Conjoint Analyse Flashcards
Was ist Conjoint Measurement?
Messung der Ausprägung von komplexen Messobjekten auf Variablen, die eigentlich aus mehreren anderen Variablen oder Attributen zusammengesetzt sind (= Verbundmessung).
Idee: Man berücksichtigt alle Alternativen gleichzeitig.
Was ist die Ausgangsbasis von Conjoint Measurement?
Gesamtbewertung (Relative Wichtigkeit der Attribute und Skala für Attributsausprägungen)
Was ist das Ziel von Conjoint Measurement?
Beantwortung der beiden folgenden Fragen:
1. Wie werden die einzelnen Variablen/Attribute kombiniert, um zum Gesamturteil zu kommen (Kompositionsregel)
2. Wie müssen die einzelnen Variablen/Attribute (unter der Annahme einer bestimmten Kompositionsregel) skaliert werden, um die Verbundmessung am besten zu erklären?
Wie heißen die Verfahren, die zur Beantwortung der zentralen Fragen führen?
Axiomatisches Conjoint Measurement
Numerisches (Conjoint Analysis, Verbundene Analyse)
Was ist Axiomatisches Conjoint Measurement?
Herausfinden der Kompositionsregel: Wie sind die Attribute verknüpft?
–> Überprüfung der Axiome, die jeweils für eine bestimmte Art von Verknüpfung gelten
Was ist Numerisches Conjoint Measurement?
Herausfinden einer geeigneten Skalierung: Wie können Attribute (in der Regel additiv) kombiniert werden, um die empirische Präferenzordnung am besten wiederzugeben?
–> Intervallskalierte Werte der Attributsausprägungen, relative Wichtigkeit der einzelnen Attribute
Wozu Conjoint Analyse?
Allgemein:
1. Herausfinden der relativen Wichtigkeit der Attribute
2. Herausfinden der relativen Bedeutsamkeit der Attributsausprägungen (durch Intervallskalierung)
Wie geht man vor?
- Auswahl der relevanten Attribute für ein Messobjekt
- Bestimmen des Erhebungsdesigns
- Bewertung der Messobjekte
- Schätzung der relativen Wichtigkeit der Attributsausprägungen (Teilnutzenwerte): Additives Modell
- Aggregation der Nutzenwerte
Wie wählt man die relevanten Attribute aus?
= Suche nach UVs, die die Verbundmessung beeinflussen und nach deren Abstufungen
- Inhaltliche Analyse –> nur relevante Attribute und realistische Abstufungen
- Nur Attribute mit kompensatorischer Beziehung (Annahme: Gesamturteil ist Kombination der Urteile über Einzelattribute –> niedriger Wert in einem Attribut kann durch hohen in einem anderen ausgeglichen werden – keine KO Attribute!)
- Bei Produktplanung: Attribute müssen durch Hersteller beeinflussbar und technisch realisierbar sein
Wie bestimmt man ein Erhebungsdesign?
= Wie fragt man nach Verbundurteilen?
- Am besten: vollständige Erhebung (vollst. Kreuzen aller “UVs”)
- Bei gleicher Anzahl von Attributsabstufungen - evtl. Lateinisches Quadrat oder vereinfachte Lateinische Quadrate
Wie bewertet man die Messobjekte?
Rangreihe oder Rating
meist ordinal, subjektiv
Was ist das additive Modell?
Nutzen einer Alternative ist die Summe der Nutzen ihrer Attribute
–> Metrische und nichtmetrische Lösung
Was ist die metrische Lösung des additiven Modells?
Annahme: Abstand zwischen den Rängen ist gleich = Intervallskala
bezieht sich auf Präferenzeinschätzung
- MW zwischen Zeilen und Spalten
- Gesamt MW
- GesamtMW von jedem Zeilen- und Spaltenwert abziehen
- –> Zeilen- und Spalteneffekte
Berechnung der normierten Teilnutzenwerte
Wie berechnet man die normierten Teilnutzenwerte?
- Berechnung der Differenz zwischen (unstandardisierten) Teilnutzenwerten und minimalem Teilnutzenwert pro Attribut
- Setzen des Gesamtnutzenwerts des am stärksten präferierten Stimulus (Kombination der höchsten Teilnutzenwerte) auf 1
- Berechnen der jeweiligen Anteile –> Teilnutzenwerte
Relative Wichtigkeit = Spannweite / Summe der Spannweite
Wie berechnet man die nichtmetrische Lösung?
Annahme: Ränge sind ordinalskaliert (Monotone Varianzanalyse)
Monotone Regression: Ziel, die zk so zu bestimmen, dass ihre Werte mit steigenden Rängen der k Messobjekte monoton steigen
Monotone Varianzanalyse: Zielkriterium –> Stress-Maß (wird minimiert durch Optimierung der TNW, Auffinden einer geeigneten monotonen Transformation –> Iterativ)
Ausgangsbasis ist häufig die metrische Lösung
