Allgemeines Lineares Modell: Y=a + b*X Datenreduktionsverfahren Erkläre Y: Y = a + b · X Faktorenanalyse Zusammenhangs- analysen Unterschieds-analysen Multidimensionale Skalierung Diskriminanz- analyse Y & X intervallskaliert X nominalskaliert Diskriminanz- analyse Korrelation t-test Korrespon- denzanalyse Varianzanalyse Regression Mediationsanalyse Pfadanalyse Strukturgleichungsmodelle Kauf Mi I1 Mi I2 Mi 1 2 R2 M3 M3 M1 M1 M2 M2 Imagepositionierung Imagepositionierung Treiber-Analyse (inkl. conjoint, WISA, Kano) „Vorhanden“  r /  „Wichtig “

Image-Positionierung

Imagepositionierung von Situationen In der Sav: Online u IHut mit FC_ 6Riegel_mal_6Sit_untereinander_kurz stehen 6 Sit x 6 Riegel pro Vp (315) untereinander. Damit jede Sit pro Vp nur 1 mal verwendet wird, mit Filter nur jede 6. Zeile (also 1 Riegel): auswählen: Für die Sit-auswertung USE ALL. COMPUTE filter_$=(riegelnr=1). FILTER BY filter_$. EXECUTE. Oder gleich: 6Sit nehmen.

Image-Positionierung & Treiber erst Achsen per eFA (Faktorenanalyse / PCA) dann per compute oder saven dann MW Gleich Discriminanz-Analyse damit Achsen die Stimuli optimal trennen (DA nutzt cov. Man könnte also zuvor zx). Saven (per compute nachbauen hier unüblich, da kein varimax) CA über MW-Tabelle, MDS über Sim-Matrix u.v.a.

Image-Positionierung erst Achsen per eFA (Faktorenanalyse / PCA) dann per compute oder saven dann MW Gleich Discriminanz-Analyse damit Achsen die Stimuli optimal trennen (DA nutzt cov. Man könnte also zuvor zx). Saven (per compute nachbauen hier unüblich) CA über MW-Tabelle u.v.a., da saven nicht geht, muss man Achsen nachbauen, falls sie zur Treiberanalyse etc. gebracht werden. 1. tippen Vorbereitung a) Datenstruktur so, dass Tln. und Stimuli (1x) untereinander und Items nebeneinander stehen. (s. Folie 3) b) kontrollieren. über die Items mal descriptives, um fehleingaben, missings etc zu erkennen und ggf. zu korrigieren. Wieviele Tln. haben alle Items durchgekreuzt? Compute alle_sd = SD(item1, item2, ….. Item24). Compute alle_m = mean(item1, item2, ….. Item24). 2. copy-paste aus der variablen-Ansicht der Daten. 3. Kommas dahinter, ). ans Ende. Mean 0, mean 1 haben durchgekreuzt…..

Image-Positionierung erst Achsen per eFA (Faktorenanalyse /PCA) dann per compute oder saven dann MW Gleich Discriminanz-Analyse damit Achsen die Stim.ulioptimal rennen. Saven (per compute nachbauen hier unüblich) CA über MW-Tabelle u.v.a., da saven nicht geht, muss man Achsen nachbauen, falls sie zur Treiberanalyse etc. gebracht werden. Analysieren – Dimensionsreduktion – Faktorenanalyse Scree-Plot anfordern (bei Extactions) Ggf. missing pairwise (bei Optionen) siehe pptx SPSS_2 Folie 10-15 3! Oder wg. Bild doch bloß 2? Nochmal in FA, nur 2 Fac anfordern (bei Extactions) Rotation: Varimax & Ladungsplot Hm, 2 Fakt. bisschen langweilig? Doch 3?

Image-Positionierung erst Achsen per eFA (Faktorenanalyse /PCA) dann per compute oder saven dann MW Gleich Discriminanz-Analyse damit Achsen die Stim.ulioptimal rennen. Saven (per compute nachbauen hier unüblich) CA über MW-Tabelle u.v.a., da saven nicht geht, muss man Achsen nachbauen, falls sie zur Treiberanalyse etc. gebracht werden. Analysieren – Dimensionsreduktion – Faktorenanalyse Scree-Plot anfordern (bei Extactions) Ggf. missing pairwise (bei Optionen) 3? Oder wg. Bild doch bloß 2? Nochmal in FA, nun 3 Fac anfordern (bei Extactions) Rotation: Varimax &sortiert nach Grösse (bei optionen)

Image-Positionierung erst Achsen per eFA (Faktorenanalyse / PCA) dann per compute oder saven dann MW Gleich Discriminanz-Analyse damit Achsen die Stim.ulioptimal rennen. Saven (per compute nachbauen hier unüblich) CA über MW-Tabelle u.v.a., da saven nicht geht, muss man Achsen nachbauen, falls sie zur Treiberanalyse etc. gebracht werden. Computen meint: Compute Sit_Affil = mean( Sit_geborgen, Sit_verwöhnen, Sit_sinnlich, Sit_fehltFröhlich, Sit_kindlich). 1. tippen Saven meint: 2. copy-paste aus der Ausgabe-Tabelle. 3.. Kommas , ). Compute Sit_Dom = Compute Sit_Funkt = Da keine Negativ-Ladungen, muss nichts umgepolt werden 

Image-Positionierung erst Achsen per eFA (Faktorenanalyse / PCA) dann per compute oder saven dann MW Gleich Discriminanz-Analyse damit Achsen die Stim.ulioptimal rennen. Saven (per compute nachbauen hier unüblich) CA über MW-Tabelle u.v.a., da saven nicht geht, muss man Achsen nachbauen, falls sie zur Treiberanalyse etc. gebracht werden. Computed: Gesaved: M 0 ,SD 1! Analysiere – Tabelle - benutzerdefinierte. Die 3 neuen „skala“ (=intervall) AV oben hin, die nominale („categoriale“) UV links reinziehen. Rechte Maus umstellbar!

Image-Positionierung bilder.sav 1. 2. Das „Innere“ der Tabelle abfahren, rechte Maus „copy“ am besten in Exel zwischenparken Um so ein MW-Ergebnis zu plotten, die Tab. mit copy-paste in eine neue sav und die dann plotten! 3. In die neue daten-sav (datenansicht ) paste. 4. Die Außenspallte der Tab. (Situationsnamen) in der Ausgabe copy. In der neue daten-sav eine variable zu „string“ ändern, Namen da rein pasten. 5. Die 4 Variablen schön nennen. 6. Plot

Image-Positionierung bilder.sav 1. 2. 3. 3. 5. 4. 5. 6. ggf. in der Ausgabe hübscher machen (quadratisch, Achsenlänge etc. 7. exportieren, in ppt noch hübschen. 8. Zweite Bilder-sav mit Item-Ladungen, übereinander legen.

Image-Positionierung Achsen per eFA, hier: gesaved. Beide Bilder (Ladungen und MW) exportieren, im ppt so aufeinandersetzen, dass 0/0 aufeinander liegt. So größer ziehen, dass kein MW außerhalb der äußeren Items. Optik: Die Items „ziehen“ die MW nach außen.

Image-Positionierung erst Achsen per eFA dann MW Gleich Discrim.A; damit Achsen die Stim. trennen CA über MW-Tabelle u.v.a. (1) Analysieren – Klassifizieren - Diskriminanzanalyse (2) Die „Gruppen“ sollen getrennt werden, also „Sit“ aussuchen &1-6 eingeben (4) Bei Statistics kombi-Plot wählen (3) Die Sit-Items rüberschippern

Image-Positionierung erst Achsen per eFA dann MW Gleich Discrim.A; damit Achsen die Stim. trennen CA über MW-Tabelle u.v.a. Wo welche Stimuli liegen…. Ggf. als bilder-sav und plotten oder den Kombi-Plot der ersten beiden Diskrim-Achsen. Korrelation der Items mit den Achsen => Interpretation der Achsen! (die DA kann nicht rotieren  )

Image-Positionierung erst Achsen per eFA dann MW Gleich Discrim.A; damit Achsen die Stim. trennen CA über MW-Tabelle u.v.a. Wo welche Stimuli liegen…. Ggf. als bilder-sav und plotten oder seinen Kombi-Plot der ersten biedem Diskrims. Korrelation der Items mit den Achsen => Interpretation der Achsen! (die DA kann nicht rotieren  )

Image-Positionierung erst Achsen per eFA dann MW Gleich Discrim.A; damit Achsen die Stim. trennen CA über MW-Tabelle u.v.a. exotisch Rebellisch Action kindlich sinnlich geborgen, verwöhnen fröhlich Wo welche Stimuli liegen…. Ggf. als bilder-sav und plotten oder seinen Kombi-Plot der ersten biedem Diskrims. Gesund, vernünftig, Energie Korrelation der Items mit den Achsen => Interpretation der Achsen! (die DA kann nicht rotieren  )

Image-Positionierung Die ersten beiden Achsen der „Gruppen-werte“ in ne Bilder sav, plotten & quadratisch machen & exportieren, Die ersten beiden Achsen der Struktur-matrix in ne Bilder sav, plotten & quadratisch machen & exportieren. erst Achsen per eFA dann MW Gleich Discrim.A; damit Achsen die Stim. trennen CA über MW-Tabelle u.v.a. exotisch kindlich sinnlich geborgen, verwöhnen fröhlich Und für die Treiberanalyse später die beiden Achsen speichern! =Diskrim nochmal laufen lassen und Wo welche Stimuli liegen…. Ggf. als bilder-sav und plotten oder seinen Kombi-Plot der ersten biedem Diskrims. (6) Korrelation der Items mit den Achsen => Interpretation der Achsen! (die DA kann nicht rotieren  ) (5) 17

Image-Positionierung Die ersten beiden Achsen der „Gruppen-werte“ in ne Bilder sav, plotten & quadratisch machen & exportieren, Die ersten beiden Achsen der Struktur-matrix in ne Bilder sav, plotten & quadratisch machen & exportieren. Gleich Discrim.A; damit Achsen die Stim. trennen Ich mache das alles in die gleiche Bilder-sav und ne Spalte „Bild“ 1,2,3 … mit Kommentar. Und einen filter, der mir dann erlaubt nur je ein bild (oder 2) zu plotten.

Image-Positionierung Die ersten beiden Achsen der Struktur-matrix in ne Bilder sav, plotten & quadratisch machen & exportieren. Min/Max unter / Scala identisch einstellen (hier 0,75

Image-Positionierung Die ersten beiden Achsen der „Gruppen-werte“ in ne Bilder sav, plotten & quadratisch machen (hier  3,0) & exportieren, ggf. MW Kreuz

Image-Positionierung Auf der 0 übereinander legen, schrumpfen?, hübschen, fertig. Interpretieren!! (Häusel, Motive) Empfehlungen? Diskriminanzanalyse

Kann man mit diesen beiden Achsen auch die Treiberanalyse machen Kann man mit diesen beiden Achsen auch die Treiberanalyse machen?? AV = liking von Riegeln pro Situation. Erst mal ne Korrelation mit Avroh_sit Da Diskrim-Achsen orthogonal sind, ist r =  der mult.Reg.  Also genügt hier r. Discriminanzanalyse

Image-Positionierung Für r oder  gilt: .10 = schwacher .30 = mittlerer, .50 = starker Effekt. => < .10 = "kein Effekt" Discriminanzanalyse & liking-Treiber

Image-Positionierung & Treiber erst Achsen per eFA (Faktorenanalyse, PCA) dann per compute oder saven dann MW Gleich Discriminanz-Analyse damit Achsen die Stim.ulioptimal rennen. Saven (per compute nachbauen hier unüblich) CA über MW-Tabelle u.v.a., Wenn Dimensionen aus FA oder Diskrim gesaved wurden, sind sie unorreliert, dann ist r =  und r genügt als Treiber-Analyse. Wenn Dimensionen computed wurden, sind sie korreliert, dann lohnt ne multiple Regression als Treiber-Analyse. Treiber

Treiber Die beiden Diskrim Achsen haben Treiberwirkung (über Situationen), da r = .10 erreicht ist (Cohens schwacher Effekt). Hat eine der beiden sogar KANO – Begeisterungs- Wirkung???? Discriminanzanalyse & liking-Treiber

Treiber Die beiden Diskrim Achsen haben Treiberwirkung (über Situationen), da r = .10 erreicht ist (Cohens schwacher Effekt). Hat eine der beiden sogar KANO – Begeisterungs- Wirkung???? Auf die Schnelle nach quadratischem Zusammenhang suchen: Die AV einfügen eine Achse aussuchen Quadratisch (ggf. auch kubisch) anklicken.

Treiber – Kano? Die beiden Diskrim Achsen haben Treiberwirkung (über Situationen), da r = .10 erreicht ist (Cohens schwacher Effekt). Hat eine der beiden sogar KANO – Begeisterungs- Wirkung???? Analysieren – Regression – Kurvenanpassung mit quadratischem, (ggf. kubischem) Term. Für DIM1 ist R2-Zuwachs kleiner 1%, also kein Zuwachs. => linear Für DIM2 ist R2-Zuwachs  1%, ! Allerdings Quadrat-Term negativ. => Basisfaktor. => Ein sehr starkes Action Bedürfnis ist nicht mehr gut für Riegel, da will man lieber Alk 

Treiber F u n k t i o 1 Funktion 2 Kanonische Diskriminanzfunktion Function 2 -1 -2 Ausflug kleinerTrost Selbstbelohnung KurzGenuss Ausbrechen Mahlzeitersatz Affiliation Dominance - Mal die computeten aus der 3-faktoriellen eFA (Folie 8&9 links) [ in Reg – Kurvenanpassung: Situatives Affiliation-Motiv? Linear. Situatives Action-Motiv? Nix! Situatives Vernunft-Motiv? Negativ-Linear. => Werbe mit Trost & Geborgenheit. Das selbe resultiert aus einer multiplen Regression [Analysieren - Regression – Linear; Y aussuchen, die 3 X aussuchen: (hier der 3 computeten) Dimensionen: + Denn Beta für Sit_DoM (= Action usw) bleibt kleiner .10 und Beta für SIT_Funk (=vernuft, gesund sw) bleibt negativ.

NUN das selbe für die Riegel!!!! (Folien 5-28) Vorbereitung. a) Datenstruktur so, dass Tln. und Riegel untereinander und Items nebeneinander stehen. b) kontrollieren. (Items – descriptives… USE ALL. COMPUTE filter_$ = (situationsnr=1). FILTER BY filter_$. oder Vielleicht nur genau die Items aussuchen, die es zu den Situationen gab? - Faktorenanalyse, (1. Screeplot, 2. passend viele anfordern, Ladungen interpretieren, 3. Achsen computen oder saven oder beides. 4. Tabelle mit denRiegeln (Spalte „riegelnr“) als Zeilen und die Achsen oben reinziehen, MW. 5. Bildersav von der Tab. und plotten. Von gesavten Achsen auch die Ladungstabelle in die Bildersav und plotten, beide Plots auf der Null übereinander. 6. Diskriminanzanalyse mit den ausgewählten Items und der Riegelnr. Achsen Saven, für Treiberanalyse. 8. Struktumatrix (=Ladungen) und „Zentren“ (=MW) in Bildersav, plotten, übereinanderlegen. 7. Treiberanalysen: Korrelation mit av_he_Riegel (= liking pro Riegel ist gemittelt über die 6 Situationen) über die gesavten Achsen & die computeten Achsen. Ggf. 8. multiple Regression über die computeten. 9. Alle diese Achsen mal per Reg- Kurvenanpassung auf KANO untersuchen. 10. Entscheiden für einen Plot mit eingemalter treiber-richtung