Zusammenfassung
In der aktuellen Marketingforschung haben statistische Verfahren eine große Bedeutung erlangt. Ohne die Kenntnis von neuesten Methoden der Ökonometrie ist es so gut wie unmöglich, anspruchsvolle empirische Studien durchzuführen. Die Modellierung von Marketingreaktionen erfordert die Berücksichtigung von Heterogenität (Konsumenten reagieren unterschiedlich auf Marketing), Endogenität (Unternehmen setzen ihre Marketingbudgets nicht zufällig), dynamischen Effekten (Marketing wirkt über einen längeren Zeitraum) oder nichtlinearen Reaktionsfunktionen (Sättigungseffekte im Marketing). Somit stößt das einfache lineare Modell im Marketing an seine Grenzen. Ein Ansatz zur schätztechnischen Bewältigung dieser vier Probleme sind Verfahren der Schätzung mit Methoden der numerischen Simulation. Besonders hervorzuheben sind in diesem Zusammenhang hierarchische Bayes-Ansätze (HB) und die Schätzung mittels Maximum Simulated Likelihood (MSL).
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Allenby, G. M. und P. E. Rossi (1999): Marketing models of consumer heterogeneity, Journal of Econometrics, 89 (1/2), 57–78.
Blattberg, R. C. und E. I. George (1991): Shrinkage estimation of price and promotional elasticities: Seemingly unrelated equations, Journal of the American Statistical Association 86, 304–315.
Chintagunta, P. K., V. Kadiyali und N. J. Vilcassim (2006): Endogeneity and Simultaneity in Competitive Pricing and Advertising: A Logit Demand Analysis, Journal of Business, 79 (6), 2761–2787.
Crawford, G. S. and M. Shum (2005): Uncertainty and Learning in Pharmaceutical Demand, Econometrica, 73(4), 1137–1173.
Erdem, T., S. Imai and M. P. Keane (2003): Brand and Quantity Choice Dynamics Under Price Uncertainty, Quantitative Marketing and Economics, 1(1), 5–64.
Fok, D., C. Horvath, R. Paap and P. H. Franses (2006): A Hierarchical Bayes Error Correction Model to Explain Dynamic Effects of Price Changes, Journal of Marketing Research, 43(3), 443–461.
Franses, P. H. (2005): Diagnostics, Expectations, and Endogeneity, Journal of Marketing Research, 42(1), 27–29.
Gelman, A., J. B. Carlin, H. S. Stern und D. B. Rubin (1995): Bayesian Data Analysis, London, Chapman & Hall.
Geman, S. und D. Geman (1984): Stochastic Relaxation, Gibbs Distributions, and the Bayes Restoration of Images, IEEE Transactions on Pattern Analysis and Machine Intelligence, 6, 721–741.
Greene, W. H. (2003): Econometric Analysis, Upper Saddle River, Prentice Hall.
Hastings, W. K. (1970): Monte Carlo sampling methods using Markov chains and their applications, Biometrika, 57, 97–109.
Huber, J. und K. E. Train (2001): On the Similarity of Classical and Bayesian Estimates of Individual Mean Partworths, Marketing Letters, 12 (3), 259–269.
Kennedy, P. (2003): A guide to econometrics, Cambridge, MIT Press.
Manchanda, P., P. E. Rossi und P. K. Chintagunta (2004): Response Modeling with Nonrandom Marketing-Mix Variables, Journal of Marketing Research, 41 (4), 467–478.
McFadden, D. (1974): Conditional Logit Analysis of Qualitative Choice Behavior, Frontiers in Econometrics, P. Zarembka, New York, Academic Press, 105–142.
Pakes, A. und D. Pollard (1989): Simulation and the Asymptotics of Optimization Estimators, Econometrica, 57(5), 1027–1057.
Rossi, P. E. und G. M. Allenby (2003): Bayesian Statistics and Marketing, Marketing Science, 22(3), 304–328.
Rossi, P. E., G. M. Allenby und R. McCulloch (2005): Bayesian Statistics and Marketing, Chicago, John Wiley and Sons.
Train, K. E. (2003): Discrete Choice Methods with Simulation, Berkeley, Cambridge University Press.
Villas-Boas, J. M. und Y. Zhao (2005): Retailer, Manufacturers, and Individual Consumers: Modeling the Supply Side in the Ketchup Marketplace, Journal of Marketing Research, 42(1), 83–95.
West, M. und J. Harrison (1999): Bayesian Forecasting and Dynamic Models, New York, Springer.
Zellner, A. (1971): An Introduction to Bayesian Inference in Econometrics, New York, John Wiley & Sons.
Editor information
Rights and permissions
Copyright information
© 2009 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Proppe, D. (2009). Schätzung von Marketing-Modellen mit simulationsbasierten Verfahren. In: Albers, S., Klapper, D., Konradt, U., Walter, A., Wolf, J. (eds) Methodik der empirischen Forschung. Gabler Verlag, Wiesbaden. https://doi.org/10.1007/978-3-322-96406-9_28
Download citation
DOI: https://doi.org/10.1007/978-3-322-96406-9_28
Publisher Name: Gabler Verlag, Wiesbaden
Print ISBN: 978-3-8349-1703-4
Online ISBN: 978-3-322-96406-9
eBook Packages: Business and Economics (German Language)