Zusammenfassung
Nachdem in Kapitel 2 ein Überblick über Ansätze zur Präferenzmessung gegeben wurde, befaßt sich das folgende Kapitel mit einer ausführlichen Darstellung der computergestützten hybriden Verfahren CCC, CHIC und ACA, die im Mittelpunkt der vorliegenden Arbeit stehen. Die Einordnung dieser Ansätze wurde bereits im vorangestellten Methodenüberblick vorgenommen. Bei allen 3 untersuchten Methoden handelt es sich um hybride Verfahren, die einen kompositioneilen mit einem dekompositionellen Befragungsteil verbinden. Des weiteren zeichnen sich die Verfahren durch ihren adaptiven Charakter aus, wodurch insbesondere der dekompositionelle Teil an vorherige Antworten individuell angepaßt wird. Voneinander abgegrenzt werden können die Ansätze durch die unterschiedliche Gestaltung dieses individualisierten Conjoint-Teils und das teilweise davon beeinflußte Ausmaß der Anpassung. Entsprechend der Strukturierung der rein dekompositionellen Ansätze nach der Anzahl simultan zu beurteilender Stimuli unterscheiden sich auch die CCC, CHIC und die ACA hinsichtlich dieses Merkmals. Bei der CCC werden im dekompositionellen Teil des Interviews alle zu bewertenden Stimuli gleichzeitig vorgelegt. In Anlehnung an die Choice-Based Conjoint Analysis werden den Probanden bei der CHIC jeweils verschiedene Sets (Teilmengen) von Stimuli präsentiert, aus denen u.a. eine Auswahlentscheidung abgefragt wird.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Referenzen
Vgl. hierzu Kapitel 2.1 dieser Arbeit und Srinivasan (1988), hier: S. 267 f.
Vgl. Srinivasan/Park (1997), S. 287.
In der derzeitigen Programmversion der CCC ist dieser Schritt noch nicht implementiert. Eine optionale Integration dieses Befragungsschritts in einer folgenden Programmversion ist geplant.
Vgl. Srinivasan/Park (1997), S. 287.
Ausnahmen können hierbei auftreten, sofern der Preis als Qualitätsindikator dient und der Informationspreiseffekt größer als der Allokationspreiseffekt ist. Ein solches Verhalten der Probanden würde sich in einer höheren Präferenz für einen höheren Preis widerspiegeln. Zur Separierung der Allokations- und Informationsfunktion des Preises vgl. Sattler/Rao (1997), hier: S. 1287.
Häufig wird die Wichtigkeit einer Eigenschaft in die Frage: „Wie wichtig ist Ihnen die Eigenschaft X?” erhoben. Bei einem solchen Vorgehen ist oft nicht eindeutig, wie das Konzept der Wichtigkeit zu interpretieren ist und birgt die Gefahr, daß Probanden diese Frage unterschiedlich interpretieren (vgl. Srinivasan (1988), S. 296).
Zur Problematik des Bandbreiteneffekts vgl. Sattler/Gedenk/Hensel-Börner (2000).
Vgl. Srinivasan (1988), S. 296.
Vgl. Srinivasan/Park (1997), S. 287.
Vgl. Srinivasan/Park (1997), S. 287.
Vgl. Srinivasan/Park (1997), S. 286.
Vgl. Srinivasan/Park (1997), S. 288.
Vgl. hierzu auch die Diskussion zur Anzahl an Eigenschaften bei dekompositionellen Ansätzen zur Präferenzmessung in Kapitel 2.3.1.
Der Number-of-Level-Effekt besagt, daß je mehr Ausprägungen bei einer Eigenschaft berücksichtigt werden. desto höher wird deren Bedeutungsgewicht. Empirische Belege dafür liefern u.a. Wittink/Krishnamurthi/Nutter (1982) und Wittink/Krishnamurthi/Reibstein (1989). Steenkamp/Wittink (1994) zeigen des weiteren, daß der Number-of-Level-Effekt auch unabhängig vom Skalenniveau der Beurteilungsaufgabe auftritt.
Vgl. Srinivasan/Park (1997), S. 287.
Falls eine Eigenschaft mit lediglich 2 Ausprägungen auftritt, werden diese beiden im Rahmen der Stimulikonstruktion berücksichtigt.
Zu den Problemen bei einem vollständigen Design vgl. auch Kapitel 2.2.1.1.
Zum Begriff der Orthogonalität und seiner formalen Definition vgl. Stallmeier (1993), S. 144.
Zur Entwicklung von fraktionierten faktoriellen Designs vgl. Addelman (1962).
Vgl. Srinivasan/Park (1997), S. 287. Die Autoren sprechen in diesem Zusammenhang nicht von einem adaptiven, sondern einem „customized” Design. Zur Begriffsabgrenzung im Rahmen dieser Arbeit vgl. Kapitel 2.4.
Dieser Einflußfaktor auf die Ergebnisse einer Conjoint-Analyse wird in der Literatur als „Positionseffekt” bzw. „order effects” bezeichnet. Empirische Belege für deren Einfluß liefern z.B. Acito (1977), S. 205; Chrzan (1994), S. 169 f. und Perry (1996), S. 111.
Vgl. Green/Srinivasan (1978), S. 106.
Zu den unterschiedlichen Teilnutzenmodellen vgl. Green/Srinivasan (1978), S. 105 f.
Srinivasan/Park (1997) sprechen bei der Beschreibung der CCA davon, daß grundsätzlich Ranking- oder Rating-Daten erhoben werden können (S. 287). In der empirischen Untersuchung wurden die Präferenzen durch Rangreihung der Stimuli erfragt.
Vgl. hierzu auch Hahn (1997), der als wesentlichen Kritikpunkt an der traditionellen Conjoint-Analyse mit Rangreihung anführt, daß lediglich Präferenzen und keine Kaufentscheidungsdaten erhoben werden (Hahn (1997), hier: S. 41).
Vgl. Green/Krieger (1996), S. 853.
Zur ausführlichen Erläuterung des Algorithmus vgl. Srinivasan/Shocker (1973).
Obwohl Ranking-Daten nicht das notwendige Skalenniveau aufweisen, werden die Teilnutzenwerte häufig auch mit Hilfe einer OLS-Schätzung ermittelt, wobei die Präferenzdaten als metrisch interpretiert werden. Vorangegangene Studien haben gezeigt, daß zwischen metrischen und nicht-metrischen Präferenzdaten bei der Anwendung von Conjoint-Analysen in Form von OLS-Schätzungen keine wesentlichen Unterschiede auftreten bzw. robuste Schätzergebnisse erzielt werden (vgl. Green/Srinivasan (1978); Carmone/Green/Jain (1978); Jain/Acito/Malhotra/Mahajan (1979) Wittink/Cattin (1981)). Der Einsatz einer OLS-Schätzung zur Auswertung von Präferenzdaten, die in Form von Rangreihung erhoben wurden, kann daher als zulässig angesehen werden. Dieses Vorgehen hat den Vorteil, daß OLS-Schätzungen mittels üblichen Softwareprogrammen wie z.B. SPSS oder Excel durchgeführt werden können.
Srinivasan/Park (1997) schlagen beispielsweise 6 Stimuli für das Validation-Set vor (hier: S. 288).
Vgl. Srinivasan/Park (1997), S. 288.
Aus Gründen der Übersichtlichkeit wird in Gleichung (3–3) kein zusätzlicher Index für das Produkt integriert.
Vgl. Hensel-Börner/Sattler (2000), S. 9.
Die alternative Bezeichnung „individualized” gegenüber „customized” bei der CCC wurde lediglich vor dem Hintergrund der kreierten Abkürzung CHIC gewählt.
Auch hier werden wieder max. 3 Ausprägungen je Eigenschaft berücksichtigt, wobei die für jeden Probanden beste und schlechteste sowie eine mittlere Ausprägung ausgewählt werden.
Das Gesamtdesign bezieht sich auf alle innerhalb des ganzen Conjoint-Interviews zu bewertenden Stimuli und nicht auf die Anzahl an Stimuli innerhalb eines Choice-Sets.
Ein Experimentdesign gilt als effizient, wenn die Varianzen und Kovarianzen der Parameterschätzungen minimiert werden (vgl. Kuhfeld/Tobias/Garrat (1994), S. 545).
Im Gegensatz dazu können insbesondere bei orthogonalen Designs lediglich die Haupteffekte geschätzt werden. Einzelne Interaktionseffekte können nur dann ermittelt werden. sofern diese explizit im Experimentdesign integriert werden (vgl. Green/Srinivasan (1978), S. 110).
Vgl. Krieger/Green (1991), S. 337.
Es sei an dieser Stelle angemerkt, daß pareto-optimale Designs nicht notwendigerweise orthogonal sind. Vielmehr stehen diese beiden Zielkriterien teilweise im Konflikt zueinander, schließen sich aber nicht grundsätzlich aus. Krieger/Green (1991) schlagen beispielsweise eine Heuristik zur Designkonstruktion vor, bei der ausgehend von einem orthogonalen Design, die Pareto-Optimalität maximiert wird. Diese Heuristik kann zu gleichzeitig orthogonalen und pareto-optimalen Designs führen, stellt dies aber nicht in jedem Fall sicher (vgl. Krieger/Green (1991), S. 343). Eine Verletzung der Orthogonalität bedeutet inhaltlich, daß zwischen den Eigenschaften des Designs Multikollinearität besteht, diese also nicht unabhängig voneinander sind. Inwieweit sich diese Prämissenverletzung auf die Schätzergebnisse auswirkt, kann a priori nicht getestet werden. sondern wird nachträglich bei der Datenauswertung überprüft.
Zu den Grundlagen der Designerstellung bei Choice-Experimenten vgl. u.a. Louviere/Woodworth (1983), Kuhfeld/Tobias/Garratt (1994) und Huber/Zwerina (1996).
Auch Louviere/Woodworth (1983) schlagen eine zufällige Designgestaltung als eine alternative Vorgehensweise vor (vgl. Louviere/Woodworth (1983), S. 354). Die Choice-Based Conjoint Analysis von Sawtooth Software bietet ebenfalls die Möglichkeit einer zufälligen Designerstellung (vgl. Sawtooth Software (1995), S. 4).
Vgl. hierzu Johnson/Orme (1996).
Damit liegt die Anzahl simultan zu bewertender Stimuli bei der CHIC mit 4+1 Alternativen zwischen den anderen betrachteten Verfahren CCC (9 Stimuli) und ACA (2 Stimuli).
Dieses Design impliziert, daß drei Kerneigenschaften 3 Ausprägungen und eine Kerneigenschaft lediglich 2 Ausprägungen aufweisen. Das vollständige Design umfaßt demnach insgesamt 54 Eigenschaftskombinationen.
Vgl. Elrod/Louviere/Davey (1992), S. 371; Louviere/Gaeth (1988), S. 68; Louviere/Fox/Moore (1993), S. 206; Louviere/Woodworth (1983), S. 355 ff.; Moore/Gray-Lee/Louviere (1998), S. 200; Oliphant et al. (1992), S. 386. Die Programmversion von Sawtooth Software ermöglicht bei der Choice-Based Conjoint Analysis sogar bis zu 50 Abfragen.
Vgl. hierzu auch Oliphant et al. (1992), S. 385; Louviere/Gaeth (1988), S. 62.
Vgl. Johnson/Orme (1996), S. 11.
Vgl. hierzu auch Elrod/Louviere/Davey (1992), S. 370.
Für diese Verankerung spricht, wie bei der Erfassung der Wichtigkeiten für die Eigenschaften in der Self-Explicated-Phase, daß dadurch die Wahrscheinlichkeit erhöht wird, die Präferenzunterschiede tatsächlich auf einer Ratio-Skala zu messen.
Vgl. Loosschilder et al. (1995), S. 20.
Diese Problematik wird in der Literatur unter dem Begriff „Independence from Irrelevant Alternatives (kurz: IIA)” diskutiert und besagt, daß der Gesamtnutzen einer Alternative unabhängig davon ist, welche Alternativen noch im Choice-Set vorhanden sind. Dies Annahme stellt ebenfalls eine Besonderheit der klassischen Choice-Based Conjoint Analysis dar. Zur Definiton der IIA-Eigenschaft vgl. Louviere/Woodworth (1983), S. 352.
Einschränkend muß angemerkt werden. daß die maximale Zahlungsbereitschaft nicht explizit als solche von den Probanden erhoben wurde, sondern aus den gegebenen Informationen abgeleitet wird. Da Abweichungen zur tatsächlich maximalen Zahlungsbereitschaft der Probanden auftreten können, ist die vorgenommene Interpretation nicht unproblematisch. Für die Vergleichbarkeit der Präferenzunterschiede zwischen den alternativen Produktalternativen ist die Erfassung der tatsächlich maximalen Zahlungsbereitschaft nicht zwingend erforderlich, was die Problematik der vorgenommenen Interpretation zumindest teilweise reduziert.
Alternativ können sowohl die jeweils am besten oder dazwischen eingestufte Produkte zur Verankerung herangezogen werden. Empfohlen wird aber eine der beiden Eckwerte der Skala zu verwenden, da sich in der vorliegenden empirischen Untersuchung zeigte, daß sich dabei die geringsten Inkonsistenzen zwischen der auf Basis der Self-Explicated-Befragung geschätzten und im Conjoint-Teil beobachteten Reihenfolge ergab.
Vgl. Green/Srinivasan (1978), S. 113.
Vgl. Carmone/Schaffer (1995), S. 117.
Vgl. Green/Srinivasan (1990), S. 11.
Vgl. Green/Krieger/Agarwal (1991), S. 216; Reiners (1996), S. 115 Weiber/Rosendahl (1997), S. 110.
Vgl. Johnson (1987), S. 259.
Vgl. Metegrano (1994), S. 3–4.
Vgl. Metegrano (1994), S. 3–5 f.
Vgl. Johnson (1987), S. 260.
Bei den beiden anderen Verfahren werden an dieser Stelle lediglich die jeweils am meisten und am wenigsten präferierte Ausprägung a priori festgelegt. Alle weiteren Ausprägungen sind von den Probanden zwischen diesen Endpunkten einzuordnen.
Zur Definition von Preisschwellen und damit verbundenen Effekten vgl. Gedenk/Sattler (1999).
Vgl. Metegrano(1994), S. 3–6.
Vgl. Srinivasan (1988), S. 296.
Zur Berechnung der Teilnutzen werte auf Basis der Self-Explicated-Phase vgl. Metegrano (1994), S.G-1 f.
Sofern die Präferenzen hinsichtlich der Eigenschaftsausprägungen mit einer Rangfolge erfaßt wurden, müssen diese zunächst in die umgekehrte Reihenfolge konvertiert werden.
Vgl. auch Green/Krieger/Agarwal (1991), S. 216 und Gutsche (1995), S. 96.
Vgl. Metegrano (1994), S. 3–7 f.
Vgl. Johnson (1987), S. 261.
Zum Schätzmodell für die Paarvergleichsaufgabe vgl. auch Green/Krieger/Agarwal (1991), S.217.
Vgl. Green/Srinivasan (1990), S. 11; Louviere/Gaeth (1988), S. 63. Reiners (1996), S. 93 und Srinivasan/Park(1997), S. 286.
Vgl. Green/Krieger/Agarwal (1991), S. 220.
Zur Gestaltung des Kalibrierungssets vgl. auch Reiners (1996), S. 120.
Zur Modellbeschreibung der Kombinationsphase vgl. Metegrano (1994), S. H-2.
Alternativ bietet die ACA 4.0 dem Anwender die Wahl, daß die Teilnutzenwerte aus den Paarvergleichen und der Self-Explicated-Phase gleichgewichtet aufsummiert werden. In diesem vereinfachten Fall wird nur ein Regressionskoeffizient für beide Teilnutzenwerte geschätzt. Formal gilt in diesem Fall bi = ci.
Zur Schätzung der Teilnutzenwerte bei der ACA vgl. Sawtooth Software (1996), S. 16 ff.
Rights and permissions
Copyright information
© 2000 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Hensel-Börner, S. (2000). Untersuchte computergestützte hybride Verfahren. In: Validität computergestützter hybrider Conjoint-Analysen. Gabler Edition Wissenschaft. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-09092-2_3
Download citation
DOI: https://doi.org/10.1007/978-3-663-09092-2_3
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-7269-7
Online ISBN: 978-3-663-09092-2
eBook Packages: Springer Book Archive