Zusammenfassung
Eine Entscheidung, die bei der Auswertung von Daten aus Conjointstudien zu treffen ist, betrifft das Aggregationsniveau der Schätzung von Teilnutzenwerten und damit die Frage, ob und in welcher Weise Konsumentenheterogenität berücksichtigt werden soll. Das methodisch einfachste Verfahren ist, die erhobenen Präferenzdaten aller Probanden zur Schätzung eines gemeinsamen Vektors von Teilnutzenwerten heranzuziehen. Problematisch ist an einer solchen gemeinsamen Conjointanalyse, dass die Präferenzen eines fiktiven Durchschnittskonsumenten ermittelt werden, der so im Markt unter Umständen nicht existiert. Wird bspw. eine bestimmte Produkteigenschaft von einem Teil der Konsumenten stark präferiert, während ein anderer Teil diese Eigenschaft ablehnt, dann könnte die gemeinsame Conjointanalyse für diese Eigenschaft eine mittlere Präferenz ermitteln. Im Rahmen einer Individualniveau-Analyse wird dagegen für jeden Befragten eine eigene Nutzenfunktion bestimmt, wozu bei Vorliegen metrischer Präferenzdaten aus ratingbasierten Conjointanalysen die gewöhnliche Kleinstquadratschätzung verwendet wird. Eine solche Schätzung individueller Koeffizienten wird in der Literatur als „Fixed Effects Ansatz“ bezeichnet. Da bei Conjointanalysen in der Regel jeder Befragte eine im Vergleich zur Anzahl zu schätzender Teilnutzenwerte relativ geringe Zahl an Stimuli bewertet, ergeben sich aus der individuellen Kleinstquadratschätzung meist unzuverlässige Koeffizientenschätzer. Bei wahlbasierten Conjointanalysen ist die Schätzung individueller Teilnutzenwerte aufgrund der beschränkten Datensituation in der Regel nicht möglich.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Allenby, G.M., Arora, N., Ginter, J.L. (1995) Incorporating Prior Knowledge into the Analysis of Conjoint Studies. Journal of Marketing Research, 23, 152–162.
Allenby, G.M., Ginter, J.L. (1995) Using Extremes to Design Products and Segment Markets. Journal of Marketing Research, 32, 392–403.
Andrews, R.L., Ansari, A., Currim, I.S. (2002) Hierarchical Bayes Versus Finite Mixture Conjoint Analysis Models: A Comparision of Fit, Prediction and Partworth Recovery. Journal of Marketing Research, 39, 87–98.
Baumgartner, B., Steiner, W. (2007) Are Consumers Heterogeneous in their Preferences for Odd and Even Prices? Findings from a Choice Based Conjoint Study. International Journal of Research in Marketing, 24, 312–323.
Frühwirth-Schnatter, S., Tüchler, R., Otter, T. (2004) Bayesian Analysis of the Heterogeneity Model. Journal of Business and Economic Statistics, 22, 2–15.
Gedenk, K., Sattler, H. (1999) The Impact of Price Thresholds on Profit Contribution – Should Retailers Set 9-ending Prices? Journal of Retailing, 75, 33–57.
Gelman, A.B., Carlin, J. S., Stern, H.S., Rubin, D.B. (1995) Bayesian Data Analysis, Boca Raton.
Lenk, P.J., DeSarbo, W.S., Green, P.E., Young, M.R. (1996) Hierarchical Bayes Conjoint Analysis: Recovery of Part-Worth Heterogeneity from Reduced Experimental Designs. Marketing Science, 15, 173–191.
Moore, W.L. (2004) A Cross-Validity Comparision of Rating-Based and Choice-Based Conjoint Analysis Models. International Journal of Research in Marketing, 21, 299–312.
Natter, M., Feurstein, M. (1999) Individual Level or Segmentation Based Market Simulation?, Working Paper No. 41 des Sonderforschungsbereichs Adaptive Informationssystems and Modelling in Economics and Management Science.
Park, C.S. (2004) The robustness of hierarchical Bayes Conjoint Analysis under Alternative Measurement Scales. Journal of Business Research, 57, 1092–1097.
Rossi, P.E., Allenby, G.M., McCulloch, R.E. (2005) Bayesian Statistics and Marketing, Chichester.
Sawthooth Software (2006) The ACA/Hierarchical Bayes v3.0 Technical Paper. Technical Paper Series.
Steiner, W.J., Baumgartner, B. (2004) Conjoint-Analyse und Marktsegmentierung. Zeitschrift für Betriebswirtschaft, 74, 611–636.
Tierney, L. (1994) Markov Chains for Exploring Posterior Distributions. Annals of Statistic, 23(4), 1701–1728.
Train, K.E. (2003) Discrete Choice Methods with Simulation, Cambridge.
Wedel, M., Kamakura, W. (1998) Market Segmentation. Conceptual and Methodological Foundations, Boston.
Wedel, M., Leeflang, P.S.H. (1998) A Model for the Effects of Psychological Pricing in Gabor-Granger Price Studies. Journal of Economic Psychology, 19, 237–260.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2009 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Baumgartner, B., Steiner, W. (2009). Hierarchisch bayesianische Methoden bei der Conjointanalyse. In: Baier, D., Brusch, M. (eds) Conjointanalyse. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-00754-5_10
Download citation
DOI: https://doi.org/10.1007/978-3-642-00754-5_10
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-00753-8
Online ISBN: 978-3-642-00754-5
eBook Packages: Business and Economics (German Language)