Sie sind auf Seite 1von 112

Vorlesung Marktforschung

Multivariatenanalysen

Sommersemester 2010

TU Berlin, Lehrstuhl Marketing Prof. Dr. V. Trommsdorff, Sekr. WIL-B-3-1, Wilmersdorfer Strae 148, 10585 Berlin, www.marketing-trommsdorff.de

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff
Agenda

Nachtrag zur Diskriminanzanalyse


Fallbeispiel

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 2
Fallbeispiel

Problemstellung

Ein Margarinhersteller mchte herausfinden, wie die Margarinemarken


wahrgenommen werden, d.h.

ob signifikante Unterschiede in der Wahrnehmung verschiedener Marken


bestehen und

welche Eigenschaften fr die unterschiedliche Wahrnehmung der Marken


relevant sind.

Zu diesem Zweck wurde eine Befragung von 18 Personen durchgefhrt, wobei


diese veranlat wurden, 11 Butter- und Margarinemarken jeweils bezglich 10
verschiedener Variablen auf einer siebenstufigen Rating-Skala zu beurteilen.

Um die Zahl der Gruppen zu vermindern, wurden die 11 Marken zu drei Gruppen
(Marktsegmenten) zusammengefasst. Die Gruppenbildung wurde durch Anwendung
einer Clusteranalyse vorgenommen.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 3
Fallbeispiel

Merkmalsvariablen und Marktsegmente

Merkmalsvariablen Marktsegmente Marken im Segmenten


(Gruppen)
1 Streichfhigkeit
1 Homa, Flora Soft
2 Preis

3 Haltbarkeit
2 Becel, Du darfst, Rama, SB,
4 Anteil ungestt. Fettsuren Sanella, Botteram

5 Back- und Brateignung 3 Delicado, Hollndische


Markenbutter, Weihnachtsbutter
6 Geschmack

7 Kaloriengehalt

8 Anteil tierischer Fette

9 Vitamingehalt

10 Natrlichkeit

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 4
Fallbeispiel

Ergebnisse (1) Univariate Trennfhigkeit der Merkmale

Tests of Equality of Group Means


Wilks'
Lambda F df1 df2 Sig.
Streichfahigkeit ,798 11,246 2 89 ,000
Preis ,916 4,074 2 89 ,020
Haltbarkeit ,952 2,264 2 89 ,110
Anteil ungesattigter Fettsauren ,993 0,321 2 89 ,726
Back- und Brateignung ,944 2,619 2 89 ,078
Geschmack ,795 11,484 2 89 ,000 nicht signifikant
Kaloriengehalt ,836 8,703 2 89 ,000
Anteil tierischer Fette ,712 17,980 2 89 ,000
Vitamingehalt ,885 5,806 2 89 ,004
Natrlichkeit ,703 18,813 2 89 ,000 maximal
trennscharf
Die Tabelle zeigt, wie gut die 10 Merkmale, jedes fr sich, die drei Gruppen trennen
(diskriminieren).
Mit Ausnahme von Haltbarkeit, Anteil ungesttigter Fettsuren und Back- und Brateignung
trennen alle Variablen signifikant ( < 5%).
Am besten trennt Natrlichkeit.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 5
Fallbeispiel

Ergebnisse (2) - Diskriminanzfunktionen

Canonical Discriminant Function Coefficients


Function
1 2
Streichfahigkeit -,140 ,408
Preis ,223 -,127
Haltbarkeit -,336 -,276
Anteil ungesattigter Fettsauren -,091 -,126
Back- und Brateignung -,020 ,131
Geschmack ,190 ,372
Kaloriengehalt ,268 -,102
Anteil tierischer Fette ,189 ,166
Vitamingehalt -,180 ,429
Natrlichkeit ,486 -,332
(Constant) -2,164 -2,322
Unstandardized coefficients

Bei drei Gruppen lassen sich zwei Diskriminanzfunktionen bilden. In der Tabelle sind die
geschtzten Parameter (unstandardisiert) dieser Diskriminanzfunktionen wiedergegeben.
Y1 = -2,164 - 0,140*Streichfhigkeit + 0,223*Preis - 0,336*Haltbarkeit - 0,091*Anteil ungesttigter
Fettsuren - + 0,486*Natrlichkeit

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 6
Fallbeispiel

Ergebnisse (3) Structure Matrix

Structure Matrix Function


1 2
Natrlichkeit ,546 * -,014
Anteil tierischer Fette ,515 * ,341
Kaloriengehalt ,371 * ,036
Preis ,250 * ,111
Anteil ungesattigter Fettsauren -,069 * -,044
Vitamingehalt ,170 ,614 *
Geschmack ,367 ,531 *
Streichfahigkeit -,381 ,444 *
Back- und Brateignung ,126 ,390 *
Haltbarkeit -,170 ,206 *

*.
Die Tabelle zeigt die gemeinsame Korrelation innerhalb der Gruppen zwischen
Diskriminanzvariablen (z.B. Natrlichkeit) und standardisierten kanonischen
Diskriminanzfunktionvariablen (z.B. Y1).

Mit diesen Korrelationen wird die diskriminatorische Bedeutung einer Merkmalsvariablen


bezglich aller Diskriminanzfunktionen beurteilt.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 7
Fallbeispiel

Ergebnisse (4)
Gtemae zur Beurteilung der Diskriminanzfunktionen

Eigenvalues

Canonical
Function Eigenvalue % of Variance Cumulative % Correlation
1 1,420 a 85,7 85,7 ,766
2 ,238 a 14,3 100,0 ,438
a.First 2 canonical discriminant functions were used in the analysis.

Aus Spalte 2 und 3 ist ersichtlich, dass die relative Wichtigkeit der zweiten
Diskriminanzfunktion mit 14,3 % Varianzanteil wesentlich geringer ist als die der
ersten Diskriminanzfunktion mit 85,7 % Varianzanteil.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 8
Fallbeispiel

Ergebnisse (5)
Gtemae zur Beurteilung der Diskriminanzfunktionen

Wilks' Lambda

Wilks'
Test of Function(s) Lambda Chi-square df Sig.
1 through 2 ,334 92,718 20 ,000
2 ,808 18,029 9 ,035

In der Tabelle findet man die Werte fr das residuelle Wilks Lambda. Sie zeigen,
dass auch die zweite Diskriminanzfunktion noch signifikant (mit
Irrtumswahrscheinlichkeit = 3,5 %) zur Trennung der Gruppen beitrgt.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 9
Fallbeispiel

Ergebnisse (6) Gruppen Zentroide

Functions at Group Centroids

Function
Marktsegmente 1 2
1 -,773 ,885
2 -,613 -,349
3 2,088 4,538E-02

Unstandardized canonical discriminant functions evaluated at group means

Die Werte sind so zu interpretieren:

Die erste Diskriminanzfunktion trennt Marktsegment 3 von den Segmenten 1


und 2.

Die zweite Diskriminanzfunktion trennt die Marktsegmente 1 und 2

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 10
Fallbeispiel

Ergebnisse (7) - Klassifizierungsmatrix

Prognostizierte Gruppenzugehrigkeit

A B

richtige falsche
A
Tatschliche Klassifizierung Klassifizierung
Gruppenzugehrigkeit falsche richtige
B
Klassifizierung Klassifizierung

Classification Results

Predicted Group Membership


Marktsegmente 1 2 3 Total
Original Count 1 12 7 0 19 69 von 92
2 9 38 4 51
3 3 0 19 22 Flle (75%)
% 1 63,2 36,8 ,0 100,0 richtig
2 17,6 74,5 7,8 100,0
3
klassifiziert
13,6 ,0 86,4 100,0

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 11
Fallbeispiel

Ergebnisse (8) - Darstellung der Gruppen im Diskriminanzraum

Canonical Discriminant Functions


4

1
1

3
0 2 Marktsegmente
Group Centroids
-1
Function 2

3
-2 2

-3 1
-4 -2 0 2 4 6

Function 1

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 12
Fallbeispiel

Ergebnisse (9)
Klassifizierungsdiagramm
Symbol s used i n t er r i t or i al map Canoni c al
Func t i on 2
Di s c r i mi nant

- 6, 0 - 4, 0 - 2, 0 , 0 2, 0 4, 0 6, 0

Symbol Gr oup Label 6, 0 13
------ ----- -------------------- 13
13
13
1 1 13
13
2 2 4, 0 13
3 3 13

* I ndi cat es a gr oup cent r oi d



13

13
13
13
2, 0 13
13
13
* 13
13
11111111113
, 0 111111111111122222222223 *
111111111112222222222222 * 23
22222222222 23
23
23
23
- 2, 0 23
23
23
23
23
23
- 4, 0 23
23
23
23
23
23
- 6, 0 23

- 6, 0 - 4, 0 - 2, 0 , 0 2, 0 4, 0 6, 0
Canoni c al Di s c r i mi nant Func t i on 1

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 13
Fallbeispiel

Ergebnisse (10) Klassifikationsfunktionen

Classification Function Coefficients


Marktsegmente
1 2 3
Streichfahigkeit 2,516 1,990 1,772
Preis ,576 ,768 1,320
Haltbarkeit 1,580 1,866 ,850
Anteil ungesattigter Fettsauren 1,714 1,855 1,559
Back- und Brateignung ,159 -5,396E-03 -6,699E-03
Geschmack ,351 -7,722E-02 ,584
Kaloriengehalt ,855 1,025 1,709
Anteil tierischer Fette 1,122 ,948 1,523
Vitamingehalt -8,275E-02 -,641 -,958
Natrlichkeit 1,516 2,004 3,187
(Constant) -23,073 -20,111 -28,805
Fisher's linear discriminant functions

Nach Fisher wird fr jede Gruppe eine Klassifizierungsfunktion bestimmt, die direkt von den
gegebenen Merkmalen abhngt. Ein neues Objekt wird der Gruppe zugeordnet, deren
Klassifizierungsfunktion den grten Wert liefert.
F1 = -23,073 + 2,516*Streichfhigkeit + + 1,516*Natrlichkeit
F2 = -20,111 + 1,990*Streichfhigkeit + + 2,004*Natrlichkeit
F3 = -28,805 + 1,772*Streichfhigkeit + + 3,187*Natrlichkeit

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 14
Agenda

Imagepositionierung: Fakorenanalyse und Mehrdimensionale Skalierung


Faktorenanalytische Positionierungsanalyse

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 15
Positionierungsanalyse

Multivariate Imageanalyse

Image als mehrdimensionale Einstellung


Imagemessung als Diagnose fr Produktpositionierung

Komponierende Imagemessung Dekomponierende Imagemessung

von differenzierten Eindrcken von Objekt-Relations-Urteilen


(Image-Items, Ratingbatterie) (hnlichkeiten, Prferenzen)
durch Kompression per Dekomposition der Relationen
(Faktorenanalyse) (Mehrdimensionale Skalierung)
zu Dimensionen zu Dimensionen

Weitere Messmodell-Unterscheidungskriterien:
Ideal (-Punkt, -Vektor, ohne)
Operationalisierung (je ein/zwei Aspekte, deskriptiv/evaluativ ...)
Verknpfung (multiplikativ, additiv)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 16
Positionierungsanalyse

Wie findet man Imagemerkmale ?

Naiv Direktes Abfragen

Gruppendiskussion, Tiefeninterview
Qualitativ / nominal Salienz: Spontanassoziationen
Gittertechnik: Kriterien-Exploration

Wichtigkeit (importance)
Quantitativ ber
Unterscheidbarkeit (discriminance)
Ratingskalen
Entscheidend (important und discriminant)

Regressionsanalyse
Quantitativ
Diskriminanzanalyse
indirekt statistisch
Mehrdimensionale Skalierung

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 17
Positionierungsanalyse

Das Polarittenprofil ist hoch redundant und damit wenige informativ

Testbericht ox
Lebensdauer
ox
Haftung bei Nsse
ox
niedriger Preis
x o
Fahrkomfort
ox
Hochgeschwindigkeitsreifen o x
Wintertauglichkeit ox
Entwicklungspotential o x
besondere Ansprche o x
Kurvenstabilitt ox
Kosten - Nutzen - Relation ox
Exklusivitt x A o C o x
sportliche Fahrweise o x
Breitreifen o x
Fahr - und Lenkverhalten ox
dynamische Fahrer o x
Aussehen o x
Zuverlssigkeit ox
attraktive Marke o x
geringes Abrollgerusch ox
Ruf o x
persnliches Interesse 1 1,5 2 2,5 3 o x3,5 4 4,5 5 5,5 6

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 18
Positionierungsanalyse

Fiktive dreidimensionale Positionierung

Konkurrenz-
Marke C
Wirtschaftlichkeit Ideale Marke

Konkurrenz- Eigene Marke


Marke A

Konkurrenz-
Marke B

Sportlichkeit

Prestige

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 19
Agenda

Faktorenanalyse
Grundlagen
Basismodell
Varianzerklrung
Faktorrotation
Fallbeispiel

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 20
Faktorenanalyse

Faktorenanalyse

Ziel: Variablenreduktion

Mehrere korrelierte und gemessene Variable sollen durch wenige,


dahinter stehende und nicht direkt messbare, unkorrelierte Variablen
ausgedrckt werden (Berekoven et al., 2001, s. 214).
Aufgabenspektrum der Faktorenanalyse

Aus einem groen Beobachtungsdatenvolumen Faktoren so extrahieren,


dass ohne viel Informationsverlust der Gehalt der Daten erhalten bleibt.
Latente Verursachungsgrnde oder Dimensionen aufdecken,
die hinter beobachteten Gren stehen und auf andere Weise
nur schwer oder berhaupt nicht festzustellen wren.
Extrahierte Faktoren besser interpretieren als viele korrelierte Variablen.

vgl. Meffert H., Marktforschung, 1986, s. 84

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 21
Faktorenanalyse

Die Beziehung zwischen Variablen und Faktoren


Beispiel : Margarinemarken
Variablen Faktoren

Haltbarkeit x1

Preis x2 F1 Wirtschaftlichkeit

Vitamingehalt x3

Kaloriengehalt x4
F2 Gesundheit

Anteil
ungesttigter x5
Fettsuren
vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 258

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 22
Faktorenanalyse

Basismodell der Faktorenanalyse

x1j = l1j1f1 + l1j2f2 + ... + l1jpfp +ujj


xij : empirische, z-standardisierte Antwort eines Befragten i auf Item j

Faktorwerte = gesuchte (redundanzbereinigte) Ausprgungen


f11 Ausprgung des Befragten 1 auf Faktor 1
f12 Ausprgung des Befragten 1 auf Faktor 2
...
f1p Ausprgung des Befragten 1 auf Faktor p

Faktorladungen = gesuchte Einflustrken von Faktoren auf Items


li1 Ladung des Items i auf den Faktor 1
li2 Ladung des Items i auf den Faktor 2
...
lip Ladung des Items i auf den Faktor p
ui : Strterm / Einzelrestfaktor

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 23
Faktorenanalyse

Faktorenanalyse - weitere Zusammenhnge

Eine empirische Korrelation r12 zwischen zwei Items 1 und 2 spiegelt als Skalarprodukt
der Vektoren X1, X2 den Grad ihrer gemeinsame Ladung durch Faktoren wider:
r12 = X1X2 = h1h2cos

Winkel zwischen den beiden als Vektor visualisierten Items mit den
Lngen h1 und h2

h1

h2

hi Kommunalitt des Items i sagt, wieweit es durch die Faktoren erklrt wird.
hi = 0 keinerlei Erklrung, hi = 1 vllige Erklrung aus den Faktoren.
hi2 = li12 + li22 + ... + lip2 (durch Faktoren erklrter Varianzanteil einer Variablen
i)
Daher kann man aus den Interkorrelationen rii die Faktorladungen li1, li2, ..
rekonstruieren. Anschlieend Schtzung der Ausprgungen der Befragten auf den
Faktoren (Faktorwerte).

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 24
Faktorenanalyse

Faktorenanalyse
Varianzerklrung

Varianzerklrung durch gemeinsame (k) und spezifische (p) Faktoren

Standardisierte Gesamtvarianz = 1 = 100%

li12 lik2 lip2 ci2

hi2 : Kommunalitt (durch alle Faktoren Restvarianz


erklrte Varianz einer Variablen i)
rii = li12 ++ lik2 ++ lip2 + ci2 = 1
hi2 = li12 ++ lik2 ++ lip2
ci2 = 1 - hi2

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 25
Faktorenanalyse

Faktorenanalyse an einem einfachen fiktiven Beispiel illustriert:


Korrelationen zwischen Items
r12 = f1f2 = h1h2cos 0h1 f1 jung
(absolute
Vektorlnge)
Kommunalitten hi2
frisch
f2
Korrelationen rij
1 2 3 4
brutal 1 .25 .21 .04 -.03
hart 2 .18 .06 0
jung 3 .20 .18
frisch 4 .18
hi .5 .42 .44 .42

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 26
Faktorenanalyse

Faktorenanalyse an einem einfachen fiktiven Beispiel illustriert:


Winkel zwischen Items als Ma fr semantische hnlichkeit der Items
F2
F1
0,4 h1
h2
0,3
h3
h4

ITEM
ij 1 2 3 4

1 8,1 79,7 99,1


ITEM 2 71,6 90,0
3 18,4
4

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 27
Faktorenanalyse

Faktorrotation

Ziel : Interpretationserleichterung

Die Faktorrotation ndert nichts an den Beziehungen der Variablen


untereinander. Es ndert sich nur die Interpretierbarkeit der Faktoren,
indem mehr Variablen mit Faktoren zusammenfallen

Orthogonale (rechtwinklige) Rotation


VARIMAX
QUARTIMAX
EQUAMAX

Oblique (schiefwinklige) Rotation


OBLIMIN
PROMAX

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 28
Faktorenanalyse

Erluterung der Rotationswirkung an dem einfachen Beispiel

Faktorladungsmatrix F1 F2
1 .3 .4
ITEM 2 .3 .3
3 .4 -.2
4 .3 -.3

Rotierte Faktorladungsmatrix F1 F2
1 .50 -.03
ITEM 2 .42 .03
3 .07 .44
4 -.07 .43

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 29
Faktorenanalyse

Schritte der Faktorenanalyse

1 .. i .. n 1 .. .. j .. .. m 1 .. .. j .. .. m 1 .. l .. r 1 .. l .. r 1 .. j .. n
1 1 1 1 1 1

.. ..

.. ..

.. ..

..
.. ..
.. ..

l pil
j xij j rjj j rjj j ijl j ijl *

..
r

.. ..

.. ..
.. ..
.. ..

.. ..
m m m m m

X R Rh I I* P
Datenmatrix Korrelationsmatrix reduzierte Faktorladungs Rotierte Matrix der
Korrelationsmatri -matrix Faktor- Faktorenwerte
x ladungsmatrix

Schtzung der Schtzung Rotation: Schtzung von


Kommunalitte der hinter Mglichst Faktorenwerten
n statt 1 in der Variablen viele : Ausprgungen
Diagonalen stehenden Faktorladun der n Flle auf l
Faktoren l gen sollen Faktoren statt
klein oder auf j Variablen
gro sein

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 30
Faktorenanalyse

Faktorenanalyse mit SPSS Screenshot 1

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 31
Faktorenanalyse

Faktorenanalyse mit SPSS Screenshot 2

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 32
Agenda

Faktorenanalyse
Grundlagen
Basismodell
Varianzerklrung
Faktorrotation
Fallbeispiel

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 33
Fallbeispiel

Messung des allgemeinen Selbstwertes

Als Beispiel aus einer empirischen Untersuchung erlutern wir die Vorgehensweise
bei einer explorativen Faktorenanalyse an einer Likertskala zur Messung des
allgemeinen Selbstwertes. Diese Skala entstammt der Konsumsuchtstudie von
Scherhorn.

Der Selbstwert besteht aus Einstellungen einer Person gegenber sich selbst -
sehr allgemein ausgedrckt: ihr Selbstbewutsein (Scherhorn et al. 1993, S. 28ff).

Den Befragten wurden 10 Items vorgelegt, zu denen sie auf einer sechsstufigen
Ratingskala Zustimmung oder Ablehnung uern konnten.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 34
Fallbeispiel

Die Skala und Items

Ein hohes Rating der Items signalisiert Zustimmung. Die Items 1,3,5,6,7 und 9 sind im
Sinne der Messung von Selbstwert negativ gepolt. Ein hoher Wert (Zustimmung!)
indiziert hier einen geringen Selbstwert. Fr die weitere Analyse wurden diese Items
umgepolt (z.B. V226n = 7-V226).

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 35
Fallbeispiel

Eignung der Variablen fr eine Faktorenanalyse

Zunchst werden das KMO-Ma sowie der Bartlett Test of Sphericity ausgegeben.
Das KMO-Ma (Kaiser-Mayer-Olkin Measure) gibt Auskunft ber die Gte der
Faktorenanalyse.

Ein KMO-Wert ber .89 deutet auf eine besonders gute Eignung der Items fr eine
Faktorenanalyse hin. Der Bartlett-Test ist signifikant. Das bedeutet, da die
Nullhypothese dieses Tests, die Korrelationsmatrix sei nur zufllig von der
Einheitsmatrix verschieden, mit einer extrem geringen Irrtumswahrscheinlichkeit
(nahezu 0%) abzulehnen ist.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 36
Fallbeispiel

Ausgabe der Final Statistics (1)

Die Kommunalitt (communality) ist der Varianzanteil einer Variablen, den sie mit allen anderen
Variablen gemeinsam hat. Hier werden alle Items zu ber 50% durch das Ihnen Gemeinsame erklrt.
Am schlechtesten schneidet V231n (Mangelnde Selbstachtung) mit 54,5% ab. Am besten wird
V229 erklrt (Bin eigentlich mit mir zufrieden): 65,2%.
Der Eigenwert (eigenvalue) eines Faktors drckt aus, wie viel Varianz dieser Faktor im Verhltnis zu
einer Variablen erklrt. Die Summe aller Eigenwerte ist die Gesamtvarianz aller Variablen, hier bei 10
Variablen genau 10 (weil alle Variablen z-standardisiert sind). Effizient ist eine Lsung mit wenig
Faktoren bei wenig Informationsverlust. Extrahiere hchstens so viele Faktoren, wie sie zusammen
mehr Varianz erklren als die Varianz eines einzelnen Items es tut! Also nur so lange, wie deren
Eigenwert grer ist als 1.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 37
Fallbeispiel

Ausgabe der Final Statistics (2)

Hier werden also zwei Faktoren extrahiert. Sie erklren insgesamt 59,4% der Varianz der
Items (Cum Pct). Nur ca. 40% der ursprnglichen Information in den Daten geht durch
Substitution von 10 (alten; Items) auf 2 (neue; Faktoren) im Datensatz verloren.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 38
Fallbeispiel

Unrotierte Faktorenmatrix (1)

Eigenwert Faktor 1
0,705352 ++ 0,603352 = 4,525

Eigenwert Faktor 2
-0,228912 ++ 0,510032 = 1,410

In der unrotierten Lsung ist der erste Faktor stets der erklrungsstrkste. Die Summe
der quadrierten Faktorladungen ist 4,525 (Eigenwert).

Der erste Faktor erklrt mit 45,2% den grten Anteil der Gesamtvarianz, der zweite
nur noch zustzliche 14,1%, beide zusammen 59,3%.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 39
Fallbeispiel

Unrotierte Faktorenmatrix (2)

Alle Items werden hoch vom ersten Faktor geladen. Er ist als allgemeiner Selbstwert zu
interpretieren.
Die Vorzeichen der Ladungen auf Faktor 2 entsprechen der ursprnglichen Polung der Items. Positiv
und negativ gepolte Items wurden unterschiedlich beantwortet, ein Hinweis auf die Antworttendenz,
negative Fragen anders zu beantworten als positive Fragen. Schlsse man diese Varianzquelle aus
den Daten aus, htte man eine fehlerbereinigte Messung des Selbstwerts. man wrde dann nur den
Faktor 1 als neue Variable gelten lassen.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 40
Fallbeispiel

Rotierte Faktorenmatrix (1)

Wenn mehr als ein (inhaltlich interessanter, nicht fehlerbedingter) Faktor extrahiert wurde, sollte eine rotierte
Lsung (Rotated Factor Matrix) interpretiert und weiter verwendet werden. Die VARIMAX-Rotation liefert
meist praktikable Lsungen.
Die (im Sinne des allgemeinen Selbstwertes) negativ formulierten Items werden hier hoch vom rotirerten
Faktor 1 geladen, die positiv formulierten Items vom Faktor 2.
Man kann den allgemeinen Selbstwert also auch als zweidimensionales Konstrukt verstehen, folglich statt
mit einer neuen Variabeln mit zweien weiter rechnen.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 41
Fallbeispiel

Interpretation der Ergebnisse

Hier gibt es also zwei verschiedene Interpretationsmglichkeiten:

1. Negativer Selbstwert ist inhaltlich etwas anderes als das Fehlen eines positiven
Selbstwertes.

2. Die Zwei-Faktor-Lsung ist ein Methodenartefakt, d.h. die Befragten reagieren auf
negativ formulierte Items anders als auf positive.

Welche der beiden Interpretationsmglichkeiten stimmt, ist eine Validittsfrage. Die


Faktorenanalyse allein lsst das nicht entscheiden.
Eine sinnvolle Strategie ist es hier, zunchst zwei getrennte Skalen fr positiven und
negativen Selbstwert zu bilden und diese getrennt zu validieren.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 42
Agenda

Mehrdimensionale Skalierung
Fallbeispiele
Grundlagen
Lsung einer non-metrischen Skalierung
Stressma
MDS-Datenerhebung
Anzahl und Interpretation der Dimensionen
Multivariate Imageanalyse

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 43
Mehrdimensionale Skalierung

Einfhrungsbeispiel zur Mehrdimensionalen Skalierung MDS:


Interdistanzen informieren ber die relative Lage von Stdten

Entfernungstabelle in 100 km Hamburg

Berlin
Hannover
Hannover

Mnchen
Hamburg
Frankfurt

Stuttgart
Leipzig
Berlin

Kln

Leipzig
Berlin Kln
Frankfurt 5,43
Frankfurt
Hamburg 2,91 4,94

Hannover 2,85 3,50 1,54

Kln 5,75 1,86 4,25 2,95 Stuttgart


Leipzig 1,89 3,83 4,40 2,81 4,93
Mnchen
Mnchen 5,84 3,92 7,71 6,27 5,71 4,24

Stuttgart 6,30 2,04 6,55 5,11 3,66 4,70 2,27

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 44
Mehrdimensionale Skalierung

Aus Interdistanzen kann man die Landkarte rekonstruieren

M m
5

f
F 4 k
b
B
3
2 K
1 H

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 45
Mehrdimensionale Skalierung

Lage der Stdte, ggf. nach Rotation und Spiegelung

Entfernungstabelle in 100 km Hamburg

Berlin

Hannover

Mnchen
Hamburg
Frankfurt

Stuttgart
Leipzig
Hannover
Berlin

Kln
Leipzig
Berlin
5,43
Kln
Frankfurt
Hamburg 2,91 4,94
Frankfurt
Hannover 2,85 3,50 1,54

Kln 5,75 1,86 4,25 2,95

Leipzig 1,89 3,83 4,40 2,81 4,93 Stuttgart


Mnchen 5,84 3,92 7,71 6,27 5,71 4,24
Mnchen
Stuttgart 6,30 2,04 6,55 5,11 3,66 4,70 2,27

Nach der Ermittlung der Konfiguration erfolgt die Ermittlung der


Zahl (hier 2) und Interpretation der Dimensionen (N-S und O-W)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 46
Agenda

Mehrdimensionale Skalierung
Fallbeispiele
Grundlagen
Lsung einer non-metrischen Skalierung
Stressma
MDS-Datenerhebung
Anzahl und Interpretation der Dimensionen
Multivariate Imageanalyse

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 47
Fallbeispiele

Wahrnehmung von Automarken

In einer empirischen Untersuchung wurde die Wahrnehmung folgender Automarken


untersucht:

Opel, VW, Suzuki, Toyota, Mercedes, BMW, Ferrari, Porsche, Lamborghini und
Rolls Royce.

Dazu wurde 10 Mnnern die folgende Aufgabe gestellt:

Beurteilen Sie paarweise die hnlichkeit der folgenden Automarken. Vergeben sie
fr die hnlichkeit eines Automarkenpaares eine Zahl im Wertebereich von

1 (= sehr hnlich) bis 9 (= sehr unhnlich)!

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 48
Fallbeispiele

MDS-Datenerhebung
Ratingverfahren
Die Markenpaare werden mittels einer zweipoligen (strukturierten oder
unstrukturierten) Skala beurteilt.

VW und sehr berhaupt


BMW sind sich hnlich nicht hnlich

Bei konsistenten Urteilen, sind n*(n-1)/2 Paarvergleiche durchzufhren

Hannover

Mnchen
Hamburg
Frankfurt

Stuttgart
Leipzig
Berlin

Kln
Dreiecksmatrix

Berlin
Frankfurt 5,43
Hamburg 2,91 4,94
Hannover 2,85 3,50 1,54
Kln 5,75 1,86 4,25 2,95
Leipzig 1,89 3,83 4,40 2,81 4,93
Mnchen 5,84 3,92 7,71 6,27 5,71 4,24
Stuttgart 6,30 2,04 6,55 5,11 3,66 4,70 2,27

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 49
Fallbeispiele

MDS-Datenerhebung
Ankerpunktverfahren

Beispiel 1. Ankerpunkt: BMW

PKW-Marke 2: Mercedes Rangwert ( )


3: Rangwert ( )
Rangwert ( )
Rangwert ( )
Rangwert ( )
PKW-Marke 10: Suzuki Rangwert ( )

Jede Marke fungiert einmal als Vergleichsobjekt fr alle anderen. Als Ergebnis erhlt man
eine vollstndige Matrix, die eine zustzliche Konsistenzanalyse gestatten und in eine
Dreiecksmatrix berfhrbar sind. Im Vergleich zum Ratingverfahren sind doppelt so viele
Vergleiche notwendig (hherer Befragungsaufwand!).

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 50
Fallbeispiele

Unhnlichkeitsmatrix (1)

Die Unhnlichkeitsmatrix enthlt die Mittelwerte der hnlichkeitsratings. Je hher der


Mittelwert eines Automarkenpaares, desto unhnlicher wurden diese beiden
Automarken im Durchschnitt von den befragten Mnnern eingestuft.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 51
Fallbeispiele

Unhnlichkeitsmatrix (2)

Die Marken Ferrari und Lamborghini wurden von den Befragten mit einer Unhnlichkeit von 2,1 am
hnlichsten eingestuft. Am wenigsten hnlich werden Suzuki und Rolls Royce mit einem Wert von 8,9
wahrgenommen. Jeweils die drei hnlichsten und die drei unhnlichsten Paarungen sind in der Tabelle
farbig hervorgehoben.
Die Rohdaten wurden mit MDS analysiert (ordinales Skalenniveau der Rohdaten).

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 52
Fallbeispiele

Rangpltze und Distanzen

Rohdaten und Rangpltze von drei Automarkenpaaren

Alle drei Paare unterscheiden sich um einen Rangplatz. Das bedeutet, in der
Konfiguration sollte die Distanz zwischen Lamborghini und Toyota kleiner sein als die
Distanz zwischen Lamborghini und Suzuki. Diese Distanz zwischen Lamborghini und
Suzuki sollte wiederum geringer sein als die Distanz zwischen Rolls Royce und
Suzuki. Um welchen Betrag die Distanz geringer sein sollte, wird nicht festgelegt.

Wie in der Tabelle zu entnehmen ist, spiegelt sich die Reihenfolge der
Unhnlichkeiten in den Distanzen wider, ohne dass die Abstnde zwischen den
Distanzen den Abstnden zwischen den Rangpltzen entsprechen.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 53
Fallbeispiele

Wahrnehmungsraum

Die ordinale MDS der Daten erzeugte folgende Konfiguration:

Zweidimensionale Konfiguration von Automarken


(ordinale MDS: Stress=0,06; RSQ=0,98)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 54
Fallbeispiele

Interpretation der Konfiguration (1)

Es fllt auf und ist auch theoretisch plausibel, dass einige der untersuchten
Automarken zu Gruppen zusammengrckt sind, die gemeinsame Merkmale
aufweisen.

So lassen sich Ferrari, Lamborghini und Porsche zur Gruppe der Sportwagen
zusammenfassen.

VW, Opel und Toyota lassen sich trotz breiter Produktpalette der Mittelklasse
zurechnen.

BMW und Mercedes zhlen trotz der ebenfalls breiten Produktpalette eher zur
gehobenen Klasse.

Abgesetzt von den Gruppen haben sich als Extrempole Rolls Royce
(Luxusklasse) auf der einen Seite und Suzuki (Kleinwagen) auf der anderen
Seite.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 55
Fallbeispiele

Interpretation der Konfiguration (2)

Klassifikation der Automarken in der Konfiguration und mgliches Marketingziel aus Sicht von BMW:

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 56
Fallbeispiele

Interpretation der Konfiguration (3)

Dimension 2: ? (Sportlichkeit, )
Dimension 1: ? (Luxusgrad, Image- versus Preis-orientiert,)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 57
Fallbeispiele

Theorie: Mehrdimensionale Skalierung - MDS

Ziel:
Verdichtete (meist metrische) Abbildung von Objekten im euklidischen
geringdimensionalen Merkmalsraum aufgrund von (meist ordinalen)
hnlichkeits- oder Prferenzrelationen zwischen den Objekten.

Erhebungsmethoden (siehe weiter hinten):


- Rangordnungsverfahren
- Ankerpunktmethode
- Ratingmethode
Algorithmen:
Ausgehend von einer mehr oder weniger willkrlich gewhlten Anfangskonfiguration der Punkte =
Objekte wird eine Lsungs-Konfiguration gesucht, in der die Objektrelationen mglichst gut mit den
eingegebenen Relationen bereinstimmen.
Fr jede auf diesem Wege gefundene Zwischenlsung lassen sich als Objektrelationen Distanzen
berechnen, z.B. mit einer MINKOWSKI-Metrik:
x , x = Position des Objektes i(j) auf der Dimension k
ik Jk
r = konstanter Metrik-Parameter, r >, z.B. = 1 (city block),
d = [ ( x - x ) r ] 1/r
ij ik jk = 2 (euklidisch)
k

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 58
Fallbeispiele

hnlichkeiten und Distanzen als MDS-Dateninput

hnlichkeit ist eine psychologisch-subjektive Variable

Distanz als rumliches Ma kann hnlichkeit reprsentieren

nlichkeiten werden zunchst in Unnlichkeiten transformiert.


Objekte werden als Punkte in einem mehrdimensionalen Raum dargestellt.

Die Position der Punkte wird so bestimmt, da die Distanz zwischen den Punkten in einer linearen
(oder monotonen) Beziehung zu den Unnlichkeiten stehen.

metrische MDS: lineare Beziehung


non-metrische MDS: monotone Beziehung

vgl. Bortz J., Dring N., Forschungsmethoden und Evaluation, 1995

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 59
Fallbeispiele

Rechnerische Distanzlsung einer ordinalen hnlichkeitsskalierung

Gegeben:

hnlichkeitsmatrix oder Unhnlichkeitsmatrix

Festzulegen sind:

Metrik (Distanzma)
Zahl der Dimensionen (p)
Die MDS kann mit unterschiedlicher Dimensionenzahl ausprobiert werden,
um die beste Lsung zu finden.
Ausgangskonfiguration
Die Objekte werden im mehrdimensionalen Raum zufllig plaziert, um sie
anschlieend iterativ zu optimieren.
Suche:
Koordinatenwerte fr alle Objekte bestimmen, so dass die Distanzen in
monotoner Beziehung zu den Unnlichkeiten stehen.
uij < ukl dij < dkl i,j,k,l
vgl. Bortz J., Dring N., Forschungsmethoden und Evaluation, 1995

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 60
Fallbeispiele

Monotone Anpassung von Distanzen an hnlichkeiten


(Shepard-Diagramm)

Rangfolge Rij

6 (1,2)

5 (3,4)
= (dij, Rij )
(1,4)
4 = (dij, Rij )

dij = Distanz zwischen den Objekten i und j,


3 (2,3) die eine Konfiguration ausweist.
dij = Distanz zwischen den Objekten i und j,
2 (1,3) die fr Monotonie der Transformation
Konfigurationsrangfolge /
hnlichkeitsrangfolge ntig ist
1 (2,4)
dij, dij
1 2 3 4 5 6 7

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 61
Fallbeispiele

Das Stressma drckt die Gte der Anpassung Daten-Lsung an

STRESS (Kruskal 1964): Ma der Anpassung der Distanzen dij an


die empfundenen Unhnlichkeiten
1/ 2
2

d ij d ij


i, j
Stress =
d 2
ij
i, j

S 0.2 schlechte bereinstimmung
0.2 S 0.1 befriedigende bereinstimmung
0.1 S 0.05 gute bereinstimmung
0.05 S 0.025 hervorragende bereinstimmung
0.025 S 0.000 vollkommene bereinstimmung

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 62
Fallbeispiele

Anzahl der Dimensionen

Man kann Lsungen mit unterschiedlicher Anzahl von Dimensionen (n) und verschiedenen
Metriken bestimmen.

Je mehr Dimensionen man whlt (bis zu n-1), desto nher kommt man der
Monotonienbedingung und desto kleiner der Stress der gefundenen Lsung.

Man sucht eine Lsung mit nicht zu vielen Dimensionen und gutem Stresswert
(Faustregel: 5% ist gut, 10% is o.k.), bei der sich das Hinzufgen einer weiteren
Dimension nicht mehr lohnt.

vgl. Bortz J., Dring N., Forschungsmethoden und Evaluation, 1995.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 63
Fallbeispiele

Interpretation der Dimensionen

Nach der Erstellung des Positionierungsraumes folgt die Interpretation der


ermittelten Dimensionen. Sie kann entweder:

Auf Basis von Expertenurteilen erfolgen oder

Durch weitere Fragen an die Probanden, nun direkt zu den Ausprgungen


bestimmter Produkteigenschaften (PROFIT, Schobert, 1979, s.187).

Zwecks besserer Interpretierbarkeit ist es oft notwendig, die Achsen


geeignet zu rotieren (meist nach dem Varimaxkriterium).
vgl. Trommsdorff V., Asan U., Becker J., Marken- und Produktpositionierung, 2003.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 64
Agenda

Mehrdimensionale Skalierung
Fallbeispiele
Grundlagen
Lsung einer non-metrischen Skalierung
Stressma
MDS-Datenerhebung
Anzahl und Interpretation der Dimensionen
Multivariate Imageanalyse

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 65
Fallbeispiele

Wahrnehmung von Zeitschriften

Neben der Erhebung von hnlichkeiten zwischen Objekten ist es auch mglich, die Nhe oder
Distanz von Subjekten (Befragten) zu einer Reihe von Objekten zu erheben. So knnten z.B.
Versuchspersonen (VPN) aufgefordert werden, eine Reihe von Zeitschriften nach ihrer subjektiven
Prferenz zu ordnen. Die resultierende Datenmatrix knnte so aussehen:

Rangreihung von Zeitschriften nach subjektiver Prferenz (1 = am meisten prferiert)


von vier Versuchspersonen (fiktive Daten).

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 66
Fallbeispiele

Multidimensionale Entfaltung

Die multidimensionale Skalierung


solcher zeilenkonditionalen

Objekt x Subjekt - Matrizen

wird als multidimensionale Entfaltung


(multidimensional unfolding MDU)
bezeichnet.

Die besondere Eigenart der


Konfiguration einer MDU liegt darin,
dass Subjekte und Objekte zusammen
in ein und demselben Raum
dargestellt werden.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 67
Fallbeispiele

Idealpunktmodell

Der Interpretation einer MDU


liegt ein Idealpunktmodell
zugrunde. Die Subjekte (VPN 1
bis 4) werden in der
Konfiguration als ihre
Idealpunkte abgebildet.

Bezogen auf das Beispiel der


Zeitschriftenprferenzen
entspricht der Idealpunkt also
der idealen Zeitschrift aus Sicht
des Subjekts. Je weiter entfernt
ein Objekt von einem Subjekt
abgebildet wird, desto weiter
entfernt vom Idealpunkt wurde
dieses Objekt vom Subjekt
wahrgenommen und um so
weniger wurde es prferiert.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 68
Agenda

Marketingwirkungs- und Innovationsakzeptanzforschung:


Regressions- und Varianzanalyse

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 69
Regressions- und Varianzanalyse

Dependenzanalyseverfahren nach Skalenniveaus

unabhngige Variable

metrisch nominal

metrisch Regressionsanalyse Varianzanalyse


abhngige
Variable
nominal Diskriminanzanalyse Kontingenzanalyse

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 70
Agenda

Regressionsanalyse
Fallbeispiel
Grundlagen
Grundmodell
Bedeutung der Statistiken
Prmissenverletzung
Prfung der Regressionsfunktion
Variablenauswahl

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 71
Fallbeispiel

Fallbeispiel: Mitarbeitermotivation und Gehaltsstruktur

Ein Dienstleistungsunternehmen mit mehreren tausend Angestellten will untersuchen


lassen, warum die Motivation bei den mittleren und einfacheren Angestellten niedrig
ist. Ein Organisationssoziologenteam soll der Sache nachgehen.

Das Team stt in einer Exploration schnell auf die Unzufriedenheit mit den
Gehaltsdifferenzen. Diese werden von mittleren und einfacheren Angestellten als
unverstndlich und als ungerechtfertigt empfunden.

An einer Zufallsstichprobe von 474 Angestellten soll eruiert werden, wie die Hhe
der Jahresgehlter durch nachvollziehbare Kriterien erklrt werden kann. Daraus soll
der Unternehmensfhrung vorgeschlagen werden, wie ggf. das Lohnsystem zu
reorganisieren wre.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 72
Regressionsanalyse

Variablen

Zunchst wird vermutet, dass die Hhe des Gehalts erklrt werden kann durch die
Dauer der Ausbildung (Schule, Berufsausbildung und Universitt) und durch die
Dauer der Mitgliedschaft im Unternehmen. Beide Variablen sollen gleichzeitig in
ein statistisches Modell eingehen.

Ausbildung" und Mitgliedschaft" werden als voneinander unabhngige Variabeln


betrachtet. Beide werden als unabhngige Variable fr die Erklrung der
abhngigen Variablen Hhe des Gehalts angesehen.

Auerdem wird angenommen, dass Ausbildung und Mitgliedschaft" linear auf


Gehalt" einwirken.

Damit bietet sich die Anwendung einer multiplen linearen Regression an. Erwartet
wird, dass die beiden Variablen einen positiven Einfluss auf das Jahresgehalt
ausben.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 73
Regressionsanalyse

Modell und Regressionsfunktion

x 1
y a.V.
u.V.

x 2

Y (GEHALT) = 0+ 1 x1 (AUSBILDUNG) + 2 x2 MITGLIEDSCHAFT + U

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 74
Regressionsanalyse

Auswertung

Das Modell wird hinsichtlich seiner Erklrungsleistung untersucht und inferenzstatistisch bewertet.
Es ergeben sich folgende Werte:

Der Determinationskoeffizient rkorr= 0,437 besagt, dass (fr die Stichprobe) 44% der Variation
von Y durch die Xj erklrt werden kann (Bestimmtheitsma der Varianzaufklrung = erklrte
Varianz / Gesamtvarianz).

Dieses Ergebnis ist statistisch signifikant. Damit kann auch fr die Grundgesamtheit eine
Erklrungsleistung des Regressionsansatzes angenommen werden.

Nun sollten die einzelnen unabhngigen Variablen darauf geprft werden, welchen Einfluss sie
auf das Gehalt ausben.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 75
Regressionsanalyse

Erklrungsbeitrag der Regressionskoeffizienten

Wie verlsslich ist die Gre des Regressionskoeffizienten b1 als Schtzung fr den
Regressionskoeffizienten in der Grundgesamtheit 1?
Hinweis gibt das Konfidenzintervall: Ist es klein, so ist die Schtzung verlsslich.
Nur fr Ausbildung liegt ein signifikanter Einfluss vor.
Der Einfluss von Mitgliedschaft" ist nicht signifikant. Diese Variable wird deshalb nicht weiter
bercksichtigt.
Nun kann aber genauer ausgesagt werden, wie sich Ausbildung auswirkt: b1= 3895 besagt,
dass mit jedem zustzlichen Ausbildungsjahr das (geschtzte) Jahresgehalt um 3.895
zunimmt.

GEHALT = -25.415,257 + 3.895,067 AUSBILDUNG + 89,808 MITGLIEDSCHAFT

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 76
Regressionsanalyse

Standardisierung der Regressionskoeffizienten

bj*: Dimensionsbereinigter Regressionskoeffizient (zwischen -1 und 1)

Wie wichtig ist eine u.V. (AUSBILDUNG; MITGLIEDSCHAFT) zur Erklrung der a.V.
(GEHALT)?

b*AUSBILDUNG: 0,658 (sehr wichtig)


b*MITGLIEDSCHAFT: 0,053 (unwichtig)

Nun muss entschieden werden, ob man den Determinationskoeffizienten fr das um die nicht
signifikanten Variablen reduzierte Modell erneut berechnet oder ob das Modell weiter entwickelt
wird.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 77
Regressionsanalyse

Zwischenfazit Regressionsanalyse

Ziele: 1) Erkennen von Je-desto-Abhngigkeiten der a.V. von der u.V.


2) Ausprgung eines neuen Falls der a.V. aus Kenntnis seiner u.V. schtzen
3) Zeitreihenanalyse wie verndert sich die abhngige Variable im Zeitablauf?

Bedingungen: metrische a.V. und u.V., Linearitt des Zusammenhangs (u.a.m.)

Grundgleichung: y = b0 + b1x1 + ... + bmxm + u


(y=a.V., x=u.V., b=Regressionskoeffizient)
b ist skalenabhngig, standardisierte Form ist skalenneutral

Kriterium:Kleinstquadratminimierung: (ygeschtzt - yempirisch)2 Min

Gtema: Bestimtheitsma r2 von yempirisch und ygeschtzt, das ist zugleich die
Varianzaufklrung: (per Regression erklrte Varianz) / (Gesamtvarianz)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 78
Regressionsanalyse

Regressionsanalyse
Grundmodell

Erklrung einer metrischen Ergebnisvariablen y (a.V.)


durch metrische bzw. metrisierte Variablen x (u.V.)
ber ein linear-statistisches Je-desto-Modell

x1 y = b + b1 x1 + b2 x2 + b3 x3 + u

u.V. x2 y a.V. z.B. y = Absatzmenge


x1 = Stckpreis
x2 = Werbebudget
x3
x3 = Vertreterbesuche

Parameter b, b1, b2... aus Daten schtzen,


meist ber Abweichungsquadratsummenminimierung

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 79
Regressionsanalyse
Das Grundmodell der Regressionsanalyse
Beispiel Preis-Absatz-Funktion
y, (Menge)

e3

Regressionsfunktion
y3 y3
y 3

x, (Preis)

x
x 3 = Preis der Beobachtung3Nr.3
y 3 = Menge der Beobachtung Nr.3
y 3 = aufgrund der Regressionsfunktion geschtzte Mengen bei Preis x 3
e3 = Residuum, Schtzfehler
Technische Universitt Berlin
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 80
Regressionsanalyse
Regressionsanalyse
Ergebnisse

Ordinatenabschnitt, Nullniveau der a.V.:


Regressionskonstante b 0 Normalwert der a.V. ber alle u.V. - Bedingungen

Steigung der Regressionsfunktion:


Regressionskoeffizient b i Wie ndert sich a.V. bei Einheitsnderung u.V.
und Konstanz aller a nderen Faktoren?

Dimensionsbereinigter Regressionskoeffizient:
Standard -
Regressionskoeffizient i Wie wichtig ist eine u.V. zur Erklrung von a.V.?

Bestimmtheitsma, Gtekriterium fr ein Regressionsmodell


Multiple Korrelation R 2 (Reg ressiv erklrte Streuung)/(Gesamtstreuung)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 81
Regressionsanalyse

1. Globale Gtemae zur Prfung der Regressionsfunktion

Bestimmtheitsma (R2): Mit die Gte der Anpassung der Regressionsfunktion an die empirischen Daten
(goodness of fit). Das Bestimmtheitsma ist eine normierte Gr e, dessen Wertbereich zwischen Null und Eins
liegt.
K

( y y)
2
k
erklrte Streuung
r2 = = k =1
K

(y y)
Gesamtstreuung 2
k
k =1

F-Statistik: Es stellt sich die Frage, ob das geschtzte Modell auch ber die Stichprobe hinaus fr die
Grundgesamtheit Gltigkeit besitzt (Division durch Freihetsgrade: Umfang der Stichprobe, Zahl der Regressoren;
z.B. bei 95% Vertrauensw.; K=10 und J = 1, sign. Zusammenhang bei F>5,32 aus Tabelle)

Standardfehler: Schtzung welcher mittlere Fehler bei Verwendung der Regressionsfunktion zur Schtzung der
abhngigen Variablen Y gemacht wird.

erklrte Streuung / J J: Zahl der Regressoren (u.V.)


Femp =
nicht erklrte Streuung / ( K J 1) K: Stichprobenumfang

vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 19ff.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 82
Regressionsanalyse

2. Mae zur Prfung der Regressionskoeffizienten

t-Wert: Die Regressionskoeffizienten sind einzeln auf Signifikanz zu berprfen (Es wird die
Nullhypothese wahrer Regressionskoeffizient =0; H0: i = 0 getestet, z.B. sign. Zusammenhang
bei t>2,3 bei 8 Freiheitsgraden und Vertrauenswahrscheinlichkeit von 95%)

bi i
temp = Sbj = Standardfehler des Regressionskoeffizienten
sbi bi = empirischer Regressionskoeffizient

Konfidenzintervall des Regressionskoeffizienten = zuvor akzeptierte Schwankung des


Regressionskoeffizienten (Frage, welchen Wert die unbekannten Regressionskoeffizienten der
Grundgesamtheit i mutmalich haben). Z. B. Mit einer Wahrscheinlichkeit von 95% (t=2,3) liegt
der Regressionskoeffizient zwischen -2,3 und 40.

bi t sbi i bi + t sbi

vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 19ff.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 83
Regressionsanalyse

Prmissen des Linearen Regressionsmodells

Linearitt in den Parametern


(sonst nicht-lineares Modell)

Vollstndigkeit = Bercksichtigung aller relevanten Parameter


(sonst Verzerrung der Schtzwerte)

Keine lineare Abhngigkeit der unabhngigen Variablen


(bei exakter Multikollinearitt ist Variable zu entfernen)

Normalverteilung der Strgren


(sonst F- und t-Test nicht anwendbar)

Unabhngigkeit der Strgren


(keine Autokorrelation, diese fhrt zu verzerrter Ermittlung des Standardfehlers)

Homoskedastizitt der Strgren

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 84
Regressionsanalyse

Prmisse Homoskedastizitt; Gegenteil: Heteroskedastizitt


(unterschiedliche Varianz der Residuen)

y y

x1 x2

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 85
Regressionsanalyse

Regressionsanalyse
Prmissenverletzungen

Diagnose Phnomen Therapie

Nichtmetrik
u.V.
Dummy-Variablen
u.V.-
Skalenniveau prfen
u.V.-Konstrukt definieren

Nichtlinearitt
a.V.
Scatterdiagramme Datentransformation
Linearittstest u.V. nichtlineare Regression

Multikollinearitt
u.V.1
Korrelations
matrix Variable eliminieren
Toleranztest u.V.2 Faktorenwerte

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 86
Regressionsanalyse

Regressionsanalyse - Fortsetzung
Prmissenverletzung

Diagnose Phnomen Therapie

Autokorrelation
Res. t-1
Residuen korrelieren Vernderungen statt
Durbin -Watson -Test Res. t Absolutwerte

Heteroskedastizitt
a.V.
Residuen mit
u.U. transformieren
a.V. korrelieren Res.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 87
Regressionsanalyse

Box/Cox-Regressionsfunktion "Gebrauchtwagenpreise"

m 1 k j 1 n m o
(p 1)/u = 0 + j x j + x + ((x 1)/v)x l + e
u v
ij ij lj j
j=1 i=1 j=m +1 l =1 j=n +1
p Gebrauchtwagenpreis
u, v Transformationsparameter
xj, xl Dummy-u.V. "Marke", wenn j, l = 1, ...,m
metrische u.V., wenn j = n+1, ..., o
j Regressionsparameter (j = 0, 1, ..., m-1)
kj Zahl der Ausprgungen Merkmal j (j = m+1, ..., n)
xij Dummy-u.V. Kategorie i, Merkmal j (i = 1, ..., kj-1, j = m+1, ..., n)
ij Regr.-pmtr. fr Kategorie i, Merkmal j (i = 1, ..., kj-1, j = m+1, ..., n)
lj Regr.-pmtr. Merkmal j, Marke l (j = n+1, ..., o, l = 1, ..., m)
e Fehler
m Zahl der Marken
n-m Zahl der nominalen Merkmale
o-n Zahl der metrischen Merkmale
Quelle: Weber, M., Der Marktwert von Produkteigenschaften, asw 5/87

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 88
Regressionsanalyse

Variablenauswahl

Problem:
Welche der theoretisch berhaupt denkbaren unabhngigen Variablen sollen zur
Erklrung der abhngigen Variablen herangezogen werden.

Verfahren fr Variablenauswahl:

Aller-Mglichen-Regression
Rckwrtselimination
Vorwrtselimination
Schrittweise-Regression
(vom theoretischen Standpunkt her als auch nach praktischen
Erfahrungen ist die schrittweise-Regression am besten geeignet)

vgl. Meffert H., Marktforschung, 1986, s. 117

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 89
Regressionsanalyse

Schrittweise Regression

1. Zunchst wird die unabhngige Variable in die Regression einbezogen, die den
hchsten Wert des einfachen Bestimmtheitsmaes aufweist.

2. Als nchste aufzuhnemende Variable gilt nun die Variable, die das hchste
partielle Bestimmtheitsmaes aufweist. Die Signifikanz des Betrags wird dabei
ber den partiellen F-Test gemessen.

3. Dann wird fr die bereits in der Regressionsgleichung befindlichen Variablen ein


partieller F-Test durchgefhrt: Trgt eine angenommene Einflussvariable wegen
mglicher Korrelationen mit anderen, spter einbezogenen, Variablen noch
signifikant zur Erklrung bei? Ist sie noch in die Regressionsgleichung
einzubeziehen?.

4. Die Schritte 2 und 3 werden zur Aufnahme weiterer Variablen solange fortgesetzt,
bis keine weitere Variable mehr den kritischen Aufnahme-wert erfllt.

vgl. Meffert H., Marktforschung, 1986, s. 118

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 90
Agenda

Varianzanalyse
ANOVA-Fallbeispiel
Grundlagen
Typen der Varianzanalyse
Formulierung der Hypothesen
Fischer-Theorem
Rechenbeispiel zur einfachen Varianzanalyse
Zweifaktorielle Varianzanalyse

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 91
Varianzanalyse

Mehrfaktorielle Varianzanalyse: Werbespotwirkung

Es wurde ein Experiment zur Wirkung der Werbegestaltung (Faktor 1) in diversen


Programmumfeldern (Faktor 2) durchgefhrt.
135 Probanden aus Seminaren wurden getestet. Ihnen wurde je eine der neun
Programmversionen vorgespielt. Danach fllten sie einen Fragbogen aus.
Das Experimentaldesign war wie folgt:

Faktor 2: Programmumfeld

Action Comedy Naturfilm


Solo-Spot Solo-Spot Solo-Spot

Faktor 1: Action Comedy Naturfilm


Form der Werbung Tandem-Spot Tandem-Spot Tandem-Spot
Action Comedy Naturfilm
Dreifach-Spot Dreifach-Spot Dreifach-Spot

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 92
Varianzanalyse

Forschungsfragen

Zu prfen sind folgende Hypothesen/Forschungsfragen:

Werbung, die als Tandem-/Dreifachspot gezeigt wird, wird besser erinnert als
Werbung, die als Solospot gezeigt wird.
Wirken sich unterschiedliche Umfeldprogramme auf den Recall aus?
Zeigt der Recall Interaktion zwischen Werbeform und Umfeldprogramm? (graphische
Darstellung + Interpretation!).

spotart = u.V. Form der Werbung,


umfeld = u.V. Programmumfeld.
recall = a.V. (ungesttzte Erinnerung an den Testspot).

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 93
Varianzanalyse

Allgemeines Lineares Modell

Um die Forschungsfragen zu
prfen, muss die mehrfaktorielle
ANOVA aufgerufen werden. Das
ist im SPSS-Men Allgemeines
Lineares Modell zu finden.

Unter Abhngige Variable wird


recall, unter Feste Faktoren
werden spotart und umfeld
eingegeben.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 94
Varianzanalyse

Tests der Zwischensubjekteffekte (1)

Vergleichbar mit der linearen Regression wird wieder R-Quadrat angegeben, was
den Anteil der durch das Modell erklrten Varianz zeigt. Hier wird durch die beiden
Faktoren ein hoher Varianzanteil (93%) erklrt. Die nicht erklrte Reststreuung
findet sich in der Zeile Fehler und ist hier gering.
Erwartungsgem ist das Gesamtmodell (Korrigiertes Modell), das den Einfluss
der u.V.s auf die AV prft, hoch signifikant (p<0,01).

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 95
Varianzanalyse

Tests der Zwischensubjekt-Effekte (2)

Worin dieser im Gesamtmodell festgestellte Einfluss genau besteht, zeigen die Zeilen
SPOTART (Haupteffekt A = Effekt des Faktors Spotart), UMFELD (Haupteffekt B = Effekt
des Faktors Umfeld) und SPOTART * UMFELD (Interaktion = Wechselwirkung zwischen den
beiden Faktoren).
Ein signifikanter F-Wert steht fr einen signifikanten Einfluss des jeweiligen Faktors. Hier
bestehen also zwei hoch signifikante Haupteffekte und keine Interaktion. Beide
Experimentalfaktoren entfalten eigenstndig Wirkung.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 96
Varianzanalyse

Graphische Darstellung

Dreifachspots werden besser


erinnert als Tandemspots, diese
wiederum besser als Solospots
(Haupteffekt A).
Das Programmumfeld hat einen
Einfluss auf die a.V.: Der
Werbespot wird im Umfeld
Naturfilm besser erinnert als
bei Comedy und dort besser
als bei Action (Haupteffekt B).

Diese Effekte treten unabhngig voneinander (kumulativ) auf, es gibt keine


Wechselwirkung zwischen Programmumfeld und Spotvariante (keine Interaktion), die
Linien verlaufen parallel, schneiden sich nicht.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 97
Varianzanalyse

Ergebnisse

Somit lsst sich die Forschungsfrage/Hypothese: Werbung, die als Tandem-/ oder
Dreifachspot gezeigt wird, wird besser erinnert als Werbung, die als Solospot gezeigt
wird besttigen.

Antworten auf die weiteren Forschungsfragen:


Wirken sich unterschiedliche Umfeldprogramme auf die freie Erinnerung aus?
Ja
Gibt es bezglich der freien Erinnerung (recall) eine Interaktion zwischen
Werbeform und Umfeldprogramm?
Nein

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 98
Varianzanalyse

Mit der Varianzanalyse wertet man Experimente aus

Nichtmetrische u.V. Metrische a.V.

Anzeigenelemente Werbewirkung
Erfolgsfaktoren Neuprodukt-MA
Wohnungsmerkmale Mietniveau

Flle nach u.V. gruppieren und Untersuchung der a.V.-Varianz

Entscheidung ber u.V.-Wirkung nach Varianzanteil


(Zwischengruppenvarianz : Innergruppenvarianz)

Effektstrkenma Varianzaufklrung
(Zwischengruppenvarianz : Gesamtvarianz)

Mathematische Grundlage: Fisher-Quadratsummenzerlegung

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 99
Varianzanalyse

Rechenbeispiel zur einfachen Varianzanalyse (1)

Stufen der u. V. (Gruppen j)

Mewerte der a. V. 1 2 3 4
x
2 3 6 5
ij p=4
1 4 8 5
3 3 7 5 n =5
j
3 5 4 3
1 0 10 2
Summe A = xij 10 15 35 20
j
Zellenbesetzung n N = 20; n = const. = n
j 5 5 5 5 j
Mittelwerte x 2 3 7 4 x =4
j
Summe der Quadrate xij2 24 59 265 88
i
Abweichungsquadrate 1 2 3 4

(xij x )2 4
9
1
0
4
16
1
1
1 1 9 1
1 1 0 1
9 16 36 4
Quadratsummen 24 19 65 8 QS = 116
tot
Technische Universitt Berlin
Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 100


Varianzanalyse

Rechenbeispiel zur einfachen Varianzanalyse (2)

Gesamtvarianzschtzung

Zahl der Freiheitsgrade (dftot ) = N 1 = n p 1 = 19


2 = 116/19 = 6,11
tot

Zwischen-Varianzschtzung, wenn Unterschiede nur durch u.V. bedingt:


Substitution der Mewerte x durch Gruppenmittelwerte x
ij j

Fehlerbereinigte 1 2 3 4
Mewerte 2 3 7 4
2 3 7 4
2 3 7 4
2 3 7 4
2 3 7 4
Summen 10 15 35 20
Summen der Quadrate 20 5 45 0 QS
bet
( )
= 70 = n x j x 2
j
Zwischen-Varianzschtzung
Zahl der Freiheitsgrade (dfbet ) = p 1 = 3

2 = 70/3 = 23,33
bet

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 101


Varianzanalyse

Rechenbeispiel zur einfachen Varianzanalyse (3)

Fehlerkomponenten der 1 2 3 4
Mewerte:
0 0 -1 1
-1 1 1 1
1 0 0 1
1 2 -3 -1
-1 -3 3 -2
Summen 0 0 0 0
Mittelwerte 0 0 0 0 Fehler-QS je Gruppe
Summen d. Quadrate 4 14 20 8 Gesamt: QS = 46
in

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 102


Varianzanalyse

Rechenbeispiel zur einfachen Varianzanalyse (3)

Fehler-Varianzschtzung:
Zahl der Freiheitsgrade je Gruppe: n-1 = 4 Schtzung je
Gruppe
2 1 3,5 5 2
j
Schtzung gesamt:
Zahl der Freiheitsgrade:
df = df = (n 1) p = 16
in j
2
= 46/16 = 2,88
in
Additivitt der Freiheitsgrade:
df = df + df
tot bet in
19 = 3 + 16
Additivitt der Quadratsummen:
QS = df + df
tot bet in
116 = 70 + 46

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 103


Varianzanalyse

Rechenbeispiel zur einfachen Varianzanalyse (4)

QS
Ma fr Effektstrke 2 = bet = 70 = 60%
(Varianzaufklrung) : QS 116
tot

MQ
F = bet = bet = 23,33 = 8,1(df = 3;16 )
2
Signifikanztest :
2in MQ
in
2,88

Tabellenwerte df = 3;16 : 3,24(.05 )


fr
5,29(.01)

8,1 > 5,29


Ergebnis : hoch signifikant(p < .01)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 104


Varianzanalyse

Fischer - Theorem

x x = x x + x x
ij ij j j quadrieren

2 2 2
x x = x x + 2 x x x x + x x ber i
ij ij j ij j j j

n 2 2 2
j

ij =
ij + + ber j
x x x x
j
2 j
x x ij
x x
j j j
n x x
i i i

= 0, da x =n x
i ij j j

N 2 2 2
jk

xij x = xij x j + n j x j x
i j i j j

QS = QS + QS
tot in bet

(df = N 1) = (df = N k ) + (df = k 1) d.h. Quadratsummen wie Freiheitsgrade sind additiv

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 105


Varianzanalyse

Typen der Varianzanalyse

Faktoren = u.V.
Faktorstufen: die einzelnen Ausprgungen der Faktoren

Die Typen der Varianzanalyse lassen sich nach der Zahl der Faktoren differenzieren.

Zahl der a.V. Zahl der u.V. Bezeichnung des Verfahrens

1 1 Einfaktorielle Varianzanalyse

1 2 Zweifaktorielle Varianzanalyse

1 3 Dreifaktorielle Varianzanalyse

usw.

Mindestens 2 Eine oder mehrere Mehrdimensionale Varianzanalyse

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 106


Varianzanalyse

Formulierung der Hypothesen

Bei der einfaktoriellen Varianzanalyse wird die Additivitt der Effekte eines Faktors
durch folgende Modellgleichung zum Ausdruck gebracht:

xij = + j + ij

xij : i-ten Beobachtungswert der j-ten Stichprobe.


: Gesamtmittelwert der Grundgesamtheit.
j : Wirkung der Stufe j des Faktors.
ij : Zufallsfehler beim i-ten Beobachtungswert in der j-ten Stichprobe.

Besteht ein Unterschied zwischen den Gruppen (Faktorstufen)?

H0 (Nullhypothese) : 1 = 2 = =
H1 (Alternativhypothese) : mindestens fr ein j , - j 0

Die Prfung erfolgt anhand eines Vergleichs des empirischen F-Wertes mit dem
theoretischen F-Wert.

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 107


Varianzanalyse

Zusammenstellung der Varianzanalyse

Variationsquelle Quadratsumme Freiheitsgrade est. Varianz F-Wert


QS df MQ

Zwischen QSbet dfbet MQbet


(treatment)

Innerhalb QSin dfi MQin


(Fehler)

Signifikanz MQbet/MQin
Gesamt QStot dftot

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 108


Varianzanalyse

Zusammenstellung der Varianzanalyse

Fr Kurzberechnungen zu Fu:

G = x ij (1) = G2
(2) = x ij2 (3) = 1 A 2j
i j p n i j n

Kurzberechnung: QSbet = (3) - (1)


QSin = (2) - (3)
QStot = (2) - (1)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 109


Varianzanalyse

Zusammenstellung der Varianzanalyse (Zahlenbeispiel):

Variationsquelle Quadratsumme Freiheitsgrade est. Varianz F-Wert


QS df MQ

Zwischen QSbet = 70 dfbet = 3 MQbet = 23,33


(treatment)

8,1
Innerhalb QSin = 46 dfin = 16 MQin = 2,88
(Fehler)
Gesamt QStot = 116 dftot = 19

Definitionen zur Kurzberechnung:


G = x ij = 80 (1) = G2
= 320 (2) = xij2 = 436 (3) = 1 A 2j
i j
p n i j n

Kurzberechnung: QSbet = (3) - (1) = 70


QSin =
(2) - (3) = 46 QStot =
(2) - (1) = 116

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 110


Varianzanalyse

Zusammenstellung der Varianzanalyse (Zahlenbeispiel):

Erweiterungen:

mehr als ein Faktor (mehrfaktorielle ANOVA)

ungleiche Zellenbesetzung

nichtfixierte (random) treatments

unvollstndige Designs, z.B. Lateinische Quadrate

Designs mit Mehrfachmessungen

Modelle fr heterogene Varianzen

Modelle fr geringeres Skalenniveau (nichtparametrische ANOVA)

mehr als eine a. V. (MANOVA)

Bercksichtigung konkomittierender Variablen (Kovarianzanalyse)

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 111


Varianzanalyse

Zweifaktorielle Varianzanalyse

Die zweifaktorielle Varianzanalyse erlaubt gegenber der einfaktoriellen VA die


Erfassung des gleichzeitigen Wirksamwerdens zweier Faktoren, indem das Vorliegen
von Wechselwirkungen (Interaktionen) zwischen den Faktoren getestet wird.

SSt
yijk = + i + j + ( )ij + ijk

SSt = SS A + SS B + SS AxB + SSW SSbet SSin


SSt : Gesamtstreuung
SSbet : Streuung zwischen den Gruppen
SSin : Streuung innerhalb der Gruppen
SS A : Streuung durch Faktor A SSA SSB SSAxB
SS B : Streuung durch Faktor B
SS AxB : Streuung durch Wechselwirkung von A und B

Technische Universitt Berlin


Lehrstuhl Marketing Professor Dr. Volker Trommsdorff

Marktforschung Diskriminanzanalyse 112