Mixture Regression Modelle

Präsentation zum Thema: "Mixture Regression Modelle"—  Präsentation transkript:

1 Mixture Regression Modelle

2 Gründe für die Anwendung von Mixture Regression Modellen
am Beispiel der Conjointanalyse

3 werden durch I Befragte bewertet: Gesamtnutzenwerte yij
Conjointanalyse: J Stimuli werden durch I Befragte bewertet: Gesamtnutzenwerte yij

4 Conjointanalyse: Beitrag von Merkmalsausprägungen Aus erhält man die Teilnutzenwerte

5 Problem: Datenaggregation
Gemeinsame Analyse: setzt homogene Präferenzen voraus Individuallevelanalyse: wenig Freiheitsgrade der Schätzung führen zu nicht reliablen Schätzern

6 Conjointanalyse und Marktsegmentierung
Zweistufig: a-priori Segmentierung post-hoc Segmentierung Simultan: Optimal Weighting Clusterwise Regression Mixture Regression

7 Lineare multiple Regression
OLS-Regression:

8

9

10

11

12

13

14

15 yi

16 : a priori Wahrscheinlichkeiten
a posteriori Wahrscheinlichkeiten:

17 Schätzung der Parameter
Maximum Likelihood Schätzung EM-Algorithmus

18  Beginne mit beliebiger Partition.
EM-Algorithmus  Beginne mit beliebiger Partition. s= Spaltenmittelwert  Ermittle für alle Segmente durch gewichtete KQ-Schätzung und berechne  Ermittle neue Partition aus posteriori Wahrscheinlichkeiten

19 Anwendungen im Marketing
Beispiele für Anwendungen im Marketing

20 Conjointanalyse: Vriens et al. (1996): Monte Carlo Studie Überlegenheit simultaner gegenüber zweistufigen Verfahren Mixturemodell am besten geeignet DeSarbo et al. (1992): Remote Entry System für Automobile

21 Kamakura et al. (1994): Bankdienstleistungen Teichert (2000): Wohnungen Jeweils 4 Segmente mit unterschiedlichen Präferenzen

22 Baumgartner, B. (2002): Ein hodonisches Mixture Modell zur Aufdeckung latenter Preis-Leistungsstrukturen. In: Zeitschrift für Betriebswirtschaft, Jg. 72, H. 5, S Ramaswamy, V.; DeSarbo, W.; Reibstein, D.J.; Robinson, W.T. (1993): An Empirical Pooling Approach for Estimating Marketing Mix Elasticities with PIMS Data. In: Marketing Science, Vol. 12, No. 1, S Wedel, M.; DeSarbo, W. (1995): A Mixture Likelihood Approach for Generalized Linear Models In: Journal of Classification, Vol. 12, S