Anhang - link.springer.com978-3-658-02662-2/1.pdf · 154 Anhang Hinweise zur Schätzung von vier Markenparametern (empirische Studie) Werden bei der Schätzung der Finite Mixture

Anhang

154 Anhang

Hinweise zur Schätzung von vier Markenparametern

(empirische Studie)

Werden bei der Schätzung der Finite Mixture - Probitmodelle und des Finite Mixture

- MNL Modells im Rahmen der empirischen Studie - statt wie zuvor drei Marken-

parameter - vier Markenparameter (für Marke A, Marke B, Marke C und Marke D)

geschätzt, so wird die no purchase - Option als Referenzalternative herangezogen.

Somit wird unterstellt, dass der Nutzen der no purchase - Option gleich Null ist, d.h.

V (No Purchase)=0. Die Referenzalternative (0,99C, Marke A, Glasflasche), welche

unter der Schätzung von drei Markenparametern ebenfalls einen deterministischen

Nutzen von Null aufwies, weist unter der Schätzung von vier Markenparametern

hingegen einen Nutzen ungleich Null auf.

Die Schätzung der Modelle für unterschiedliche Segmentanzahlen und die anschlie-

ßende Selektion der je Modell geeigneten Anzahl an Segmenten liefert Folgendes:

Für das Finite Mixture - MNP Modell ist eine 1-Segment-Lösung optimal, während

für das Finite Mixture - IP Modell eine 2-Segment-Lösung und für das Finite Mixture

- MNL Modell eine 3-Segment-Lösung die besten Werte der Informationskriterien

aufweisen. Die zuvor angestellte Vermutung, dass das Gleichsetzen des Nutzens der

no purchase - Option mit dem der Referenzalternative (0,99C, Marke A, Glasfla-

sche), d.h. V (No Purchase)= V (Referenzkategorie)=0, zu einem systematischen

Fehler führt, kann demnach für den modellspezifischen Segmentierungsgrad wider-

legt werden. Die Kernaussage des empirischen Teils der Arbeit auf Grundlage der

Schätzungen von drei Markenparametern, dass sich für die hier vorliegende empiri-

sche Studie die Berücksichtigung von Kovarianzen und der Einbezug von Heteroge-

nität substitutional verhalten, hat somit auch unter der Schätzung von vier Marken-

parametern Bestand. Ein systematischer Fehler unter der Schätzung von drei Mar-

kenparametern ist hingegen im dort aufgedeckten Preis-Qualitätszusammenhang zu

sehen: Dieser Zusammenhang konnte unter der Schätzung von vier Markenparame-

tern nicht mehr beobachtet werden. An der unabhängig vom Segmentierungsgrad

generell niedrigen Wichtigkeit der Eigenschaft „Marke“ ändert die Berücksichtigung

des vierten Markenparameters dagegen nichts.

F. Paetz, Finite Mixture Multinomiales Probitmodell, DOI 10.1007/978-3-658-02662-2, © Springer Fachmedien Wiesbaden 2013

Anhang 155

4 Segmente 5 Segmente 6 Segmente

β11 (1, 29C) −0, 278∗ (0, 061) −0, 293∗ (0, 069) 0, 571∗ (0, 108)β12 (1, 59C) −1, 444∗ (0, 084) −1, 563∗ (0, 096) 0, 575∗ (0, 108)β13 (1, 89C) −4, 316∗ (0, 246) −4, 937∗ (0, 297) 0, 409∗ (0, 119)β14 (Marke B) 1, 085∗ (0, 074) 1, 404∗ (0, 079) 0, 188 (0, 126)β15 (Marke C) 0, 535∗ (0, 087) 0, 784∗ (0, 098) 1, 609∗ (0, 135)β16 (Marke D) 0, 569∗ (0, 078) 0, 823∗ (0, 084) −0, 516∗ (0, 156)β17 (Tetrapak) −0, 298∗ (0, 093) −0, 305∗ (0, 095) −1, 764∗ (0, 179)β18 (P-Becher) 0, 014 (0, 084) 0, 006 (0, 088) −0, 885∗ (0, 151)β19 (P-Flasche) 1, 501∗ (0, 077) 1, 648∗ (0, 083) 0, 180 (0, 113)

β21 (1, 29C) 0, 986∗ (0, 091) 1, 270∗ (0, 118) −0, 060 (0, 077)β22 (1, 59C) 1, 111∗ (0, 105) 1, 557∗ (0, 133) −1, 368∗ (0, 105)β23 (1, 89C) 0, 582∗ (0, 109) 0, 964∗ (0, 129) −4, 668∗ (0, 278)β24 (Marke B) 1, 042∗ (0, 094) 1, 211∗ (0, 112) 1, 547∗ (0, 089)β25 (Marke C) 1, 946∗ (0, 109) 1, 933∗ (0, 129) 0, 934∗ (0, 112)β26 (Marke D) 0, 753∗ (0, 095) 0, 931∗ (0, 111) 0, 948∗ (0, 093)β27 (Tetrapak) −4, 104∗ (0, 204) −4, 539∗ (0, 250) −0, 296∗ (0, 099)β28 (P-Becher) −2, 867∗ (0, 144) −3, 526∗ (0, 207) −0, 078 (0, 096)β29 (P-Flasche) 0, 366∗ (0, 076) 0, 345∗ (0, 088) 1, 739∗ (0, 089)

β31 (1, 29C) 0, 409∗ (0, 071) 0, 274∗ (0, 085) −9, 220∗ (0, 921)β32 (1, 59C) 0, 333∗ (0, 082) 0, 117 (0, 099) −20, 633∗ (1, 914)β33 (1, 89C) 0, 092 (0, 089) −0, 313∗ (0, 115) −24, 624∗ (2, 436)β34 (Marke B) −0, 398∗ (0, 076) 0, 145 (0, 089) 9, 296∗ (1, 007)β35 (Marke C) −0, 294∗ (0, 086) −0, 896∗ (0, 115) 5, 083∗ (0, 488)β36 (Marke D) −0, 779∗ (0, 083) −0, 187 (0, 096) 9, 869∗ (1, 007)β37 (Tetrapak) 0, 496∗ (0, 103) 0, 943∗ (0, 126) 1, 948∗ (0.253)β38 (P-Becher) 0, 673∗ (0, 088) 0, 981∗ (0, 111) 10, 425∗ (0, 933)β39 (P-Flasche) 1, 393∗ (0, 086) 1, 961∗ (0, 102) 12, 594∗ (1, 231)

β41 (1, 29C) −9, 455∗ (1, 068) 0, 380∗ (0, 097) 0, 380∗ (0, 077)β42 (1, 59C) −21, 141∗ (2, 244) 0, 154 (0, 101) 0, 210∗ (0, 092)β43 (1, 89C) −25, 281∗ (2, 890) −0.132 (0, 110) −0, 213 (0, 112)β44 (Marke B) 9, 556∗ (1, 174) −0, 975∗ (0, 140) −0, 258∗ (0, 088)β45 (Marke C) 5, 176∗ (0, 531) 0, 523∗ (0, 099) −1, 000∗ (0, 111)β46 (Marke D) 10, 114∗ (1, 152) −1, 751∗ (0, 164) −0, 624∗ (0, 094)β47 (Tetrapak) 1, 937∗ (0, 257) −0, 812∗ (0, 133) 0, 833∗ (0, 116)β48 (P-Becher) 10, 659∗ (1, 088) −0, 154 (0, 106) 0, 967∗ (0, 097)β49 (P-Flasche) 12, 909∗ (1, 453) 0, 545∗ (0, 109) 1, 866∗ (0, 097)

β51 (1, 29C) −9, 645∗ (1, 159) 1, 627∗ (0, 163)β52 (1, 59C) −21, 579∗ (2, 479) 1, 941∗ (0, 173)β53 (1, 89C) −25, 779∗ (3, 116) 1, 153∗ (0, 170)β54 (Marke B) 9, 762∗ (1, 272) 1, 370∗ (0, 152)β55 (Marke C) 5, 243∗ (0, 561) 2, 017∗ (0, 155)β56 (Marke D) 10, 305∗ (1, 241) 1, 167∗ (0, 148)β57 (Tetrapak) 1, 919∗ (0, 259) −5, 268∗ (0, 359)β58 (P-Becher) 10, 852∗ (1, 191) −4, 907∗ (0, 376)β59 (P-Flasche) 13, 164∗ (1, 596) 0, 327∗ (0, 103)

β61 (1, 29C) −1, 378∗ (0, 201)β62 (1, 59C) −2, 426∗ (0, 545)β63 (1, 89C) −3, 435∗ (0, 335)β64 (Marke B) −0, 539∗ (0, 241)β65 (Marke C) −0, 167 (0, 205)β66 (Marke D) −0, 825∗ (0, 825)β67 (Tetrapak) −0, 903∗ (0, 264)β68 (P-Becher) −0, 141 (0, 208)β69 (P-Flasche) 1, 315∗ (0, 193)π1 0,336 0,293 0,497π2 0,290 0,246 0,269π3 0,231 0,163 0,106π4 0,143 0,156 0,100π5 0,142 0,027π6 0,001Logl. -8529,107 -8286,181 -8130,813AIC 17136,214 16670,362 16379,626AIC3 17175,214 16719,362 16438,626BIC 17300,192 16876,385 16627,695∗ Parameter ist auf einem p < 0, 05-Niveau signifikant.PLATZHALTERPALTTZZTECVEFndrfr

Tabelle A.1: Ergebnisse der Schätzungen des Finite Mixture - MNL Modells für die4-, 5- und 6-Segment-Lösungen

156 Anhang

„Verwenden Sie Smoothies?“

Ja Nein, aber vorstellbar NeinSegment 1 Segment 2 Segment 1 Segment 2 Segment 1 Segment 2

FM-IP 45 224 43 183 0 0insgesamt 269 226 0

Tabelle A.2: Antworthäufigkeiten bzgl. der Smoothieverwendung in den Segmentender 2-Segment-Lösung des Finite Mixture - IP Modells und insgesamt

„Aus welchen Gründen würden Sie einen Smoothie trinken? “

I = „Vitaminzufuhr“II = „Tagesbedarf an Obst“III = „weil es schmeckt“IV = „Nahrungsergänzung“V = „erleichtert Verzehr und Beschafftung von Obst“VI = „sonstiges“

I II IIISegment 1 Segment 2 Segment 1 Segment 2 Segment 1 Segment 2

FM-IP 57 249 35 159 68 331insgesamt 306 194 399

Mehrfachnennung möglich

IV V VISegment 1 Segment 2 Segment 1 Segment 2 Segment 1 Segment 2

FM-IP 26 113 36 134 1 6insgesamt 139 170 7

Mehrfachnennung möglich

Tabelle A.3: Antworthäufigkeiten bzgl. der Gründe der Smoothieverwendung in denSegmenten der 2-Segment-Lösung des Finite Mixture - IP Modells undinsgesamt

Literaturverzeichnis

[Aitkin und Aitkin 1996] AITKIN, M. ; AITKIN, I.: A hybid EM/Gauss-Newton al-

gorithm for maximum likelihood in mixture distributions. In: Statistics and Com-

puting 6 (1996), S. 127–130

[Albright u. a. 1977] ALBRIGHT, R.L. ; LERMAN, S. ; MANSKI, C.F.: Report on the

Developement of an Estimation Program for Multinomial Probit Model. 1977. –

Prepared for the Federal Highway Administration

[Alijosiene und Gudonaviciene 2010] ALIJOSIENE, S. ; GUDONAVICIENE, R.: Ana-

lyzing price-quality relationship using conjoint analysis. In: Economics and Mana-

gement 15 (2010), S. 350–358

[Allenby und Ginter 1995] ALLENBY, G.M. ; GINTER, J.L.: Using Extremes to De-

sign Products and Segment Markets. In: Journal of Marketing Research 32 (1995),

S. 392–403

[Alvarez und Nagler 2001] ALVAREZ, R.M. ; NAGLER, J.: Correlated disturbances in

discrete choice models. A comparison of multinomial probit models and logit models.

2001. – Political Analysis, forthcoming

[Andrews u. a. 2002a] ANDREWS, R.L. ; AINSLIE, A. ; CURRIM, I.S.: An Empirical

Comparison of Logit Choice Models with Discrete versus Continuous Representa-

tions of Heterogeneity. In: Journal of Marketing Research 39 (2002), S. 479–487

[Andrews u. a. 2002b] ANDREWS, R.L. ; ANSARI, A. ; CURRIM, I.S.: Hierarchical

Bayes versus Finite Mixture Conjoint Analysis Models: A Comparison of Fit, Pre-

diction, and Partworth Recovery. In: Journal of Marketing Research 39 (2002),

S. 87–98

[Andrews und Currim 2003] ANDREWS, R.L. ; CURRIM, I. S.: A Comparison of Seg-

ment Retention Criteria for Finite Mixture Logit Models. In: Journal of Marketing

Research 60 (2003), S. 235–243

F. Paetz, Finite Mixture Multinomiales Probitmodell, DOI 10.1007/978-3-658-02662-2, © Springer Fachmedien Wiesbaden 2013

158 Literaturverzeichnis

[Backhaus u. a. 2011] BACKHAUS, K. ; ERICHSON, B. ; PLINKE, W. ; WEIBER, R.:

Multivariate Analysemethoden: Eine anwendungsorientierte Einführung. 13. Sprin-

ger, 2011

[Baier 1999] BAIER, D.: Methoden der Conjoint Analyse in der Marketingforschungs-

und Marketingpraxis. S. 197–206. In: GAUL, W. (Hrsg.): Mathematische Methoden

der Wirtschaftswissenschaften, Festschrift für Otto Opitz, 1999

[Baier und Brusch 2009a] BAIER, D. ; BRUSCH, M.: Conjointanalyse: Methoden -

Anwendungen - Praxisbeispiele. Springer, 2009

[Baier und Brusch 2009b] BAIER, D. ; BRUSCH, M.: Erfassung von Kundenpräferen-

zen für Produkte und Dienstleistungen. S. 3–18. In: BAIER, D. (Hrsg.) ; BRUSCH, M.

(Hrsg.): Conjointanalyse, Springer, 2009

[Balakrishnan und Jakob 1996] BALAKRISHNAN, P.V. ; JAKOB, V.S.: Genetic algo-

rithms for product design. In: Management Science 42 (1996), S. 1105–1117

[Balderjahn u. a. 2009] BALDERJAHN, I. ; HEDERGOTT, D. ; PEYER, M.: Choice

Based Conjoint-Analyse. S. 129–146. In: BAIER, D. (Hrsg.) ; BRUSCH, M. (Hrsg.):

Conjointanalyse, Springer, 2009

[Bapna u. a. 2011] BAPNA, R. ; GOOS, P. ; WEI, K.K. ; ZANG, Z.: A Finite Mix-

ture Model to Segment and Predict Electronic Payments System Adoption. In:

Information System Research 22 (2011), S. 118–133

[Barner und Flohr 2000] BARNER, M. ; FLOHR, F.: Analysis I. 5. Auflage. de

Gruyter, 2000

[Behr und Pötter 2011] BEHR, A. ; PÖTTER, U.: Einführung in die Statistik mit R.

2. Auflage. Vahlen, 2011

[Bekker u. a. 1994] BEKKER, P.A. ; MERCKENS, A. ; WANSBEEK, T.J.: Identification,

Equivalent Models, and Computer Algebra. Academic Press, 1994

[Ben-Akiva und Lerman 1985] BEN-AKIVA, M. ; LERMAN, S.R.: Discrete Choice

Analysis: Theory and Applications to Travel Demand. MIT Press, 1985

Literaturverzeichnis 159

[Bhat 1997] BHAT, C.: An endogenous segmentation mode choice model with an

application to intercity travel. In: Transportation Science 31 (1997), S. 34–48

[Bjorn und Vuong 1985] BJORN, P.A. ; VUONG, Q.H.: A Note on the Independence

of Irrelevant Alternatives in Probabilisitc Choice Models. In: Economics Letters 18

(1985), S. 305–307

[Bolduc 1999] BOLDUC, D.: A practical technique to estimate multinomial probit

models in transportation. In: Transportation Research B 33 (1999), S. 63–79

[Brosius 2011] BROSIUS, F.: SPSS 19. mitp-Verlag, 2011

[Bunch 1991] BUNCH, D.S.: Estimability in the Multinomial Probit model. In:

Transportation Research B 25B (1991), S. 1–12

[Cattin und Wittink 1982] CATTIN, P. ; WITTINK, D.R.: Commercial Use of Conjoint

Analysis: A Survey. In: Journal of Marketing 46 (1982), S. 44–53

[Celeux u. a. 2000] CELEUX, G. ; HURN, M. ; ROBERT, C.P.: Computational and

inferential difficulties with mixture posterior distributions. In: Journal of the Ame-

rican Statistical Association 95 (2000), S. 957–970

[Celeux und Soromenho 1996] CELEUX, G. ; SOROMENHO, G.: An Entropy Cri-

terion for Assessing the Number of Clusters in a Micture Model. In: Journal of

Classification 13 (1996), S. 195–212

[Chib und Grennberg 1998] CHIB, S. ; GRENNBERG, E.: Analysis of multivariate

probit models. In: Biometrica 85 (1998), S. 347–361

[Chintagunta 1992] CHINTAGUNTA, P.K.: Estimating a Multinomial Probit model

of brand choice using the method of Simulated Moments. In: Marketing Science

11 (1992), S. 386–407

[Choi und DeSarbo 1993] CHOI, C.S. ; DESARBO, W.S.: Game Theoretic Derivati-

ons of Competitive Strategies in Conjoint Analysis. In: Marketing Letters 4 (1993),

S. 337–348

[Choi und DeSarbo 1994] CHOI, C.S. ; DESARBO, W.S.: A Conjoint-Based Pro-

duct Designing Procedure Incorporating Price Competition. In: Journal of Product

Innovation Management 11 (1994), S. 451–459


[Chong und Zac 2001] CHONG, E.K.P. ; ZAC, S.H.: An Introduction to Optimization.

Second edition. Wiley, 2001

[Chrzan und Orme 2000] CHRZAN, K. ; ORME, B.: An Overview

and Comparison of Design Strategies for Choice-Based Conjoint Analysis.

2000. – www.sawtoothsoftware.com/download/techpap/desgncbc.pdf, Stand:

24.11.2011

[Chung u. a. 2011] CHUNG, C. ; BOVER, T. ; HAN, S.: How many Choice Sets and

Alternatives are Optimal? Consistency in Choice Experiments. In: Agribusiness 27

(2011), S. 114–125

[Cook und Nachtsheim 1980] COOK, D.R. ; NACHTSHEIM, C.: A comparison of

algorithms for constructing exact D-optimal designs. In: Technometrics 22 (1980),

S. 315–324

[Creel 2007] CREEL, M.: I ran four millon probits last night: HPC Clustering with

Parallelknoppix. In: Journal of Applied Econometrics 22 (2007), S. 215–223

[Daganzo 1979] DAGANZO, C.D.: Multinomial Probit, The Theory and Its Applica-

tions to Demand Forecasting. Academic Press, 1979

[Dansie 1985] DANSIE, B.R.: Parameter estimability in the multinomial probit

model. In: Transportation Research B 19B (1985), S. 526–528

[De Soete und DeSarbo 1991] DE SOETE, G. ; DESARBO, W.S.: A Latent Class

Probit Model for Analyzing Pick Any/N Data. In: Journal of Classification 8 (1991),

S. 45–63

[Debreu 1960] DEBREU, G.: Review of R.D. Luce, Individual Choice Behavior: a

theoretical analysis. In: American Economic Review 50 (1960), S. 186–188

[DeSarbo u. a. 1995] DESARBO, W.S. ; RAMASWAMY, V. ; COHEN, S.H.: Market Seg-

mentation with Choice-Based Conjoint Analysis. In: Marketing Letters 6 (1995),

S. 137–147

[DeSarbo u. a. 1992] DESARBO, W.S. ; WEDEL, M. ; VRIENS, M. ; RAMASWAMY, V.:

Latent Class Metric Conjoint Analysis. In: Marketing Letters 3 (1992), S. 273–288


[Dhar u. a. 2000] DHAR, R. ; NOWLIS, S.M. ; SHERMAN, S.J.: Trying hard or hardly

trying: An Analysis of Context Effects in Choice. In: Journal of Consumer Psycho-

logy 9 (2000), S. 189–200

[Ding u. a. 2010] DING, M. ; ROSS JR., W.T. ; RAO, V.R.: Price as an Indicator of

Quality: Implications for Utility and Demand Functions. In: Journal of Retailing

86 (2010), S. 69–84

[Dow und Endersby 2004] DOW, J.K. ; ENDERSBY, J.W.: Multinomial probit and

multinomial logit: a comparison of choice models for voting research. In: Electoral

Studies 23 (2004), S. 107–122

[Franses und Paap 2001] FRANSES, P. H. ; PAAP, R.: Qualitative models in marke-

ting research. University Press. Cambridge., 2001

[Frühwirth-Schnatter 2001] FRÜHWIRTH-SCHNATTER, S.: Fully Bayesian analysis

of switching gaussian state space models. In: Annals of the Institute of Mathemati-

cal Statistics 53 (2001), S. 31–49

[Frühwirth-Schnatter 2006] FRÜHWIRTH-SCHNATTER, S.: Finite Mixture and Mar-

kov Switching Models. Springer, 2006

[Gaul u. a. 1995] GAUL, W. ; AUST, E. ; BAIER, D.: Gewinnorientierte Produkt-

liniengestaltung unter Berücksichtigung des Kundennutzens. In: Zeitschrift für

Betriebswirtschaft 65 (1995), S. 835–855

[Gautschi 2010] GAUTSCHI, T.: Maximum-Likelihood Schätztheorie. S. 205–238.

In: WOLF, C. (Hrsg.) ; BEST, H. (Hrsg.): Handbuch der sozialwissenschaftlichen

Datenanalyse, VS Verlag, 2010

[Gensler 2003] GENSLER, S.: Heterogenität in der Präferenzanalyse: Ein Vergleich

von hierarchischen Bayes-Modellen und Finite-Mixture-Modellen. DUV, 2003

[Gensler 2006] GENSLER, S.: Ermittlung von Präferenzen für Produkteigenschaf-

ten mit Hilfe der Choice-Based Conjoint Analyse, Teil I. In: WiSt 35, Nr. 5 (2006),

S. 254 – 258


[Geweke u. a. 1994] GEWEKE, J. ; KEANE, M.P. ; RUNKEL, D.: Alternative Compu-

tational Approaches to Inference in the Multinomial Probit Model. In: The Review

of Economics and Statistics 76 (1994), S. 609–632

[Green und Krieger 1991] GREEN, P.E. ; KRIEGER, A.M.: Segmenting Markets with

Conjoint Analysis. In: Journal of Marketing 55 (1991), S. 20–31

[Green und Krieger 1992] GREEN, P.E. ; KRIEGER, A.M.: An application of a pro-

duct positioning model to pharmaceutical products. In: Marketing Science 11

(1992), S. 117–132

[Green und Krieger 1993] GREEN, P.E. ; KRIEGER, A.M.: Conjoint Analysis with

Product-Positioning Applications. S. 467–515. In: ELIASHBERG, J. (Hrsg.) ; LILIEN,

G.L. (Hrsg.): Handbooks in OR & MS, Elsevier Science Publishers B.V., 1993

[Green und Krieger 1997] GREEN, P.E. ; KRIEGER, A.M.: Using Conjoint Analysis

to View Competitive Interaction Through the Customer’s Eyes. S. 343–368. In: DAY,

G.S. (Hrsg.) ; REIBSTEIN, D.J. (Hrsg.): Wharton on Dynamic Competitive Strategy,

John Wiley & Sons, 1997

[Green und Rao 1971] GREEN, P.E. ; RAO, V.: Conjoint Measurement for Quan-

tifying Judgemental Data. In: Journal of Marketing Research 8 (1971), S. 355–363

[Green und Srinivasan 1978] GREEN, P.E. ; SRINIVASAN, V.: Conjoint analysis

on consumer research: Issues and outlook. In: Journal of Consumer Research 5

(1978), S. 103–123

[Greene und Hensher 2003] GREENE, W.H. ; HENSHER, D.A.: A Latent Class Mo-

del for Discrete Choice Analysis: Contrasts with Mixed Logit. In: Transportation

Research B: Methodological 37 (2003), S. 681–698

[Greene und Hensher 2013] GREENE, W.H. ; HENSHER, D.A.: Revealing Additional

Dimensions of Preference Heterogeneity in a Latent Class Mixed Multinomial Logit

Model. In: Applied Economics 14 (2013), S. 1897–1902

[Grün 2008] GRÜN, F.: Identifiability of Finite Mixtures of Multinomial Logit

Models with Varying and Fixed Effects. In: Journal of Classification 25 (2008),

S. 225–247


[Gutsche 1995] GUTSCHE, J: Produktpräferenzanalyse: Ein modelltheoretisches

und methodisches Konzept zur Marktsimulation mittels Präferenzerfassungsmetho-

den. Duncker & Humblot, 1995

[Haaijer und Wedel 2001] HAAIJER, R. ; WEDEL, M.: The ’no-choice’ alternative in

conjoint choice experiments. S. 199–229. In: GUSTAFSSON, A. (Hrsg.) ; HERRMANN,

A. (Hrsg.) ; HUBER, F (Hrsg.): Conjoint Measurement: Methods and Applicationsy,

Springer, 2001

[Haaijer u. a. 1998] HAAIJER, R. ; WEDEL, M. ; VRIENS, M. ; WANSBEEK, T. J.:

Utility Covariances and Context Effects in Conjoint MNP Models. In: Marketing

Science 17 (3) (1998), S. 236–252

[Hausman und Wise 1978] HAUSMAN, J. ; WISE, D.: A conditional probit model

for qualitative choice: Discrete decisions recognizing interdependence and hete-

rogeneous preferences. In: Econometrica 46 (1978), S. 403–429

[Hess u. a. 2011] HESS, S. ; BEN-AKIVA, M. ; GOPINATH, D. ; WALKER, J.:

Advantages of latent class over continous mixture of Logit models. 2011. –

www.stephanehess.me.uk/papers/Hess_Ben-Akiva_Gopinath_Walker_May_2011.

pdf, Working paper, Stand: 24.10.2012

[Horenburger 2007] HORENBURGER, M.: Simultane Schätzung von Choice-

Modellen und Segmentierung. S. 343–358. In: ALBERS, S. (Hrsg.) ; KLAPPER, D.

(Hrsg.) ; KONRADT, U. (Hrsg.) ; WALTER, A. (Hrsg.) ; WOLF, J. (Hrsg.): Methodik

der empirischen Forschung, Gabler, 2007

[Horowitz u. a. 1982] HOROWITZ, J.L. ; SPARMANN, J.M. ; DAGANZO, C.F.: An in-

vestigation of the accuracy of the Clark approximation for the multinomial probit

model. In: Transportation Science 16 (1982), S. 382–401

[Hruschka 2007] HRUSCHKA, H.: Using a Heterogeneous Multinomial Probit Mo-

del with a Neural Net Extension to Model Brand Choice. In: Journal of Forecasting

26 (2007), S. 113–127

[Hu u. a. 2006] HU, B. ; SHAO, J. ; PALTA, M.: Pseudo-R2 in Logistic Regression

Models. In: Statistica Sinica 16 (2006), S. 847–860


[Huber und Zwerina 1996] HUBER, J. ; ZWERINA, K.: The Importance of Utility

Balance in Efficient Choice Designs. In: Journal of Marketing Research 23 (1996),

S. 307–317

[Imai und van Dyk 2005] IMAI, K. ; VAN DYK, D.A.: MNP: R Package for Fitting the

Multinomial Probit Model. In: Journal of Statistical Software 14 (2005), S. 1–32

[Johnson und Orme 1996] JOHNSON, R.M. ; ORME, B.K.: How many ques-

tions should you ask in choice-based conjoint studies? 1996. – www.

sawtoothsoftware.com/download/techpap/howmanyq.pdf, Stand: 24.11.2011

[Kamakura und Russel 1989] KAMAKURA, W.A. ; RUSSEL, G.J.: A Probabilistic

Choice Model for Market Segmentation and Elasticity Structures. In: Journal of

Marketing Research 26 (1989), S. 379–390

[Kamakura und Wedel 2004] KAMAKURA, W.A. ; WEDEL, M.: An Empirical Bayes

Procedure for Improving Individual-Level Estimates and Predictions From Finite

Mixture of Multinomial Logit Models. In: Journal of Business & Economic Statistics

22 (2004), S. 121–125

[Kaninnen 2002] KANINNEN, B.J.: Optimal Design for Multinomial Choice Experi-

ments. In: Journal of Marketing Research 39 (2002), S. 214–227

[Keane 1992] KEANE, M. P.: A Note on identification in the Multinomial Probit

Model. In: Journal of Business & Economic Statistics 10 (1992), S. 193–200

[Kessels u. a. 2006] KESSELS, R. ; GOOS, P. ; VANDEBROEK, M.: A comparison of

criteria to design efficient choice experiments. In: Journal of Marketing Research

43 (2006), S. 409–419

[Koch 2006] KOCH, M.J.: Die Marktsegmentierung als Ansatz zur Modellierung

von (unbeobachtetem) heterogenem Konsumentenverhalten unter Verwendung von

Finiten Mischungsmodellen. Peter Lang, 2006

[Kohli und Sukumar 1990] KOHLI, R. ; SUKUMAR, R.: Heuristics for Product-Line

Design Using Conjoint Analysis. In: Management Science 36 (1990), S. 1464–1478


[Kuhfeld 1997] KUHFELD, W.: Efficient Experimental Designs Using Computerized

Searches. 1997. – www.sawtoothsoftware.com/ download/techpap/effdesgn.pdf,

Stand: 31.05.10

[Kuhfeld 1994] KUHFELD, W. F.: Efficient Experimental Design with Marketing

Research Applications. In: Journal of Marketing Research 31 (1994), S. 545–557

[Lemp u. a. 2012] LEMP, J.D. ; KOCKELMANN, K.M. ; DAMIEN, P.: A Bivariate Probit

Model for Trip Scheduling: Bayesian Analysis of the Work Tour. 2012. – forthcoming

[Lenk u. a. 2009] LENK, P. ; DOTSON, J. ; BRAZELL, J. ; OTTER, T. ; MA-

CEACHERN, S. ; ALLENBY, G.M.: A Probit Model with Structured Cova-

riance for Similarity Effects and Source of Volume Calculations. 2009. –

www.rotman.utoronto.ca/userfiles/departments/marketing/File/Allenby%20PR

ESENTATION%20PAPER.doc, Working paper, Stand: 07.03.2012

[Lenk u. a. 2010] LENK, P. ; DOTSON, J. ; BRAZELL, J. ; OTTER, T. ; MA-

CEACHERN, S. ; ALLENBY, G.M.: A Probit Model with Structured Cova-

riance for Similarity Effects and Source of Volume Calculations. 2010. –

papers.ssrn.com/sol3/papers.cfm?abstract_id=1396232, Working paper, Stand:

18.12.2011

[Levine und Casella 2001] LEVINE, R. ; CASELLA, G.: Implementation of the monte

carlo EM algorithm. In: Journal of Computational and Graphical Statistics 10

(2001), S. 422–439

[Little und Rubin 2002] LITTLE, R.J.A. ; RUBIN, D.B.: Statistical Analysis with

Missing Data. Second Edition. Wiley, 2002

[Liu und Mahmassani 2000] LIU, Y.-H. ; MAHMASSANI, H.S.: Global maximum

likelihood estimation procedure for multinomial probit (MNP) model parameters.

In: Transportation Research B 34 (2000), S. 419–449

[Long 1997] LONG, J.S.: Regression Models for Categorical and Limited Dependent

Variables (Advanced Quantitative Techniques in the Social Science). First Edition.

Sage Publications, Inc., 1997


[Louviere u. a. 2004] LOUVIERE, J. ; STREET, D.J. ; BURGESS, L.: A 20+ years’

retrospective on choice experiments. S. 201–214. In: WIND, Y. (Hrsg.) ; GREEN,

P. E. (Hrsg.): Market Research and Modeling: Progress and Prospects - A Tribute to

Paul E. Green, Kluwer Academic Publishers, 2004

[Louviere u. a. 2008] LOUVIERE, J.J. ; ISLAM, T. ; WASI, N. ; STREET, D. ; BURGESS,

L.: Designing discrete choice experiments: do optimal designs come at a price?

In: Journal of Consumer Research 35 (2008), S. 360–375

[Louviere u. a. 2010] LOUVIERE, J.J. ; PIHLENS, D. ; CARSON, R.: Design of Dis-

crete Choice Experiments: A Discussion of Issues That Matter in Future Applied

Research. In: Journal of Choice Modelling 4 (2010), S. 1–8

[Louviere und Woodworth 1983] LOUVIERE, J.J. ; WOODWORTH, G.: Design and

Analysis of Simulated Consumer Choice or Allocation Experiments: An Approach

Based on Aggregated Data. In: Journal of Marketing Research 20 (1983), S. 350–

367

[Luce 1959] LUCE, D.: Individual Choice Behavior. John Wiley and Sons, 1959

[Luce und Tukey 1964] LUCE, R.D. ; TUKEY, J.W.: Simultaneous Conjoint Mesasu-

rement: A New Type of Fundamental Measurement. In: Journal of Mathematical

Psychology 1 (1964), S. 1–27

[Lüth und Spiller 2005] LÜTH, M. ; SPILLER, A.: Brands as Quality Signals in the

Meat Market: Lessons from the Poultry Sector. In: Tagungsband zum 92. EAAE-

Seminar "Quality Management and Quality Assurance in Food Chains" (2005)

[Mächler 2012] MÄCHLER, M.: The R Stats Package. 2012. – www.stat.ethz.ch/R-

manual/R-patched/library/stats/html/00Index.html, Stand: 11.06.2012

[Maddala 1983] MADDALA, G.S.: Limited-Dependent and Qualitative Variables in

Econometrics. Cambridge University Press, 1983

[Maier und Weiss 1990] MAIER, G. ; WEISS, P.: Modelle diskreter Entscheidungen:

Theorie und Anwendung in den Sozial- und Wirtschaftswissenschaften. Springer,

1990


[Maute 2011] MAUTE, K.: Kooperationsmarketing: Theorien, Erscheinungsformen,

Erfolgsfaktoren, Chancen und Risiken. GRIN Verlag, 2011

[McCulloch und Rossi 1994] MCCULLOCH, R. ; ROSSI, P.E.: An exact likelihood

analysis of the multinomial probit model. In: Journal of Econometrics 64 (1994),

S. 207–240

[McFadden 1974] MCFADDEN, D.: Conditional logit analysis of qualitative choice

behavior. S. 105–142. In: ZAREMBKA, P. (Hrsg.): Frontiers in Econometrics, Acade-

mic Press, 1974

[McFadden 1989] MCFADDEN, D.: A Method of Simulated Moments for Estimation

of Discrete Response Models Without Numerical Integration. In: Econometrica 57

(1989), S. 995–1026

[McLachlan und Krishnan 2007] MCLACHLAN, G. J. ; KRISHNAN, T.: The EM Algo-

rithm and Extensions. Second Edition. John Wiley & Sons, Inc., 2007

[Muthén und Shedden 1999] MUTHÉN, B. ; SHEDDEN, K.: Finite Mixture Modeling

with Mixture Outcomes Using the EM-Algorithm. In: Biometrics 55 (1999), S. 463–

469

[Niedersächsisches Landesamt für Verbraucherschutz und Lebenmittelsi-

cherheit 2011] NIEDERSÄCHSISCHES LANDESAMT FÜR VERBRAUCHER-

SCHUTZ UND LEBENMITTELSICHERHEIT: Smoothies. 2011. – www.laves.

niedersachsen.de/portal/live.php?navigation_id=20114&article_id=73629&_

psmand=23, Stand: 06.10.2011

[ökotest 2011] ÖKOTEST: Smoothies: Ananas - wo ist denn das? 2011. –

www.oekotest.de/cgi/index.cgi?artnr=96861;bernr=04;co=, Stand: 14.11.2011

[Pratt 1981] PRATT, J.: Concavity of the Log Likelihood. In: Journal of the Ameri-

can Statistical Association 76 (1981), S. 103–106

[Provencher u. a. 2002] PROVENCHER, B. ; BAERENKLAU, K.A. ; BISHOP, R.C.: A

Finite Mixture Logit Model of Recreational Angeling with Serially Correlated Ran-

dom Utility. In: American Journal of Agricultural Econometrics 84 (2002), S. 1066–

1075


[Ramaswamy und Cohen 2007] RAMASWAMY, V. ; COHEN, S.H.: Latent Class Mo-

dels for Conjoint Analysis. S. 295–319. In: GUSTAFSSON, A. (Hrsg.) ; HERRMANN,

A. (Hrsg.) ; HUBER, F. (Hrsg.): Conjoint Measurement, Springer, 2007

[Ramaswamy u. a. 1993] RAMASWAMY, V. ; DESARBO, W.S. ; REIBSTEIN, D.J. ;

ROBINSON, W.T.: An empirical pooling approach for estimating marketing mix

elasticities with PIMS data. In: Marketing Science 12 (1993), S. 103–124

[Ray 1973] RAY, P.: Independence of Irrelevant Alternatives. In: Econometrica 4

(1973), S. 987–991

[Reinecke und Janz 2007] REINECKE, S. ; JANZ, S.: Marketingcontrolling: Sicher-

stellen von Marketingeffektivität und -effizienz. Kohlhammer, 2007

[Rooderkerk u. a. 2011] ROODERKERK, R.P. ; VAN HEERDE, H.J. ; BIJMOLT, T.H.A.:

Incorporation Context Effects Into a Choice Model. In: Journal of Marketing Rese-

arch 48 (2011), S. 767–780

[Rosenthal 2012] ROSENTHAL, R.E.: GAMS - A User’ s Guide: Tutorial by Richard

E. Rosenthal. 2012. – www.gams.com/dd/docs/bigdocs/GAMSUsersGuide.pdf,

Stand: 09.03.2012

[Sagebiel 2011] SAGEBIEL, J.: Comparing the Latent Class Model with

the Random Parameters Logit - A Choice Experiment analysis of highly he-

terogeneous electricity consumers in Hyderabad, India. 2011. – www.icm

conference.org.uk/index.php/icmc/ICMC2011/paper/view/191/139, Paper pre-

sented at the International Choice Modelling Conference, 4-6 July, Leed, UK

[Sawtooth Software 2008] SAWTOOTH SOFTWARE, Inc.: The CBC system for

Choice-Based Conjoint Analysis. 2008. – www.sawtoothsoftware.com/download/

techpap/Stand: 13.06.2008

[Schira 2009] SCHIRA, J.: Statistische Methoden der VWL und BWL: Theorie und

Praxis. 3. Auflage. Pearson Studium, 2009

[Shen 2009] SHEN, J.: Latent class model or mixed logit model? a comparison by

transport mode choice data. In: Applied Economics 41 (2009), S. 2915–2924


[Simonson und Tversky 1992] SIMONSON, I. ; TVERSKY, A.: Choice in context:

Tradeoff contrasts and extremeness aversion. In: Journal of Marketing Research

29 (1992), S. 281–295

[Skiera 1996] SKIERA, B.: Implikationen des allgemeinen Probitmodells für die

Marketingplanung. In: Zeitschrift für Betriebswirtschaft 66 (1996), S. 191–198

[Smith De Borrero 1993] SMITH DE BORRERO, M.: Determining the number of

Mixture Components and a Poisson-Multinomial Logit Mixture Model Application

in Marketing Research, Department of Marketing, University of South Carolina,

Dissertation, 1993

[Steinberger 2002] STEINBERGER, M.: Multinomiale Logitmodelle mit linearen Spli-

nes zur Analyse der Markenwahl. Peter Lang, 2002

[Steiner 2007] STEINER, M.: Nachfrageorientierte Präferenzmessung: Bestim-

mung zielgruppenspezifischer Eigenschaftssets auf Basis von Kundenbedürfnissen.

Gabler/DUV, 2007

[Steiner 2010] STEINER, W.: A Stackelberg-Nash Model for New Product Design.

In: OR Spectrum 1 (2010), S. 21–48

[Steiner und Baumgartner 2003] STEINER, W. ; BAUMGARTNER, B.: Conjoint-

Analyse und Marktsegmentierung. In: Regensburger Diskussionsbeiträge zur Wirt-

schaftswissenschaft Nr. 382 (2003)

[Steiner und Baumgartner 2004] STEINER, W. ; BAUMGARTNER, B.: Conjoint-

Analyse und Marktsegmentierung. In: Zeitschrift für Betriebswirtschaft 74 (2004),

S. 611–635

[Steiner 1999] STEINER, W.J.: Optimale Neuproduktplanung: Entscheidungsmodelle

und wettbewerbsorientierte Ansätze. Gabler/DUV, 1999

[Steiner und Baumgartner 2009] STEINER, W.J. ; BAUMGARTNER, B.: Spieltheoreti-

sche Ansätze in der Conjointanalyse. S. 183–196. In: BAIER, D. (Hrsg.) ; BRUSCH, M.

(Hrsg.): Conjointanalyse: Methoden-Anwendungen-Praxisbeispiele, Springer, 2009


[Steiner und Hruschka 2000] STEINER, W.J. ; HRUSCHKA, H.: Conjointanalyse-

basierte Produkt(linien)gestaltung unter Berücksichtigung von Konkurrenzreak-

tionen. In: OR Spektrum 22 (2000), S. 71–95

[Stephens 2000] STEPHENS, M.: Dealing with label switching in mixture models.

In: Journal of the Royal Statistical Society, Series B 62 (2000), S. 795–809

[Street u. a. 2005] STREET, D.J. ; BURGESS, L. ; LOUVIERE, J.J.: Quick and easy

choice sets: Constructing optimal and nearly optimal stated choice experiments.

In: International Journal of Research in Marketing 22 (2005), S. 459–470

[Teichert 2008] TEICHERT, T.: Conjoint-Analyse. S. 651– 686. In: HERRMANN, A.

(Hrsg.) ; HOMBURG, C. (Hrsg.): Marktforschung: Methoden, Anwendungen, Praxis-

beispiele, Gabler, 2008

[Train 2003] TRAIN, K.E.: Discrete Choice Methods with Simulation. Cambridge

University Press, 2003

[Uebersax 1999] UEBERSAX, J.S.: Probit Latent Class Analysis with Dichotomous

or Ordered Category Measures: Conditional Independence/Dependence Models.

In: Applied Psychological Measurement 23 (1999), S. 283–297

[Verbeek 2008] VERBEEK, M.: A Guide to Modern Econometrics. John Wiley& Sons

Ltd., 2008

[Vermeulen u. a. 2008] VERMEULEN, B. ; GOOS, P. ; VANDEBROEK, M.: Models and

optimal designs for conjoint choice experiments including a no-choice option. In:

International Journal of Research in Marketing 25 (2008), S. 94–103

[Völckner und Sattler 2005] VÖLCKNER, F. ; SATTLER, H.: Separating Negative

and Positive Effects of Price with Choice-Based-Conjoint Analyses. In: Journal of

Research and Management 1 (2005), S. 1–13

[Vriens u. a. 1996] VRIENS, M. ; WEDEL, M. ; WILMS, T.: Metric Conjoint Segmen-

tation Methods: A Monte Carlo Comparison. In: Journal of Marketing Research 33

(1996), S. 73–85


[Wedel 2002] WEDEL, M.: GLIMMIX-A Program for Estimation of Latent Class Mix-

ture and Mixture Regression Models, Version 3.0. 2002. – ProGAMMA bv, Gronin-

gen, The Netherlands

[Wedel und DeSarbo 1993] WEDEL, M. ; DESARBO, W.S.: A latent class binomial

logit methodology for the analysis of paired comparison data. In: Decision Sciences

24 (1993), S. 1157–1170

[Wedel und DeSarbo 1995] WEDEL, M. ; DESARBO, W.S.: A Mixture Likelihood

Approach for Generalized Linear Models. In: Journal of Classification 12 (1995),

S. 21–55

[Wedel u. a. 1999] WEDEL, M. ; KAMAKURA, W. ; ARORA, N. ; BEMMAOR, N. ; J.,

Chiang ; ELROD, T. ; JOHNSON, R. ; LENK, P. ; NESLIN, S. ; POULSON, C.S.: Discrete

and Continous Representations of Unobserved Heterogeneity in Choice Modeling.

In: Marketing Letters 10 (1999), S. 219–232

[Wedel und Kamakura 2000] WEDEL, M. ; KAMAKURA, W.A.: Market Segmenta-

tion - Conceptual and Methododical Foundations. 2nd edition. Kluver Academic

Publishers Group, 2000

[Weeks 1997] WEEKS, M.: The Multinomial Probit model revisited: A Discussion

of parameter estimability, identification and specification testing. In: Journal of

Economic Surveys 11 (1997), S. 297–320

[Wittink u. a. 1992] WITTINK, D. ; HUBER, J. ; ZANDAN, P. ; JOHNSON, R.M.: The

Number of Levels Effect in Conjoint: Where Does It Come From and Can It Be Eli-

minated? 1992. – www.sawtoothsoftware.com/download/techpap/noleveff.pdf,

Stand: 25.11.2011

[Xu und Craig 2009] XU, H. ; CRAIG, B. A.: A Probit Latent Class Model with

General Correlation Structures for Evaluating Accuracy of Diagnostic Tests. In:

Biometrics 65 (2009), S. 1145–1155

[Yamaguchi 2000] YAMAGUCHI, K.: Multinomial Logit Latent-Class Regression

Models: An Analysis of the Predictors of Gender Role Attitudes among Japanese

Women. In: Americal Journal of Sociology 105 (2000), S. 1702–1740


[Yan und Su 2009] YAN, X. ; SU, X.G.: Linear Regression Analysis: Theory and

Computing. World Scientific, 2009

[Zarrabi 2010] ZARRABI, N.: Hidden Markov Modelle für Einzelmoleküldaten. 2010.

– elib.uni-stuttgart.de/opus/volltexte/2010/5691/, Stand: 12.04.2011

[Zhu 2002] ZHU, J.: A Multinomial Probit Mixture Model for Choice-Based Conjoint

Analysis. 2002. – diploma thesis

[Ziegler 2005] ZIEGLER, A.: A comparison between Multinomial Logit and Probit

models: Analyzing the Determinants of Environmental Innovations. S. 97–116. In:

SCARPER, R. (Hrsg.) ; A., Alberini (Hrsg.): Applications of simulation methods in

environmental and resource economics (The Economics of Non-Market Goods and

Resources), Springer, 2005

[Zufryden 1977] ZUFRYDEN, F.S.: A conjoint-measurement-based approach for opti-

mal new product design and market segmentation. S. 100–114. In: SHOCKER, A.D.

(Hrsg.): Analytic approaches to product and market planning, Marketing Science

Institute, Cambridge MA, 1977

Documents

Anhang - link.springer.com978-3-658-02662-2/1.pdf · 154 Anhang Hinweise zur Schätzung von vier Markenparametern (empirische Studie) Werden bei der Schätzung der Finite Mixture