Zusammenfassung
Bei der Gestaltung von Objekten (z. B. Produkten, Parteiprogrammen) ist es wichtig zu wissen, welchen Beitrag verschiedene Komponenten zum Gesamtnutzen eines Objektes beitragen. So kann es z. B. für einen Margarinehersteller nützlich sein zu wissen, ob eine Änderung der Verpackung oder eine Änderung der Substanz des Produktes einen größeren Beitrag zum empfundenen Gesamtnutzen des Konsumenten stiftet. Oder bei der Gestaltung von Parteiprogrammen kann es von entscheidender Bedeutung sein, ob die Wähler einer stärkeren Umweltorientierung den Vorzug vor einer stärkeren Sozialorientierung geben. Die Conjoint-Analyse ist ein Verfahren, das auf Basis empirisch erhobener Gesamtnutzenwerte versucht, den Beitrag der einzelnen Komponenten zum Gesamtnutzen zu ermitteln1. Die Conjoint-Analyse läßt sich damit als ein dekompositionelles Verfahren charakterisieren. In der Regel wird dabei unterstellt, daß sich der Gesamtnutzen additiv aus den Nutzen der Komponenten (Teilnutzenwerte) zusammensetzt. Die Datenbasis der Conjoint-Analyse bilden Nutzenurteile von befragten Personen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Anmerkungen
Der Begriff „Conjoint-Analyse“ wird zum Teil synonym zum Begriff „Conjoint-Measurement“ gebraucht. Mit Conjoint-Measurement wird hier der übergeordnete Bereich der Überprüfung verschiedener Nutzenmodelle hinsichtlich ihrer Eignung zur Beschreibung der Nutzenwertungen einzelner oder mehrerer Auskunftspersonen bezeichnet. Die Conjoint-Analyse stellt dagegen einen speziellen Meßansatz dar. Vgl. auch: Green, Srinivasan (1978), S. 103.
Die Zwei-Faktor-Methode geht zurück auf Johnson, Richard M.: Trade-Off-Analysis of Consumer Values, in: Journal of Marketing Research, Vol. 11, 1974, S. 121–127.
Eine ausführliche Darstellung geben Green, Srinivasan (1978), S. 111 ff. und Schweikl (1985), S. 56 ff.
Bezüglich anderer Nutzenmodelle siehe Young (1973), S. 28 ff.
Vgl. dazu auch die Ausführungen in Anhang B dieses Kapitels.
Zur monotonen Varianzanalyse, die auch der in Kapitel 7 behandelten Multidimensionalen Skalierung zugrundeliegt, siehe insbesondere: Kruskal (1965) und Kruskal, Carmone (o. J.).
Da das Verfahren gegen suboptimale Lösungen (lokale Optima) konvergieren kann, ist es von Vorteil, den Iterationsprozeß wiederholt mit verschiedenen Ausgangslösungen zu starten. Während das Programm MONANOVA mit einer metrischen Ausgangslösung beginnt, enthält das Programm UNICON eine Option zur Generierung von unterschiedlichen Ausgangslösungen durch einen Zufallsgenerator.
Siehe dazu Kruskal (1965), S. 261 f. Wie auch Kruskal (1964 b), S. 119 ff. Allgemeinere Ausführungen finden sich z. B. bei Worst, R.: Nichtlineare Optimierung, München Wien 1979, S. 80 ff.
Siehe dazu Kruskal (1964b), S. 126 ff. sowie Young (1973), S. 42 ff.
Siehe dazu Kruskal (1964 a), S. 21 ff.
Addelman, S.: Orthogonal Main-Effect Plans for Asymmetrical Factorial Experiments, in: Technometrics, 1962, S. 36.
Hier wurde das Computerprogramm UNICON verwendet. Es ist Teil des Programmpaketes „The MDS (X) Series of Multidimensional Scaling Programs“, Inter University Research Council Series, Report No. 55, Edinghburgh 1983 (Kapitel 14). Vgl. auch Roskam, E. E.: Unidimensional Conjoint Measurement (UNICON) for Multi-Faced Designs, Psychologish Laboratorium, Universiteit Nijmegen 1974.
Die Daten für die 40 Auskunftspersonen sind in Anhang 5 enthalten, wobei die Dateneingabe für jede Auskunftsperson entsprechend dem Aufbau der Tabelle 8.11 erfolgte.
Zur Erstellung symmetrischer reduzierter Designs finden sich Pläne bei Green, P. E.: On the Design of Choice Experiments Involving Multifactor Alternatives, in: Journal of Consumer Research, Vol. 1, 1974, S. 61–68 sowie Green, P. E., Caroll, J. D., Carmone, F. J.: Some New Types of Fractional Factorial Designs for Marketing Experiments, in: Sheth, J. N. (Ed.): Research in Marketing, Vol. I, Greenwich, Ct. 1978, S. 99-122. Zur Erstellung asymmetrischer reduzierter Designs siehe: Addelman (1962), a. a. O., S. 21 ff.
Literaturhinweise
Green PE, Srinivasan V (1978) Conjoint Analysis in Consumer Research. In: The Journal of Consumer Research, Vol 5 (S 103–122)
Green PE, Wind Y (1973) Multiattribute Decisions in Marketing: A Measurement Approach, Hinsdale, 111.
Kruskal JB (1965) Analysis of factorial experiments by estimating a monotone transformation of data. In: Journal of Royal Statistical Society, Series B, S 251-263
Kruskal JB (1964a) Multidimensional Scaling by Optimizing Goodnes of Fit to a Nonmetric Hypothesis. In: Psychometrika, Vol 29, No 1, (S 1–27)
Kruskal JB (1964b) Nonmetric Multidimensional Scaling: A Numerical Method. In: Psychometrika, Vol 29, No 2 (S 115–129)
Kruskal JB, Carmone FJ (o. J.) Use and Theory of MONANOVA, a Program to Analyze Factorial Experiments by Estimation Monotone Transformations of the Data, Bell Telephone Laboratories, Murray Hill (N. J.)
Schweikl H (1985) Computergestützte Präferenzanalyse mit individuell wichtigen Produktmerkmalen, Berlin
Thomas L (1979) Conjoint Measurement als Instrument der Absatzforschung. In: Marketing — Zeitschrift für Forschung und Praxis, Jg. 1 (S 199–211)
Young FW (1973) Conjoint Scaling, The L. L. Thurstone Psychometric Laboratory, University of North Carolina
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 1987 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Backhaus, K., Erichson, B., Plinke, W., Schuchard-Ficher, C., Weiber, R. (1987). Conjoint-Analyse. In: Multivariate Analysemethoden. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-08891-3_8
Download citation
DOI: https://doi.org/10.1007/978-3-662-08891-3_8
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-17226-0
Online ISBN: 978-3-662-08891-3
eBook Packages: Springer Book Archive