Mixture Regression Modelle
Gründe für die Anwendung von Mixture Regression Modellen am Beispiel der Conjointanalyse
werden durch I Befragte bewertet: Gesamtnutzenwerte yij Conjointanalyse: J Stimuli werden durch I Befragte bewertet: Gesamtnutzenwerte yij
Conjointanalyse: Beitrag von Merkmalsausprägungen Aus erhält man die Teilnutzenwerte
Problem: Datenaggregation Gemeinsame Analyse: setzt homogene Präferenzen voraus Individuallevelanalyse: wenig Freiheitsgrade der Schätzung führen zu nicht reliablen Schätzern
Conjointanalyse und Marktsegmentierung Zweistufig: a-priori Segmentierung post-hoc Segmentierung Simultan: Optimal Weighting Clusterwise Regression Mixture Regression
Lineare multiple Regression OLS-Regression:
yi
: a priori Wahrscheinlichkeiten a posteriori Wahrscheinlichkeiten:
Schätzung der Parameter Maximum Likelihood Schätzung EM-Algorithmus
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
Anwendungen im Marketing Beispiele für Anwendungen im Marketing
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
Kamakura et al. (1994): Bankdienstleistungen Teichert (2000): Wohnungen Jeweils 4 Segmente mit unterschiedlichen Präferenzen
Baumgartner, B. (2002): Ein hodonisches Mixture Modell zur Aufdeckung latenter Preis-Leistungsstrukturen. In: Zeitschrift für Betriebswirtschaft, Jg. 72, H. 5, S. 477-496 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. 103-124. Wedel, M.; DeSarbo, W. (1995): A Mixture Likelihood Approach for Generalized Linear Models In: Journal of Classification, Vol. 12, S. 21 - 55.