchung unterliegen, von einem
systematischen Vorgehen zu einem Trial-and-Error Prozess bei der Bedienung zu
wechseln. Dieses würde aber die Verständlichkeit und Transparenz der Ergebnisse
verringern. Um dem vorzubeugen, sollten in Zukunft differenzierte Einstellungen für
Experten und Anfänger sowie Standardfunktionen für spezifische Problemsituationen
in die statistischen Softwares für KNN implementiert werden. In Bezug auf die
Komplexität des Verfahrensablaufes zeigt insbesondere die multivariate
Clusteranalyse Schwächen (vgl. Kapitel 4.5.2). Denn um verwertbare
Gruppenergebnisse zu erhalten, müssen neben den nacheinander folgenden
113

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
Berechnungen verschiedener Clusteralgorithmen (Single-Linkage, Ward, K-Means)
auch zusätzliche Analysen für die Güte der Clusterlösungen durchgeführt werden.
Dieser methodisch anspruchsvolle Verfahrensablauf sollte in Zukunft bei der
Neuentwicklung von statischen Programmen für die praktische Datenanalyse besser
automatisiert werden. 111 Letztendlich muss jedoch beachtet werden, dass die
Bewertung der Bedienbarkeit eines Verfahrens von den subjektiven
Methodenkenntnissen und den Erfahrungen des Anwenders abhängt.
Im Zusammenhang mit der Forderung nach einer weitgehenden „Flexibilität“ der
Verfahren haben die KNN zwar einerseits den Vorteil, dass diese auch bei
unterschiedlichen Skalenniveaus der Variablen eingesetzt werden können, anderseits
wird jedoch viel Zeit für den Netzwerkaufbau und das Training (inklusive der
Anpassung der Lernrate) benötigt (vgl. Abschnitt 3.2). Dadurch können die
Neuronalen Netze insgesamt nicht flexibel auf unterschiedliche Problemsituationen
hin angewendet werden. Bei den multivariaten Verfahren kann demgegenüber die
Regressionsanalyse nach einem erfolgten Modellaufbau sehr schnell durchgeführt
werden. Die Clusteranalyse benötigt wiederum durch ihre methodisch
anspruchsvollen Ablaufschritte einen wesentlich höheren Rechenzeitanspruch (vgl.
Kapitel 4.5.2).
In Bezug auf die „Verfügbarkeit“ der Verfahren zeigen WILDE et al. (2002: 157),
dass fast alle Softwareanbieter (z. B. SPSS GmbH, SAS Institut, StatSoft GmbH
usw.) auch die in dieser Arbeit verwendeten multivariaten Verfahren in ihre
Statistikprogramme implementiert haben. Die KNN sind stattdessen bei den meisten
Softwareanbietern nur als Einzelprodukt oder eigenständiges Tool zu erwerben. Die
frei zur Verfügung stehenden Statistikprogramme (z. B. R, SNNS) bieten zwar auch
die Möglichkeit mit KNN zu arbeiten, jedoch erweist sich die Benutzeroberfläche für
die praktische Primärforschung als nicht anwenderfreundlich genug und wird deshalb
vornehmlich im wissenschaftlichen Bereich eingesetzt. Für die praktische
Marktforschung bedeutet deshalb der Einsatz von Neuronalen Netzen zur
Datenanalyse auch zusätzliche Kosten.
111 Untersuchungen bezüglich der Robustheit gegenüber Fehleinstellungen oder Fehlbedienungen
der Verfahren wurden nicht durchgeführt.
114

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
Tabelle 19 stellt noch einmal zusammenfassend die Ergebnisse der oben
aufgeführten Bewertungskriterien für jedes Verfahren dar. Es soll jedoch abermals
darauf hingewiesen werden, dass die in diesem Kapitel aufgeführten Bewertungen,
insbesondere bei den indirekten Kriterien, schwierig objektiv zu ermitteln sind und
sich zum Teil aus dem jeweiligen Einsatzgebiet des Verfahrens sowie der
subjektiven Einschätzung des Anwenders ableiten lassen. Ziel zukünftiger Studien
sollte es daher sein, diese Kriterien detaillierter anhand von unterschiedlichen
Fallstudien in der Primärforschung zu analysieren.
Tabelle 19: Bewertung von multivariaten Verfahren und KNN
Strukturabbildung Strukturentdeckung
Kriterium
Regressions-
Clusteranalyse
MLP
analyse
SOM
datenorientierte
Kriterien
Datendeformation - ++ - ++
Datenqualität - ++ + +
Datenmengen + - - -
methodenorientierte
Kriterien
Ergebnissicherheit ++ ++ ++ +
Generalisierung + ++ - -
Modellprämissen - ++ - ++
anwenderorientierte
Kriterien
Interessantheit - - + +
Verständlichkeit ++ - + -
Interpretierbarkeit ++ + + +
Bedienbarkeit + - - -
Flexibilität + - - -
Verfügbarkeit ++ - ++ -
Mit „++“, „+“, oder „-“ wird ein Kriterium „sehr gut erfüllt“, gut erfüllt“ oder „nicht erfüllt“.
Quelle: Eigene Darstellung
115

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
Die aufgezeigten Kriterien können auch als Anforderungen der Marktforscher/innen
an die Analysemethoden angesehen werden. Das heißt, nur wenn ein Verfahren
sowohl die Anforderungen an die Daten, die Methodik und die Anwendbarkeit
ausreichend erfüllt, eignet es sich für den Einsatz in der Primärforschung.
Abbildung 40: Einordnung der Analyseverfahren nach anwender-, daten- und
methodenorientierten Anforderungen
Quelle: Eigene Darstellung
Aus der Abbildung 40 wird ersichtlich, dass die KNN im Vergleich zu den
multivariaten Verfahren zwar kaum Anforderungen an die Daten und die Methodik
stellen, stattdessen aber weniger anwenderfreundlich sind. Daraus folgt, dass diese
sich auch nur bedingt für das betriebswirtschaftliche Informationsmanagement
eignen. Denn ein erfolgreicher, praktischer Einsatz eines Analyseverfahrens ist nur
dann gewährleistet, wenn dieses möglichst schnell aufschlussreiche und leicht
verständliche Ergebnisse für die Entscheidungsträger des Unternehmens liefern kann.
Andernfalls könnte die Unternehmensleitung nicht flexibel und spezifisch auf neue
Marktsituationen reagieren (vgl. Kapitel 2.1). Die multivariaten Verfahren werden
demnach diesen Ansprüchen besser gerecht. Der Einsatz der Neuronalen Netze in der
Primärforschung fällt somit eher der Wissenschaft und den Marktforschungsunternehmen
zu, die weniger anwenderorientierte Anforderungen stellen. HIPPNER et
al. (2002) zeigten diesbezüglich in einer Studie über die Anwendungspraxis von Data
Mining Methoden in 44 deutschen Unternehmen, dass die multivariaten Verfahren
116

5 Zusammenfassung der Ergebnisse und Verfahrensvergleich
aufgrund ihrer einfachen Nachvollziehbarkeit und guten Verständlichkeit häufiger
für Datenanalysen eingesetzt werden als die künstlichen Neuronalen Netze (vgl.
Abbildung 52 und Abbildung 53). Weitergehende Studien sollten daher unter
anderem überprüfen, inwieweit diese Anwendungspraxis im Data Mining auf die
Primärforschung übertragbar ist.
117

6 Schlussbemerkungen
6 Schlussbemerkungen
Neuronale Netze wurden bislang überwiegend und mit sehr guten Ergebnissen im
Rahmen des Data Mining eingesetzt. Der erfolgreiche Einsatz der KNN begründet
sich dabei durch deren Eigenschaften, z. B. nichtlineare Datenstrukturen
aufzudecken und eine hohe Anzahl von Variablen mit in die Analysen einbeziehen
zu können. Das Ziel dieser Arbeit bestand deshalb darin, anhand von Gütekriterien
zu untersuchen, ob durch den Einsatz von künstlichen Neuronalen Netzen in der
Primärforschung eine Verbesserung der Informationsgewinnung im Vergleich zu den
bisher verwendeten multivariaten Verfahren möglich ist. Zur Beantwortung dieser
zugrunde liegenden Zielsetzung wurde, neben einer umfassenden Bestandsaufnahme
der bestehenden Erkenntnisbeiträge aus der Literatur, eine eigene empirische
Untersuchung durchgeführt.
Die Ergebnisse der Fallstudien dieser Arbeit zeigen, dass der Einsatz von KNN zur
Datenanalyse in der Primärforschung prinzipiell möglich ist. Folglich stellen die
Neuronalen Netze ein alternatives Verfahren zu den konventionellen multivariaten
Verfahren innerhalb der Primärforschung dar und ergänzen somit den bisherigen
Methodenvorrat.
Darüber hinaus konnten jedoch bei den tiefergehenden Analysen in den empirischen
Untersuchungen, im Gegensatz zu den in der Literatur befindlichen Resultaten, keine
besseren Güteergebnisse und Informationsgewinne durch die KNN im Vergleich zu
den multivariaten Verfahren erzeugt werden. Zurückzuführen ist dieses Resultat
wahrscheinlich auf die linearen Zusammenhänge zwischen den Variablen innerhalb
der Daten der Fallbeispiele. Zukünftige Studien über den Einsatz von Neuronalen
Netzen in der Primärforschung sollten daher untersuchen, ob bei Vorliegen von
komplexeren, nichtlinearen Zusammenhängen in den Datenstrukturen die KNN den
multivariaten Verfahren überlegen sind.
Der abschließende Verfahrensvergleich durch die daten-, methoden- und
anwenderorientierten Bewertungskriterien in dieser Arbeit macht deutlich, dass die
Neuronalen Netze vor allem in Bezug auf deren Anwendbarkeit (Verständlichkeit,
118

6 Schlussbemerkungen
Interpretierbarkeit, Bedienbarkeit, Verfügbarkeit usw.) Schwächen zeigen, während
die multivariaten Verfahren hier ihre Stärke haben. Der Vorwurf aus der Literatur,
KNN wiesen einen Black-Box Charakter auf und durchliefen in der
Netzwerkkonstruktion einen Trial-and-Error Prozess, kann daher nicht entkräftet
werden. Aus dieser Anwendungsproblematik heraus resultiert die
Handlungsempfehlung, den Einsatz der Neuronalen Netze zur Datenanalyse
gegenwärtig auf die wissenschaftliche Forschung zu beschränken und in der
Unternehmenspraxis vornehmlich die multivariaten Verfahren einzusetzen. Daran
anknüpfend besteht aber durchaus weiterhin das Ziel für die Wissenschaft und
speziell für die angewandte Informatik, die Neuronalen Netze bezüglich eines
zukünftigen praktischen Einsatzes in der Primärforschung weiterzuentwickeln. Der
Schwerpunkt sollte dabei vor allem auf der Entwicklung einer anwenderorientierten
Benutzeroberfläche liegen, die die Identifikation und Schätzung des Neuronalen
Netzwerkmodells vereinfacht bzw. standardisiert. Denn letztendlich bieten die KNN,
insbesondere im Hinblick auf das Ziel der Primärforschung, im Rahmen der
Datenanalyse schnell aufschlussreiche und leicht verständliche Ergebnisse zu liefern,
ein enormes Verbesserungs- und Weiterentwicklungspotential, während viele
konventionelle Verfahren der multivariaten Statistik schon ausgereift sind und kaum
noch Verbesserungsmöglichkeiten aufweisen.
119

Literaturverzeichnis
Literaturverzeichnis:
ALEX, B. (1998): Künstliche Neuronale Netze in Management-
Informationssystemen – Grundlagen und Einsatzmöglichkeiten, Wiesbaden.
ALON, I.; QI, M.; SADOWSKI, R.J. (2001): Forecasting aggregate retail sales: a
comparison of artificial neural networks and traditional methods, In: Journal
of Retailing and Consumer Services, Heft 8 (2001), S. 147-156. URL: http://
web.rollins.edu/~ialon/publications/Retail%20Forecasting.pdf,
Abrufdatum: 13.01.2005
ANDERS, U. (1996): Was neuronale Netze wirklich leisten, In: Die Bank, Heft 3
(1996), S. 162–165.
ANDERS, U. (1997): Statistische Neuronale Netze, München.
ANDERSON, D.; MCNEIL, G. (1992): Artificial Neural Networks Technology, New
York. URL: http://www.dacs.dtic.mil/techs/neural/, Abrufdatum: 13.01.2005
ANGUS, J. (2004): Test Center – Clementine 8.1 – Melds Business Analytics With
Business Intelligence, In: Infoworld, Heft 29 (2004), S. 28-29.
ARNDT, D.; GESTEN, W.; WIRTH, R. (2001): Kundenprofile zur Prognose der
Markenaffinität im Automobilsektor. In: Hippner, H.; Küsters, U.; Meyer,
M.; Wilde, K.D. (Hrsg.) (2001): Handbuch Data Mining im Marketing,
Wiesbaden, S. 591-606.
BACHER, J. (1996): Clusteranalyse, 2. Auflage, München.
BACKHAUS, K.; ERICHSON, B.; PLINKE, W.; WEIBER, R. (2003): Multivariate
Analyseverfahren: Eine anwenderorientierte Einführung, 10. Auflage, Berlin.
BARTHELEMY, S., FILIPPI, J.-B (2003): A typology of very small companies using
self organizing maps, Proceedings of the IEEE International Conference on
Systems, Man & Cybernetics Conference, Washington, 2003, Heft 1, S.
3518-3523. URL: http://spe.univ-corse.fr/filippiweb/publis/docs/som2.pdf,
Abrufdatum: 22.02.05
BERGS, S. (1980): Optimalität bei Clusteranalysen – Experimente zur Bewertung
numerischer Klassifikationsverfahren, Münster.
BERRY, M. J. A.; LINOFF, G. (1997): Data Mining Techniques – For marketing Sales
and Costumer Support, New York.
BERRY, M. J. A.; LINOFF, G. (2004): Data Mining Techniques: for Marketing,
Sales and Customer Relationship Management, 2. Auflage, Indianapolis.
120

Literaturverzeichnis
BLEYMÜLLER, J.; GEHLERT, G.; GÜLICHER, H. (2002): Statistik für
Wirtschaftswissenschaftler, 13. Auflage, München.
BODENSTEIN, G.; SPILLER A. (1998): Marketing- Strategien, Instrumente und
Organisation, Landsberg/Lech.
BONNE, T.; ARMINGER G. (2001): Diskriminanzanalyse, In: Hippner, H.; Küsters,
U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch Data Mining im
Marketing, Wiesbaden, S. 193-241.
BOONE, D.S.; ROEHM, M. (2002): Evaluating the Appropriateness of Market
Segmentation Solutions Using Artificial Neural Networks and the
Membership Clustering Criterion, In: Marketing Letters, Heft 13 (2002), S.
317-333. URL: http://springerlink.metapress.com/media/9H0B3Q31XH6YW
J4DKGU/Contributions/X/V/4/2/XV427KJ70N8P7V65.pdf, Abrufdatum:
20.02.2005
BORTZ, J. (1999): Statistik Sozialwissenschaftler, 5. Auflage, Berlin.
BORTZ, J. (2005): Statistik - für Human- und Sozialwissenschaftler, Berlin.
BREKEOVEN, L.; ECKERT, W.; ELLENRIEDER, P. (1999): Marktforschung –
Methodische Grundlagen und praktische Anwendung, 8. Auflage, Wiesbaden.
BREUNIG, M.-M. (2001): Quality Driven Database Mining, Aahen.
BROSIUS, G.; BROSIUS F. (1996): SPSS – Base System und Professional Statistics,
Heidelberg.
BROSIUS, F. (2004): SPPS 12, Bonn.
BRUHN, M. (1999): Marketing – Grundlagen für Studium und Praxis, 4. Auflage,
Wiesbaden.
CHAN, M.-C.; WONG C.-C.; LAM, C.-C. (2000): Financial Time Series Forecasting
by Neural Network Using Conjugate Gradient Learning Algorithm and
Multiple Linear Regression Weight Initialization, In: Computing in
Economics and Finance 2000 from Society for Computational Economics,
Heft 61 (2000). URL: http://fmwww.bc.edu/cef00/papers/paper61.pdf,
Abrufdatum: 20.02.2005
COOPER, J.C.B. (1998): Artificial neural networks versus multivariate statistics: an
application from economics, In: Working Paper Heft 15, Glasgow Caledonian
University.
COOPER, J.C.B. (1999): Artificial neural networks versus multivariate statistics: an
application from economics, In: Journal of Applied Statistics, Heft 26, 8
(1999) S. 909-921.
121

Literaturverzeichnis
CREEDY, J.; MARTIN, V. L. (1997): Nonlinear Economic – Cross-sectional, Time
Series and Neural Network Applications, Cheltenham.
DEBOECK, G. (1998a): Chapter 13 – Software Tools for Self- Organizing Maps, In:
Deboeck, G. J.; Kohonen T. K. (1998) (Hrsg.): Visual Exploration in Finance
with Self- Organizing Maps, London.
DEBOECK, G. (1998b): Chapter 15 – Best practices in data mining using selforganizing
maps, In: Deboeck, G. J.; Kohonen T. K. (1998) (Hrsg.): Visual
Exploration in Finance with Self- Organizing Maps, London.
DOLNICAR, S. (1997): The use of neural networks in marketing: market
segmentation with self organising feature maps. Proceedings of the Workshop
on Self-Organizing Maps (WSOM'97), Helsinki University of Technology,
Espoo/Finland, June 4-6. URL: http://nucleus.hut.fi/wsom97/progabstracts
/34.html, Abrufdatum: 18.02.2005
ERXLEBEN, K.; BAETGE, J.; FEIDICKER, M.; KOCH, H.; KRAUSE, C.; MERTENS, P.
(1992): Klassifikation von Unternehmen. Ein Vergleich von Neuronalen
Netzen und Diskriminanzanalyse, In: Zeitschrift für Betriebswirtschaft, Bd.
62 (1992), S. 1237-1262.
EINWOHNERSTATISTIK GEMEINDE GLEICHEN (2004): Homepage der Gemeinde
Gleichen – Landkreis Göttingen – Einwohnerstatistik. URL: http://www.
gleichen.de/gemeinde/Seiten/Einwohner.htm, Abrufdatum: 09.03.05
FAHRMEIR, L.; KÜNSTLER, R.; PIGEOT, I.; TUTZ, G. (2003): Statistik – Der Weg
zur Datenanalyse, Berlin/Heidelberg.
FRANSES, P.-H.; PAAP, R. (2001): Quantitative models in marketing research,
Cambridge.
FREEMAN, J.A.; SKAPURA, D. M. (1991): Neural Networks Algorithms,
Applications, and Programming Techniques, New York.
GENTSCH, P. (2002): Personalisierung der Kundenbeziehung im Internet – Methoden
und Technologien, In: Hippner, H.; Merzenich, M.; Wilde, K. D. (Hrsg.)
(2002): Handbuch Web Mining im Marketing: Konzepte, Systeme,
Fallstudien, Braunschweig, S. 266-307.
GIERL, H.; SCHWANENBERG, S. (2001): Clusteranalyse mittels SOFM. In:
Marketing ZFP, Heft 2 (2001).
GRABMEIER, J. (2001): Segmentierende und clusterbildende Methoden, In: Hippner,
H.; Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch Data
Mining im Marketing, Wiesbaden, S. 299-362.
122

Literaturverzeichnis
GYAN, B.; VOGES, K. E.; POPE, N. K. L. (2004): Artificial Neural Networks in
Marketing from 1999 to 2003: A Region of Origin and Topic Area Analysis,
Proceedings of the ANZMAC 2005 Conference, Wellington (New Zealand),
2004. URL: http://130.195.95.71:8081/WWW/ANZMAC2004/CDsite/papers
/Gyan1.PDF, Abrufdatum: 20.02.2005
HEIMEL, J. P. (1994): Konnektionistische Analyse des Kaufverhaltens: künstliche
neuronale Netze im Vergleich zu stochastischen und ökonometrischen
Modellen am Beispiel des deutschen Universalwaschmittelmarktes,
Berlin.
HERRMANN, A.; HOMBURG, C. (Hrsg.)(1999): Marktforschung- Methoden,
Anwendungen, Praxisbeispiele, Wiesbaden.
HIPPNER, H. (1998): Neuronale Netze zur langfristigen Prognose von PKW-
Neuzulassungen, In: Hippner, H.; Meyer, M.; Wilde, K. D.(Hrsg.) (1999):
Computer Based Marketing - Das Handbuch zur Marketinginformatik,
Braunschweig/Wiesbaden, S. 453-461.
HIPPNER, H.; RUPP, A. (2001a): Kreditwürdigkeitsprüfung im Versandhandel, In:
Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch
Data Mining im Marketing, Wiesbaden, S. 685- 706.
HIPPNER, H.; MERZENICH, M.; WILDE, K.D. (2001b): Der Prozess des Data Mining
im Marketing, In: Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.)
(2001): Handbuch Data Mining im Marketing, Wiesbaden, S. 21-91.
HIPPNER, H.; SCHMITZ, B. (2001c): Data Mining in Kreditinstituten – Die
Clusteranalyse zur zielgruppengerechten Kundenansprache, In: Hippner, H.;
Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch Data Mining
im Marketing, Wiesbaden, S. 607-622.
HIPPNER, H.; MERZENICH, M.; STOLZ, C. (2002): Data Mining im Marketing -
Anwendungspraxis in deutschen Unternehmen, In: Wilde, K. D.; Hippner, H.;
Merzenich, M. (Hrsg.) (2002a): Aufsatzsammlung - Data Mining : mehr
Gewinn aus Ihren Kundendaten, Düsseldorf, S. 127- 143.
HOFFMANN, M. (2004): Künstliche Neuronale Netze im empirischen Vergleich zu
regressionsanalytischen Verfahren in der Werbewirkungsforschung, Aachen.
HRUSCHKA, H.; NATTER, M. (1995): Clusterorientierte Marktsegmentierung mit
Hilfe Künstlicher Neuronaler Netzwerke, in: Marketing-ZFP, Bd. 17
(1995), S. 249–254.
HRUSCHKA, H.; NATTER, M. (1999): Comparing Performance of Feedforward
Neural Nets and K-Means for Cluster-Based Market Segmentation, Working
Paper No. 2, Adaptive Information Systems and Modelling. In: Economics
and Management Science, Vienna University of Economics and Business
Administration, Vienna.
123

Literaturverzeichnis
HRUSCHKA, H.; PROBST, M. (2001a): Interpretation Aids for Multilayer Perceptron
Neural Nets. Discussion Paper 364, Faculty of Economics, University of
Regensburg 2001.
HRUSCHKA, H., FETTES, W., PROBST (2001b): Analyzing Purchase Data by a
Neural Net Extension of the Multinomial Logit Model, Proceedings of the
International Conference Vienna, Artificial Neural Networks - ICANN 2001
Austria, August 21-25, 2001, S. 790-795. URL: http://www.springerlink.com/
media/253X5250DK5YNHEA6W7M/Contributions/M/6/K/N/M6KNVJLN5
D6R6W0T.pdf, Abrufdatum: 22.02.05
HRUSCHKA, H.; FETTES, W.; PROBST, M. (2004): An Empirical Comparison of the
Validity of a Neural Net Based Multinomial Logit Choice Model to
Alternative Model Specifications, in: European Journal of Operational
Research Bd. 159, 2004, S. 166-180.
HÜTTNER, M. (1999): Grundzüge der Marktforschung, 6. Auflage, München.
JANSSEN, J.; LAATZ, W. (2003): Statistische Datenanalyse mit SPSS für Windows,
4. Auflage, Heidelberg.
KAMINSKI, C.; LIENIG, B.; MEISEGEIER, S. (2004): Präsentation - Die
wirtschaftliche Situation der Krise und kreisfreien Städte in Deutschland –
Eine Clusteranalyse im Rahmen der Lehrveranstaltung Multivariate Statistik,
Sommersemester 2004, Berlin. URL: http://karlshorst.weltregierung.de/
Freigegebene%20Dokumente/Multivariate%20Statistik%20-%20Strategy%
20Dwight%20Lightning.ppt#1, Abrufdatum: 13.01.2005
KIANG, Y.; KUMAR, A. (2001): An Evaluation of Self-Organizing Map Networks as
a Robust Alternative to Factor Analysis in Data Mining Applications, In:
Information Systems Research, Vol. 12, No. 2 (2001), S. 177-194.
KIANG, M. Y.; HU, M. Y.; FISHER, D. M.; CHI, R. T. (2005a): The Effect of Sample
Size on the Extended Self-Organizing Map Network for Market
Segmentation, Proceedings of the 38th Hawaii International Conference on
System Sciences 2005. URL: http://csdl.computer.org/comp/proceedings/
hicss/2005/2268/03/22680073b.pdf, Abrufdatum: 18.02.2005
KIANG, M. Y.; HU, M. Y.; FISHER, D. M. (2005b): An Extended Self-Organizing
Map Network for Market Segmentation – A Telecommunication Example, In:
Decision Support Systems, forthcoming.
KOHONEN, T. (1995): Self- Organizing Maps, Berlin/Heidelberg/New York.
KOHONEN, T. (2001): Self-Organizing Maps, New York.
KÖNIG, T. (2001): Nutzensegmentierung und alternative Segmentierungsansätze –
Eine vergleichende Gegenüberstellung im Handelsmarketing, Wiesbaden.
124

Literaturverzeichnis
KOPP, J. (1999): Neuronale Netze und qualitative Wissensbasen in der integrierten
Umweltanalyse, Berlin.
KRAFFT, M. (1998): Anwendungen der logistischen Regression, In: Hippner, H.;
Meyer, M.; Wilde, K. D.(Hrsg.) (1998): Computer Based Marketing - Das
Handbuch zur Marketinginformatik, Braunschweig/Wiesbaden, S. 535-543.
KRÖSE, B.; VAN DER SMAGT, P. (1996): An introduction to Neural Network,
Amsterdam. URL: http://www.avaye.com/files/articles/nnintro/nn_intro.pdf,
Abrufdatum: 13.01.2005
KRYCHA, K.; WAGNER, U. (1999): Applications of artifical neural networks in
management science: a survey, In: Journal of Retailing and Consumer
Services, Heft 6 (1999), S. 185-203.
KÜPPERS, B. (1999): Data Mining in der Praxis: Ein Ansatz zur Nutzung der
Potentiale von Data Mining im betrieblichen Umfeld, Frankfurt am Main.
KÜSTERS, U. (2001): Data Mining Methoden - Einordnung und Überblick, In:
Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch
Data Mining im Marketing, Wiesbaden, S. 95-130.
KÜSTERS, U. KALINOWSKI, C. (2001): Traditionelle Verfahren der multivariaten
Statistik, In: Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.)
(2001): Handbuch Data Mining im Marketing, Wiesbaden, S. 131-192.
LENZ, A.; MERETZ, S. (1995): Neuronale Netze und Subjektivität: Lernen,
Bedeutung und die Grenzen der Neuro- Informatik, Braunschweig.
LINK, J.; HILDEBRAND, V. G. (1998): Stand und Entwicklungstendenzen des
Database Marketing und Computer Aided Selling in deutschen Unternehmen,
In: Hippner, H.; Meyer, M.; Wilde, K. D.(Hrsg.) (1998): Computer Based
Marketing - Das Handbuch zur Marketinginformatik, Braunschweig/
Wiesbaden, S. 125-133.
LÖBLER, H.; PETERSOHN, H. (2001): Kundensegmentierung im Automobilhandel
zur Verbesserung der Marktbearbeitung. In: Hippner, H.; Küsters, U.; Meyer,
M.; Wilde, K.D. (Hrsg.) (2001): Handbuch Data Mining im Marketing,
Wiesbaden, S. 623-641.
MCGUIRK, A. M.; DRISCOLL, P. (1995): The Hot Air in R² and Consistent Measures
of Explained Variation, In: American Journal of Agricultural Economics,
Heft 77 (1995), S. 319-328.
MEYER, M. (2001): Data Mining im Marketing: Einordung und Überblick, In:
Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch
Data Mining im Marketing, Wiesbaden, S. 563-591.
125

Literaturverzeichnis
MEYER, M. (2002): Einsatz von Klassifikation und Prognose im Web Mining, In:
Hippner, H.; Merzenich, M.; Wilde, K. D. (Hrsg.) (2002): Handbuch Web
Mining im Marketing: Konzepte, Systeme, Fallstudien, Braunschweig, S.
192-216.
NATIONAL BUREAU OF STATISTICS (2004): China Statistical Yearbook 2004,
Beijing.
PERETTO, P. (1992): An Introduction to the Modelling of Neural Networks,
Cambridge.
PETERSOHN, H. (1997): Vergleich von multivariaten statistischen Analyseverfahren
und künstlichen neuronalen Netzen zur Klassifikation bei
Entscheidungsproblemen in der Wirtschaft, Frankfurt am Main.
PETERSOHN, H. (1998): Beurteilung von Clusteranalysen und selbstorganisierenden
Karten, In: Hippner, H.; Meyer, M.; Wilde, K. D.(Hrsg.) (1998): Computer
Based Marketing - Das Handbuch zur Marketinginformatik,
Braunschweig/Wiesbaden, S. 551-561.
PODDING, T.; SIDOROVITCH, I. (2001) - Künstliche Neuronale Netze - Überblick,
Einsatzmöglichkeiten und Anwendungsbeispiele, In: Hippner, H.; Küsters,
U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch Data Mining im
Marketing, Wiesbaden, S. 363-402.
PROBST, M. (2002): Neuronale Netze zur Bestimmung nichtlinearer
Nutzenfunktionen in Markenwahlmodellen, Frankfurt am Main.
QI, M.; YANG, S. (2003): Forecasting consumer credit card adoption: what can we
learn about utility function? In: International Journal of Forecasting, Heft 19
(2003), S. 71–85. URL: http://socsci2.ucsd.edu/~aronatas/project/academic/
Forecasting%20consumer%20credit%20card%20adoption.pdf, Abrufdatum:
22.02.05
REHKUGLER, H.; ZIMMERMANN, H.-G. (Hrsg.) (1994): Neuronale Netze in der
Ökonomie: Grundlagen und finanzwirtschaftliche Anwendungen, München.
ROOSEN, J.; HANSEN, K.; THIELE S. (2004): Food Safety and Risk Perception in a
Changing World, GeWiSoLa, Berlin.
RUDOLF, M.; MÜLLER, J. (2004): Multivariate Verfahren: eine praxisorientierte
Einführung mit Anwendungsbeispielen in SPSS, Göttingen.
RUDOLPH, A. (1998): Prognoseverfahren in der Praxis, Heidelberg.
SARLE, W. S. (2002): Neural Network FAQ. URL : http://wwwbruegge.in.tum.de/
pub/Lehrstuhl/MachineLearningSoSe2003/NeuralNetworkFAQ.pdf,
Abrufdatum: 26.01.2005
126

Literaturverzeichnis
SÄUBERLICH, F. (2000): KDD und Data Mining als Hilfsmittel zur
Entscheidungsunterstützung, Frankfurt.
SÄUBERLICH, F. (2003): Web Mining: Effektives Marketing im Internet, In:
Wiedmann, K. P., Buckler, F. (Hrsg.) (2003): Neuronale Netze im Marketing-
Management – Eine praxisorientierte Einführung in modernes Data-Mining,
Wiesbaden, S. 129-146
SCHEED, B- A. (2001): Softwarewerkzeuge für visuelles Data Mining im Marketing,
In: Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001):
Handbuch Data Mining im Marketing, Wiesbaden, S. 837-854.
SCHMITT, B.; DEBOECK, G. (1998): Chapter 10 - Differential patterns in
consumption preferences using self-organizing maps: case study of China, In:
Deboeck, G. J.; Kohonen T. K. (1998) (Hrsg.) (1998): Visual Exploration in
Finance with Self-Organizing Maps, London.
SCHÜLER, F. (2002): Künstliche Neuronale Netze zur Datenanalyse in der
Marktforschung, Berlin.
SHARDA, R.; RAMPAL, R. (1998): Neural Networks and Management Science/
Operations Research: A Bibliographic Essay, Encyclopedia of Library and
Information Science, Vol. 61, Supp. 24 (1998), S. 247-259. URL: http://catt.
bus.okstate.edu/itorms/guide/nnpaper.html, Abrufdatum: 18.02.2005
SHIN, H.W.; SOHN, S.Y. (2004): Segmentation of stock trading customers according
to potential value, In: Expert Systems with Applications, Heft 27 (2004), S.
27-33.
SMITH, K.A.; WILLIS, R.J.; BROOKS, M. (2000): An analysis of costumer retention
and insurance claim patterns using data mining: a case study, In: Journal of
the Operational Research Society, 2000, Heft51, S. 532-541. URL:
http://www.palgrave-journals.com/cgi-taf/DynaPage.taf?file=/jors/journal/
v51/ n5/full/2600941a.html&filetype=pdf, Abrufdatum: 18.02.2005
SPILLER, A. (2001): Praxiskrise der Marketinglehre, In: Marketing ZFP, Heft 1
(2001), S. 31-44.
SPSS (Hrsg) (2003a): Clementine Algorithms Guide. URL: http://www.nbs.ntu.
edu.sg/userguide/clementine/Clementine8.0/Clementine%20Algorithms%20
Guide.pdf, Abrufdatum: 13.01.2005
SPSS (Hrsg) (2003b): SPSS Advanced Models 12.0. URL: http://www.washington.
edu/computing/software/sitelicenses/spss/docs/, Abrufdatum: 13.01.2005
SPSS (Hrsg) (2003c): SPSS Base 12.0 User´s Guide. URL: http://www.washington.
edu/computing/software/sitelicenses/spss/docs/, Abrufdatum: 13.01.2005
SPSS (Hrsg) (2003d): Clementine® 8.0 Users`s Guide.
127

Literaturverzeichnis
SPSS (Hrsg) (2003e): SPSS Regression Models 12.0. URL: http://www.washington.
edu/computing/software/sitelicenses/spss/docs/, Abrufdatum: 13.01.2005
STATISTISCHES BUNDESAMT (2004): Statistisches Jahrbuch der Bundesrepublik
Deutschland, Wiesbaden.
STRECKER, S. (1997): Künstliche Neuronale Netze – Aufbau und Funktionsweise,
Arbeitspapiere WI, Nr. 10, 1997. URL: http://www.econbiz.de/archiv/gi/
ugi/winformatik/kuenstliche_neuronale_netze.pdf, Abrufdatum: 13.01.2005
STRECKER, S.; SCHWICKERT, A. C. (1997): Künstliche Neuronale Netze -
Einordnung, Klassifikation aus betriebswirtschaftlicher Sicht,
Arbeitspapiere WI, Nr. 4 (1997).URL:http://www.econbiz.de/archiv /gi/ugi/
winformatik/kuenstliche_neuronale_netze_bwl.pdf, Abrufdatum: 13.01.2005
THIEME, R. J.; SONG, M.; CALANTONE, R. J., (2000): Artificial Neural Network
Decision Support Systems for New Product Development Project Selection.
Journal of Marketing Research, Heft 37/4 (2000), S. 499-507. URL:
http://fork.ltk.hut.fi/ehtf/Files/20ARTIFICIAL%20NEURAL%20NETWOR
K%20DECISION%20SUPPORT%20SYSTEMS%20FOR%20NEW%20PR
ODUCT%20DEVEL OPMENT%20PROJECT%20SELECTION.pdf,
Abrufdatum: 20.02.2005
TIBSHIRANI, R.; WALTHER, G.; HASTIE, T. (2000): Estimating the number of cluster
in a data set via the gap statistic, In: Journal of the Royal Statistical Society:
Series B (Statistical Methodology), Volume 63 (2001), Issue 2, S. 411–423.
URL: http://www.blackwell-synergy.com/links/doi/10.1111/1467-9868.
00293, Abrufdatum: 13.01.2005
TIETZ, C.; POSCHARSKY, N.; ERICHSON, B.; MÜLLER, H. (2001): Ein Vergleich
führender Data Mining- Metoden zur Cross-Selling-Optimierung von
Finanzprodukten, In: Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K.D.
(Hrsg.) (2001): Handbuch Data Mining im Marketing, Wiesbaden, S.767-
785.
ULTSCH, A., VETTER C. (1994): Selforganizing Feature Maps versus Statistical
Clustering: A Benchmark Research Report, No. 9 (1994), URL:
http://www.informatik.uni- marburg.de/~databionics/papers/94cluster.pdf,
Abrufdatum: 13.01.2005
URBAN, A. (1998): Einsatz Künstlicher Neuronaler Netze bei der operativen
Werbemittelplanung im Versandhandel im Vergleich zu ökonometrischen
Verfahren, Berlin.
VAZIRIGIANNIS, M.; HALKIDI, M., GUNOPULOS, D. (2003): Uncertainly Handling
and Quality Assessment in Data Mining, London.
VELLIDO, A.; LISBOAA, P.J.G; VAUGHANB, J. (1999): Neural networks in
business: a survey of applications (1992–1998), In: Expert Systems with
128

Literaturverzeichnis
Applications, No. 17 (1999), S. 51–70. URL: http://www.lsi.upc.es/
~avellido/publications_archivos/buss%20appls%20of%20NNs.pdf,
Abrufdatum: 20.02.2005
VENABLES, W. N.; RIPLEY, B. D. (2002): Modern Applied Statistics with S, Fourth
edition, New York.
VON AUER, L. (2003): Ökonometrie – Eine Einführung, 2.Auflage, Berlin.
WEBER, R. (1998). Statische und dynamische Evaluation von Prognosen, In: ZA-
Information, 43 (1998), S. 111-123.
WEBER, R. (2000): Prognosemodelle zur Vorhersage der Fernsehnutzung. Neuronale
Netze, Tree-Modelle und klassische Statistik im Vergleich, München.
WEBER, R. (2001): Datenanalyse mittels neuronaler Netze am Beispiel des
Publikumserfolgs von Spielfilmen. In: Zeitschrift für Medienpsychologie,
Heft 13/4 (2001), S. 164–176.
WEBER, R. (2003a): Neuronale Netze zur Beschreibung und Prognose von
Prozessen. URL: http://www.dr-rene-weber.de/files/weber.version1b.pdf,
Abrufdatum: 13.01.2005
WEBER, R. (2003b): Methods to Forecast Television Viewing Patterns for Target
Audiences, In: Schorr, A.; Campbell, B.; Schenk, M. (2003): Communication
Research in Europe and Abroad – Challenges of the First Decade, Berlin.
URL: http://www.dr-rene-weber.de/files/article.europe.reneweber.pdf
Abrufdatum: 13.01.2005
WEDEL, M.; KAMAKURA, W. A. (2003): Market Segmentation – Conceptual and
Methodological Foundations, Norwell.
WEINGÄRTNER, S. (2001): Web-Mining- Ein Erfahrungsbericht, In: Hippner, H.;
Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch Data
Mining im Marketing, Wiesbaden, S. 889-903.
WEINGESSEL, A.; DIMITRIADOU, E.; DOLNICAR, (1999): Working Paper - An
Examination Of Indexes For Determining The Number Of Clusters in Binary
Data Sets. URL: http://mpa.itc.it/biblio/papers/tibshirani00estimating.ps,
Abrufdatum: 13.01.2005
WHITE, H. (1992): Artifical Neural Networks – Approximation and Learning
Theory, Cambridge.
WIDMANN, G. (2001): Künstliche neuronale Netze und ihre Beziehungen zur
Statistik, Frankfurt am Main.
WIEDENBECK, M.; ZÜLL, C. (2001): Klassifikation mit Clusteranalyse –
Grundlegende Techniken hierarchischer und K-means-Verfahren, ZUMA
129

Literaturverzeichnis
How-to-Reihe, Nr. 10, Mannheim. URL: http://www.gesis.org/Publikationen/
Berichte/ZUMA_How_to/Dokumente/pdf/how-to10mwcz.pdf, Abrufdatum:
13.01.2005
WIEDMANN, (2003): Neuronale Netze als Basis eines effizienten
Zielkundenmanagements in der Finanzdienstleistungsbranche, In: Wiedmann,
K. P., Buckler, F. (Hrsg.) (2003): Neuronale Netze im Marketing-
Management – Eine praxisorientierte Einführung in modernes Data-
Mining, Wiesbaden, S.241-273.
WIEDMANN, K.-P.; JUNG, H. H. (1995): Eignung neuronaler Netze als
Klassifikationsansatz der Marketingforschung: Grundlagen und erste
Ergebnisse eines Methodenvergleichs am Beispiel der Klassifikation des
Mobilitätsverhalten von Pkw- Nutzern, Hannover.
WIEDMANN, K.-P.; JUNG, H.-H. (2003): Neuronale Netze zur Segmentierunganalyse
in der Automobilindustrie, In: Wiedmann, K. P., Buckler, F. (Hrsg.) (2003):
Neuronale Netze im Marketing-Management – Eine praxisorientierte
Einführung in modernes Data-Mining, Wiesbaden, S.197- 214.
WILBERT, R. (1996): Interpretation und Anwendung Neuronaler Netze in den
Wirtschaftswissenschaften, Frankfurt am Main.
WILDE, K. D. (2001): Data Warehouse, OLAP und Data Mining im Marketing –
Moderne Informationstechnologien im Zusammenspiel, In: Hippner, H.;
Küsters, U.; Meyer, M.; Wilde, K.D. (Hrsg.) (2001): Handbuch Data
Mining im Marketing, Wiesbaden, S. 1-19.
WILDE, K. D.; HIPPNER, H.; MERZENICH, M. (Hrsg.) (2002a): Aufsatzsammlung -
Data Mining : mehr Gewinn aus Ihren Kundendaten, Düsseldorf.
WILDE, K. D.; HIPPNER, H.; MERZENICH, M. (Hrsg.) (2002b): Web Mining in der
Praxis – eine empirische Untersuchung, In: Hippner, H.; Merzenich, M.;
Wilde, K. D. (Hrsg.) (2002): Handbuch Web Mining im Marketing:
Konzepte, Systeme, Fallstudien, Braunschweig, S.310-336.
WU, SITAO (2004): Clustering of the self-organizing map using a clustering validity
index based on inter-cluster and intra-cluster density, In: The journal of the
Pattern Recognition Society, Bd. 37 (2004), Heft 2, S. 175-188.
ZELL, A. (2003): Simulation neuronaler Netze, 4. unveränderter Nachdruck, Bonn.
ZIMMERER, T. (1997): Künstliche neuronale Netze versus ökonometrische und
zeitreihenanalytische Verfahren zur Prognose ökonomischer Zeitreihen,
Frankfurt am Main.
130

Anhang
Anhang
A. Methoden der Datenanalyse
Abbildung 41: Methoden der Datenanalyse
Quelle: BODENSTEIN/SPILLER 1998: 81
B. Berechnungen der Fallstudie 1
Tabelle 20: ANOVA der Regressionsanalyse
Quelle: Eigene Berechnungen
131

Anhang
Tabelle 21: Regressionskoeffizienten und Multikollinearitätsdiagnose
Quelle: Eigene Berechnungen
132

Anhang
Abbildung 42: Häufigkeitsverteilung der Residualwerte
Abhängige Variable: Abstimmung
25
20
Häufigkeit
15
10
5
0
-3 -2 -1 0 1 2 3 4
Regression Standardisiertes Residuum
Mean = 6,64E-16
Std. Dev. = 0,984
N = 97
Quelle: Eigene Berechungen
Abbildung 43: P-P-Normalverteilungsdiagramm der standardisierten Residualwerte
1,0
Abhängige Variable: Abstimmung
0,8
Erwartete Kum. Wahrsch.
0,6
0,4
0,2
0,0
0,0 0,2 0,4 0,6 0,8 1,0
Beobachtete Kum. Wahrsch.
Quelle: Eigene Berechungen
133

Anhang
Abbildung 44: Streudiagramm - Residualwerte gegen Vorhersagewerte
Abhängige Variable: Abstimmung
4
Regression Standardisiertes Residuum
3
2
1
0
-1
-2
-3
-2 -1 0 1
Regression Standardisierter geschätzter Wert
Quelle: Eigene Berechungen
Tabelle 22: ANOVA der Regressionsanalyse (Modell 2)
Quelle: Eigene Berechnungen
134

Anhang
Tabelle 23: Regressionskoeffizienten und Multikollinearitätsdiagnose (Modell 2)
Quelle: Eigene Berechnungen
135

Anhang
Tabelle 24: Korrelationsmatrix der exogenen Variablen aus der Regressionsanalyse (Modell 2)
Ohne
Landwirtschaf
t hätten wir in
Deutschland
noch viel
mehr
Arbeitslose.
Der Verein
"Natürlich
Diemarden"
hat dafür
gesorgt, dass
wir endlich
informiert
werden.
Dass die
Landwirte
einfach einen
Stall bauen
können, finde
ich nicht
akzeptabel.
Die
Diskussion
um den
Stallbau
interessiert
mich
überhaupt
nicht.
Hätten die
Landwirte
uns Bürger
von Anfang
an informiert,
wäre die
Akzeptanz
größer.
Polaritäten
profil
Landschaf
tspfleger-
Landschaf
tszerstörer
Die
Subventionen
für die
Landwirtschaf
t sind generell
zu hoch.
Wenn ich an
den Stallbau
denke, ärgere
ich mich sehr.
Wenn ein
Stall
ordentlich
begrünt ist,
stört er
optische
nicht weiter.
1 -,501 -,295 ,376 -,135 ,194 -,337 -,404 ,192
,000 ,001 ,000 ,103 ,017 ,000 ,000 ,020
151 150 120 148 147 151 141 147 146
-,501 1 ,362 -,466 ,179 -,425 ,563 ,622 -,241
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Korrelation nach Pearson
Signifikanz (2-seitig)
Wenn ein Stall ordentlich
begrünt ist, stört er
optische nicht weiter.
,000 ,000 ,000 ,029 ,000 ,000 ,000 ,003
150 152 120 150 148 152 143 148 147
Wenn ich an den Stallbau
denke, ärgere ich mich
sehr.
N
-,295 ,362 1 -,438 ,070 -,069 ,367 ,308 -,297
,001 ,000 ,000 ,449 ,454 ,000 ,001 ,001
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Die Subventionen für die
Landwirtschaft sind
generell zu hoch.
120 120 121 119 118 121 112 120 119
,376 -,466 -,438 1 -,165 ,300 -,490 -,402 ,398
,000 ,000 ,000 ,044 ,000 ,000 ,000 ,000
148 150 119 151 148 151 142 148 146
-,135 ,179 ,070 -,165 1 ,030 ,148 ,330 -,103
,103 ,029 ,449 ,044 ,720 ,080 ,000 ,216
147 148 118 148 151 150 141 147 146
,194 -,425 -,069 ,300 ,030 1 -,318 -,283 ,044
,017 ,000 ,454 ,000 ,720 ,000 ,000 ,598
151 152 121 151 150 154 144 150 148
-,337 ,563 ,367 -,490 ,148 -,318 1 ,490 -,244
,000 ,000 ,000 ,000 ,080 ,000 ,000 ,004
141 143 112 142 141 144 145 142 138
-,404 ,622 ,308 -,402 ,330 -,283 ,490 1 -,316
,000 ,000 ,001 ,000 ,000 ,000 ,000 ,000
147 148 120 148 147 150 142 150 145
,192 -,241 -,297 ,398 -,103 ,044 -,244 -,316 1
,020 ,003 ,001 ,000 ,216 ,598 ,004 ,000
146 147 119 146 146 148 138 145 148
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Polaritätenprofil
Landschaftspfleger-
Landschaftszerstörer
Hätten die Landwirte uns
Bürger von Anfang an
informiert, wäre die
Akzeptanz größer
Die Diskussion um den
Stallbau interessiert mich
überhaupt nicht.
Dass die Landwirte
einfach einen Stall bauen
können, finde ich nicht
akzeptabel
Der Verein "Natürlich
Diemarden" hat dafür
gesorgt, dass wir endlich
informiert werden
Ohne Landwirtschaft
hätten wir in Deutschland
noch viel mehr
Arbeitslose
Quelle: Eigene Berechnungen
136

Anhang
Abbildung 45: Häufigkeitsverteilung der Residualwerte (Modell 2)
Abhängige Variable: Abstimmung
14
12
10
Häufigkeit
8
6
4
2
0
-3 -2 -1 0 1 2
Regression Standardisiertes Residuum
Mean = 1,84E-16
Std. Dev. = 0,931
N = 69
Quelle: Eigene Berechungen
Abbildung 46: P-P-Normalverteilungsdiagramm der standardisierten Residualwerte
(Modell 2)
1,0
Abhängige Variable: Abstimmung
0,8
Erwartete Kum. Wahrsch.
0,6
0,4
0,2
0,0
0,0 0,2 0,4 0,6 0,8 1,0
Beobachtete Kum. Wahrsch.
Quelle: Eigene Berechungen
137

Anhang
Abbildung 47: Streudiagramm - Residualwerte gegen Vorhersagewerte
(Modell 2)
Abhängige Variable: Abstimmung
2
Regression Standardisiertes Residuum
1
0
-1
-2
-3
-2 -1 0 1 2
Regression Standardisierter geschätzter Wert
Quelle: Eigene Berechungen
Tabelle 25: Korrelationsmatrix der exogenen Variablen der Regressionsanalyse
(Modell 1)
Stellen Sie sich vor, es
gäbe eine
Dorfabstimmung über
den Stallbau in
Diemarden, wie würden
Sie entscheiden?
Wenn ich an den
Stallbau denke, ärgere
ich mich sehr.
Hätten die Landwirte
uns Bürger von Anfang
an informiert, wäre die
Akzeptanz größer.
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Korrelation nach Pearson
Signifikanz (2-seitig)
N
Stellen Sie
sich vor, es
gäbe eine
Dorfabstimmu
ng über den
Stallbau in
Diemarden,
wie würden
Sie
entscheiden?
Wenn ich an
den Stallbau
denke, ärgere
ich mich sehr.
Hätten die
Landwirte
uns Bürger
von Anfang
an informiert,
wäre die
Akzeptanz
größer.
Ohne die
Bauern wäre
Diemarden
nur halb so
lebenswert.
1 -,781 -,305 ,443
,000 ,000 ,000
154 152 150 151
-,781 1 ,179 -,374
,000 ,029 ,000
152 152 148 149
-,305 ,179 1 -,177
,000 ,029 ,032
150 148 151 148
Ohne die Bauern wäre
Diemarden nur halb so
lebenswert.
Korrelation nach Pearson
Signifikanz (2-seitig)
N
,443 -,374 -,177 1
,000 ,000 ,032
151 149 148 151
Quelle: Eigene Berechungen
138

Anhang
C. Berechnungen der Fallstudie 2
Abbildung 48: Screeplot der Faktorenanalyse
4
3
Eigenwert
2
1
0
1 2 3 4 5 6 7 8 9 10 11
Faktor
Quelle: Eigene Berechnungen
Abbildung 49: Komponentendiagramm im rotierten Raum
Komponente 2
1,0
0,5
0,0
-0,5
q11d_buy_chinese_brands
q11e_buy_chinese_brands
q6d
q6c
q6b
q6f q6g
q11b_buy_chinese_brands
q11c_buy_chinese_brands
-1,0
-1,0
-0,5
0,0
0,5
Komponente 1
1,0
1,0
0,5
0,0
-0,5
Komponente 3
-1,0
Quelle: Eigene Berechnungen
139

Anhang
Tabelle 26: Datenbasis zum Elbow-Kriterium
Anzahl Cluster Fehlerquadratsumme
Differenz der
Fehlerquadratsumme zum
nächsten Cluster
2 1890,69455
3 1575,27089 315,42366
4 1297,22636 278,044533
5 1144,13912 153,087239
6 1025,82845 118,310669
7 921,994037 103,83441
8 841,309577 80,6844599
9 782,42096 58,8886169
10 741,309266 41,1116947
11 702,760502 38,548764
12 665,498874 37,2616281
13 635,10224 30,3966338
14 606,919396 28,1828435
15 580,62669 26,2927061
Quelle: Eigene Berechungen
Tabelle 27: Mittelwertvergleich bei der Ward Methode
Ward Method
1
2
3
4
5
Insgesamt
patriotism prestige effect of trust/performance
effect of Chinese
foreign brands
brands
Mittelwert 0,485089536 -1,040889003 0,255761214
N 150 150 150
Standardabweichung 0,54545942 0,474408474 0,664298277
Mittelwert 0,19404448 0,626933001 0,682806419
N 259 259 259
Standardabweichung 0,744373864 0,841631622 0,655007801
Mittelwert 0,722286779 0,02535323 -1,029679742
N 166 166 166
Standardabweichung 0,635039915 0,910712438 0,59213012
Mittelwert -1,20979497 -0,778231198 0,740650149
N 71 71 71
Standardabweichung 0,697798512 0,509785955 0,730828435
Mittelwert -1,14866843 0,332362548 -0,698377642
N 137 137 137
Standardabweichung 0,701999469 0,762087263 0,702972586
Mittelwert -0,000437371 0,00093255 0,001523156
N 783 783 783
Standardabweichung 0,993111383 0,994146308 0,98012211
Quelle: Eigene Berechungen
140

Anhang
Tabelle 28: Mittelwertvergleich bei der K-Means Methode
K-Means
1
2
3
4
5
Insgesamt
patriotism prestige effect of trust/performance
effect of Chinese
foreign brands
brands
Mittelwert 0,477164654 -0,821982953 0,370699723
N 228 228 228
Standardabweichung 0,512152186 0,546574307 0,693223059
Mittelwert 0,387588696 1,061756269 0,856408261
N 144 144 144
Standardabweichung 0,722735146 0,778080014 0,655554161
Mittelwert 0,690252272 0,178285803 -0,991779324
N 171 171 171
Standardabweichung 0,570790898 0,805526889 0,612143243
Mittelwert -1,371448784 -0,50204805 0,691426087
N 91 91 91
Standardabweichung 0,679364756 0,700051615 0,656959275
Mittelwert -1,061611238 0,338583207 -0,670974531
N 149 149 149
Standardabweichung 0,557496133 0,831114793 0,649341986
Mittelwert -0,000437371 0,00093255 0,001523156
N 783 783 783
Standardabweichung 0,993111383 0,994146308 0,98012211
Quelle: Eigene Berechungen
Tabelle 29: ANOVA-Tabelle bei der K-Means Clusterung
Faktoren
Quadratsumme
Quadrate
df Mittel der F Signifikanz
patriotism Zwischen den Gruppen 494,10 4 123,53 346,74 0,0000
Innerhalb der Gruppen 277,16 778 0,36
Insgesamt 771,26 782
prestige effect of foreign Zwischen den Gruppen 361,84 4 90,46 171,22 0,0000
brands
Innerhalb der Gruppen 411,03 778 0,53
Insgesamt 772,87 782
trust/performance effect Zwischen den Gruppen 415,73 4 103,93 241,02 0,0000
of Chinese brands
Innerhalb der Gruppen 335,49 778 0,43
Insgesamt 751,22 782
Quelle: Eigene Berechungen
Tabelle 30: Kreuztabelle der Ergebnisse der replizierten und der anfänglichen
Clusteranalyse
Ergebnisse der
replizierten
Clusteranalyse
Ergebnisse der Clusteranalyse
Gesamt
Cluster 1 2 3 4 5
1 91 0 0 2 0 93
2 0 62 0 0 0 62
3 3 3 84 0 5 95
4 11 0 2 26 29 68
5 0 11 0 19 42 72
Gesamt
105 76 86 47 76 390
Quelle: Eigene Berechungen
141

Anhang
Tabelle 31: Ergebnisse der Clusteranalyse (Ausgangslösung)
Ergebnisse der
Clusteranalyse
1
2
3
4
5
Insgesamt
patriotism prestige effect of trust/performance
effect of Chinese
foreign brands
brands
Mittelwert 0,450450928 -0,9033712 0,350757452
N 105 105 105
Standardabweichung 0,5251005 0,558512992 0,676608003
Mittelwert 0,407041992 1,122831898 0,872218125
N 76 76 76
Standardabweichung 0,778298219 0,893741453 0,70854378
Mittelwert 0,719099797 0,133796649 -0,936293308
N 86 86 86
Standardabweichung 0,559387015 0,79125893 0,607799913
Mittelwert -1,315053111 -0,547837574 0,574744861
N 47 47 47
Standardabweichung 0,52175934 0,687123421 0,537404276
Mittelwert -1,029884182 0,334213181 -0,602909138
N 76 76 76
Standardabweichung 0,531029243 0,759737837 0,660496505
Mittelwert -9,1608E-06 0,004204092 0,009714871
N 390 390 390
Standardabweichung 0,981362736 1,034381658 0,951133873
Quelle: Eigene Berechungen
Tabelle 32: Ergebnisse der replizierten Clusteranalyse
Ergebnisse der
replizierten
Clusteranalyse
1
2
3
4
5
Insgesamt
Quelle: Eigene Berechungen
patriotism
prestige effect of
trust/performance
effect of Chinese
foreign brands
brands
Mittelwert 0,525383651 -0,875819549 0,488266779
N 93 93 93
Standardabweichung 0,496163297 0,534581227 0,668893255
Mittelwert 0,592923003 1,151307439 0,974498852
N 62 62 62
Standardabweichung 0,701525724 0,944788373 0,717925109
Mittelwert 0,650887263 0,180461471 -0,921933241
N 95 95 95
Standardabweichung 0,600139981 0,769811405 0,633268083
Mittelwert -0,993120188 -0,786116078 -0,313461643
N 68 68 68
Standardabweichung 0,579060454 0,58183527 0,838087449
Mittelwert -1,110105495 0,666969531 0,095279302
N 72 72 72
Standardabweichung 0,558354262 0,610051206 0,598788347
Mittelwert -9,1608E-06 0,004204092 0,009714871
N 390 390 390
Standardabweichung 0,981362736 1,034381658 0,951133873
142

Anhang
Tabelle 33: Vergleich der Dimensionen der SOM
Breite/Länge eta² Breite/Länge eta²
9 Cluster 9 -- 2 0,64 3 -- 3 0,60
12 Cluster 12 -- 2 0,69 3 -- 4 0,66
15 Cluster 15 --2 0,73 3 -- 5 0,72
Quelle: Eigene Berechungen
Tabelle 34: Mittelwertvergleich bei den SOM
SOM
1
2
3
4
5
Insgesamt
patriotism prestige effect of trust/performance
effect of Chinese
foreign brands
brands
Mittelwert -1,332948516 0,222361691 0,232634352
N 181 181 181
Standardabweichung 0,619883504 0,992017795 0,763704378
Mittelwert -0,601085198 0,057891629 -0,716192663
N 104 104 104
Standardabweichung 0,336747396 0,92517282 0,653991938
Mittelwert 0,547447945 0,014475906 -1,071211988
N 162 162 162
Standardabweichung 0,497170352 0,996585028 0,563073054
Mittelwert 0,769731062 -0,133102497 -0,049682141
N 138 138 138
Standardabweichung 0,541989563 0,989505877 0,271588428
Mittelwert 0,548104174 -0,149065458 1,080617816
N 198 198 198
Standardabweichung 0,558336874 1,000897224 0,553929085
Mittelwert -0,000437371 0,00093255 0,001523156
N 783 783 783
Standardabweichung 0,993111383 0,994146308 0,98012211
Quelle: Eigene Berechungen
Tabelle 35: ANOVA der aktiven Faktoren
Faktoren Eta Eta-Quadrat Fehlervarianz Gesamtvarianz
F1: patriotism 0,84 0,71 222,30 771,26
F2: prestige effect of foreign
brands 0,14 0,02 756,70 772,87
F3: trust/performance effect
of Chinese brands 0,80 0,64 270,64 751,22
Quelle: Eigene Berechnungen
143

Anhang
Tabelle 36: ANOVA-Tabelle bei den SOM
Faktoren
patriotism
prestige effect of foreign
brands
trust/performance effect
of Chinese brands
Quelle: Eigene Berechungen
Quadratsumme
df Mittel der F Signifikanz
Quadrate
Zwischen den Gruppen 548,96 4 137,24 480,32 0,0000
Innerhalb der Gruppen 222,30 778 0,29
Insgesamt 771,26 782
Zwischen den Gruppen 16,18 4 4,04 4,16 0,0024
Innerhalb der Gruppen 756,70 778 0,97
Insgesamt 772,87 782
Zwischen den Gruppen 480,58 4 120,15 345,39 0,0000
Innerhalb der Gruppen 270,64 778 0,35
Insgesamt 751,22 782
Tabelle 37: Kreuztabelle der Ergebnisse der replizierten und der anfänglichen SOM
Ergebnisse der
replizierten
SOM
Ergebnisse der anfänglichen SOM
Gesamt
Cluster 1 2 3 4 5
1 17 24 14 0 0 55
2 14 46 20 8 4 92
3 35 24 37 0 0 96
4 0 0 1 79 20 100
5 1 1 6 12 27 47
Gesamt
67 95 78 99 51 390
Quelle: Eigene Berechungen
Tabelle 38: Ergebnisse der SOM (Ausgangslösung)
Ergebnisse der
SOM
1
2
3
4
5
Insgesamt
patriotism prestige effect of trust/performance
effect of Chinese
foreign brands
brands
Mittelwert 0,784609062 -0,260595211 -0,116855804
N 67 67 67
Standardabweichung 0,574289244 1,01928367 0,280919898
Mittelwert 0,598738493 -0,131191597 1,069579847
N 95 95 95
Standardabweichung 0,542041319 1,044077542 0,545001064
Mittelwert 0,575104454 0,09208315 -1,032224981
N 78 78 78
Standardabweichung 0,493954855 1,032616004 0,572659225
Mittelwert -1,236635985 0,259607134 0,254739409
N 99 99 99
Standardabweichung 0,541856085 1,082514771 0,69770431
Mittelwert -0,625171012 -0,0259003 -0,680345099
N 51 51 51
Standardabweichung 0,324291605 0,832811235 0,680122836
Mittelwert -9,1608E-06 0,004204092 0,009714871
N 390 390 390
Standardabweichung 0,981362736 1,034381658 0,951133873
Quelle: Eigene Berechungen
144

Anhang
Tabelle 39: Ergebnisse der replizierten SOM
Ergebnisse der
replizierten
SOM
1
2
3
4
5
Insgesamt
patriotism prestige effect of trust/performance
effect of Chinese
foreign brands
brands
Mittelwert 0,78493719 -0,067490825 0,130889302
N 55 55 55
Standardabweichung 0,556038571 0,493346148 0,793132706
Mittelwert 0,620188854 1,064785418 0,594905775
N 92 92 92
Standardabweichung 0,680472671 0,868429532 0,955905202
Mittelwert 0,511126583 -0,967348212 -0,337209119
N 96 96 96
Standardabweichung 0,451972773 0,590351712 0,978534768
Mittelwert -1,228199137 0,309452206 -0,070650001
N 100 100 100
Standardabweichung 0,554245555 0,772691126 0,83032973
Mittelwert -0,563419808 -0,652945947 -0,397965275
N 47 47 47
Standardabweichung 0,357045999 0,629384051 0,710863618
Mittelwert -9,1608E-06 0,004204092 0,009714871
N 390 390 390
Standardabweichung 0,981362736 1,034381658 0,951133873
Quelle: Eigene Berechungen
D. Vergleich der Verfahren
Abbildung 50: 3D-Streudiagramm der Clusterlösung (K-Means)
Quelle: Eigene Berechnungen
145

Anhang
Abbildung 51: 3D-Streudiagramm der Clusterlösung (SOM)
Quelle: Eigene Berechnungen
Abbildung 52: Häufigkeit der eingesetzten Verfahren in der betrieblichen Praxis 112
(n=44; Mittelwerte, Skala von 1=„nie“ bis 5=“immer“)
Quelle: Eigene Darstellung nach HIPPNER et al. 2002:138
112 Um die Übersichtlichkeit zu wahren sind drei selten verwendete Verfahren (Multidimensionale
Skalierung, Sequenzanalyse, Bayesianische Netze) nicht aufgelistet.
146

Anhang
Abbildung 53: Bedeutung der Auswahlkriterien geeigneter Verfahren
(n=45; Mittelwert, Skala von 1=“geringe Bedeutung“ bis
5=“hohe Bedeutung“)
Quelle: Eigene Darstellung nach HIPPNER et al. 2002:138
147

Anhang
E. Fragebogen der Fallstudie 1
Universität Göttingen
Meinungsforschung zum Stallbau in Diemarden
Guten Tag!
Wir sind Studenten der Universität Göttingen. Im Rahmen einer Vorlesung führen
wir eine Umfrage zum Thema „Stallbau in Diemarden“ durch. Ziel der Umfrage ist
es, ein neutrales Meinungsbild über den Stallbau zu erhalten. Die Ergebnisse dieser
Umfrage haben keinerlei Einfluss auf den Stallbau, sondern dienen rein
wissenschaftlichen Zwecken.
Wir würden uns sehr freuen, wenn Sie sich zu einer Teilnahme bereit erklären
würden. Alle erhobenen Daten werden anonym und ohne Rückschlussmöglichkeit
auf Ihre Person bearbeitet.
Die Beantwortung dieses Fragebogens dauert ungefähr 15 Minuten.
Interviewer
Datum
Uhrzeit bei Beginn
1. Wie Sie sicherlich wissen, planen zwei Landwirte am Ortsrand von
Diemarden einen Schweinestall zu bauen. Was meinen Sie zu diesem
Vorhaben? Bitte benutzen Sie dafür folgende Skala. (Interviewer bitte die
Skala zeigen). Stimmen Sie dem Stallbau zu oder lehnen Sie ihn ab?
Stimme
voll und
ganz zu
Stimme
zu
Stimme
eher zu
Teils, teils
Lehne
eher ab
Lehne ab
Lehne
voll und
ganz ab
2. Können Sie kurz sagen, warum Sie dafür oder dagegen sind?
____________________________________________________________________
____________________________________________________________________
____________________________________________________________________
148

Anhang
3. Über den Stallbau in Diemarden kann man unterschiedlicher Meinung
sein. Wir haben dazu einige Äußerungen aufgeführt und möchten Sie
bitten, diese Äußerungen anhand dieser 7-stufigen Skala zu bewerten.
Stimme
voll und
ganz zu
Stimme
zu
Stimme
eher zu
Teils,
teils
Lehne
eher ab
Lehne
ab
Lehne voll
und ganz
ab
Durch den Stall wird
die gesundheitliche
Belastung stark
steigen.
Würde der Stall in
Diemarden an anderer
Stelle stehen, wäre mir
das Ganze egal.
Der Güllegeruch beim
Ausbringen wird
unerträglich sein.
Ich glaube nicht, dass
ein Stall die Grundstückspreise
in
Diemarden verändert.
Wenn ein Stall
ordentlich begrünt ist,
stört er optisch nicht
weiter.
Ich rechne nicht mit
einer persönlichen Belastung
durch den
Stall.
Die Freizeitmöglichkeiten
in Diemarden
werden durch den Stall
nicht beeinträchtigt.
Wenn der Stall erst
mal steht, wird der
Verkehr stark
zunehmen.
Die Belastung durch
den Schweinestall
wird man kaum
bemerken.
Durch
den
Schweinestall würde
ganz Diemarden
stinken.
Eigentlich habe ich
nichts gegen solch
einen Stall, nur sollte
er nicht direkt vor
unserer Haustür
gebaut werden.
149

Anhang
Wenn man alle Vorund
Nachteile des
Schweinestalls
vergleicht, überwiegen
die Vorteile.
Wenn ich an den
Stallbau denke, ärgere
ich mich sehr.
Stimme
voll und
ganz zu
Stimme
zu
Stimme
eher zu
Teils,
teils
Lehne
eher ab
Lehne
ab
Lehne voll
und ganz
ab
4. Es gibt unterschiedliche Bedenken oder Ängste im Zusammenhang mit
dem Bau des geplanten Schweinestalls. Welche Bedenken sind für Sie die
wichtigsten? Bilden Sie bitte eine Rangfolge Ihrer drei wichtigsten
Bedenken. (Bitte den wichtigsten Einwand mit einer 1, den
zweitwichtigsten mit einer 2 usf. kennzeichnen.)
ڤ
Erhöhung des Verkehrsaufkommens ڤ
Keine artgerechte Tierhaltung ڤ
Wertverlust von Häusern und Grundstücken ڤ
Starke Geruchsbelästigung ڤ
Baldige Erweiterung der Stallanlagen ڤ
Erhöhung der Umweltbelastung durch Gülleausbringung ڤ
Minderung des Freizeit- und Erholungswertes ڤ
Sonstige_______________________________________________________ ڤ
Ich habe keine Bedenken. 5. Die folgenden Aussagen beziehen sich auf die Landwirtschaft im
Allgemeinen, aber auch in Diemarden. Auch hierzu gibt es eine Vielzahl
von Meinungen. Bitte bewerten Sie die folgenden Aussagen anhand der
bereits verwendeten Skala.
Die Bedeutung der
Landwirtschaft in
der Gesellschaft
wird überbewertet.
Der Stall ist für die
Landwirte die
einzige Möglichkeit,
ihren Arbeitsplatz zu
erhalten.
Wenn man aufs Dorf
zieht, muss man die
Landwirtschaft
akzeptieren.
Stimme
voll und
ganz zu
Stimme
zu
Stimme
eher zu
Teils,
teils
Lehne
eher ab
Lehne
ab
Lehne
voll und
ganz ab
150

Anhang
Ich kenne mich in
landwirtschaftlichen
Themen aus.
Die Subventionen
für
die
Landwirtschaft sind
generell zu hoch.
Ohne die Bauern
wäre Diemarden nur
halb so lebenswert.
Ohne
Landwirtschaft
hätten wir in
Deutschland noch
viel mehr
Arbeitslose.
Landwirte müssen
im Allgemeinen
mehr Rücksicht auf
andere Bürger
nehmen.
Die Landwirte in
Diemarden haben
sich ungeschickt
verhalten.
Eigentlich sollten
alle Landwirte
ökologisch
wirtschaften.
Von Landwirtschaft
habe ich eigentlich
keine Ahnung.
Stimme
voll und
ganz zu
Stimme
zu
Stimme
eher zu
Teils,
teils
Lehne
eher ab
Lehne
ab
Lehne
voll und
ganz ab
151

Anhang
6. Bitte vervollständigen Sie folgende Sätze, indem Sie Ihre Meinung an der
zutreffenden Stelle ankreuzen:
Landwirtschaft ist......
wichtig
altmodisch
glaubwürdig
familiär
modern
trifft
voll
und
ganz
zu
trifft
zu
trifft
eher
zu
teils,
teils
trifft
eher
zu
trifft
zu
trifft
voll
und
ganz
zu
3 2 1 0 1 2 3
unwichtig
innovativ
unglaubwürdig
industriell
traditionell
Landwirte sind ......
kommunikativ
gierig
sympathisch
trifft
voll
und
ganz
zu
trifft
zu
trifft
eher
zu
teils,
teils
trifft
eher
zu
trifft
zu
trifft
voll
und
ganz
zu
3 2 1 0 1 2 3
faul
reich
unfreundlich
clever
skandalverursachend
skandalunschuldig
fleißig
arm
freundlich
dumm
Landschaftspfleger
Landschaftszerstörer
verschlossen
bescheiden
unsympathisch
152

Anhang
7. Der Stallbau hat in Diemarden einige Wellen geschlagen und
wahrscheinlich haben Sie sich mit anderen Bürgern darüber
ausgetauscht. Wie würden Sie die folgenden Aussagen bewerten?
Hätten die Landwirte
uns Bürger von Anfang
an informiert, wäre die
Akzeptanz größer.
Ich fühle mich von den
Landwirten unfair
behandelt.
Ich habe meine
Einstellung zu diesem
Thema bei vielen
Gelegenheiten zum
Ausdruck gebracht.
Der Verein „Natürlich
Diemarden“ hat dafür
gesorgt, dass wir endlich
informiert werden.
Die Diskussion um den
Stallbau interessiert
mich überhaupt nicht.
Ich informiere mich sehr
ausführlich über alles,
was mit dem Stallbau
zusammen hängt.
Ich stehe voll auf der
Seite der Landwirte.
Die Gründung eines
Vereins gegen den
Schweinestall finde ich
übertrieben.
Stimme
voll
und
ganz zu
Stimme
zu
Stimme
eher zu
Teils,
teils
Lehne
eher ab
Lehne
ab
Lehne
voll
und
ganz ab
8. Wenn Sie an die Argumente der Landwirte und des Vereins „Natürlich
Diemarden“ denken, wen halten Sie für glaubwürdig? Verteilen Sie bitte
100 Punkte und geben Sie der glaubwürdigsten Partei die höchste
Punktzahl.
100
Landwirte
Natürlich Diemarden
Summe 100
153

Anhang
9. Im Göttinger Tageblatt wurde von Seiten der Ablehner z. B. die
Tierhaltung bemängelt. Wir haben zu verschiedenen Themenbereichen
Aussagen gesammelt, zu denen man wiederum unterschiedlicher
Meinung sein kann. Bitte beurteilen Sie die Aussagen anhand dieser
Skala:
Die Gülle belastet die
Umwelt in unserer
Umgebung.
Von Massentierhaltung
kann bei 660 Schweinen
nicht geredet werden.
Die gesetzlichen
Anforderungen an die
Schweinehaltung sind
insgesamt zu niedrig.
Wenn die Tiere auf Stroh
stehen würden, hätte ich
gegen den Stall nichts
einzuwenden.
Stimme
voll
und
ganz zu
Stimme
zu
Stimme
eher zu
Teils,
teils
Lehne
eher ab
Lehne
ab
Lehne
voll
und
ganz ab
10. Wenn Sie jetzt mal weg von Diemarden gehen und die gesamte
gesellschaftliche Entwicklung betrachten, wie bewerten Sie dann
folgende Aussagen?
Für das Allgemeinwohl
ist niemand mehr bereit,
auf etwas zu verzichten.
Bei jedem größeren
Bauvorhaben muss man
in Deutschland
inzwischen mit einer
Bürgerinitiative rechnen.
Dass die Landwirte
einfach einen Stall bauen
können, finde ich nicht
akzeptabel.
Als Bürger muss man
sich schon einiges
gefallen lassen.
Eigentlich müssten die
Bürger immer vor
Beginn eines größeren
Bauvorhabens informiert
werden.
Stimme
voll
und
ganz zu
Stimme
zu
Stimme
eher zu
Teils,
teils
Lehne
eher ab
Lehne
ab
Lehne
voll
und
ganz ab
154

Anhang
11. Sind Sie in Vereinen in Diemarden aktiv?
□ Nein
□ Ja, ich bin Mitglied im
□ Schützenverein
□ Heimatverein
□ Sportverein
□ Schulförderverein
□ „Natürlich Diemarden“
□ Sonstigen_________________________________
12. Können Sie sich in eine der drei Bewohnergruppen in Diemarden
einordnen?
□ Gebürtige/r DiemardenerIn
□ Zugezogene/r DiemardenerIn
□ Eingeheiratete/r DiemardenerIn
□ Sonstige________________________________________
13. Seit wann wohnen Sie in Diemarden?
_______________________________________________
14. Können Sie kurz sagen, warum Sie in Diemarden leben?
(Mehrfachantworten möglich)
□ Ich bin hier geboren
□ Meine Frau / mein Mann lebt hier
□ Zufall bzw. es hat sich so ergeben
□ Günstiges Bauland
□ Ruhige Lage
□ Nähe zum Arbeitsplatz
□ Weil ich mich hier wohlfühle
□ Vielzahl von Freizeitmöglichkeiten
□ Schönheit der Landschaft
□ Anderes, nämlich_________________________________________
15. Stellen Sie sich vor, es gäbe eine Dorfabstimmung über den Stallbau in
Diemarden, wie würden Sie entscheiden?
Ja, ich
stimme
auf
jeden
Fall
dafür
Ja, ich
stimme
dafür.
Ja, ich
würde
eher
dafür
stimmen.
Ich bin
unentschlossen
und würde
mich
enthalten.
Nein, ich
würde
eher
dagegen
stimmen.
Nein, ich
würde
dagegen
stimmen.
Nein, ich
stimme
auf jeden
Fall
dagegen
155

Anhang
Zum Ende des Fragebogens würde ich gerne noch ein paar allgemeine Angaben zu
Ihrer Person notieren.
16. In welchem Jahr sind Sie geboren?
_________________________________
17. Was ist Ihr höchster Bildungsabschluss?
(noch) keinen Abschluss □ Fachhochschule □
Hauptschule/Volksschule □ Universität □
Realschule □ Promotion □
Gymnasium □ Sonstige □
18. Zu welcher Berufsgruppe gehören Sie?
Schüler/in □ Arbeiter/in □
Student/in □ z.Zt. ohne Beschäftigung □
Angestellte/r □ Rentner/Pensionär/in □
Selbständige/r □ Hausfrau/-mann □
Beamtin/er □ Bundeswehr/Zivildienst □
Auszubildender/r □ Sonstiges □
19. Wie ist Ihr Familienstand?
Ledig □ Lebensgemeinschaft □
Verheiratet □ Getrennt lebend □
Geschieden □ Andere □
□
verwitwet
20. Wie viele Personen leben in Ihrem Haushalt (Sie eingeschlossen)?
1 □ 4 □
2 □ 5 □
3 □ 6 und mehr □
21. Zählen Landwirte zu Ihrem engeren Familien- oder Freundeskreis?
Ja □ Nein □
156

Anhang
22. Sind Sie.....
Mieter □ Eigentümer □
□
Sonstiges
Vielen Dank für Ihre Teilnahme!
Bitte vom Interviewer ausfüllen
Geschlecht:
□ Männlich
□ Weiblich
Uhrzeit beim Interviewende
Straße
F. Fragebogen der Fallstudie 2
1. How often do you buy food product at the following locations?
I buy food in
Every
day
More
than
once a
week
Once a
week
1-3
times a
month
Never
Traditional markets/wet markets
Chinese Supermarkets (Hualian etc.)
Small retailers in the neighborhood
Convenience stores (opened 24h)
Foreign Supermarkets (Carrefour etc.)
Chinese department stores
Foreign department stores
157

Anhang
2.
Approximately, how many percentages of your food expenditures do you
spend in which store? Please note the respective percentages.
Store type
Percentage
Traditional markets/wet markets
Chinese Supermarkets (Hualian etc.)
Small retailers in the neighborhood
Convenience stores (opened 24h)
Foreign Supermarkets (Carrefour etc.)
Chinese department stores
Foreign department stores
Sum 100 %
3. Do you sometimes buy milk?
Every day
More than once a
week
Once a week 1-3 times a month Never
If „no“ proceed with question 5.
4. a) Do you know any brands in the milk / dairy market?
1.
2.
3.
4. b)
Which of these brands do you know? (Please mark the brands you know with
“X”)
1.
2.
3.
5. Please take a look at the following pictures. Each showing a different product
with different attributes. Please choose the product you prefer most and mark it
with ”1” then go on and choose the next best in your opinion marking it with
”2”. Please continue until you have arranged all products from the one you like
best (”1”) to the one you like least (”10”).
158

Anhang
6.
When buying products… (Please mark on the following scale whether you
agree or disagree.)
Statement
…I am willing to pay a premium for my favorite
brand.
…I will shop first at retail stores that make a
special effort to sell foreign brands.
…I prefer to buy foreign brands if I want to
give the product away as a gift.
…even though certain products are available
in a number of different brands, I always tend
to buy the Chinese brand.
…I am willing to take time to look on the labels
so I know where the products I purchase are
produced.
…I choose foreign brands because they are
cool and have really funny and crazy ads.
…when I invite friends, I try to offer foreign
brands.
…it is more important to know whether the
product I buy was made in China than what
brand it is.
…I always choose well known brands because
they are of higher quality.
…sometimes I get confused because there
are so many different brands.
Strongly
agree
agree
neut
ral
disagree
Strongly
disagree
…I am focused on buying low priced products.
7. a)
Separate from foodstuffs, please think about purchasing a refrigerator. Do you
know any brands?
1.
2.
3.
7. b)
Which of these brands do you know? (Please mark the brands you know)th
“X”)
1. Bosch-Siemens
2. Whirlpool
3. Haier
4. Kelon
5. TCL
6. Samsung
7. Toschiba
8. LG
9. Wanbao
159

Anhang
8. Please take a look at the following pictures. Each showing a different
refrigerator with different attributes and prices. Please choose the product you
prefer most and mark it with ”1” then go on and choose the next best in your
opinion marking it with ”2”. Please continue until you have arranged all
products from the one you like best (”1”) to the one you like least (”10”).
9. During the last years, the first foreign retailers like Carrefour, Metro or Wal Mart
have entered the Chinese Market. If you have the opportunity to buy your food
in such a foreign supermarket, compared with a Chinese supermarket, which
one would you prefer?
Strongly prefer
the foreign
supermarket
Prefer the
foreign
supermarket
Neutral
Prefer the
Chinese
supermarket
Strongly prefer
the Chinese
supermarket
10.
Before purchasing a product it is important to know…
(Please mark on the following scale whether you agree or disagree.)
Statement
Strongly
agree
agree neutral disagree
Strongly
disagree
…whether any brands are available.
…the name of the company that
makes the product.
…the country of origin different brands
are produced in.
…the level of quality of the different
brands.
11.
It is important to buy Chinese brands …
(Please mark on the following scale whether you agree or disagree.)
Statement
…because I trust Chinese brands more
than foreign brands.
…Chinese products have a higher level
of quality than products from abroad.
…because this will generate jobs in
China.
Strongly
agree
agree
neutral
disagre
e
Strongly
disagre
e
…because I love my home country
…to support the national industry.
160

Anhang
12.
When thinking of Chinese brands, do you think they are …
(Please mark your opinion on the following scale by placing an ”X” in the
respective box)
of high quality
Cutting-edge
frumpy
of high prestige
likable
expensive
innovative
of low quality
boring
hip
of low prestige
dislikable
cheap
old fashioned
13.
When thinking of foreign brands, do you think they are...
(Please mark your opinion on the following scale by placing an ”X” in the
respective box)
of high quality
Cutting-edge
frumpy
of high prestige
likable
expensive
innovative
of low quality
boring
hip
of low prestige
dislikable
cheap
old fashioned
14.
When you think of buying food, which is your opinion?
(Please mark on the following scale whether you agree or disagree.)
Statement
Strongly
agree
agree
neutral
disagre
e
Strongly
disagre
e
Foreign retailers are too expensive
Chinese supermarkets have more fresh
products.
My friends all prefer Chinese
supermarkets
I prefer food stores which are nearby
Foreign stores do not really know what
Chinese people like
Foreign retailers have a broader
assortment
161

Anhang
15.
When thinking of Chinese Supermarkets, do you think they are …
(Please mark your opinion on the following scale by placing an ”X” in the
respective box)
of high quality
Cutting-edge
frumpy
of high prestige
likable
expensive
clean
kind
often lots of articles
on sale
innovative
of low quality
boring
hip
of low prestige
dislikable
cheap
dirty
unkind
never any articles
on sale
old fashioned
16.
When thinking of foreign Supermarkets, do you think they are...
(Please mark your opinion on the following scale by placing an ”X” in the
respective box)
Of high quality
Cutting-edge
frumpy
of high prestige
likable
expensive
clean
kind
often lots of articles
on sale
innovative
of low quality
boring
hip
of low prestige
dislikable
cheap
dirty
unkind
never any articles
on sale
old fashioned
Lastly we would like to ask some personal questions, helping us to analyze the
questionnaire.
17.
In my household, generally who is the one who buys the food?
(Please choose only one and mark it with an ”X”)
Regular, I buy food
products
Regularly, anyone else
buy food products
Sometimes I buy food,
sometimes some else
162

Anhang
18.
How many persons live in your household?
(Please choose only one and mark it with an ”X”)
I live alone.
I live in a flat-sharing community
I live with my parents.
I live with my mate / no child
I live with my mate / with child
I live with my mate / child is living on his /
her own now
19.
What is your year of birth?
(Please just write down the year of birth.)
Year of birth
20. Gender
Male
Female
21.
Where are you occupied?
(Please choose only one and mark with an ”X”)
Stated owned enterprise
Privately owned enterprise
Self-employed
Civil servant
Military
Student/pupil
Unemployed
163

Anhang
22.
What is your highest graduation?
(Please choose only one and mark with an ”X”)
Junior Secondary School
Senior Secondary School
High School
Junior College
BA
MA
Foreign University
None
23.
What is the overall income of your household?
(Please choose only one and mark with an ”X”)
< 500
501-1000
1001-1500
1501-2000
2501-3000
3001-3500
3501-4000
4001-4500
4501-5000
5001-5500
5501-6000
>6000
No response
164

Eidesstattliche Erklärung
Eidesstattliche Erklärung
Hiermit versichere ich, die vorliegende Arbeit selbständig verfasst zu haben und keine
anderen als die angegebenen Quellen und Hilfsmittel benutzt zu haben.
Datum: Göttingen, den 31.03.2005
Unterschrift:
165