i

SPSS Conjoint™ 16.0

Weitere Informationen zu SPSS®-Software-Produkten finden Sie auf unserer Website unter der Adresse http://www.spss.comoder wenden Sie sich an

SPSS Inc.233 South Wacker Drive, 11th FloorChicago, IL 60606-6412, USATel.: (312) 651-3000Fax: (312) 651-3668

SPSS ist eine eingetragene Marke, und weitere Produktnamen sind Marken der SPSS Inc. für Computerprogramme von SPSSInc. Die Herstellung oder Verbreitung von Materialien, die diese Programme beschreiben, ist ohne die schriftliche Erlaubnis desEigentümers der Marke und der Lizenzrechte der Software und der Copyrights der veröffentlichten Materialien verboten.

Die SOFTWARE und die Dokumentation werden mit BESCHRÄNKTEN RECHTEN zur Verfügung gestellt. Verwendung,Vervielfältigung und Veröffentlichung durch die Regierung unterliegen den Beschränkungen in Unterabschnitt (c)(1)(ii) von TheRights in Technical Data and Computer Software unter 52.227-7013. Vertragspartner/Hersteller ist SPSS Inc., 233 South WackerDrive, 11th Floor, Chicago, IL 60606-6412.Patentnr. 7.023.453

Allgemeiner Hinweis: Andere in diesem Dokument verwendete Produktnamen werden nur zu Identifikationszwecken genanntund können Marken der entsprechenden Unternehmen sein.

Windows ist eine eingetragene Marke der Microsoft Corporation.

Apple, Mac und das Mac-Logo sind Marken von Apple Computer, Inc., die in den USA und in anderen Ländern eingetragen sind.

Dieses Produkt verwendet WinWrap Basic, Copyright 1993–2007, Polar Engineering and Consulting, http://www.winwrap.com.

SPSS Conjoint™ 16.0Copyright © 2007 SPSS Inc.Alle Rechte vorbehalten.Gedruckt in Irland.

Ohne schriftliche Erlaubnis der SPSS GmbH Software darf kein Teil dieses Handbuchs für irgendwelche Zwecke oder inirgendeiner Form mit irgendwelchen Mitteln, elektronisch oder mechanisch, mittels Fotokopie, durch Aufzeichnung oder durchandere Informationsspeicherungssysteme reproduziert werden.

1 2 3 4 5 6 7 8 9 0 10 09 08 07

Vorwort

SPSS 16.0 ist ein umfassendes System zum Analysieren von Daten. Das optionaleErweiterungsmodul SPSS Conjoint bietet die zusätzlichen Analyseverfahren, die in diesemHandbuch beschrieben sind. Die Prozeduren im Erweiterungsmodul Conjoint müssen zusammenmit SPSS 16.0 Base verwendet werden. Sie sind vollständig in dieses System integriert.

Installation

Zur Installation von SPSS Conjoint Erweiterungsmodul führen Sie denLizenzautorisierungsassistenten mit dem Autorisierungscode aus, den Sie von SPSSerhalten haben. Weitere Informationen finden Sie in den Installationsanweisungen imLieferumfang von SPSS Conjoint Erweiterungsmodul.

Kompatibilität

SPSS kann auf vielen Computersystemen ausgeführt werden. Mindestanforderungen an dasSystem und Empfehlungen finden Sie in den Unterlagen, die mit Ihrem System geliefert werden.

Seriennummern

Die Seriennummer des Programms dient gleichzeitig als Identifikationsnummer bei SPSS.Sie benötigen diese Seriennummer, wenn Sie sich an SPSS wenden, um Informationen überKundendienst, zu Zahlungen oder Aktualisierungen des Systems zu erhalten. Die Seriennummerwird mit dem Base-System ausgeliefert.

Kundendienst

Wenden Sie sich mit Fragen bezüglich der Lieferung oder Ihres Kundenkontos an Ihr regionalesSPSS-Büro, das Sie auf der SPSS-Website unter http://www.spss.com/worldwide finden. HaltenSie bitte stets Ihre Seriennummer bereit.

Ausbildungsseminare

SPSS bietet öffentliche und unternehmensinterne Seminare an. Alle Seminare beinhalten auchpraktische Übungen. Seminare finden in größeren Städten regelmäßig statt. Wenn Sie weitereInformationen zu diesen Schulungen wünschen, wenden Sie sich an Ihr regionales SPSS-Büro,das Sie auf der SPSS-Website unter http://www.spss.com/worldwide finden.

iii

Technischer Support

Kunden von SPSS mit Wartungsvertrag können den Technischen Support in Anspruch nehmen.Kunden können sich an den Technischen Support wenden, wenn sie Hilfe bei der Arbeit mitSPSS oder bei der Installation in einer der unterstützten Hardware-Umgebungen benötigen.Informationen über den Technischen Support finden Sie auf der Website von SPSS unterhttp://www.spss.com oder wenden Sie sich an Ihr regionales SPSS-Büro, das Sie auf derSPSS-Website unter http://www.spss.com/worldwide finden. Bei einem Anruf werden Sie nachIhrem Namen, dem Namen Ihrer Organisation und Ihrer Seriennummer gefragt.

Weitere Veröffentlichungen

Weitere Exemplare von Produkthandbüchern können direkt bei SPSS Inc. bestellt werden.Besuchen Sie den SPSS Web Store unter http://www.spss.com/estore oder wenden Sie sich an Ihrregionales SPSS-Büro, das Sie auf der SPSS-Website unter http://www.spss.com/worldwide finden.Wenden Sie sich bei telefonischen Bestellungen in den USA und Kanada unter 800-543-2185direkt an SPSS Inc. Wenden Sie sich bei telefonischen Bestellungen außerhalb von Nordamerikaan Ihr regionales SPSS-Büro, das Sie auf der SPPS-Website finden.Das Handbuch SPSS Statistical Procedures Companion von Marija Norušis wurde von

Prentice Hall veröffentlicht. Eine neue Fassung dieses Buchs mit Aktualisierungen für SPSS16.0 ist geplant. Das Handbuch SPSS Advanced Statistical Procedures Companion, bei demauch SPSS 16.0 berücksichtigt wird, erscheint demnächst. Das Handbuch SPSS Guide to DataAnalysis für SPSS 16.0 wird ebenfalls derzeit erstellt. Ankündigungen für Veröffentlichungen,die ausschließlich über Prentice Hall verfügbar sind, finden Sie auf der SPSS-Website unterhttp://www.spss.com/estore (wählen Sie Ihr Land aus und klicken Sie auf Books).

Kundenmeinungen

Ihre Meinung ist uns wichtig. Teilen Sie uns bitte Ihre Erfahrungen mit SPSS-Produkten mit.Insbesondere haben wir Interesse an neuen, interessanten Anwendungsgebieten von SPSSConjoint Erweiterungsmodul. Senden Sie uns eine E-Mail an suggest@spss.com oder schreibenSie an: SPSS Inc., Attn: Director of Product Planning, 233 South Wacker Drive, 11th Floor,Chicago, IL 60606-6412.

Über dieses Handbuch

In diesem Handbuch wird die grafische Benutzeroberfläche für die in SPSSConjoint Erweiterungsmodul enthaltenen Prozeduren erläutert. Die Abbildungen der Dialogfelderstammen aus SPSS. Detaillierte Informationen zur Befehlssyntax für die Funktionen in SPSSConjoint Erweiterungsmodul sind auf zwei Arten verfügbar: als Bestandteil des umfassendenHilfesystems und als separates Dokument im PDF-Format im Handbuch SPSS 16.0 CommandSyntax Reference, das auch über das Menü “Hilfe” verfügbar ist.

Kontakt zu SPSS

Wenn Sie in unseren Verteiler aufgenommen werden möchten, wenden Sie sich an eines unsererBüros, die Sie auf unserer Website unter http://www.spss.com/worldwide finden.

iv

Inhalt

1 Einführung in die Conjoint-Analyse 1

Die Profilmethode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2Orthogonales Feld . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2Die experimentellen Stimuli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2Datenerfassung und -analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Erzeugen eines orthogonalen Designs 5

Festlegen von Werten für ein orthogonales Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7Optionen für orthogonale Designs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7Zusätzliche Funktionen beim Befehl ORTHOPLAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3 Anzeigen eines Designs 9

Design anzeigen: Titel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10Zusätzliche Funktionen beim Befehl PLANCARDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

4 Durchführen einer Conjoint-Analyse 11

Voraussetzungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11Angeben der Plandatei und der Datendatei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12Angeben der Datenerfassungsmethode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

Optionale Unterbefehle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

5 Modellieren der Präferenz eines Teppichreinigermodellsmithilfe der Conjoint-Analyse 16

Erzeugen eines orthogonalen Designs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17Erstellen der experimentellen Stimuli: Anzeigen des Designs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20Durchführung der Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

v

Nutzenwerte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24Koeffizienten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25Relative Wichtigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25Korrelationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26Umkehrungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26Ausführen von Simulationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27Bevorzugungswahrscheinlichkeiten für Simulationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Anhang

A Beispieldateien 29

Bibliografie 41

Index 43

vi

Kapitel

1Einführung in die Conjoint-Analyse

Die Conjoint-Analyse ist ein Marktforschungsinstrument für die Entwicklung einer effektivenProduktgestaltung. Mithilfe der Conjoint-Analyse kann der Forscher Fragen wie die folgendenbeantworten: Welche Produktmerkmale sind für den Verbraucher wichtig, welche unwichtig?Welche Ausprägungen (Stufen) der Produktmerkmale sind aus der Sicht der Verbraucher ammeisten und am wenigsten wünschenswert? Wie hoch ist der gewünschte Marktanteil für dieProdukte der führenden Mitbewerber gegenüber dem eigenen vorhandenen oder geplantenProdukt?Der Vorteil der Conjoint-Analyse liegt darin, dass die befragten Personen gebeten werden, die

Wahl auf dieselbe Weise zu treffen, wie sie die Verbraucher vermutlich treffen: indem einzelneMerkmale gegeneinander abgewogen werden.Stellen Sie sich zum Beispiel vor, dass Sie einen Flug buchen möchten. Sie haben die

Möglichkeit, einen schmalen oder einen breiten Sitz auszuwählen. Wenn dies der einzigeabzuwägende Faktor ist, fällt Ihre Entscheidung eindeutig aus. Vermutlich ziehen Sie einen breitenSitz vor. Stellen sich außerdem vor, dass Sie zwischen den folgenden Ticketpreisen auswählenkönnen: 225 und 800 Dollar. Wenn Sie lediglich den Preis in Betracht ziehen, fällt die Wahlnatürlich auf den niedrigeren. Stellen Sie sich des Weiteren vor, Sie haben die Wahl zwischeneinem zweistündigen Direktflug oder einen Flug von fünf Stunden mit einem Zwischenaufenthalt.Die meisten Menschen würden den Direktflug auswählen.Der Nachteil der oben dargestellten Herangehensweise besteht darin, dass die Auswahl der

Alternativen jeweils nur anhand eines einzelnen Merkmals angeboten wird. Die Conjoint-Analysebietet eine Auswahl von Alternativen zwischen verschiedenen Produkten an, die durch eineGruppe von Merkmalen definiert werden. Dies wird durch die folgenden Auswahl erläutert:Ziehen Sie einen Flug mit einem schmalen Sitz und einem Zwischenauftenhalt vor, der 225 Dollarkostet, oder einen Direktflug mit einem breiten Sitz, der 800 Dollar kostet? Wenn Komfort, Preisund Flugdauer die maßgebenden Merkmale darstellen, gibt es acht mögliche Produkte:

Produkt Komfort Preis Flugdauer1 schmaler Sitz $225 2 Stunden2 schmaler Sitz $225 5 Stunden3 schmaler Sitz $800 2 Stunden4 schmaler Sitz $800 5 Stunden5 breiter Sitz $225 2 Stunden6 breiter Sitz $225 5 Stunden7 breiter Sitz $800 2 Stunden8 breiter Sitz $800 5 Stunden

1

2

Kapitel 1

Unter Betrachtung der Auswahlmöglichkeiten ist Produkt 4 wahrscheinlich das am wenigstenbevorzugte, Produkt 5 wahrscheinlich das am meisten bevorzugte Produkt. Die Präferenzen derbefragten Personen über die weiteren Produktangebote werden implizit durch das bestimmt, wasfür die befragten Personen wichtig ist.Mit der Conjoint-Analyse können Sie sowohl die relative Wichtigkeit jedes einzelnen Merkmals

bestimmen als auch ermitteln, welche Ausprägung jedes Merkmals am meisten bevorzugt werden.Wenn das am meisten bevorzugte Produkt aus irgendeinem Grund nicht möglich ist, z. B. ausKostengründen, können Sie die nächstbeste Alternative ermitteln. Falls weitere Informationenzu den befragten Personen vorliegen, z. B. demografische Angaben, können Sie möglicherweiseMarktsegmente identifizieren, für die besondere Produktpakete zusammengestellt werden können.So haben z. B. Geschäftsreisende andere Präferenzen als Studenten, sodass Sie diesen Zielgruppenmit maßgeschneiderten Produktangeboten begegnen können.

Die Profilmethode

Conjoint verwendet die Profilmethode (auch bekannt als Vollprofil-Design), bei der die befragtenPersonen eine Gruppe von Profilen (Karten) entsprechend ihrer Präferenzen nach Rängensortieren, in eine Reihenfolge bringen oder mit Scores bewerten. Jedes Profil beschreibt einvollständiges Produkt oder eine Dienstleistung und besteht für alle zu untersuchenden Faktoren(Merkmale) aus einer unterschiedlichen Kombination von Faktorstufen.

Orthogonales Feld

Bei der Verwendung der Profilmethode wird schnell ein mögliches Problem deutlich, wennmehr als nur wenige Faktoren vorhanden sind und jeder Faktor mehr als nur wenige Stufenaufweist. Die Gesamtanzahl der Profile, die sich aus allen möglichen Kombinationen der Stufenergibt, wird für die befragten Personen zu groß, um diese in aussagekräftiger Form nach Rängenzu sortieren oder zu bewerten. Um dieses Problem zu lösen, wird bei der Profilmethode einso genanntes fraktioniertes faktorielles Design verwendet, das eine angemessene Teilmengealler Kombinationsmöglichkeiten der Faktorstufen enthält. Das sich daraus ergebende Set, dasorthogonale Feld, soll die Haupteffekte für jede Faktorstufe erfassen. Dabei wird angenommen,dass die Wechselwirkungen zwischen den Stufen eines Faktors und den Stufen eines anderenFaktors vernachlässigt werden können.Mit der Prozedur “Orthogonales Design erzeugen” wird ein orthogonales Feld erzeugt. Sie

bildet in der Regel den Ausgangspunkt einer Conjoint-Analyse. Damit können Sie auch alsPrüffälle bezeichnete Kombinationen von Faktorstufen erzeugen, die durch die Befragtenbewertet, jedoch nicht verwendet werden, um das Präferenzmodell zu konstruieren. Stattdessenwerden diese zum Überprüfen der Gültigkeit des Modells verwendet.

Die experimentellen Stimuli

Jede Gruppe von Faktorstufen in einem orthogonalem Design stellt eine andere Version desuntersuchten Produkts dar. Sie muss den befragten Personen in Form eines individuellenProduktprofils angeboten werden. Dadurch wird es der befragten Person erleichtert, sich für dieBewertung auf jeweils ein Produkt zu konzentrieren. Die Stimuli müssen standardisiert werden,

3

Einführung in die Conjoint-Analyse

indem alle Profile, abgesehen von den unterschiedlichen Kombinationen der Eigenschaften,ähnlich dargestellt werden.Die Erstellung der Produktprofile erfolgt über die Prozedur “Design anzeigen”. Diese liest ein

mit der Prozedur “Orthogonales Design erzeugen” erstelltes oder vom Benutzer eingegebenesDesign ein und erzeugt ein Set von Produktprofilen in einem Format, das unmittelbar verwendetwerden kann.

Datenerfassung und -analyse

Da es unter den befragten Personen in der Regel eine große Variation bei den Präferenzen gibt,beschäftigt sich ein großer Teil der Conjoint-Analyse mit einzelnen Personen. Um die Ergebnissezu verallgemeinern, wird eine Zufallsstichprobe von Personen aus der Zielgruppe ausgewählt,sodass die Ergebnisse der Gruppe untersucht werden können.Bei Conjoint-Studien variiert die Größe der Stichproben erheblich. In einem Bericht (Cattin

als auch Wittink, 1982) merken die Autoren an, dass der Stichprobenumfang in kommerziellenConjoint-Studien für gewöhnlich zwischen 100 und 1.000 schwankt, wobei die typischeGrößenordnung bei 300 bis 550 liegt. In einer anderen Studie (Akaah als auch Korgaonkar, 1988)wurde festgestellt, dass kleinere Stichprobenumfänge (weniger als 100) typisch sind. Wie beianderen Untersuchungen muss der Stichprobenumfang groß genug sein, dass Verlässlichkeitgegeben ist.Nachdem die Stichprobe ausgewählt wurde, teilt der Forscher die Gruppen von Profilen (die

Karten) an die befragten Personen aus. Bei der Prozedur “Conjoint” können Sie die Daten mitdrei Methoden erfassen. Bei der ersten Methode werden die Personen gebeten, jedem Profil einenVorzugswert zuzuweisen. Diese Methode wird in der Regel eingesetzt, wenn eine Likert-Skalaverwendet wird oder die Personen gebeten werden, eine Zahl von 1 bis 100 zuzuweisen, um ihrePräferenzen zu zeigen. Bei der zweiten Methode werden die Personen gebeten, jedem Profil einenRang (1 bis zur Gesamtanzahl von Profilen) zuzuweisen. Bei der dritten Methode werden dieBefragten gebeten, die Profile entsprechend ihrer Präferenz zu ordnen. Bei der letzten Methodewerden die Profilnummern in der Reihenfolge erfasst, wie diese von den Befragten angeordnetwurden.Die Datenanalyse wird mit der Prozedur “Conjoint” (nur über die Befehlssyntax verfügbar)

durchgeführt. Aus der Analyse ergibt sich für jede Faktorstufe ein Nutzenwert, der alsTeilnutzenwert bezeichnet wird. Diese Nutzenwerte liefern ähnlich wie Regressionskoeffientenein quantitatives Maß für die Präferenz pro Faktorstufe, wobei größere Werte einer höherenPräferenz entsprechen. Die Teilnutzenwerte werden in derselben Einheit ausgedrückt, sodass siefür jede Kombination von Faktorstufen zum Gesamtnutzen bzw. zur Gesamtpräferenz addiertwerden können. Die Teilnutzenwerte bilden damit die Grundlage für ein Modell, mit dem diePräferenz für ein beliebiges Produktprofil vorhergesagt werden kann. Dies umfasst auch die sogenannten Simulationsfälle. Hierbei handelt es sich um Profile, die im eigentlichen Experimentnicht präsentiert wurden.Die Informationen, die aus einer Conjoint-Analyse gewonnen werden, können für eine

große Bandbreite von Fragen in der Markforschung von Nutzen sein. Sie können für dieUntersuchung von Bereichen wie Produktgestaltung, Marktanteile, strategische Werbung,Kosten-Nutzen-Anlayse und Marktsegmentierung verwendet werden.

4

Kapitel 1

Wenngleich das Augenmerk in diesem Handbuch auf der Anwendung für die Marktforschungliegt, kann die Conjoint-Analyse in fast allen wissenschaftlichen oder wirtschaftlichen Gebietenhilfreich sein, in denen es wichtig ist, die Wahrnehmung oder Beurteilung von Menschen zumessen.

Kapitel

2Erzeugen eines orthogonalen Designs

Mit der Prozedur “Orthogonales Design erzeugen” wird eine Datendatei erstellt, die orthogonalesDesign mit den Haupteffekten enthält. Dieses Design ermöglicht statistische Tests einigerFaktoren, ohne dass alle Kombinationen der Faktorstufen getestet werden müssen. Dieses Designkann mit der Prozedur “Design anzeigen” angezeigt werden. Die Datendatei kann auch vonanderen Prozeduren verwendet werden, z. B. von Conjoint.

Beispiel. Ein Startup-Unternehmen mit Billigflügen im Angebot ist daran interessiert, die relativeWichtigkeit von verschiedenen Faktoren des Produktangebots aus der Sicht von potenziellenKunden zu bestimmen. Der Preis ist offensichtlich ein Primärfaktor. Wie wichtig sind jedoch dieFaktoren wie Sitzgröße, Anzahl der Zwischenaufenthalte und ob Getränke und Verpflegung imPreis enthalten sind? Eine Umfrage, in der die befragten Personen gebeten werden, Produktprofilenach Rängen zu sortieren, die alle möglichen Faktorkombinationen darstellen, ist angesichts dergroßen Zahl von Profilen wenig sinnvoll. Mit der Prozedur “Orthogonales Design erzeugen”wird eine Gruppe von Produktprofilen erzwugt, die klein genug ist, um sie in die Umfrageaufzunehmen, aber groß genug, um die relative Wichtigkeit jedes Faktors zu ermitteln.

So erzeugen Sie ein orthogonales Design:

E Wählen Sie die folgenden Befehle aus den Menüs aus:Daten

Orthogonales DesignErzeugen...

5

6

Kapitel 2

Abbildung 2-1Dialogfeld “Orthogonales Design erzeugen”

E Definieren Sie mindestens einen Faktor. Geben Sie im Textfeld “Faktorname” einen Namen ein.Die Faktornamen können beliebige gültige Variablennamen mit Ausnahme von status_ und card_sein. Sie können außerdem einen Faktorlabel zuweisen.

E Klicken Sie auf Hinzufügen, um den Faktornamen und ein optionales Label hinzuzufügen. Umeinen Faktor zu löschen, wählen Sie ihn in der Liste aus und klicken Sie auf Entfernen. Um einenFaktornamen oder -label zu ändern, wählen Sie ihn in der Liste aus, ändern Sie den Namenoder das Label und klicken Sie auf Ändern.

E Definieren Sie für jeden Faktor Werte, indem Sie den betreffenden Faktor auswählen und aufWerte definieren klicken.

Datendatei. Hiermit können Sie das Ziel des orthogonalen Designs festlegen. Sie können ein neuesDaten-Set erstellen, welches das orthogonale Design enthält, oder die Arbeitsdatei ersetzen.

Neue Datendatei anlegen. Erstellt eine neue Datendatei mit den Faktoren und Fällen, die durchden Plan erzeugt wurden. In der Standardeinstellung lautet der Name der Dateidatei ortho.sav,und die Datei wird im aktuellen Verzeichnis gespeichert. Klicken Sie auf Datei, um einenanderen Namen und Speicherort für die Dateien anzugeben.Arbeitsdatei ersetzen. Ersetzt die Arbeitsdatei durch dem erzeugten Plan.

Startwert für Zufallszahlen zurücksetzen auf. Setzt den Startwert für Zufallszahlen auf denangegebenen Wert zurück. Der Startwert kann eine beliebige ganze Zahl von 0 bis 2.000.000.000sein. Innerhalb einer Sitzung werden bei jedem Erzeugen von Zufallszahlen unterschiedlicheStartwerte verwenden, um unterschiedliche Ergebnisse zu erzielen. Wenn Sie übereinstimmendeZufallszahlen duplizieren möchten, müssen Sie den Startwert festlegen, bevor Sie das ersteDesign erzeugen, und den Startwert bei jedem weiteren Erzeugen eines Designs auf denselbenWert zurücksetzen.

7

Erzeugen eines orthogonalen Designs

Die folgenden Optionen sind verfügbar:Klicken Sie auf Optionen, um die Mindestanzahl der Fälle im orthogonalen Design festzulegenund die Prüffälle auszuwählen.

Festlegen von Werten für ein orthogonales DesignAbbildung 2-2Dialogfeld “Design erzeugen: Werte definieren”

Sie müssen jeder Stufe des ausgewählten Faktors oder der Faktoren Werte zuweisen. DerFaktorname wird nach Werte und Labels für angezeigt.Geben Sie alle Werte für den Faktor ein. Sie können den Werten außerdem aussagekräftige

Labels zuweisen. Wenn Sie den Werten keine Labels zuweisen, werden den Werten automatischentsprechende Labels zugewiesen (also demWert 1 das Label “1”, demWert 3 das Label “3” usw.).

Ausfüllen. Hiermit können Sie die Wertefelder automatisch mit bei 1 beginnenden undfortlaufenden Werten füllen. Geben Sie den Maximalwert ein und klicken Sie auf Füllen, umdie Werte einzusetzen.

Optionen für orthogonale DesignsAbbildung 2-3Dialogfeld “Orthogonales Design erzeugen: Optionen”

8

Kapitel 2

Mindestanzahl von Fällen. Legt die Mindestanzahl von Fällen für den Plan fest. Wählen Sie einepositive ganze Zahl kleiner oder gleich der Gesamtanzahl der Fälle aus, die aus allen möglichenKombinationen der Faktorstufen gebildet werden können. Wenn Sie keine Mindestanzahl vonFällen festlegen, wird die für den orthogonalen Plan erforderliche Mindestanzahl von Fällenerzeugt. Wenn in der Prozedur “Orthoplan” nicht mindestens für die Mindestanzahl benötigteAnzahl von Profilen erzeugt werden können, wird die größtmögliche Anzahl erzeugt, die zu denangebenbenen Faktoren und Stufen passt. Beachten Sie, dass das Design nicht notwendigerweisegenau die Anzahl an angegebenen Fälle umfasst, sondern die kleinstmögliche Anzahl an Fällen imorthogonalen Design unter Verwendung dieses Werts als Mindestanzahl.

Prüffälle. Sie können Prüffälle festlegen, die von den Befragten bewertet, aber nicht in derConjoint-Analyse berücksichtigt werden.

Anzahl der Prüffälle. Erstellt neben den regulären Fällen im Versuchsplan auch Prüffälle. DiePrüffälle werden zwar von den Befragten bewertet, sie werden aber nicht verwendet, wennin der Prozedur “Conjoint” die Nutzenwerte geschätzt werden. Sie können eine beliebigepositive ganze Zahl kleiner oder gleich der Gesamtanzahl der Fälle angeben, die aus allenmöglichen Kombinationen von Faktorstufen gebildet werden kann. Die Prüffälle werden nichtauf der Grundlage des Versuchsplans mit den Haupteffekten, sondern anhand eines anderenZufallsplans erzeugt. Die Prüffälle sind weder Duplikate von experimentellen Profilen nochvon anderen Prüffällen. In der Standardeinstellung werden keine Prüffälle erzeugt.Zufallsmischung mit anderen Fällen. Mischt die Prüffälle zufällig mit den experimentellenFällen. Wenn diese Option deaktiviert ist, enthält die Datei zunächst alle experimentellenFälle und im Anschluss daran die Prüffälle.

Zusätzliche Funktionen beim Befehl ORTHOPLAN

Mit der Befehlssyntax-Sprache verfügen Sie außerdem über folgende Möglichkeiten:Sie können das orthogonale Design der Arbeitsdatei hinzufügen, statt eine neue Arbeitsdateizu erstellen.Sie können Simulationsfälle vor dem Erstellen des orthogonalen Designs statt nach derErstellung festlegen.

Vollständige Informationen zur Syntax finden Sie in der Command Syntax Reference.

Kapitel

3Anzeigen eines Designs

Mit der Prozedur “Design anzeigen” können Sie ein experimentelles Design drucken. Sie könnendas Design entweder als Entwurf im Listenformat oder als Profile drucken, die den befragtenPersonen in der Conjoint-Studie präsentiert werden können. Mit dieser Prozedur können Designs,die mit der Prozedur “Orthogonales Design erzeugen” erstellt wurden, sowie beliebige Designs ineiner Arbeitsdatei angezeigt werden.

So zeigen Sie ein orthogonales Design an:

E Wählen Sie die folgenden Befehle aus den Menüs aus:Daten

Orthogonales DesignAnzeigen...

Abbildung 3-1Dialogfeld “Design anzeigen”

E Verschieben Sie mindestens einen Faktor in die Liste “Faktoren”.

E Wählen Sie ein Format aus, mit dem die Profile in der Ausgabe angezeigt werden.

Format. Sie können eine oder mehrere der folgenden Formatoptionen auswählen:Liste für den Experimentator. Zeigt das Design in einem Entwurfsformat an, das zwischenPrüffällen und experimentellen Fällen unterscheidet. Simulationsfälle werden getrenntaufgelistet, und zwar im Anschluss an die experimentellen und Prüffälle.Profile für Subjekte. Erstellt Profile, die den Subjekten (Befragten) vorgelegt werden können.Bei diesem Format werden Prüfprofile nicht differenziert und keine Simulationsprofile erstellt.

9

10

Kapitel 3

Die folgenden Optionen sind verfügbar:Klicken Sie auf Titel, um Kopf- und Fußzeilen für die Profile festzulegen.

Design anzeigen: TitelAbbildung 3-2Dialogfeld “Design anzeigen: Titel”

Titel für Profil. Geben Sie einen bis zu 80 Zeichen langen Titel für die Profile ein. Die Titel werdenüber der Ausgabe angezeigt, wenn Sie Liste für den Experimentator ausgewählt haben, und überjedem Profil, wenn Sie im Hauptdialogfeld die Option Profile für Subjekte ausgewählt haben.Wenn Sie die Option Profile für Subjekte aktiviert haben und an einer beliebigen Stelle im Titeldie spezielle Zeichenfolge )CARD verwenden, wird diese von der Prozedur durch die laufendeProfilnummer ersetzt. Bei der Option Liste für den Experimentator wird diese Zeichenfolge nichtersetzt.

Fußzeile für Profil. Geben Sie eine bis zu 80 Zeichen lange Fußzeile für die Profile ein. DieFußzeilen werden unter der Ausgabe angezeigt, wenn Sie Liste für den Experimentator ausgewählthaben, und unter jedem Profil, wenn Sie im Hauptdialogfeld die Option Profile für Subjekte

ausgewählt haben. Wenn Sie die Option Profile für Subjekte aktiviert haben und an einer beliebigenStelle in der Fußzeile die spezielle Zeichenfolge )CARD verwenden, wird diese von der Prozedurdurch die laufende Profilnummer ersetzt. Bei der Option Liste für den Experimentator wird dieseZeichenfolge nicht ersetzt.

Zusätzliche Funktionen beim Befehl PLANCARDS

Mit der Befehlssyntax-Sprache verfügen Sie außerdem über folgende Möglichkeiten:Sie können die Profile für die Subjekte (Befragten) in eine externe Datei schreiben (mit demUnterbefehl OUTFILE).

Vollständige Informationen zur Syntax finden Sie in der Command Syntax Reference.

Kapitel

4Durchführen einer Conjoint-Analyse

Für die Prozedur “Conjoint” ist noch keine grafische Benutzeroberfläche verfügbar. Um eineConjoint-Analyse berechnen zu lassen, müssen Sie die Befehlssyntax für den Befehl CONJOINTin ein Syntaxfenster eingeben und die Syntax anschließend ausführen.

Ein Beispiel für die Syntax des Befehls CONJOINT im Kontext einer vollständigenConjoint-Analyse (einschließlich dem Erzeugen und Anzeigen eines orthogonalen Designs)finden Sie hier: Kapitel 5.Vollständige Informationen zur Befehlssyntax zum Befehl CONJOINT finden Sie in derCommand Syntax Reference.

So führen Sie einen Befehl im Syntaxfenster aus:

Wählen Sie die folgenden Befehle aus den Menüs aus:Datei

NeuSyntax...

Öffnet ein Syntax-Fenster.

E Geben Sie die Befehlssyntax für den Befehl CONJOINT ein.

E Markieren Sie den Befehl im Syntaxfenster und klicken Sie in der Symbolleiste des Syntax-Editorsauf die Schaltfläche “Ausführen” (das nach rechts weisende Dreieck).

Weitere Informationen zum Ausführen von Befehlen im Syntaxfenster finden Sie imBenutzerhandbuch zum Base-System.

Voraussetzungen

Die Prozedur “Conjoint” erfordert zwei Dateien (eine Datendatei und eine Plandatei) sowie dieAngabe darüber, wie die Daten erfasst wurden (z. B. jeder Datenpunkt ist ein Bewertung von 1 bis100). Die Plandatei besteht aus einer Gruppe von Produktprofilen, die von den Befragten bewertetwerden sollen. Diese Datei sollte mit der Prozedur Orthogonales Design erzeugen erstellt werden.Die Datendatei enthält Bewertungen oder Ränge dieser Profile von den Befragten. Der Plandateiund die Datendatei werden mit den Unterbefehlen PLAN und DATA angegeben. Die Methode derDatenerfassung wird mit den Unterbefehlen SEQUENCE, RANK oder SCORE angegeben. Diefolgenden Befehlssyntax zeigt eine minimale Spezifikation:

CONJOINT PLAN='CPLAN.SAV' /DATA='RUGRANKS.SAV'/SEQUENCE=PREF1 TO PREF22.

11

12

Kapitel 4

Angeben der Plandatei und der Datendatei

Für den Befehl CONJOINT sind verschiedene Optionen zur Angabe der Plandatei und derDatendatei verfügbar.

Sie können die Dateinamen für die beiden Dateien ausdrücklich angeben. Beispiel:CONJOINT PLAN='CPLAN.SAV' /DATA='RUGRANKS.SAV'

Wenn nur eine Plandatei oder eine Datendatei angegeben wurde, liest der Befehl CONJOINTdie angegebene Datei und verwendet die Arbeitsdatei als die andere Datei. Wenn Sie zumBeispiel eine Datendatei angeben, jedoch die Plandatei auslassen (Sie können nicht beideauslassen), wird die Arbeitsdatei als Plan verwendet, wie im folgenden Beispiel gezeigt wird:CONJOINT DATA='RUGRANKS.SAV'

Sie können ein Sternchen (*) anstelle eines Dateinamens verwenden, um die Arbeitsdateianzugeben, wie im folgenden Beispiel gezeigt:CONJOINT PLAN='CPLAN.SAV' /DATA=*

Die Daten in der Arbeitsdatei werden als Bevorzugungsdaten verwendet. Beachten Sie, dassSie das Sternchen (*) nicht gleichzeitig für die Plandatei und die Datendatei verwendenkönnen.

Angeben der Datenerfassungsmethode

Sie müssen angeben, wie die Bevorzugungsdaten erfasst wurden. Die Daten können auf drei Artenerfasst werden: sequenziell, als Ränge oder als Bewertungen. Diese drei Methoden werden durchdie Unterbefehle SEQUENCE, RANK und SCORE angegeben. Sie müssen einen dieser Unterbefehle(und nur einen) als Teil des Befehls CONJOINT angeben.

Unterbefehl SEQUENCE

Mit dem Unterbefehl SEQUENCE wird angegeben, dass die Daten sequentiell erfasst wurden.Hierbei stellt jeder Datenpunkt eine Profilnummer dar, angefangen mit dem bevorzugten Profil biszu dem am wenigsten gewünschten Profil. Dies ist die Art, in der Daten erfasst werden, wenndie Befragten gebeten werden, die Profile in der Reihenfolge vom bevorzugten bis zu dem amwenigsten gewünschten Profil anzuordnen. Der Forscher zeichnet auf, welche Profilnummerzuerst, welche Profilnummer als zweite usw. genannt wird.

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/SEQUENCE=PREF1 TO PREF22.

Die Variable PREF1 enthält die Profilnummer für das bevorzugte Profil aus 22 Profilen imorthogonalen Plan. Die Variable PREF22 enthält die Profilnummer für das am wenigstengewünschte Profil im Plan.

13

Durchführen einer Conjoint-Analyse

Unterbefehl RANK

Der Unterbefehl RANK zeigt an, dass jeder Datenpunkt ein Rang ist, beginnend mit dem Rang vonProfil 1, gefolgt vom Rang von Profil 2 usw. Dies ist die Art, in der Daten erfasst werden, wenndie Befragten geben werden, jedem Profil einen Rang von 1 bis n zuzuordnen, wobei n die Anzahlder Profile darstellt. Ein niedriger Rang bedeutet eine größere Bevorzugung.

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/RANK=RANK1 TO RANK22.

Die Variable RANK1 enthält die Ränge von Profil 1 aus insgesamt 22 Profilen im orthogonalenPlan. Die Variable RANK22 enthält die Ränge von Profil 22.

Unterbefehl SCORE

Der Unterbefehl SCORE bedeutet, dass jeder Datenpunkt eine den Profilen zugewiesene Bewertungist, beginnend mit der Bewertung von Profil 1, gefolgt von der Bewertung von Profil 2 usw.Diese Art von Daten kann zum Beispiel erzeugt werden, indem die Befragten gebeten werden,eine Zahl von 1 bis 100 zuzuweisen, um damit zu zeigen, wie sehr sie das Profil mochten. Einhoher Wert bedeutet eine größere Bevorzugung.

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/SCORE=SCORE1 TO SCORE22.

Die Variable SCORE1 enthält die Bewertung für Profil 1, und die Variable SCORE22 enthältdie Bewertung für Profil 22.

Optionale Unterbefehle

Der Befehl CONJOINT bietet eine Anzahl von optionalen Unterbefehlen, die zusätzlicheKontrollmöglichkeiten und Funktionen über das minimal erforderliche Maß hinaus geben.

Unterbefehl SUBJECT

Der Unterbefehl SUBJECT ermöglicht Ihnen, eine Variable aus der Datendatei anzugeben, dieals ID-Variable für die Befragten verwendet wird. Wenn Sie keine Variable für die Befragtenangeben, wird im Befehl CONJOINT angenommen, dass alle Fälle in der Datendatei vom selbenBefragten stammen. Im folgenden Beispiel wird angegeben, dass die Variable ID aus der Dateirugranks.sav als ID-Variable für die Befragten verwendet wird.

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/SCORE=SCORE1 TO SCORE22 /SUBJECT=ID.

14

Kapitel 4

Unterbefehl FACTORS

Mit dem Unterbefehl FACTORS kann das Modell angegeben werden, das die erwartete Beziehungzwischen Faktoren und Rängen oder Bewertungen beschreibt. Wenn Sie für einen Faktor keinModell angeben, wird im Befehl CONJOINT ein diskretes Modell angenommen. Sie könneneins von vier möglichen Modellen angeben:

DISCRETE. Das Modell DISCRETE bedeutet, dass die Faktorstufen kategorial sind und dass keineAnnahme über die Beziehung zwischen Faktore und den Bewertungen oder Rängen getroffenwird. Dies ist die Standardeinstellung.

LINEAR. Das Modell LINEAR zeigt eine lineare Beziehung zwischen dem Faktor und denBewertungen oder Rängen an. Sie können die erwartete Richtung der linearen Beziehungmit den Schlüsselwörtern MORE und LESS angeben. MORE zeigt die Erwartung an, dasshöhere Faktorstufen bevorzugt werden, während LESS die Erwartung anzeigt, dass niedrigereFaktorstufen bevorzugt werden. Die Angabe von MORE oder LESS beeinträchtigt nicht dieSchätzungen des Nutzens. Sie dienen lediglich dazu, Befragte hervorzuheben, deren Schätzwertenicht der erwarteten Richtung entsprechen.

IDEAL. Das Modell IDEAL kennzeichnet eine quadratische Beziehung zwischen den Bewertungenoder Rängen und dem Faktor. Es wird angenommen, dass eine ideale Faktorstufe vorhanden ist.Die Distanz von diesem Idealpunkt (in beide Richtungen) wird in Zusammenhang mit einerabnehmenden Bevorzugung gesehen. Faktoren, die mit diesem Modell beschrieben werden,sollten mindestens drei Stufen aufweisen.

ANTIIDEAL. Mit dem Modell ANTIIDEAL wird eine quadratische Beziehung zwischen denBewertungen oder Rängen und dem Faktor angegeben. Es wird angenommen, dass eineschlechteste Faktorstufe vorhanden ist. Die Distanz von diesem Punkt (in beide Richtungen) wirdin Zusammenhang mit einer zunehmenden Bevorzugung gesehen. Faktoren, die mit diesemModell beschrieben werden, sollten mindestens drei Stufen aufweisen.

Die folgende Befehlssyntax veranschaulicht den Unterbefehl FACTORS:

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/RANK=RANK1 TO RANK22 /SUBJECT=ID/FACTORS=PACKAGE BRAND (DISCRETE) PRICE (LINEAR LESS)

SEAL (LINEAR MORE) MONEY (LINEAR MORE).

Beachten, dass sowohl package als auch brand als diskret modelliert sind.

Unterbefehl PRINT

Mit dem Unterbefehl PRINT können Sie den Umfang der tabellarischen Ausgabe festlegen. Wennzum Beispiel eine große Anzahl von Befragten vorliegt, können die Ausgabe auf eine Auswertungeinschränken und Einzelheiten auslassen, wie im folgenden Beispiel gezeigt:

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/RANK=RANK1 TO RANK22 /SUBJECT=ID/PRINT=SUMMARYONLY.

Sie können auch auswählen, ob die Ausgabe die Analyse der experimentellen Daten, dieErgebnisse für Simulationsfälle in der Plandatei, beides oder keins dieser beiden enthält. DieSimulationsfälle werden nicht von den Befragten bewertet, stellen jedoch Produktprofile von

15

Durchführen einer Conjoint-Analyse

Interesse dar. Die Prozedur “Conjoint” verwendet die Analyse der experimentellen Daten, um fürjede der Simulationsprofile Vorhersagen über die relative Bevorzugung zu machen. Im folgendenBeispiel wird die detaillierte Ausgabe für jeden Befragten unterdrückt, und die Ausgabe wird aufdie Ergebnisse der Simulationen beschränkt:

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/RANK=RANK1 TO RANK22 /SUBJECT=ID/PRINT=SIMULATION SUMMARYONLY.

Unterbefehl PLOT

Mit dem Unterbefehl PLOT legen Sie fest, ob Diagramme ausgegeben werden. Wie bei dertabellarischen Ausgabe (Unterbefehl PRINT) können Sie wählen, ob nur Auswertungen oderEinzelergebnisse für die Befragten ausgegeben werden sollen. In der Standardeinstellungwerden keine Diagramme erzeugt. Im folgenden Beispiel werden alle verfügbaren Diagrammeausgegeben:

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/RANK=RANK1 TO RANK22 /SUBJECT=ID/PLOT=ALL.

Unterbefehl UTILITY

Mit dem Unterbefehl UTILITY wird eine SPSS-Datendatei geschrieben, die detaillierteInformationen für jeden Befragten enthält. Dies umfasst die Nutzenwerte für die Faktoren vomTyp DISCRETE, die Steigung und die quadratischen Funktionen für die Faktoren vom TypLINEAR, IDEAL und ANTIIDEAL, die Regressionskonstante und die geschätzten Vorzugswerte.Diese Werte können in einer späteren Analyse oder zum Erzeugen von zusätzlichen Diagrammenmit weiteren Prozeduren verwendet werden. IM folgenden Beispiel wird eine Datei derNutzenwerte mit dem Namen rugutil.sav erstellt:

CONJOINT PLAN=* /DATA='RUGRANKS.SAV'/RANK=RANK1 TO RANK22 /SUBJECT=ID/UTILITY='RUGUTIL.SAV'.

Kapitel

5Modellieren der Präferenz einesTeppichreinigermodells mithilfe derConjoint-Analyse

In einem beliebten Beispiel für die Conjoint-Analyse möchte die Firma (Green als auch Wind,1973) einen neuen Teppichreiniger vermarkten und dazu den Einfluss von fünf Faktoren auf dieBevorzugung durch den Verbraucher untersuchen: Verpackungsgestaltung, Markenname, Preis,Gütesiegel Good Housekeeping und Geld-zurück-Garantie. Die Verpackungsgestaltung liegt indrei Faktorstufen vor, die sich durch die Position der Auftragebürste unterscheiden. Außerdemgibt es drei Markennamen (K2R, Glory und Bissell), drei Preisstufen sowie je zwei Stufen (Neinoder Ja) für die letzten beiden Faktoren. Die nachstehende Tabelle zeigt die Variablen in derTeppichreiniger-Untersuchung mit den zugehörigen Beschriftungen und Werten.Tabelle 5-1Variablen in der Teppichreiniger-Untersuchung

Variablenname Variablenlabel Wertelabelpackage package design A*, B*, C*brand brand name K2R, Glory, Bissellprice price $1.19, $1.39, $1.59seal Good Housekeeping seal Nein, Jamoney money-back guarantee Nein, Ja

Es könnte weitere Faktoren und Faktorenstufen geben, die Teppichreiniger charakterisieren, dieGeschäftsleitung möchte jedoch nur die genannten untersuchen. Dies ist ein sehr wichtiger Aspektder Conjoint-Analyse. Sie möchten nur die Faktoren auswählen (unabhängige Variablen), vondenen Sie annehmen, dass sie die Präferenzen der Befragten (abhängige Variable) in besonderemMaße beeinflussen. Mit der Conjoint-Analyse entwickeln Sie auf der Grundlage dieser fünfFaktoren ein Modell für die Präferenzen der Verbraucher.In diesem Beispiel werden die Daten in den folgenden Datendateien verwendet:

carpet_prefs.sav enthält die Daten der Befragung, carpet_plan.sav enthält die untersuchtenProduktprofile, conjoint.sps enthält die zum Ausführen der Analyse benötigte Befehlssyntax. Fürweitere Informationen siehe Beispieldateien in Anhang A auf S. 29.

16

17

Modellieren der Präferenz eines Teppichreinigermodells mithilfe der Conjoint-Analyse

Erzeugen eines orthogonalen Designs

Bei der Conjoint-Analyse müssen zunächst die Faktorstufenkombinationen erstellt werden, dieden Befragen als Produktprofile vorgegeben werden. Da bereits eine geringe Anzahl von Faktorenund Faktorstufen eine überwältigende Anzahl möglicher Produktprofile ergibt, müssen Sie einerepräsentative Teilmenge erzeugen, die als orthogonales Feld bezeichnet wird.Das orthogonale Feld, auch als orthogonales Design bezeichnet, wird mit der Prozedur

“Orthogonales Design erzeugen” erstellt, wobei die Daten in einer SPSS-Datendatei gespeichertwerden. Im Gegensatz zu den meisten Prozeduren ist vor dem Ausführen der Prozedur“Orthogonales Design erzeugen” keine Arbeitsdatei erforderlich. Wenn Sie keine Arbeitsdateihaben, können Sie über die Optionen in den Dialogfeldern eine Arbeitsdatei erstellenund Variablenname, Variablenlabels sowie Wertelabels erzeugen. Wenn Sie bereits eineArbeitsdatei haben, können Sie diese entweder ersetzen oder das orthogonale Design als eigeneSPSS-Datendatei speichern.

So erzeugen Sie ein orthogonales Design:

E Wählen Sie die folgenden Befehle aus den Menüs aus:Daten

Orthogonales DesignErzeugen...

Abbildung 5-1Dialogfeld “Orthogonales Design erzeugen”

E Geben Sie in das Textfeld “Faktorname” package (Verpackung) und in das Textfeld “Faktorlabel”package design (Verpackungsgestaltung) ein.

E Klicken Sie auf Hinzufügen.

Dadurch wird ein Element mit dem Label package ‘package design’ (?) erzeugt. MarkierenSie dieses Element.

18

Kapitel 5

E Klicken Sie auf Werte definieren.

Abbildung 5-2Dialogfeld “Design erzeugen: Werte definieren”

E Geben Sie die Werte 1, 2 und 3 ein, die die Verpackungsgestaltungen A*, B* und C* repräsentieren.Geben Sie die Labels A*, B* und C* ein.

E Klicken Sie auf Weiter.

Wiederholen Sie diesen Vorgang nun für die weiteren Faktoren, brand, price, seal und money.Verwenden Sie hierfür die Werte und Labels aus der folgenden Tabelle, die auch die Werte enthält,die Sie bereits für package eingegeben haben.

Faktor Werte Labelspackage 1, 2, 3 A*, B*, C*brand 1, 2, 3 K2R, Glory, Bissellprice 1.19, 1.39, 1.59 $1.19, $1.39, $1.59seal 1, 2 Nein, Jamoney 1, 2 Nein, Ja

Fahren Sie nach der Definition der Faktoren folgendermaßen fort:

E Wählen Sie im Dialogfeld “Orthogonales Design erzeugen” in der Gruppe “Datendatei” dieOption Arbeitsdatei ersetzen aus. Die Arbeitsdatei wird dann durch das erzeugte Design ersetzt.

E Wählen Sie Startwert für Zufallszahlen zurücksetzen auf aus und geben Sie den Wert 2000000 ein.

Zum Erzeugen eines orthogonalen Designs benötigen Sie ein Set von Zufallszahlen. Wenn Sie einDesign duplizieren möchten, in diesem Fall das für die vorliegende Untersuchung verwendeteDesign, müssen Sie den Startwert vor der Generierung des Designs festlegen und bei jederweiteren Generierung des Designs wieder auf den gleichen Wert zurücksetzen. Das Design für dievorliegende Untersuchung wurde mit einem Startwert von 2000000 generiert.

19

Modellieren der Präferenz eines Teppichreinigermodells mithilfe der Conjoint-Analyse

E Klicken Sie auf Optionen.

Abbildung 5-3Dialogfeld “Orthogonales Design erzeugen: Optionen”

E Geben Sie im Textfeld Mindestanzahl von Fällen den Wert 18 ein.

In der Standardeinstellung wird die erforderliche Mindestanzahl für eine orthogonale Anordnunggeneriert. Die Prozedur bestimmt die Anzahl von Fällen, die zum Schätzen der Nutzenwerteerforderlich sind. Sie können auch, wie in diesem Fall, eine Mindestanzahl von zu generierendenFällen angeben. Dies empfiehlt sich beispielsweise, wenn die Standard-Mindestanzahl von Fällenzu klein für sinnvolle Ergebnisse ist oder ihre Untersuchung so angelegt ist, dass eine bestimmteMindestanzahl von Fällen erforderlich ist.

E Wählen Sie Anzahl der Prüffälle aus und geben Sie den Wert 4 ein.

Prüffälle werden durch die Befragten bewertet, jedoch nicht verwendet, wenn mit der Prozedur“Conjoint” Nutzenwerte geschätzt werden. Mit den Prüffällen wird die Gültigkeit der geschätztenNutzenwerte überprüft. Prüffälle werden anhand eines anderen Zufallsplans und nicht anhand desexperimentellen orthogonalen Plans erzeugt.

E Klicken Sie im Dialogfeld “Orthogonales Design erzeugen: Optionen” auf Weiter.

E Klicken Sie im Dialogfeld “Orthogonales Design erzeugen” auf OK.

Abbildung 5-4Orthogonales Design für das Beispiel “Teppichreiniger”

Das orthogonale Design wird im Daten-Editor angezeigt. Lassen Sie sich am besten dieWertelabels statt der eigentlichen Datenwerte anzeigen. Wählen Sie hierfür im Menü “Ansicht”die Option Wertelabels aus.Die Variablen in der Datendatei sind die Faktoren, mit denen das Design festgelegt wird.

Jeder Fall repräsentiert ein Produktprofil im Design. Beachten Sie, dass die Datendateizwei weitere Variablen enthält: CARD_ und STATUS_. Mit CARD_ wird jedem Profil einefortlaufende Nummer zugewiesen, die das Profil bezeichnet. STATUS_ gibt an, ob ein Profil zum

20

Kapitel 5

experimentellen Design gehört (die ersten 18 Fälle) oder ein Prüffall (die letzten 4 Fälle) bzw. einSimulationsfall ist. (Dies wird später in einem anderen Thema in dieser Untersuchung behandelt.)Das orthogonale Design wird als Eingabe für die Analyse der Daten benötigt. Das Design muss

daher als SPSS-Datendatei gespeichert werden. Um Ihnen den Vorgang zu erleichtern, wurdedas aktuelle Design bereits in der Datei carpet_plan.sav gespeichert. (Orthogonale Designswerden auch als Pläne bezeichnet.)

Erstellen der experimentellen Stimuli: Anzeigen des Designs

Nach der Erstellung eines orthogonalen Designs können Sie mit diesem die Produktprofileerstellen, die von den Befragten bewertet werden sollen. Sie können alle Profile in einer Tabelleauflisten oder jedes Profil in einer eigenen Tabelle anzeigen.

So zeigen Sie ein orthogonales Design an:

E Wählen Sie die folgenden Befehle aus den Menüs aus:Daten

Orthogonales DesignAnzeigen...

Abbildung 5-5Dialogfeld “Design anzeigen”

E Wählen Sie als Faktoren package, brand, price, seal und money aus.

Die in den Variablen STATUS_ und CARD_ enthaltenen Informationen werden automatisch in dieAusgabe eingeschlossen und müssen daher nicht ausgewählt werden.

E Wählen Sie im Gruppenfeld “Format” die Option Liste für den Experimentator aus. Das gesamteorthogonale Design wird dann in einer einzigen Tabelle angezeigt.

E Klicken Sie auf OK.

21

Modellieren der Präferenz eines Teppichreinigermodells mithilfe der Conjoint-Analyse

Abbildung 5-6Anzeige des orthogonalen Designs: in einer Tabelle

Die Ausgabe ähnelt dem im Daten-Editor angezeigten orthogonalen Design: Jede Zeile enthältein Profil und die Faktoren bilden die Spalten. Beachten Sie jedoch, dass die Spaltenköpfe dieVariablenlabels, nicht die im Daten-Editor angezeigten Variablennamen enthalten. Die Prüffällesind zudem mit einer Fußnote bezeichnet. Dies ist zwar für den Untersucher interessant, aber Siemöchten sicherlich verhindern, dass die Befragten erfahren, welche Fälle Prüffälle sind (sofernvorhanden).Diese Tabelle sollte, je nach Erstellung und Ausgabe der endgültigen Produktprofile, als

HTML-, Word/RTF-, Excel- oder PowerPoint-Datei gespeichert werden. Klicken Sie hierfüreinfach im Viewer mit der rechten Maustaste auf die Tabelle und wählen Sie Exportieren aus.Wenn Sie die endgültigen Produktprofile aus der exportierten Version erstellen, müssen Sieunbedingt darauf achten, die Fußnoten der Prüffälle zu entfernen.Möglicherweise erzielen Sie bessere Ergebnisse, wenn Sie für jedes Produktprofil eine eigene

Tabelle generieren. In diesem Fall bietet sich der Export nach PowerPoint an, da jede Tabelle(Produktprofil) auf einer eigenen PowerPoint-Folie angezeigt wird.

So zeigen Sie jedes Profil in einer eigenen Tabelle an:

E Klicken Sie auf die Schaltfläche “Zuletzt verwendete Dialogfelder” und wählen Sie Design

anzeigen aus.

E Deaktivieren Sie Liste für den Experimentator, und aktivieren Sie Profile für Subjekte.

E Klicken Sie auf OK.

22

Kapitel 5

Abbildung 5-7Anzeige des orthogonalen Designs: in mehreren Tabellen

Die Informationen für die einzelnen Produktprofile werden jeweils in einer eigenen Tabelleangezeigt. Darüber hinaus sind die Prüffälle nicht als solche gekennzeichnet, es muss daher keinBezeichner entfernt werden, wie dies bei der Darstellung in einer einzigen Tabelle erforderlich ist.

Durchführung der AnalyseSie haben das orthogonale Design generiert und erfahren, wie die zugeordneten Produktprofileangezeigt werden. Nun können Sie sich mit dem Ausführen der Conjoint-Analyse befassen.Abbildung 5-8Präferenzdaten für das Beispiel “Teppichreiniger”

Die bei den Befragten erfassten Präferenzdaten werden in der Datei carpet_prefs.sav gespeichert.Die Daten umfassen Antworten von 10 Befragten, die jeweils mit einem eindeutigen Wert derVariablen ID bezeichnet sind. Die Befragten wurden gebeten, die 22 Produktprofile in derReihenfolge ihrer Präferenzen einzustufen. Die Variablen PREF1 bis PREF22 enthalten die IDsder zugeordneten Produktprofile, d. h. die Karten-IDs aus der Datei carpet_plan.sav. Befragter 1hat beispielsweise Profil 13 als am meisten bevorzugtes Objekt eingestuft, PREF1 weist daherden Wert 13 auf.Für die Analyse der Daten muss die Befehlssyntax verwendet werden, insbesondere der Befehl

CONJOINT. Die erforderliche Befehlssyntax steht in der Datei conjoint.sps zur Verfügung.

CONJOINT PLAN='Angabe der Datei'/DATA='Angabe der Datei'/SEQUENCE=PREF1 TO PREF22/SUBJECT=ID

23

Modellieren der Präferenz eines Teppichreinigermodells mithilfe der Conjoint-Analyse

/FACTORS=PACKAGE BRAND (DISCRETE)PRICE (LINEAR LESS)SEAL (LINEAR MORE) MONEY (LINEAR MORE)

/PRINT=SUMMARYONLY.

Mit dem Unterbefehl PLAN wird die Datei angegeben, die das orthogonale Design enthält,im vorliegenden Beispiel carpet_plan.sav.Mit dem Unterbefehl DATA wird die Datei angegeben, die die Präferenzdaten enthält, imvorliegenden Beispiel carpet_prefs.sav. Wenn Sie die Präferenzdaten als Arbeitsdateiauswählen, können Sie die Angabe der Datei durch ein Sternchen (*) ersetzen (ohne dieAnführungszeichen).Mit dem Unterbefehl SEQUENCE wird angegeben, dass jeder Datenpunkt in denPräferenzdaten eine Profilnummer ist, wobei mit dem beliebtesten Profil begonnen und mitdem unbeliebtesten geendet wird.Mit dem Unterbefehl SUBJECT wird angegeben, dass die Variable ID die Befragten bezeichnet.Mit dem Unterbefehl FACTORS wird ein Modell angegeben, dass die erwartete Beziehungzwischen den Präferenzdaten und den Faktorstufen beschreibt. Die angegebenen Faktorenbeziehen sich auf die Variablen, die in der im Unterbefehl PLAN angegebenen Plandateidefiniert wurden.Das Schlüsselwort DISCRETE wird verwendet, wenn die Faktorstufen kategorial sind undkeine Annahme über die Beziehung zwischen den Stufen und den Daten gemacht wird. Diesist bei den Faktoren package und brand der Fall, die die Verpackungsgestaltung bzw. denMarkennamen repräsentieren. DISCRETE wird angenommen, wenn ein Faktor nicht miteiner der vier Alternativen beschriftet ist (DISCRETE, LINEAR, IDEAL, ANTIIDEAL) odernicht im Unterbefehl FACTORS enthalten ist.Mit dem für die verbleibenden Faktoren verwendeten Schlüsselwort LINEAR wird dieErwartung angegeben, dass die Daten sich linear zu dem Faktor verhalten. So wird allgemeinerwartet, dass sich die Präferenz linear zum Preis verhält. Mit den Schlüsselwörtern IDEALund ANTIIDEAL können auch quadratische Modelle angegeben werden (im vorliegendenBeispiel nicht verwendet).Mit den auf LINEAR folgenden Schlüsselwörtern MORE und LESS wird eine erwarteteRichtung für die Beziehung angegeben. Da eine höhere Präferenz niedriger Preise erwartetwird, wird für price das Schlüsselwort LESS verwendet. Umgekehrt wird für das GoodHousekeeping-Gütesiegel oder die Geld-zurück-Garantie eine höhere Präferenz erwartet,daher wird für seal und money das Schlüsselwort MORE verwendet. (Die Stufen für beideFaktoren wurden auf 1 für Nein und auf 2 für Ja gesetzt.)Durch die Angabe von MORE oder LESS werden weder die Vorzeichen der Koeffizientengeändert noch die Schätzer der Nutzenwerte beeinflusst. Mit diesen Schlüsselwörtern werdeneinfach nur Befragte bezeichnet, deren Schätzer nicht der erwarteten Richtung entsprechen.Entsprechend wirkt sich auch die Auswahl von IDEAL anstelle von ANTIIDEAL (oderumgekehrt) nicht auf die Koeffizienten oder Nutzenwerte aus.Mit dem Unterbefehl PRINT wird angegeben, dass die Ausgabe nur Informationen fürdie Befragtengruppe als Ganzes enthält (Schlüsselwort SUMMARYONLY). Die separatenInformationen für die einzelnen Befragten werden unterdrückt.

24

Kapitel 5

Versuchen Sie, diese Befehlssyntax auszuführen. Achten Sie darauf, dass gültige Pfade zu denDateien carpet_prefs.sav und carpet_plan.sav angegeben sind. Eine vollständige Beschreibungsämtlicher Optionen finden Sie unter dem Befehl CONJOINT in der Command Syntax Reference.

NutzenwerteAbbildung 5-9Nutzenwerte

In dieser Tabelle werden die Nutzenwerte (Teilnutzenwerte) und die zugehörigen Standardfehlerfür die einzelnen Faktorenstufen dargestellt. Höhere Nutzenwerte geben eine höhere Präferenz an.Wie erwartet, gibt es eine inverse Beziehung zwischen Preis und Nutzen, wobei höhere Preisemit einem niedrigeren Nutzen einhergehen. (Höhere negative Werte bedeuten einen niedrigerenNutzen.) Wie ebenfalls zu erwarten war, führt ein Gütesiegel oder eine Geld-zurück-Garantiezu einem höheren Nutzen.Da sämtliche Nutzenwerte in einer gemeinsamen Einheit ausgedrückt werden, können sie

zum Gesamtnutzen addiert werden. Beispiel: Der Gesamtnutzen eines Reinigers mit derVerpackungsgestaltung (package design) B*, der Marke (brand) K2R und dem Preis (price) $1.19,der weder Gütesiegel (seal of approval) noch Geld-zurück-Garantie (money-back guarantee)bietet, errechnet sich wie folgt:

utility(package B*) + utility(K2R) + utility($1.19)+ utility(no seal) + utility(no money-back) + constant

oder

1.867 + 0.367 + (−6.595) + 2.000 + 1.250 + 12.870 = 11.759

Würde der Reiniger die Verpackungsgestaltung (package design) C*, die Marke (brand) Bissell,den Preis (price) $1.59, ein Gütesiegel (seal of approval) und Geld-zurück-Garantie (money-backguarantee) aufweisen, errechnet sich der Gesamtnutzen wie folgt:

0.367 + (−0.017) + (−8.811) + 4.000 + 2.500 + 12.870 = 10.909

25

Modellieren der Präferenz eines Teppichreinigermodells mithilfe der Conjoint-Analyse

Koeffizienten

Abbildung 5-10Koeffizienten

In dieser Tabelle werden die Koeffizienten für die lineare Regression für die Faktoren dargestellt,die als LINEAR angegeben wurden. (Bei Modellen vom Typ IDEAL oder ANTIIDEAL wärenoch ein quadratischer Term vorhanden.) Der Nutzen für eine bestimmte Faktorstufe wird durchMultiplizieren der Stufe mit dem Koeffizienten ermittelt. Beispiel: Der vorhergesagte Nutzenfür einen Preis von $1,19 würde in der Nutzentabelle als −6,595 aufgeführt. Dies errechnet sicheinfach durch Multiplizieren des Preisstufenwerts 1,19 mit dem Preiskoeffizienten −5,542.

Relative Wichtigkeit

Die Rangfolge der Nutzenwerte (höchster Wert bis niedrigster Wert) für die einzelnen Faktorenbietet ein Maß für die Wichtigkeit des Faktors für die Gesamtpräferenz. Faktoren mit höheremNutzenwert sind wichtiger als Faktoren mit niedrigerem Nutzenwert.

Abbildung 5-11Wichtigkeitswerte

Dieser Tabelle können Sie ein Maß für die relative Wichtigkeit der einzelnen Faktoren entnehmen,das alsWichtigkeits-Wert oder -Maß bezeichnet wird. Die Werte errechnen sich, indem für jedeneinzelnen Faktor der Nutzenbereich durch die Summe der Nutzenbereiche für alle Faktorendividiert wird. Die Werte stellen somit Prozentsätze dar und lassen sich zu einem Gesamtwert von100 addieren. Die Berechnungen erfolgen für jeden Befragten separat und die Ergebnisse werdendann für alle Befragten gemittelt.Beachten Sie dabei Folgendes: Die Gesamtnutzenwerte und Regressionskoeffizienten von

orthogonalen Designs sind sowohl mit als auch ohne den Unterbefehl SUBJECT gleich, dieWichtigkeiten hingegen unterscheiden sich in der Regel. Bei Gesamtergebnissen ohne UnterbefehlSUBJECT können die Wichtigkeiten direkt aus den Gesamtnutzenwerten errechnet werden, genauwie bei einzelnen Befragten. Wird jedoch ein Unterbefehl SUBJECT verwendet, werden dieWichtigkeiten für die einzelnen Befragten gemittelt. Diese gemittelten Werte entsprechen nichtunbedingt den Werten, die anhand der Gesamtnutzenwerte berechnet werden.

26

Kapitel 5

Aus den Ergebnissen können Sie erkennen, dass die Verpackungsgestaltung (package design)den größten Einfluss auf die Gesamtpräferenz hat. Das bedeutet, dass ein großer Unterschied inder Präferenz für Produktprofile mit der beliebtesten und denen mit der unbeliebtesten Verpackungbesteht. Außerdem zeigt sich in den Ergebnissen, dass eine Geld-zurück-Garantie (money-backguarantee) die geringste Bedeutung für die Gesamtpräferenz hat. Der Preis (price) spielt einewichtige Rolle, ist jedoch nicht so wichtig wie die Verpackungsgestaltung (package design). Daskann darin liegen, dass die Preise nicht besonders weit auseinanderliegen.

KorrelationenAbbildung 5-12Korrelationskoeffizienten

In dieser Tabelle werden die beiden Statistiken Pearson-R und Kendall-Tau dargestellt, die Maßefür die Korrelation zwischen den beobachteten und geschätzten Präferenzen bieten.Darüber hinaus wird in der Tabelle Kendall-Tau nur für die Prüfprofile aufgeführt. Wie

bereits erwähnt, wurden die Prüfprofile (vier im vorliegenden Beispiel) von den Befragtenbewertet, von der Prozedur “Conjoint” jedoch nicht zum Schätzen des Nutzens verwendet. DieProzedur “Conjoint” berechnet für diese Prüfprofile stattdessen die Korrelationen zwischen denbeobachteten und den vorhergesagten Rangordnungen, um die Gültigkeit der Nutzenwertezu überprüfen.In der Conjoint-Analyse ist die Anzahl der Parameter häufig ähnlich der Anzahl der bewerteten

Profile. Dies treibt die Korrelation zwischen den beobachteten und den geschätzten Wertenkünstlich in die Höhe. In solchen Fällen kann die Anpassung des Modells möglicherweise besseranhand der Prüfprofile bewertet werden. Bedenken Sie dabei jedoch, dass Prüfprofile immer einenniedrigeren Korrelationskoeffizienten erzeugen.

Umkehrungen

Wenn für price, seal und money Modelle vom Typ LINEAR angegeben werden, wird für dielineare Beziehung zwischen dem Wert der Variablen und der Präferenz für diesen Wert eineerwartete Richtung ausgewählt (LESS oder MORE). Die Conjoint-Analyse erfasst die Anzahl derBefragten, deren Präferenz das Gegenteil der erwarteten Beziehung aufweist, beispielsweise einegrößere Präferenz für höhere Preise oder eine geringere Präferenz für eine Geld-zurück-Garantie.Solche Fälle werden als Umkehrungen bezeichnet.

27

Modellieren der Präferenz eines Teppichreinigermodells mithilfe der Conjoint-Analyse

Abbildung 5-13Anzahl von Umkehrungen nach Faktor und Befragtem

In dieser Tabelle wird die Anzahl der Umkehrungen für die einzelnen Faktoren und Befragtenaufgeführt. Bei drei Befragten zeigt sich beispielsweise eine Umkehrung für price (Preis). Dasbedeutet, dass sie die Produktprofile mit höheren Preisen bevorzugten.

Ausführen von Simulationen

Die besondere Stärke der Conjoint-Analyse liegt in der Möglichkeit, die Präferenz fürProduktprofile vorherzusagen, die von den Befragten nicht bewertet wurden. Solche Fälle werdenals Simulationsfälle bezeichnet. Simulationsfälle werden zusammen mit den Profilen aus demorthogonalen Design und den Prüfprofilen (sofern vorhanden) als Teil des Plans aufgenommen.Sie werden am einfachsten über den Daten-Editor eingegeben, wobei die Variablenlabel

verwendet werden, die beim Generieren des experimentellen Designs erstellt wurden.

So geben Sie einen Simulationsfall in die Plandatei ein:

E Markieren Sie in einer neuen Zeile im Fenster des Daten-Editors eine Zelle und wählen Sieden gewünschten Wert aus der Liste aus. (Wählen Sie zum Anzeigen der Wertelabels im Menü“Ansicht” den Befehl Wertelabels aus.) Wiederholen Sie diesen Vorgang für alle Variablen(Faktoren).

E Wählen Sie Simulation für den Wert der Variablen STATUS_ aus.

E Geben Sie für die Variable CARD_ einen ganzzahligen Wert ein, der als ID verwendet wird.Simulationsfälle sollten getrennt von den anderen Fällen nummeriert werden.

28

Kapitel 5

Abbildung 5-14Daten für Teppichreiniger einschließlich der Simulationsfälle

In der Abbildung wird ein Teil der Plandatei für die Teppichreiniger-Untersuchung dargestellt, derzwei Simulationsfälle hinzugefügt wurden. Um Ihnen den Vorgang zu erleichtern, wurden diesebereits in die Datei carpet_plan.sav aufgenommen.Die Simulationsfälle werden anhand der zuvor bereits verwendeten Befehlssyntax analysiert,

d. h. der Syntax in der Datei conjoint.sps. Wenn Sie die bereits beschriebene Syntax ausführen,werden Sie bemerken, dass die Ausgabe auch Ergebnisse für die Simulationsfälle enthält, da diesesich bereits in der Datei carpet_plan.sav befinden.Sie können die Simulationen, wie in diesem Beispiel, zusammen mit der ersten Analyse oder

zu einem beliebigen späteren Zeitpunkt ausführen, indem Sie Simulationsfälle in Ihre Plandateieinfügen und CONJOINT erneut ausführen. Weitere Informationen hierzu finden Sie unter demBefehl CONJOINT in der Command Syntax Reference.

Bevorzugungswahrscheinlichkeiten für SimulationenAbbildung 5-15Simulationsergebnisse

In dieser Tabelle werden die vorhergesagten Wahrscheinlichkeiten für die Situation aufgeführt,dass die einzelnen Simulationsfälle unter drei verschiedenen zur Wahl gestellten Modellen alsam meisten bevorzugtes Profil ausgewählt werden. Beim Maximalnutzenmodell wird dieWahrscheinlichkeit bestimmt, indem die Anzahl von Befragten, für die die Auswahl des Profilsvorhergesagt wird, durch die Gesamtanzahl der Befragten dividiert wird. Die vorhergesagteAuswahl für die einzelnen Befragten ist einfach das Profil mit dem größten Gesamtnutzen. BeimBradley-Terry-Luce-(BTL-)Modell wird die Wahrscheinlichkeit als das Verhältnis des Nutzenseines Profils zum Nutzen aller Simulationsprofile bestimmt, das für alle Befragten gemitteltwird. Das Logit-Modell ähnelt dem BTL, anstelle der Nutzenwerte wird jedoch der natürlicheLogarithmus der Nutzenwerte verwendet. Alle drei Modelle ergeben für die 10 Befragten in dieserUntersuchung, dass das Simulationsprofil 2 bevorzugt werden würde.

Anhang

ABeispieldateien

Die zusammen mit dem Produkt installierten Beispieldateien finden Sie im UnterverzeichnisSamples des Installationsverzeichnisses.

Beschreibungen

Im Folgenden finden Sie Kurzbeschreibungen der in den verschiedenen Beispielen in derDokumentation verwendeten Beispieldateien:

accidents.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umeine Versicherungsgesellschaft geht, die alters- und geschlechtsabhängige Risikofaktorenfür Autounfälle in einer bestimmten Region untersucht. Jeder Fall entspricht einerKreuzklassifikation von Alterskategorie und Geschlecht.adl.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um Bemühungengeht, die Vorteile einer vorgeschlagenen Therapieform für Schlaganfallpatienten zu ermitteln.Ärzte teilten weibliche Schlaganfallpatienten nach dem Zufallsprinzip jeweils einer von zweiGruppen zu. Die erste Gruppe erhielt die physische Standardtherapie, die zweite erhielteine zusätzliche Emotionaltherapie. Drei Monate nach den Behandlungen wurden dieFähigkeiten der einzelnen Patienten, übliche Alltagsaktivitäten auszuführen, als ordinaleVariablen bewertet.advert.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBemühungen eines Einzelhändlers geht, die Beziehungen zwischen den in Werbunginvestierten Beträgen und den daraus resultierenden Umsätzen zu untersuchen. Zu diesemZweck hat er die Umsätze vergangener Jahre und die zugehörigen Werbeausgabenzusammengestellt.aflatoxin.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um Testsvon Maisernten auf Aflatoxin geht, ein Gift, dessen Konzentration stark zwischen undinnerhalb von Ernteerträgen schwankt. Ein Kornverarbeitungsbetrieb hat aus 8 Ernteerträgenje 16 Proben erhalten und das Aflatoxinniveau in Teilen pro Milliarde (parts per billion,PPB) gemessen.aflatoxin20.sav. Diese Datendatei enthält die Aflatoxinmessungen aus jeder der 16 Stichprobenaus den Erträgen 4 und 8 der Datendatei aflatoxin.sav.anorectic.sav. Bei der Ausarbeitung einer standardisierten Symptomatologieanorektischen/bulimischen Verhaltens führten Forscher (Van der Ham, Meulman, Van Strien,als auch Van Engeland, 1997) eine Studie mit 55 Jugendlichen mit bekannten Ess-Störungendurch. Jeder Patient wurde vier Mal über einen Zeitraum von vier Jahren untersucht, esfanden also insgesamt 220 Beobachtungen statt. Bei jeder Beobachtung erhielten diePatienten Scores für jedes von 16 Symptomen. Die Symptomwerte fehlen für Patient 71

29

30

Anhang A

zum Zeitpunkt 2, Patient 76 zum Zeitpunkt 2 und Patient 47 zum Zeitpunkt 3, wodurch 217gültige Beobachtungen verbleiben.autoaccidents.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umdie Bemühungen eines Versicherungsanalysten geht, ein Modell zur Anzahl der Autounfällepro Fahrer unter Berücksichtigung von Alter und Geschlecht zu erstellen. Jeder Fall stellteinen Fahrer dar und erfasst das Geschlecht des Fahrers, sein Alter in Jahren und die Anzahlder Autounfälle in den letzten fünf Jahren.band.sav. Diese Datendatei enthält die hypothetischen wöchentlichen Verkaufszahlen vonCDs für eine Musikgruppe. Daten für drei mögliche Einflussvariablen wurden ebenfallsaufgenommen.bankloan.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBemühungen einer Bank geht, den Anteil der nicht zurückgezahlten Kredite zu reduzieren.Die Datei enthält Informationen zum Finanzstatus und demografischen Hintergrund von 850früheren und potenziellen Kunden. Bei den ersten 700 Fällen handelt es sich um Kunden,denen bereits ein Kredit gewährt wurde. Bei den letzten 150 Fällen handelt es sich umpotenzielle Kunden, deren Kreditrisiko die Bank als gering oder hoch einstufen möchte.bankloan_binning.sav. Hierbei handelt es sich um eine hypothetische Datendatei, dieInformationen zum Finanzstatus und demografischen Hintergrund von 5.000 früheren Kundenenthält.behavior.sav. In einem klassischen Beispiel (Price als auch Bouffard, 1974) wurden 52Schüler/Studenten gebeten, die Kombinationen aus 15 Situationen und 15 Verhaltensweisenauf einer 10-Punkte-Skala von 0 = “ausgesprochen angemessen” bis 9 = “ausgesprochenunangemessen” zu bewerten. Die Werte werden über die einzelnen Personen gemittelt und alsUnähnlichkeiten verwendet.behavior_ini.sav. Diese Datendatei enthält eine Ausgangskonfiguration für einezweidimensionale Lösung für behavior.sav.brakes.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieQualitätskontrolle in einer Fabrik geht, die Scheibenbremsen für Hochleistungsautomobileherstellt. Die Datendatei enthält Messungen des Durchmessers von 16 Scheiben aus 8Produktionsmaschinen. Der Zieldurchmesser für die Scheiben ist 322 Millimeter.breakfast.sav. In einer klassischen Studie (Green als auch Rao, 1972) wurden 21MBA-Studenten der Wharton School mit ihren Lebensgefährten darum gebeten, 15Frühstücksartikel in der Vorzugsreihenfolge von 1 = “am meisten bevorzugt” bis 15 = “amwenigsten bevorzugt” zu ordnen. Die Bevorzugungen wurden in sechs unterschiedlichenSzenarien erfasst, von “Overall preference” (Allgemein bevorzugt) bis “Snack, with beverageonly” (Imbiss, nur mit Getränk).breakfast-overall.sav. Diese Datei enthält die Daten zu den bevorzugten Frühstücksartikeln,allerdings nur für das erste Szenario, “Overall preference” (Allgemein bevorzugt).broadband_1.sav. Hierbei handelt es sich um eine hypothetische Datendatei, die die Anzahl derAbonnenten eines Breitband-Service, nach Region geordnet, enthält. Die Datendatei enthältdie monatlichen Abonnentenzahlen für 85 Regionen über einen Zeitraum von vier Jahren.broadband_2.sav. Diese Datendatei stimmt mit broadband_1.sav überein, enthält jedoch Datenfür weitere drei Monate.

31

Beispieldateien

car_insurance_claims.sav. Ein an anderer Stelle (McCullagh als auch Nelder, 1989)vorgestelltes und analysiertes Daten-Set bezieht sich auf Schadensansprüche für Autos. Diedurchschnittliche Höhe der Schadensansprüche lässt sich mit Gamma-Verteilung modellieren.Dazu wird eine inverse Verknüpfungsfunktion verwendet, um den Mittelwert der abhängigenVariablen mit einer linearen Kombination aus Alter des Versicherungsnehmers, Fahrzeugtypund Fahrzeugalter in Bezug zu setzen. Die Anzahl der eingereichten Schadensansprüche kannals Skalierungsgewicht verwendet werden.car_sales.sav. Diese Datendatei enthält hypothetische Verkaufsschätzer, Listenpreise undphysische Spezifikationen für verschiedene Fahrzeugfabrikate und -modelle. Die Listenpreiseund physischen Spezifikationen wurden von edmunds.com und Hersteller-Websitesentnommen.carpet.sav. In einem beliebten Beispiel möchte (Green als auch Wind, 1973) einen neuenTeppichreiniger vermarkten und dazu den Einfluss von fünf Faktoren auf die Bevorzugungdurch den Verbraucher untersuchen: Verpackungsgestaltung, Markenname, Preis, Gütesiegel,Good Housekeeping und Geld-zurück-Garantie. Die Verpackungsgestaltung liegt in dreiFaktorstufen vor, die sich durch die Position der Auftragebürste unterscheiden. Außerdemgibt es drei Markennamen (K2R, Glory und Bissell), drei Preisstufen sowie je zwei Stufen(Nein oder Ja) für die letzten beiden Faktoren. 10 Kunden stufen 22 Profile ein, die durchdiese Faktoren definiert sind. Die Variable Preference enthält den Rang der durchschnittlichenEinstufung für die verschiedenen Profile. Ein niedriger Rang bedeutet eine starkeBevorzugung. Diese Variable gibt ein Gesamtmaß der Bevorzugung für die Profile an.carpet_prefs.sav. Diese Datendatei beruht auf denselben Beispielen, wie für carpet.savbeschrieben, enthält jedoch die tatsächlichen Einstufungen durch jeden der 10 Kunden.Die Kunden wurden gebeten, die 22 Produktprofile in der Reihenfolge ihrer Präferenzeneinzustufen. Die Variablen PREF1 bis PREF22 enthalten die IDs der zugeordneten Profile,wie in carpet_plan.sav definiert.catalog.sav. Diese Datendatei enthält hypothetische monatliche Verkaufszahlen fürdrei Produkte, die von einem Versandhaus verkauft werden. Daten für fünf möglicheEinflussvariablen wurden ebenfalls aufgenommen.catalog_seasfac.sav. Diese Datendatei ist mit catalog.sav identisch, außer, dass ein Set vonsaisonalen Faktoren, die mithilfe der Prozedur “Saisonale Zerlegung” berechnet wurden,sowie die zugehörigen Datumsvariablen hinzugefügt wurden.cellular.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBemühungen eines Mobiltelefonunternehmens geht, die Kundenabwanderung zu verringern.Scores für die Abwanderungsneigung (von 0 bis 100) werden auf die Kunden angewendet.Kunden mit einem Score von 50 oder höher streben vermutlich einen Anbieterwechsel an.ceramics.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umdie Bemühungen eines Herstellers geht, der ermitteln möchte, ob ein neue, hochwertigeKeramiklegierung eine größere Hitzebeständigkeit aufweist als eine Standardlegierung.Jeder Fall entspricht einem Test einer der Legierungen; die Temperatur, bei der dasKeramikwälzlager versagte, wurde erfasst.cereal.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um eineUmfrage geht, bei der 880 Personen nach ihren Frühstückgewohnheiten befragt wurden.Außerdem wurden Alter, Geschlecht, Familienstand und Vorliegen bzw. Nichtvorliegen einesaktiven Lebensstils (auf der Grundlage von mindestens zwei Trainingseinheiten pro Woche)erfasst. Jeder Fall entspricht einem Teilnehmer.

32

Anhang A

clothing_defects.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umdie Qualitätskontrolle in einer Bekleidungsfabrik geht. Aus jeder in der Fabrik produziertenCharge entnehmen die Kontrolleure eine Stichprobe an Bekleidungsartikeln und zählen dieAnzahl der Bekleidungsartikel die inakzeptabel sind.coffee.sav. Diese Datendatei enthält Daten zum wahrgenommenen Image von sechsEiskaffeemarken (Kennedy, Riquier, als auch Sharp, 1996). Bei den 23 Attributen desEiskaffee-Image sollten die Teilnehmer jeweils alle Marken auswählen, die durch diesesAttribut beschrieben werden. Die sechs Marken werden als “AA”, “BB”, “CC”, “DD”, “EE”und “FF” bezeichnet, um Vertraulichkeit zu gewährleisten.contacts.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieKontaktlisten einer Gruppe von Vertretern geht, die Computer an Unternehmen verkaufen. Dieeinzelnen Kontaktpersonen werden anhand der Abteilung, in der sie in ihrem Unternehmenarbeiten und anhand ihrer Stellung in der Unternehmenshierarchie in Kategorien eingeteilt.Außerdem werden der Betrag des letzten Verkaufs, die Zeit seit dem letzten Verkauf und dieGröße des Unternehmens, in dem die Kontaktperson arbeitet, aufgezeichnet.creditpromo.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umdie Bemühungen eines Kaufhauses geht, die Wirksamkeit einer kürzlich durchgeführtenKreditkarten-Werbeaktion einzuschätzen. Dazu wurden 500 Karteninhaber nach demZufallsprinzip ausgewählt. Die Hälfte erhielt eine Werbebeilage, die einen reduziertenZinssatz für Einkäufe in den nächsten drei Monaten ankündigte. Die andere Hälfte erhielteine Standard-Werbebeilage.customer_dbase.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei deres um die Bemühungen eines Unternehmens geht, das die Informationen in seinem DataWarehouse nutzen möchte, um spezielle Angebote für Kunden zu erstellen, die mit dergrößten Wahrscheinlichkeit darauf ansprechen. Nach dem Zufallsprinzip wurde eineUntergruppe des Kundenstamms ausgewählt. Diese Gruppe erhielt die speziellen Angeboteund die Reaktionen wurden aufgezeichnet.customers_model.sav. Diese Datei enthält hypothetische Daten zu Einzelpersonen, auf die sicheine Marketingkampagne richtete. Zu diesen Daten gehören demografische Informationen,eine Übersicht über die bisherigen Einkäufe und die Angabe ob die einzelnen Personen aufdie Kampagne ansprachen oder nicht. Jeder Fall entspricht einer Einzelperson.customers_new.sav. Diese Datei enthält hypothetische Daten zu Einzelpersonen, diepotenzielle Kandidaten für Marketingkampagnen sind. Zu diesen Daten gehörendemografische Informationen und eine Übersicht über die bisherigen Einkäufe für jedePerson. Jeder Fall entspricht einer Einzelperson.debate.sav. Hierbei handelt es sich um eine hypothetische Datendatei, die gepaarte Antwortenauf eine Umfrage unter den Zuhörern einer politischen Debatte enthält (Antworten vor undnach der Debatte). Jeder Fall entspricht einem Befragten.debate_aggregate.sav. Hierbei handelt es sich um eine hypothetische Datendatei, in der dieAntworten aus debate.sav aggregiert wurden. Jeder Fall entspricht einer Kreuzklassifikationder bevorzugten Politiker vor und nach der Debatte.demo.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um eineKundendatenbank geht, die zum Zwecke der Zusendung monatlicher Angebote erworbenwurde. Neben verschiedenen demografischen Informationen ist erfasst, ob der Kunde auf dasAngebot geantwortet hat.

33

Beispieldateien

demo_cs_1.sav. Hierbei handelt es sich um eine hypothetische Datendatei für den erstenSchritt eines Unternehmens, das eine Datenbank mit Umfrageinformationen zusammenstellenmöchte. Jeder Fall entspricht einer anderen Stadt. Außerdem sind IDs für Region, Provinz,Landkreis und Stadt erfasst.demo_cs_2.sav. Hierbei handelt es sich um eine hypothetische Datendatei für den zweitenSchritt eines Unternehmens, das eine Datenbank mit Umfrageinformationen zusammenstellenmöchte. Jeder Fall entspricht einem anderen Stadtteil aus den im ersten Schritt ausgewähltenStädten. Außerdem sind IDs für Region, Provinz, Landkreis, Stadt, Stadtteil und Wohneinheiterfasst. Die Informationen zur Stichprobenziehung aus den ersten beiden Stufen desStichprobenplans sind ebenfalls enthalten.demo_cs.sav. Hierbei handelt es sich um eine hypothetische Datendatei, dieUmfrageinformationen enthält die mit einem komplexen Stichprobenplan erfasst wurden.Jeder Fall entspricht einer anderen Wohneinheit. Es sind verschiedene Informationen zumdemografischen Hintergrund und zur Stichprobenziehung erfasst.dietstudy.sav. Diese hypothetische Datendatei enthält die Ergebnisse einer Studie der“Stillman-Diät” (Rickman, Mitchell, Dingman, als auch Dalen, 1974). Jeder Fall entsprichteinem Teilnehmer und enthält dessen Gewicht vor und nach der Diät in amerikanischen Pfundsowie mehrere Messungen des Triglyceridspiegels (in mg/100 ml).dischargedata.sav. Hierbei handelt es sich um eine Datendatei zum Thema Seasonal Patternsof Winnipeg Hospital Use, (Menec , Roos, Nowicki, MacWilliam, Finlayson , als auch Black,1999) (Saisonale Muster der Belegung im Krankenhaus von Winnipeg) vom ManitobaCentre for Health Policy.dvdplayer.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der esum die Entwicklung eines neuen DVD-Spielers geht. Mithilfe eines Prototyps hat dasMarketing-Team Zielgruppendaten erfasst. Jeder Fall entspricht einem befragten Benutzerund enthält demografische Daten zu dem Benutzer sowie dessen Antworten auf Fragen zumPrototyp.flying.sav. Diese Datendatei enthält die Flugmeilen zwischen zehn Städten in den USA.german_credit.sav. Diese Daten sind aus dem Daten-Set “German credit” im Repository ofMachine Learning Databases (Blake als auch Merz, 1998) an der Universität von Kalifornienin Irvine entnommen.grocery_1month.sav. Bei dieser hypothetischen Datendatei handelt es sich um die Datendateigrocery_coupons.sav, wobei die wöchentlichen Einkäufe zusammengefasst sind, sodassjeder Fall einem anderen Kunden entspricht. Dadurch entfallen einige der Variablen, diewöchentlichen Änderungen unterworfen waren, und der verzeichnete ausgegebene Betrag istnun die Summe der Beträge, die in den vier Wochen der Studie ausgegeben wurden.grocery_coupons.sav. Hierbei handelt es sich um eine hypothetische Datendatei, dieUmfragedaten enthält, die von einer Lebensmittelkette erfasst wurden, die sich für dieKaufgewohnheiten ihrer Kunden interessiert. Jeder Kunde wird über vier Wochen beobachtet,und jeder Fall entspricht einer Kundenwoche und enthält Informationen zu den Geschäften, indenen der Kunde einkauft sowie zu anderen Merkmalen, beispielsweise welcher Betrag inder betreffenden Woche für Lebensmittel ausgegeben wurde.guttman.sav. Bell (Bell, 1961) legte eine Tabelle zur Darstellung möglicher sozialer Gruppenvor. Guttman (Guttman, 1968) verwendete einen Teil dieser Tabelle, bei der fünf Variablen,die Aspekte beschreiben, wie soziale Interaktion, das Gefühl der Gruppenzugehörigkeit, die

34

Anhang A

physische Nähe der Mitglieder und die Formalität der Beziehung, mit sieben theoretischensozialen Gruppen gekreuzt wurden: “crowds” (Menschenmassen, beispielsweise dieZuschauer eines Fußballspiels), “audience” (Zuhörerschaften, beispielsweise die Personenim Theater oder bei einer Vorlesung), “public” (Öffentlichkeit, beispielsweise Zeitungsleseroder Fernsehzuschauer), “mobs” (Mobs, wie Menschenmassen, jedoch mit wesentlichstärkerer Interaktion), “primary groups” (Primärgruppen, vertraulich), “secondary groups”(Sekundärgruppen, freiwillig) und “modern community” (die moderne Gesellschaft, einlockerer Zusammenschluss, der aus einer engen physischen Nähe und dem Bedarf anspezialisierten Dienstleistungen entsteht).healthplans.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der esum die Bemühungen einer Versicherungsgruppe geht, vier verschiedene Pläne zurGesundheitsvorsorge für Kleinbetriebe zu evaluieren. Zwölf Inhaber von Kleinbetrieben(Arbeitgeber) wurden gebeten, die Pläne danach in eine Rangfolge zu bringen, wie gern siesie ihren Mitarbeitern anbieten würden. Jeder Fall entspricht einem Arbeitgeber und enthältdie Reaktionen auf die einzelnen Pläne.health_funding.sav. Hierbei handelt es sich um eine hypothetische Datei, die Daten zurFinanzierung des Gesundheitswesens (Betrag pro 100 Personen), Krankheitsraten (Rate pro10.000 Personen der Bevölkerung) und Besuche bei medizinischen Einrichtungen/Ärzten(Rate pro 10.000 Personen der Bevölkerung) enthält. Jeder Fall entspricht einer anderen Stadt.hivassay.sav. Hierbei handelt es sich um eine hypothetische Datendatei zu den Bemühungeneines pharmazeutischen Labors, einen Schnelltest zur Erkennung von HIV-Infektionen zuentwickeln. Die Ergebnisse des Tests sind acht kräftiger werdende Rotschattierungen, wobeikräftigeren Schattierungen auf eine höhere Infektionswahrscheinlichkeit hindeuten. Bei 2.000Blutproben, von denen die Hälfte mit HIV infiziert war, wurde ein Labortest durchgeführt.hourlywagedata.sav. Hierbei handelt es sich um eine hypothetische Datendatei zumStundenlohn von Pflegepersonal in Praxen und Krankenhäusern mit unterschiedlich langerBerufserfahrung.insure.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um eineVersicherungsgesellschaft geht, die die Risikofaktoren untersucht, die darauf hinweisen,ob ein Kunde die Leistungen einer mit einer Laufzeit von 10 Jahren abgeschlossenenLebensversicherung in Anspruch nehmen wird. Jeder Fall in der Datendatei entspricht einemPaar von Verträgen, je einer mit Leistungsforderung und der andere ohne, wobei die beidenVersicherungsnehmer in Alter und Geschlecht übereinstimmen.judges.sav. Hierbei handelt es sich um eine hypothetische Datendatei mit den Wertungen vonausgebildeten Kampfrichtern (sowie eines Sportliebhabers) zu 300 Kunstturnleistungen. JedeZeile stellt eine Leistung dar; die Kampfrichter bewerteten jeweils dieselben Leistungen.kinship_dat.sav. Rosenberg und Kim (Rosenberg als auch Kim, 1975) haben 15 Bezeichnungenfür den Verwandtschaftsgrad untersucht (Tante, Bruder, Cousin, Tochter, Vater, Enkelin,Großvater, Großmutter, Enkel, Mutter, Neffe, Nichte, Schwester, Sohn, Onkel). Die beidenAnalytiker baten vier Gruppen von College-Studenten (zwei weibliche und zwei männlicheGruppen), diese Bezeichnungen auf der Grundlage der Ähnlichkeiten zu sortieren. ZweiGruppen (eine weibliche und eine männliche Gruppe) wurden gebeten, die Bezeichnungenzweimal zu sortieren; die zweite Sortierung sollte dabei nach einem anderen Kriteriumerfolgen als die erste. So wurden insgesamt sechs “Quellen” erzielt. Jede Quelle entsprichteiner Ähnlichkeitsmatrix mit Elementen. Die Anzahl der Zellen ist dabei gleich der

35

Beispieldateien

Anzahl der Personen in einer Quelle minus der Anzahl der gemeinsamen Platzierungen derObjekte in dieser Quelle.kinship_ini.sav. Diese Datendatei enthält eine Ausgangskonfiguration für einedreidimensionale Lösung für kinship_dat.sav.kinship_var.sav. Diese Datendatei enthält die unabhängigen Variablen gender (Geschlecht),gener (Generation) und degree (Verwandtschaftsgrad), die zur Interpretation der Dimensioneneiner Lösung für kinship_dat.sav verwendet werden können. Insbesondere können sieverwendet werden, um den Lösungsraum auf eine lineare Kombination dieser Variablenzu beschränken.mailresponse.sav. Hierbei handelt es sich um eine hypothetische Datendatei, in der esum die Bemühungen eines Bekleidungsherstellers geht, der ermitteln möchte, ob dieVerwendung von Briefsendungen für das Direktmarketing zu schnelleren Antworten führt alsPostwurfsendungen. Die Mitarbeiter in der Bestellannahme erfassen, wie vielen Wochen nachder Postsendung die einzelnen Bestellungen aufgegeben wurden.marketvalues.sav. Diese Datendatei betrifft Hausverkäufe in einem Neubaugebiet inAlgonquin, Illinois, in den Jahren 1999–2000. Diese Verkäufe sind in Grundbucheinträgendokumentiert.mutualfund.sav. Diese Datendatei betrifft Aktienmarktdaten für verschiedeneTechnologieaktien, die in im Index S&P 500 verzeichnet sind. Jeder Fall entspricht einemUnternehmen.nhis2000_subset.sav. Die “National Health Interview Survey (NHIS)” ist eine große,bevölkerungsbezogene Umfrage in unter der US-amerikanischen Zivilbevölkerung. Eswerden persönliche Interviews in einer landesweit repräsentativen Stichprobe von Haushaltendurchgeführt. Für die Mitglieder jedes Haushalts werden demografische Informationen undBeobachtungen zum Gesundheitsverhalten und Gesundheitsstatus eingeholt. Diese Datendateienthält eine Teilmenge der Informationen aus der Umfrage des Jahres 2000. National Centerfor Health Statistics. National Health Interview Survey, 2000. Datendatei und Dokumentationöffentlich zugänglich. ftp://ftp.cdc.gov/pub/Health_Statistics/NCHS/Datasets/NHIS/2000/.Zugriff erfolgte 2003.ozone.sav. Die Daten enthalten 330 Beobachtungen zu sechs meteorologischen Variablen zurVorhersage der Ozonkonzentration aus den übrigen Variablen. Bei früheren Untersuchungen(Breiman als auch Friedman, 1985), (Hastie als auch Tibshirani, 1990) fanden Wissenschaftlereinige Nichtlinearitäten unter diesen Variablen, die die Standardverfahren bei der Regressionbehindern.pain_medication.sav. Diese hypothetische Datendatei enthält die Ergebnisse eines klinischenTests für ein entzündungshemmendes Medikament zur Schmerzbehandlung bei chronischerArthritis. Von besonderem Interesse ist die Zeitdauer, bis die Wirkung des Medikamentseinsetzt und wie es im Vergleich mit bestehenden Medikamenten abschneidet.patient_los.sav. Diese hypothetische Datendatei enthält die Behandlungsaufzeichnungenzu Patienten, die wegen des Verdachts auf Herzinfarkt in das Krankenhaus eingeliefertwurden. Jeder Fall entspricht einem Patienten und enthält diverse Variablen in Bezug aufden Krankenhausaufenthalt.

36

Anhang A

patlos_sample.sav. Diese hypothetische Datendatei enthält die Behandlungsaufzeichnungenfür eine Stichprobe von Patienten, denen während der Behandlung eines HerzinfarktsThrombolytika verabreicht wurden. Jeder Fall entspricht einem Patienten und enthält diverseVariablen in Bezug auf den Krankenhausaufenthalt.polishing.sav. Hierbei handelt es sich um die Datendatei “Nambeware Polishing Times”aus der Data and Story Library. Sie bezieht sich auf die Bemühungen eines Herstellersvon Metallgeschirr (Nambe Mills, Santa Fe, New Mexico) zur zeitlichen Planung seinerProduktion. Jeder Fall entspricht einem anderen Artikel in der Produktpalette. Für jedenArtikel sind Durchmesser, Polierzeit, Preis und Produkttyp erfasst.poll_cs.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umBemühungen geht, die öffentliche Unterstützung für einen Gesetzentwurf zu ermitteln, bevorer im Parlament eingebracht wird. Die Fälle entsprechen registrierten Wählern. Für jeden Fallsind County, Gemeinde und Wohnviertel des Wählers erfasst.poll_cs_sample.sav. Diese hypothetische Datendatei enthält eine Stichprobe der inpoll_cs.sav aufgeführten Wähler. Die Stichprobe wurde gemäß dem in der Plandateipoll.csplan angegebenen Stichprobenplan gezogen und in dieser Datendatei sind dieEinschlusswahrscheinlichkeiten und Stichprobengewichtungen erfasst. Beachten Sie jedochFolgendes: Da im Stichprobenplan die PPS-Methode (PPS: probability proportional tosize; Wahrscheinlichkeit proportional zur Größe) verwendet wird, gibt es außerdem eineDatei mit den gemeinsamen Auswahlwahrscheinlichkeiten (poll_jointprob.sav). Diezusätzlichen Variablen zum demografischen Hintergrund der Wähler und ihrer Meinungzum vorgeschlagenen Gesetzentwurf wurden nach der Ziehung der Stichprobe erfasst undzur Datendatei hinzugefügt.property_assess.sav. Hierbei handelt es sich um eine hypothetische Datendatei, in der esum die Bemühungen eines für einen Bezirk (County) zuständigen Immobilienbewertersgeht, trotz eingeschränkter Ressourcen die Einschätzungen des Werts von Immobilien aufdem aktuellsten Stand zu halten. Die Fälle entsprechen den Immobilien, die im vergangenenJahr in dem betreffenden County verkauft wurden. Jeder Fall in der Datendatei enthält dieGemeinde, in der sich die Immobilie befindet, den Bewerter, der die Immobilie besichtigt hat,die seit dieser Bewertung verstrichene Zeit, den zu diesem Zeitpunkt ermittelten Wert sowieden Verkaufswert der Immobilie.property_assess_cs.sav. Hierbei handelt es sich um eine hypothetische Datendatei, in deres um die Bemühungen eines für einen US-Bundesstaat zuständigen Immobilienbewertersgeht, trotz eingeschränkter Ressourcen die Einschätzungen des Werts von Immobilien aufdem aktuellsten Stand zu halten. Die Fälle entsprechen den Immobilien in dem betreffendenBundesstaat. Jeder Fall in der Datendatei enthält das County, die Gemeinde und dasWohnviertel, in dem sich die Immobilie befindet, die seit der letzten Bewertung verstricheneZeit sowie zu diesem Zeitpunkt ermittelten Wert.property_assess_cs_sample.sav. Diese hypothetische Datendatei enthält eine Stichprobe derin property_assess_cs.sav aufgeführten Immobilien. Die Stichprobe wurde gemäß dem inder Plandatei property_assess.csplan angegebenen Stichprobenplan gezogen und in dieserDatendatei sind die Einschlusswahrscheinlichkeiten und Stichprobengewichtungen erfasst.Die zusätzliche Variable Current value (Aktueller Wert) wurde nach der Ziehung derStichprobe erfasst und zur Datendatei hinzugefügt.

37

Beispieldateien

recidivism.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBemühungen einer Strafverfolgungsbehörde geht, einen Einblick in die Rückfallraten inihrem Zuständigkeitsbereich zu gewinnen. Jeder Fall entspricht einem frühren Straftäterund erfasst Daten zu dessen demografischen Hintergrund, einige Details zu seinem erstenVerbrechen sowie die Zeit bis zu seiner zweiten Festnahme, sofern diese innerhalb von zweiJahren nach der ersten Festnahme erfolgte.recidivism_cs_sample.sav. Hierbei handelt es sich um eine hypothetische Datendatei, beider es um die Bemühungen einer Strafverfolgungsbehörde geht, einen Einblick in dieRückfallraten in ihrem Zuständigkeitsbereich zu gewinnen. Jeder Fall entspricht einemfrüheren Straftäter, der im Juni 2003 erstmals aus der Haft entlassen wurde, und erfasst Datenzu dessen demografischen Hintergrund, einige Details zu seinem ersten Verbrechen sowie dieDaten zu seiner zweiten Festnahme, sofern diese bis Ende Juni 2006 erfolgte. Die Straftäterwurden aus per Stichprobenziehung ermittelten Polizeidirektionen ausgewählt (gemäß dem inrecidivism_cs.csplan angegebenen Stichprobenplan). Da hierbei eine PPS-Methode (PPS:probability proportional to size; Wahrscheinlichkeit proportional zur Größe) verwendetwird, gibt es außerdem eine Datei mit den gemeinsamen Auswahlwahrscheinlichkeiten(recidivism_cs_jointprob.sav).salesperformance.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umBewertung von zwei neuen Verkaufsschulungen geht. 60 Mitarbeiter, die in drei Gruppenunterteilt sind, erhalten jeweils eine Standardschulung. Zusätzlich erhält Gruppe 2 einetechnische Schulung und Gruppe 3 eine Praxisschulung. Die einzelnen Mitarbeiter wurdenam Ende der Schulung einem Test unterzogen und die erzielten Punkte wurden erfasst. JederFall in der Datendatei stellt einen Lehrgangsteilnehmer dar und enthält die Gruppe, der derLehrgangsteilnehmer zugeteilt wurde sowie die von ihm in der Prüfung erreichte Punktzahl.satisf.sav. Hierbei handelt es sich um eine hypothetische Datendatei zu einerZufriedenheitsumfrage, die von einem Einzelhandelsunternehmen in 4 Filialen durchgeführtwurde. Insgesamt wurden 582 Kunden befragt. Jeder Fall gibt die Antworten eines einzelnenKunden wieder.screws.sav. Diese Datendatei enthält Informationen zu den Eigenschaften von Schrauben,Bolzen, Muttern und Reißnägeln (Hartigan, 1975).shampoo_ph.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der esum die Qualitätskontrolle in einer Fabrik für Haarpflegeprodukte geht. In regelmäßigenZeitabständen werden Messwerte von sechs separaten Ausgangschargen erhoben und ihrpH-Wert erfasst. Der Zielbereich ist 4,5–5,5.ships.sav. Ein an anderer Stelle (McCullagh et al., 1989) vorgestelltes und analysiertesDaten-Set bezieht sich auf die durch Wellen verursachten Schäden an Frachtschiffen.Die Vorfallshäufigkeiten können unter Angabe von Schiffstyp, Konstruktionszeitraumund Betriebszeitraum gemäß einer Poisson-Rate modelliert werden. Das Aggregat derBetriebsmonate für jede Zelle der durch die Kreuzklassifizierung der Faktoren gebildetenTabelle gibt die Werte für die Risikoanfälligkeit an.site.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBemühungen eines Unternehmens geht, neue Standorte für die betriebliche Expansionauszuwählen. Das Unternehmen beauftragte zwei Berater unabhängig voneinander mit derBewertung der Standorte. Neben einem umfassenden Bericht gaben die Berater auch einezusammenfassende Wertung für jeden Standort als “good” (gut) “fair” (mittelmäßig) oder“poor” (schlecht) ab.

38

Anhang A

siteratings.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBetatests der neuen Website eines E-Commerce-Unternehmens geht. Jeder Fall entsprichteinem Beta-Tester, der die Brauchbarkeit der Website auf einer Skala von 0 bis 20 bewertete.smokers.sav. Diese Datendatei wurde aus der Umfrage “National Household Survey ofDrug Abuse” aus dem Jahr 1998 abstrahiert und stellt eine WahrscheinlichkeitsstichprobeUS-amerikanischer Haushalte dar. Daher sollte der erste Schritt bei der Analyse dieserDatendatei darin bestehen, die Daten entsprechend den Bevölkerungstrends zu gewichten.smoking.sav. Hierbei handelt es sich um eine von Greenacre (Greenacre , 1984)vorgestellte hypothetische Tabelle. Die relevante Tabelle wird durch eine Kreuztabelle derRauchgewohnheiten und der Berufskategorie gebildet. Die Variable Berufsgruppe enthält dieBerufskategorien Senior Manager, Junior Manager, Angestellter mit Erfahrung, Angestellterohne Erfahrung und Sekretariat sowie die Kategorie National Average, die als Ergänzung derAnalyse dienen kann. Die Variable Rauchen enthält die Rauchgewohnheiten Nichtraucher,Leicht, Mittel und Stark sowie die Kategorien No Alcohol und Alcohol, die als Ergänzung derAnalyse dienen können.storebrand.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBemühungen einer Verkaufsleiterin in einem Lebensmittelmarkt geht, die die Verkaufszahlendes Waschmittels der Eigenmarke gegenüber den anderen Marken steigern möchte. Sieerarbeitet eine Werbeaktion im Geschäft und spricht an der Kasse mit Kunden. Jeder Fallentspricht einem Kunden.stores.sav. Diese Datendatei enthält hypothetische monatliche Marktanteilsdaten für zweikonkurrierende Lebensmittelgeschäfte. Jeder Fall entspricht den Marktanteilsdaten für einenbestimmten Monat.stroke_clean.sav. Diese hypothetische Datendatei enthält den Zustand einer medizinischenDatenbank, nachdem diese mithilfe der Prozeduren in der Option “Data Preparation” bereinigtwurde.stroke_invalid.sav. Diese hypothetische Datendatei enthält den ursprünglichen Zustand einermedizinischen Datenbank, der mehrere Dateneingabefehler aufweist.stroke_survival. In dieser hypothetischen Datendatei geht es um die Überlebenszeiten vonPatienten, die nach einem Rehabilitationsprogramm wegen eines ischämischen Schlaganfallsmit einer Reihe von Problemen zu kämpfen haben. Nach dem Schlaganfall werden dasAuftreten von Herzinfarkt, ischämischem Schlaganfall und hämorrhagischem Schlaganfallsowie der Zeitpunkt des Ereignisses aufgezeichnet. Die Stichprobe ist auf der linken Seiteabgeschnitten, da sie nur Patienten enthält, die bis zum Ende des Rehabilitationprogramms,das nach dem Schlaganfall durchgeführt wurde, überlebten.stroke_valid.sav. Diese hypothetische Datendatei enthält den Zustand einer medizinischenDatenbank, nachdem diese mithilfe der Prozedur “Daten validieren” überprüft wurde. Sieenthält immer noch potenziell anomale Fälle.tastetest.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umBewertung der Auswirkungen der Mulchfarbe auf den Geschmack von Pflanzenproduktengeht. Der Geschmack von Erdbeeren, die in rotem, blauem und schwarzem Rindenmulchgezogen wurden, wurde von Testpersonen auf einer ordinalen Skala (weit unter bis weit überdem Durchschnitt) bewertet. Jeder Fall entspricht einem Geschmackstester.

39

Beispieldateien

telco.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBemühungen eines Telekommunikationsunternehmens geht, die Kundenabwanderung zuverringern. Jeder Fall entspricht einem Kunden und enthält verschiedene Informationen zumdemografischen Hintergrund und zur Servicenutzung.telco_extra.sav. Diese Datendatei ähnelt der Datei telco.sav, allerdings wurden die Variablen“tenure” und die Log-transformierten Variablen zu den Kundenausgaben entfernt und durchstandardisierte Log-transformierte Variablen ersetzt.telco_missing.sav. Diese Datendatei entspricht der Datei telco_mva_complete.sav, allerdingswurde ein Teil der Daten durch fehlende Werte ersetzt.telco_mva_complete.sav. Bei dieser Datendatei handelt es sich um eine Teilmenge derDatendatei telco.sav, allerdings mit anderen Variablennamen.testmarket.sav. Diese hypothetische Datendatei bezieht sich auf die Pläne einerFast-Food-Kette, einen neuen Artikel in ihr Menü aufzunehmen. Es gibt drei möglicheKampagnen zur Verkaufsförderung für das neue Produkt. Daher wird der neue Artikel inFilialen in mehreren zufällig ausgewählten Märkten eingeführt. An jedem Standort wird eineandere Form der Verkaufsförderung verwendet und die wöchentlichen Verkaufszahlen fürdas neue Produkt werden für die ersten vier Wochen aufgezeichnet. Jeder Fall entsprichteiner Standort-Woche.testmarket_1month.sav. Bei dieser hypothetischen Datendatei handelt es sich um dieDatendatei testmarket.sav, wobei die wöchentlichen Verkaufszahlen zusammengefasst sind,sodass jeder Fall einem Standort entspricht. Dadurch entfallen einige der Variablen, diewöchentlichen Änderungen unterworfen waren, und die verzeichneten Verkaufszahlen sindnun die Summe der Verkaufszahlen während der vier Wochen der Studie.tree_car.sav. Hierbei handelt es sich um eine hypothetische Datendatei, die demografischeDaten sowie Daten zum Kaufpreis von Fahrzeugen enthält.tree_credit.sav. Hierbei handelt es sich um eine hypothetische Datendatei, die demografischeDaten sowie Daten zu früheren Bankkrediten enthält.tree_missing_data.sav. Hierbei handelt es sich um eine hypothetische Datendatei, diedemografische Daten sowie Daten zu früheren Bankkrediten enthält und eine große Anzahlfehlender Werte aufweist.tree_score_car.sav. Hierbei handelt es sich um eine hypothetische Datendatei, diedemografische Daten sowie Daten zum Kaufpreis von Fahrzeugen enthält.tree_textdata.sav. Eine einfache Datendatei mit nur zwei Variablen, die vor allem denStandardzustand von Variablen vor der Zuweisung von Messniveau und Wertelabels zeigensoll.tv-survey.sav. Hierbei handelt es sich um eine hypothetische Datendatei zu einer Studie,die von einem Fernsehstudio durchgeführt wurde, das überlegt, ob die Laufzeit eineserfolgreichen Programms verlängert werden soll. 906 Personen wurden gefragt, ob sie dasProgramm unter verschiedenen Bedingungen ansehen würden. Jede Zeile entspricht einemBefragten; jede Spalte entspricht einer Bedingung.ulcer_recurrence.sav. Diese Datei enthält Teilinformationen aus einer Studie zum Vergleichder Wirksamkeit zweier Therapien zur Vermeidung des Wiederauftretens von Geschwüren.Es stellt ein gutes Beispiel für intervallzensierte Daten dar und wurde an anderer Stelle(Collett, 2003) vorgestellt und analysiert.

40

Anhang A

ulcer_recurrence_recoded.sav. In dieser Datei sind die Daten aus ulcer_recurrence.sav soumstrukturiert, dass das Modell der Ereigniswahrscheinlichkeit für jedes Intervall der Studieberechnet werden kann und nicht nur die Ereigniswahrscheinlichkeit am Ende der Studie. Siewurde an anderer Stelle (Collett et al., 2003) vorgestellt und analysiert.verd1985.sav. Diese Datendatei enthält eine Umfrage (Verdegaal, 1985). Die Antworten von15 Subjekten auf 8 Variablen wurden aufgezeichnet. Die relevanten Variablen sind in dreiSets unterteilt. Set 1 umfasst alter und heirat, Set 2 besteht aus pet und news und in Set 3finden sich music und live. Die Variable pet wird mehrfach nominal skaliert und die VariableAlter ordinal. Alle anderen Variablen werden einzeln nominal skaliert.virus.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es um dieBemühungen eines Internet-Dienstanbieters geht, der die Auswirkungen eines Virus auf seineNetzwerke ermitteln möchte. Dabei wurde vom Moment der Virusentdeckung bis zu demZeitpunkt, zu dem die Virusinfektion unter Kontrolle war, der (ungefähre) prozentuale Anteilinfizierter E-Mail in den Netzwerken erfasst.waittimes.sav. Hierbei handelt es sich um eine hypothetische Datendatei zu den Wartezeitenfür Kunden bei drei verschiedenen Filialen einer Bank. Jeder Fall entspricht einem Kundenund zeichnet die Wartezeit und die Filiale.webusability.sav. Hierbei handelt es sich um eine hypothetische Datendatei, bei der es umTests zur Benutzerfreundlichkeit eines neuen Internetgeschäfts geht. Jeder Fall entsprichteiner von fünf Testpersonen, die die Benutzerfreundlichkeit bewerten und gibt für sechsseparate Aufgaben an, ob die Testperson sie erfolgreich ausführen könnte.wheeze_steubenville.sav. Hierbei handelt es sich um eine Teilmenge der Daten aus einerLangzeitstudie zu den gesundheitlichen Auswirkungen der Luftverschmutzung auf Kinder(Ware, Dockery, Spiro III, Speizer, als auch Ferris Jr., 1984). Die Daten enthalten wiederholtebinäre Messungen des Keuchens von Kindern aus Steubenville, Ohio, im Alter von 7, 8, 9und 10 Jahren sowie eine unveränderlichen Angabe, ob die Mutter im ersten Jahr der Studierauchte oder nicht.workprog.sav. Hierbei handelt es sich um eine hypothetische Datendatei zu einemArbeitsprogramm der Regierung, das versucht, benachteiligten Personen bessere Arbeitsplätzezu verschaffen. Eine Stichprobe potenzieller Programmteilnehmer wurde beobachtet. Vondiesen Personen wurden nach dem Zufallsprinzip einige für die Teilnahme an dem Programmausgewählt. Jeder Fall entspricht einem Programmteilnehmer.

Bibliografie

Akaah, I. P., als auch P. K. Korgaonkar. 1988. A conjoint investigation of the relative importanceof risk relievers in direct marketing. Journal of Advertising Research, 28:4, 38–44.

Bell, E. H. 1961. Social foundations of human behavior: Introduction to the study of sociology.New York: Harper & Row.

Blake, C. L., als auch C. J. Merz. 1998. "UCI Repository of machine learning databases."Available at http://www.ics.uci.edu/~mlearn/MLRepository.html.

Breiman, L., als auch J. H. Friedman. 1985. Estimating optimal transformations for multipleregression and correlation. Journal of the American Statistical Association, 80, 580–598.

Cattin, P., als auch D. R. Wittink. 1982. Commercial use of conjoint analysis: A survey. Journalof Marketing, 46:3, 44–53.

Collett, D. 2003. Modelling survival data in medical research, 2 (Hg.). Boca Raton: Chapman &Hall/CRC.

Green, P. E., als auch V. Rao. 1972. Applied multidimensional scaling. Hinsdale, Ill.: DrydenPress.

Green, P. E., als auch Y. Wind. 1973. Multiattribute decisions in marketing: A measurementapproach. Hinsdale, Ill.: Dryden Press.

Greenacre , M. J. 1984. Theory and applications of correspondence analysis. London: AcademicPress.

Guttman, L. 1968. A general nonmetric technique for finding the smallest coordinate space forconfigurations of points. Psychometrika, 33, 469–506.

Hartigan, J. A. 1975. Clustering algorithms. New York: John Wiley and Sons.

Hastie, T., als auch R. Tibshirani. 1990. Generalized additive models. London: Chapman andHall.

Kennedy, R., C. Riquier, als auch B. Sharp. 1996. Practical applications of correspondenceanalysis to categorical data in market research. Journal of Targeting, Measurement, and Analysisfor Marketing, 5, 56–70.

McCullagh, P., als auch J. A. Nelder. 1989. Generalized Linear Models, 2nd (Hg.). London:Chapman & Hall.

Menec , V., N. Roos, D. Nowicki, L. MacWilliam, G. Finlayson , als auch C. Black. 1999.Seasonal Patterns of Winnipeg Hospital Use. : Manitoba Centre for Health Policy.

Price, R. H., als auch D. L. Bouffard. 1974. Behavioral appropriateness and situational constraintsas dimensions of social behavior. Journal of Personality and Social Psychology, 30, 579–586.

Rickman, R., N. Mitchell, J. Dingman, als auch J. E. Dalen. 1974. Changes in serum cholesterolduring the Stillman Diet. Journal of the American Medical Association, 228, 54–58.

Rosenberg, S., als auch M. P. Kim. 1975. The method of sorting as a data-gathering procedure inmultivariate research. Multivariate Behavioral Research, 10, 489–502.

41

42

Bibliografie

Van der Ham, T., J. J. Meulman, D. C. Van Strien, als auch H. Van Engeland. 1997. Empiricallybased subgrouping of eating disorders in adolescents: A longitudinal perspective. British Journalof Psychiatry, 170, 363–368.

Verdegaal, R. 1985. Meer sets analyse voor kwalitatieve gegevens (in niederländischer Sprache).Leiden: Department of Data Theory, Universität Leiden.

Ware, J. H., D. W. Dockery, A. Spiro III, F. E. Speizer, als auch B. G. Ferris Jr.. 1984. Passivesmoking, gas cooking, and respiratory health of children living in six cities. American Review ofRespiratory Diseases, 129, 366–374.

Index

Antiideales Modell, 23

BefehlssyntaxCONJOINT-Befehl, 22

BeispieldateienSpeicherort, 29

Bradley-Terry-Luce(BTL)-Modell, 28

)CARDin “Design anzeigen”, 10

card_ (Variable)in “Orthogonales Design erzeugen”, 5

Datendateienin “Orthogonales Design erzeugen”, 5

Design anzeigen, 2, 9, 20)CARD, 10Einzelprofilformat, 9Fußzeilen, 10Listenformat, 9Speichern von Profilen, 10Titel, 10

Diskretes Modell, 23

Einzelprofilformatin “Design anzeigen”, 9

Faktoren, 2, 16–17Faktorstufen, 2, 16–17Fußzeilenin “Design anzeigen”, 10

Gesamtnutzen, 24

Ideales Modell, 23

Kendall-Tau, 26Koeffizienten, 25Korrelationskoeffizienten, 26

Lineares Modell, 23Listenformatin “Design anzeigen”, 9

Logit-Modell, 28

Maximalnutzenmodell, 28

Nutzenwerte, 3, 24

Orthogonale Designsanzeigen, 9, 20erzeugen, 5, 17Mindestanzahl von Fällen, 7Prüffälle, 7

Orthogonales Design erzeugen, 2, 5, 17Datendateien, 5Festlegen von Faktornamen, -labels und -werten, 7Mindestanzahl von Fällen, 7Prüffälle, 7Simulationsfälle, 8Startwert für Zufallszahlen, 5

Orthogonales Feld, 2

Pearson-R, 26Profilmethode, 2Prüffälle, 2in “Orthogonales Design erzeugen”, 7

SimulationsergebnisseBradley-Terry-Luce(BTL)-Modell, 28Logit-Modell, 28Maximalnutzenmodell, 28

Simulationsfälle, 3, 14, 27in “Orthogonales Design erzeugen”, 8

Startwert für Zufallszahlenin “Orthogonales Design erzeugen”, 5

status_ (Variable)in “Orthogonales Design erzeugen”, 5

Stichprobenumfang, 3SyntaxCONJOINT-Befehl, 22

Teilnutzenwerte, 3Titelin “Design anzeigen”, 10

Umkehrungen, 26

Wichtigkeitsmaße, 25Wichtigkeitswerte, 25

43