Marketing Kapitel 4

1.Modellspezifikation
2.Varianzzerlegung
3.Modellbeurteilung
4.Ergebnisinterpretation

Ermittlung von Unterschieden zwischen Gruppen von Objekten (Kunden, Produkten) aufgrund des Einflusses einer oder mehrerer kontrollierbarer Variablen.

Bsp: Haben Maßnahmen der Verkaufsförderung einen Einfluss auf den Absatz eines PKWs?

Analyse von Unterschieden zwischen Gruppen von Objekten.

Bsp: Wie gut lassen sich Käufer und Nicht-Käufer von Bio-Produkten anhand soziodemographischer Daten unterscheiden?

1.Modellspezifikation
2.Parameterschätzung
3.Modellbeurteilung
4.Interpretation der Ergebnisse

Der Diskriminanzkoeffizient gibt an, in welcher Stärke sich die Gruppen aufgrund einer bestimmten Variable unterscheiden. Ab DK=0,5 kann von einer starken Wirkung dieser Variablen auf die Gruppenbildung ausgegangen werden.

Der DK dient der Ergebnisinterpretation bei der Diskriminanzanalyse.

Ermittlung des Gesamtnutzens eines Objekts/Produkts auf Basis der Bewertung einzelner Produktmerkmale / Merkmals-ausprägungen.

Bsp: Wie wichtig sind einzelne Eigenschaften für die Gesamtbewertung eines Produktes?

1.Auswahl der Eigenschaften und deren Ausprägungsmöglichkeiten
2.Festlegung des Erhebungsdesigns
3.Bewertung der Stimuli
4.Schätzung der Teilnutzenwerte
5.Aggregation der Nutzenwerte

Welche Beziehung besteht zwischen mehreren unabhängigen und einer abhängigen Variablen?

-->funktionaler Zusammenhang zwischen den Variablen

Bsp: Welche Wirkung hat die Zufriedenheit mit dem Sortiment, der Innenausstattung, der Freundlichkeit der MA und dem Preisniveau auf die Weiterempfehlungsabsicht?

Welche kausalen Beziehungen bestehen zwischen mehreren, nicht direkt beobachtbaren (latenten) Konstrukten?

Bsp: Welcher Zusammenhang besteht zwischen Kundenzufriedenheit, Zahlungsbereitschaft und Kundenbindung?

s Abb

In Kästchen: direkt beobachtbare Variablen

In Kreisen: latente Variablen

Ohne Umrandung: Störvariablen

Strukturmodell: Beziehungen zwischen latenten Variablen --> wird schon zu Beginn der Analyse unterstellt (Dependenzanalyse)

1.Modellspezifikation
2.Parameterschätzung
3.Modellbeurteilung
4.Interpretation der Ergebnisse

1. Messmodell: welche latenten Konstrukte will ich messen, wie kann jedes einzelne davon messen?
2. Strukturmodell: wie sind die Abhängigkeiten zwischen den latenten Variablen?

Diese werden dann im kausalanalytischen Modell zusammengefasst.

Im nächsten Schritt folgt die Parameterschätzung: zu welchen Anteilen fließen die Messungen in die Variablen ein etc.

qualitative Daten:

• Dokumente
• Audio- und Videoaufzeichnungen
• Gesprächsprotokolle

1. Transkription
2. Einzelanalyse
3. generalisierende Analyse
4. Kontrolle

1. Häufgkeitsverteilungen: wie häufig tritt ein bestimmter Merkmalswert in der Stichprobe auf (z.B. weibliche und männliche Teilnehmer)
2. Maßzahlen: Charakterisierung der Stichprobe anhand von bestimmten Zahlen

Modus: 39

Median: 39

AM: 43,6

• Verteilungsparameter zur Beschreibung von Häufigkeitsverteilungen anhand bestimmter Werte:
  • Lageparameter (Lokalisationsmaße)
  • Streuungsparameter (Dispersionsmaße)
  • Formparameter
  • Konzentrationsparameter
• Verhältniszahlen

p<=0,001: hochsignifikant (***), kann definitiv auf GG übertragen werden

p<=0,01: signifikant (**)

p<=0,05: leicht signifikant (*)

s Abb

1. Kreuztabellierung: zwei nominal skalierte Variablen werden in einer Tabelle gegenübergestellt, dadurch können Zusammenhänge entdeckt werden.
2. Korrelationsanalyse: wie stark ist der lineare Zusammenhang zwischen zwei Merkmalen?
3. Bivariate Regressionsanalyse: welche Beziehung besteht zwischen zwei Merkmalen?

Er beschreibt den Grad der gemeinsamen Variation von zwei Variablen und schwankt zwischen -1 und 1. Wenn |r|<=0,4 ist eine Korrelation zumindest fragwürdig, je höher desto besser.

1. Faktorenanalyse
2. Clusteranalyse
3. Multidimensionale Skalierung (MDS)

1. Multiple Regressionsanalyse
2. Varianzanalyse
3. Diskriminanzanalyse
4. Conjointanalyse
5. Kausalanalyse

1.Bildung der Korrelationsmatrix
2.Extraktion der Faktoren
3.Bestimmung der Faktorenanzahl
4.Interpretation der Faktoren

Verdichtung mehrerer Variablen zu wenigen, grundlegenden Faktoren (Komplexitätsreduktion)

Die Kommunalität ist in der Facktorenanalyse eine Maßzahl für die Ladung von verschiedenen Faktoren auf eine Variable. Ist die Kommunalität hoch, laden mehrere Faktoren auf eine Variable, die Variable kann also nicht eindeutig einem Faktor zugeordnet werden.

Der Faktoreigenwert ist die Summe der Ladungen dieses Faktors auf alle Variablen. D.h., der Eigenwert gibt an, wie wichtig ein Faktor zur Verdichtung von Variablen sein kann. Häufig werden nur Faktoren verwendet, die einen Eigenwert >1 haben

Die Interpretation muss sein, da der Name der herausgefilterten Faktoren nicht gegeben ist, sondern nur dessen Zuordnung zu Variablen. Die in einem Faktor zusammengefassten Variablen müssen daher betrachtet und zu einem Überbegriff zusammengefasst werden.