Zusammenfassung
In diesem Kapitel werden das Finite Mixture Conjoint Modell (vgl. Abschnitt 4.1) und das Finite Mixture Choice-Based Conjoint Modell (vgl. Abschnitt 4.2) dargestellt und anhand eines Beispiels näher erläutert. Hierbei werden im Besonderen die Annahmen und die daraus resultierenden Restriktionen wie auch die Interpretationsmöglichkeiten der Ergebnisse betrachtet. Des Weiteren werden die bisher durchgeführten empirischen Vergleiche des Finite Mixture Conjoint Modells mit dem Finite Mixture Choice-Based Conjoint Modell vorgestellt (vgl. Abschnitt 4.3). Das Kapitel schließt mit einem Fazit (vgl. Abschnitt 4.4).
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Die Normalverteilung wird meist aufgrund ihrer Einfachheit für die Schätzung der Finite Mixture Conjoint Modelle herangezogen (vgl. Bspw. DeSarbo et al. (1992), S. 276). Zudern kann gezeigt warden, dass viele Verteilungen bei bestimmten Grenzübergängen gegen die Normalverteilung konvergieren.
Die Gleichsetzung des segmentspezifischen Gesamtnutzenwertes eines Produkts mit dem Mittelwert in einem Segment wird als Identity-Link bezeichnet. Bei Zugrundelegung einer anderen Verteilung als der Normalverteilung werden weitere Link-Funktionen herangezogen (vgl. Wedel/Kamakura (2000),S. 82 f.).
Für weitere Ausführungen zum E-M Algorithmus vgl. Dempster/Laird/Rubin (1977), McLachlan/Krishnan (1997), Titterington/Smith/Makov (1985), S. 84ff.
Vgl. Wedel/Kamakura (2000), S. 84, DeSarbo/Ramaswamy/Chatterjee (1995), S.224.
Für eine ausführlichere Darstellung siehe Wedel/Kamakura (2000), S. 120–124, Wedel/DeSarbo (1994), S. 356f.
Kriterien in Anlehnung an Titterington/Smith/Makov (1985),S. 88 f.
Vgl. Bozdogan (1987),S. 353, McLachlan/Peel (2001),S. 203.
Vgl. Abramson et al. (2000), Ailawadi/Gedenk/Neslin (1999), Vriens/Oppewal/Wedel (1998), Jedidi/Japal/DeSarbo (1997), DeSarbo/Ramaswamy/Cohen (1995), Rust et al. (1995). Als weiteres Maß wird auch das ICOMP angegeben, das sich jedoch nicht durchsetzen konnte (vgl. Kamakural/Wedel/Agrawal (1994)).
Nähere Ausführungen finden sich bei Wedel/Kamakura (2000),S. 88 f.
Für nähere Ausführungen siehe Wedel/Kamakura (2000),S. 145–158, Wedel/DeSarbo (2002), Kamakura/Wedel/Agrawal (1994).
Software-Pakete zur Schätzung eines Finite Mixture Regressionsmodells sind bspw. GLIMMIX (Progamma, NL) und LATENT GOLD (Statistical Innovations, USA). Hier wurde die Software GLIMMIX eingesetzt, die den E-M Algorithmus zur Schätzung der Nutzenparameter zugrunde legt.
Für die Lösung mit einem Segment ergibt sich ein Wert für das Entropie-Maß von 1,0, da dann alle Konsumenten mit einer a-posteriori Wahrscheinlichkeit von 1,0 dem Segment zugeordnet werden. Für eine Lösung mit drei bzw. vier Segmenten ergibt sich hingegen ein Wert von 0,903 bzw. 0,888 für das Entropie-Maß.
265 Kamakura/Russell (1989) schätzen erstmals ein Finite Mixture MNL-Modell auf der Basis von Paneldaten, welches ein Spezialfall des unten dargestellten Modells ist (vgl. DeSarbo/Ramaswamy/Cohen (1995),S. 140.).
Vgl. bspw. Kamakura/Russell (1989), DeSarbo/Ramaswamy/Cohen (1995).
Rights and permissions
Copyright information
© 2003 Deutscher Universitäts-Verlag/GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
Gensler, S. (2003). Segmentspezifische Präferenzanalyse mit Finite Mixture Modellen. In: Heterogenität in der Präferenzanalyse. Beiträge zur betriebswirtschaftlichen Forschung, vol 107. Deutscher Universitätsverlag. https://doi.org/10.1007/978-3-322-82002-0_4
Download citation
DOI: https://doi.org/10.1007/978-3-322-82002-0_4
Publisher Name: Deutscher Universitätsverlag
Print ISBN: 978-3-8244-9117-9
Online ISBN: 978-3-322-82002-0
eBook Packages: Springer Book Archive