Compenserende versus noncompensatory modellen for Het voorspellen van de voorkeuren van de Consument

Compenserende versus noncompensatory modellen for Het voorspellen van de voorkeuren van Consumenten Eenvoud, gevoeligCompenserende versus noncompensatory modellen for Het voorspellen van de voorkeuren van de Consument

Anja Dieckmann *
basis Onderzoek
GfK Association.
&# Xa0;&# Xa0;
Katrin Dippold
Vakgroep Marketing
Universiteit van Regensburg
&# Xa0;&# Xa0;
Holger Dietrich
basis Onderzoek
GfK Association

Sleutelwoorden: Conjoint analyseren, greedoid algoritme, Keuze Modellering, lexicografische heuristiek, noncompensatory heuristiek, Keuze van de Consument, de voorkeuren van Consumenten.

1 &# Xa0;&# Xa0; introductie

Hoe Kunnen Klanten Kiezen uit de Overvloed aan Producten in de moderne winkels? Hoeveel Attributen ZE te Overwegen, en hoe DOEN ZE Het verwerken van hen OM Een Voorkeur te Vormen? This vragen Zijn van zowel theoretisch als praktisch Belang. Het verkrijgen van Inzicht in de processen sterven Mensen volgen, terwijl Het maken van aankoopbeslissingen Zal Leiden tot Een beter geïnformeerde beslissing Theorieën. Op hetzelfde ogenblik, marketeers Zijn geïnteresseerd in meer Realistische beslissing modellen for Het voorspellen van de marktaandelen en for Het optimaliseren van marketing Acties, bijvoorbeeld deur Het Aanpassen van products and reclamemateriaal for the Consument&# X2019; keuzeprocessen.


Wij Streven ernaar OM this two lijnen Van het Onderzoek deur Het vergelijken van de voorspellende prestaties van lexicografische besluitvormingsprocessen afgeleid deur De Nieuwe greedoid algoritme OM Gewogen additieve modellen deur Het Volledige profiel-regressie op basis conjointanalyse geschat als Een standaard instrument in consumentenonderzoek bij Elkaar te Brengen . We leiden hypothesen Uit het Theoretische Kader van adaptieve Besluitvorming dan wanneer Welke approach Het beter appropriate instrument Zou moeten are, en testen ZE In een empirisch Onderzoek.

1.1 &# Xa0;&# Xa0; De Standaard Aanpak van de voorkeuren in Het Onderzoek van de Consument te modelleren

Voor rating- en-ranking op basis van Gezamenlijke methodes, 2 de basis Gewogen additieve model (Wadd) Kan als Volgt Worden aangegeven:

leerde kennen
rk = Respons for Optie k ;
&# X3B2;jm = Partworth moer van niveau m van attribuut j ;
XJM = 1 als Optie k Heeft niveau m op attribuut j ;

anders XJM = 0; nl
&# X3B5;k = Fout term for the Reactie for Optie k .

De partworth nutsvoorzieningen Zijn geschat, gewoonlijk deur Toepassing van Meervoudige regressie, zodat de som van de kwadraten Tussen empirisch waargenomen responsen rk (Ratings van rankings) en de vermoedelijke reacties ri Minimaal is.

1.2 &# Xa0;&# Xa0; Eenvoudige beslissing heuristiek

Lexicografische Strategieën Zijn Een Prominente categorie van Eenvoudige heuristiek. Een bekend Voorbeeld is Take The Best (TTB; Gigerenzer & Goldstein, 1996), Worden afgeleid Welke van Twee Alternatieven Een Hogere criteriumwaarde Zoekmachine achtereenvolgens ontmoet Signalen in de Volgorde waarin ZIJ GELDIG totdat Een onderscheidende cue Gevonden. Het Alternatief met de Positieve cue Waarde Wordt geselecteerd. TTB is &# X201C; noncompensatory&# X201D; omdat’ cue Niet Kan Worden gecompenseerd deur Een Combinatie van verzorger geldige Signalen, in tegenstelling tot &# X201C; compenserende&# X201D; Strategieën, die-cue Waarden (Bijv. de Wadd model) te integreren. Toegepast op Een Keuze van de Consument context Zou Een lexicogra heuristische bestellingen sterven superieur is aan Een Ander product Op het belangrijkste 3 Waarvoor Beide opties Hebben Verschillende Waarden, ongeacht de aspects of sterven volgen in Het aspect hiërarchie Voorkeur.

1.3 &# Xa0;&# Xa0; Dat this lexicografische besluitvormingsprocessen

In preferentiële Keuze daarentegen Het Individuele Kenmerk weging van bestellen Structuur Geen Enkele Objectieve criteria Buiten volgen Maar is afhankelijk van Persoonlijke Voorkeur nl Moet Worden afgeleid NAAST de beslissingsstrategie Mensen gebruiken. Standard conjoint analyses schatten Individuele wegingsstructuur Uitgaande van Een Gewogen additief model, including hierboven is aangelegd. Benaderingen in de veronderstelling alternatieve modellen Zijn zeldzaam. Gilbride en Allenby (2004) model keuzes In een tweetraps-proces en Zorgen for compensatie en noncompensatory screening Regels in de Eerste fase. Elrod et al. (2004) Wijzen op Een hybride model DAT de compenserende beslissing Strategieën noncompensatory conjunctieve en disjunctieve heuristiek integreert. Echter, this benaderingen Zijn in principe Wijziging van de standaard Wadd model, waardoor noncompensatory weging en voegwoorden en disjuncties aspects. This model is Echter Geen geldige weergave Meer van de Menselijke Besluitvorming; Zijn Flexibiliteit Maakt Niet Alleen psychologisch onaannemelijk computationele eisen, Maar Vereist also technisch Enorme verwerkingscapaciteit. In tegenstelling, de greedoid algoritme Richten we ons op is intrigerend Eenvoudig. Het Bevat de Beginselen van lexicografie en noncompensatoriness Plaats van Alleen aanpassing wegingsystemen met de Uitgang van lexicografische heuristiek imiteren.

De lexicogra per aspects werkwijze Kan Worden Geïllustreerd deur Een Eenvoudig Voorbeeld. Gegeven Een Keuze Tussen Verschillende vakantiemogelijkheden in reizen locatie, met De Drie aspects of Spanje, Italië en Frankrijk, en Vervoermiddelen, met De Twee aspects of vliegtuig en auto, Kan Een Persoon de Volgende Volgorde van Voorkeur te uiten:

(1) Spanje en Utrecht met het vliegtuig;

(3) Frankrijk en Utrecht met het vliegtuig;

(4) Italië en Utrecht met het vliegtuig;

(5) Frankrijk met de auto;

1.4 &# Xa0;&# Xa0; externe en interne Factoren sterven van Invloed strategie selectie

2 &# Xa0;&# Xa0; Methode

Om our hypothesen te Toetsen, Hebben we Gekozen for Het Skiën jassen als categorie product, Dat kan Worden Beschreven deur Enkele Attributen, waardoor for an acceptabele lengte Vragenlijst en Complexiteit. Het product Kan Worden Aangenomen relevant for Veel Mensen in de beoogde studentenpopulatie OM op Een Zuidelijke Duitse universiteit.

2.1 &# Xa0;&# Xa0; Deelnemers

Een Steekproef van 142 respondenten, 56% mannen, ontmoette Een gemiddelde LEEFtijd van 23,9 jaar, Werd gerekruteerd uit homepages Voornamelijk bezocht deur studenten bedrijfskunde aan de Universiteit van Regensburg en via Persoonlijke uitnodigingen tijdens de marketing van Klassen en e-mails. Voor deelname, van Iedereen Kreeg de Kans Op het winnen van Een van de tien bonnen Ter Waarde van 10 &# X20AC; for an online boekwinkel.

2.2 &# Xa0;&# Xa0; Procedure

De Deelnemers vulden Een web-based Vragenlijst voldaan Aparte secties for waardering en rangschikking van Een set van Het Skiën jassen. Elk product Werd Beschreven deur 6 Kenmerken: prijs en waterdichtheid, elanden met 3 verdiepingen, alsmede 4 dichotome variabelen met Vermelding van de Aanwezigheid van Een verstelbare capuchon, ventilatie ritsen, Een transparant skipas pocket en Warmte verzegelde Naden. This 6 FUNCTIES Werden als Het Meest relevant are for Het Skiën jassen sterven tijdens de verkennende Gesprekken met skiërs. De 96 Mogelijke profielen Van het Skiën jassen Werden teruggebracht tot Een 16-profiel fractionele factoriële design (kalibratie-set), DAT is evenwichtig en orthogonaal. 10 Elke respondent, in Elke Taak, Bleek de 16 profielen plus 2 hold-outs. Respondenten Waren Zich Niet Bewust of this onderscheid, omdat’ de 16 kalibratie profielen Werden afgewisseld met de hold-outs; zowel gepresenteerd en geëvalueerd op dezelfde Manier. 11 Voor de ranking Taak Werden alle 18 profielen getoond in Een Keer. De opdracht Werd geformuleerd als Een opeenvolgende Keuze van de Gewenste product (&# X201C; Wat is uw favoriete ski-jas uit this selectie van Producten?&# X201D;). De Gekozen product Werd verwijderd uit de set, en Het selectieproces Begon Helemaal Opnieuw totdat Alleen de Minst geprefereerde product Werd gelaten. Tijdens de waardering Taak, Een profiel tegelijk Werd voorgelegd aan de respondenten. ZIJ Werden gevraagd OM Een Waarde op Een schaal van 0 tot 100 aan Ieder profiel (&# X201C; Hoeveel kost dit product Voldoen aan Uw Ideale ski-jas?&# X201D;). Elke Deelnemer zag Een nieuwe Willekeurige Volgorde van de profielen; Taak Bestelling Werd also gerandomiseerd. Tussen this genomen, Mensen voltooide Een vulmiddel Taak OM de Invloed van de Eerste Taak op de Tweede Minimaliseren. 12 De Gezamenlijke genomen Werden ingesloten deur Demografische vragen en vragen dan deskundigheid (Bijv. &# X201C; Bent u Een Ervaren skileraar?&# X201D;). Het Onderzoek duurde ongeveer 20 Minuten.

Figuur 1: Mean partworths aspects of de Verschillende Attributen geschat deur kleinste kwadraten regressie-analyse van op basis van (A) Classificatie en (B) rating Gegevens; Attributen in opdracht van afnemend Belang (gedefinieerd als Het Verschil Tussen de Hoogste en de laagste partworths van Zijn aspects). Fout balken Geven standaard Fouten.

2.3 &# Xa0;&# Xa0; Data-analyse van

Including hierboven vermeld, in Toepassingen van conjointanalyse in consumentenonderzoek er gewoonlijk Een a-priori Definitie onderscheidend stelt kalibratie profielen for modelfitting en houd-out profielen used for Het Evalueren voorspellende prestatie. De set van kalibratie profielen ontworpen OM Voldoende Informatief datapunten per attribuut aspect te Verzekeren deur Aandacht te besteden aan evenwicht en loodrechte in aspect presentatie via de Verschillende keuzemogelijkheden. Men Zou Kunnen Stellen Echter DAT de hold-outs eigenaardige Een van de andere Manier Zou Kunnen Zijn eigen DUS Leiden tot vervormde Ramingen van de voorspellende Nauwkeurigheid. We Hebben daarom Besloten OM Een full leave-twee-out cross-validatie uit te Voeren. Dat is, voorzien Wij Het model 153 alle Mogelijke sets van 16 profielen van alle profielen 18 en in Elke reeks Gebruikt de resterende Twee profielen hold-outs for Het Berekenen van voorspellende. This Houdt noodzakelijkerwijs Lichte schendingen van orthogonaliteit in Veel van de 153 kalibratiesets. Wij denken DAT this schendingen aanvaardbaar, omwille van algemeenheid en omdat’ eh Geen Reden Om Te verwachten ouderkrant DAT De Twee geteste modellen verschillend Wordt beinvloed deur Mogelijke Gebrek aan informatie op bepaalde aspects.

de modellen&# X2019; Voorspellingen Werden vergeleken met empirische rankings van ratings, respectievelijk. 14 Elk paar van de Producten Waarvoor Een model voorspelt de verkeerde Optie de Voorkeur Werd geteld als één kamer Geschonden paar geproduceerd deur DAT-model. 15 Voor Elke Deelnemer, Werden de resultaten gemiddeld meer dan de 153 cross-validatie runs. Het hoofddoel was de gemiddelde voorspellende Nauwkeurigheid hold-outs, DAT wil Zeggen paren van opties met tenminste één kamer Optie Niet in de Gegevens passingsproces.

Figuur 2: Gemiddelde Rangen van aspects in de bestellingen als Gevolg van de greedoid algoritme Toegepast op (A) Classificatie en (B) rating data. Fout balken Geven standaard Fouten. Aspecten sterven Niet Waren Opgenomen in Het aspect Volgorde afgeleid Van het greedoid algoritme ontving de gemiddelde rang van de overige Rangen (bijvoorbeeld wanneer Het aspect order omvatte 6 aspects Werden alle Niet-Opgenomen aspects gegeven belde 10.5, DAT is Het gemiddelde van de Rangen 7 14 ).

3 &# Xa0;&# Xa0; resultaten

3.1 &# Xa0;&# Xa0; beschrijvend resultaten

Samengevat dan alle respondenten, Het aspect partworths als Gevolg van Gezamenlijke analyse van de waardering Taak grotendeels congruent met de partworths als Gevolg van de ranking Taak (zie figuur 1). Voor Beide data Methoden for Het Verzamelen, Twee Eigenschappen (waterdichtheid en de prijs) Een Veel Groter Gewicht dan de vier andere Attributen. 16 This resultaten Waren vergelijkbaar en Utrecht met het aspect ordeningen Beschreven deur de greedoid algoritme. Kenmerken van de Zelfde Twee Attributen gedomineerd Besluitvorming, en ZE DAT daad in waardering en rangschikking (zie figuur 2).

3.2 &# Xa0;&# Xa0; model fit

De Wadd model toonde Betere Gegevens passen dan de LBA model. Voor de ranking, Wadd produceerde 7,9% overtreden paren gemiddeld meer dan cross-validatie loopt en Deelnemers (SD = 6,4), terwijl LBA produceerde 10,3% (SD = 6,0). Voor rating, Wadd produceerde 6,5% overtreden paren gemiddeld (SD = 5,4), vergeleken met 8,7% van deur LBA (SD = 5,3). Gezien de Hoge Flexibiliteit van de gewichten van de Wadd model Dat kan Worden Aangepast Zeer vergelijkbaar met Zeer gedifferentieerde weging Regelingen OM tegemoet te komen, this Resultaat Kwam Niet als Een Verrassing. De cruciale test was schoffel De Twee modellen Uitgevoerd bij Het voorspellen van hold-out data.

3.3 &# Xa0;&# Xa0; Predictive nauwkeurigheden

3.3.1 &# Xa0;&# Xa0; Ranking vs. waardering

De gemiddelde voorspellende Nauwkeurigheid van hold-out Gegevens van De Twee Besluit modellen in Termen van percentage van de Geschonden paren, gemiddeld meer dan de Deelnemers, Zijn Samengevat in tabel 1. Het is Duidelijk DAT de Wadd model is beter dan de LBA model bij Het voorspellen van de voorkeuren van de Holdings uit profielen for zowel de ranking en waardering genomen. In lijn met this Beschrijvende resultaten, Een herhaalde Meting ANOVA van de Afhankelijke variabele van de Individuele niveau voorspellende Nauwkeurigheid for hold-out data (in Termen van percentage van de Geschonden paren), met De Twee within-subject Factoren Task (rating vs. ranking) en Model (Wadd vs. LBA), Bleek Een significant hoofdeffect van Model, F (1141) = 89,18, p lt; 0001. De factor Task Heeft Een van de belangrijkste effect aangetoond, F (1141) = 0,11, p = 0746, Maar er was Een significantie interactie van Task x Model, F (1141) = 11,60, p = 0001: Terwijl LBA verzorger Geschonden paren for the rangschikking in vergelijking met de waardering Taak produceert, Wadd presteert IETS slechter for the ranking dan for the waardering Taak (zie tabel 1, de interactie Kan also Worden gezien Binnen de Groepen van Deskundigen en niet- experts in figuur 3). Post-hoc t -testen Bleek DAT de voorspellende Waarde van de LBA is IETS Hoger dan for the rangschikking for rating, t (141) = 1,41, p = 0081. Er is DUS Enige Steun for the hypothese DAT LBA beter voorspellen rangschikking opzichte ratinggegevens. 17

Tabel 1: Percentage Geschonden paren geproduceerd deur LBA en Wadd for the hold-out data.

Noot: Percentages verwijzen naar Het toevoegen aantal paren tien Minste Één hold-out Optie sterven ten onrechte deur de Betrokken strategie voorspeld, gemiddeld meer dan 153 kruisvalidatieset Loopt en Tussen Deelnemers (n = 142). Paren van opties waaraan Deelnemers dezelfde Waarde had toegewezen Werden Uitgesloten van de Classificatie van Gegevens. Standaarddeviaties Worden gegeven Tussen haakjes.

Men Zou Kunnen Stellen DAT Het overtreden-paren metrische oneerlijk Gunsten modellen sterven many banden, sterven Niet als overtreden paren geteld voorspellen. Echter, de percentages van Het paar vergelijkingen sterven banden Worden voorspeld are Minder dan 1% for alle modellen, en LBA voorspelde meer banden (0,7% gemiddeld for the ranking, 0,6% for the BEOORDELING) dan Wadd (0,1 % for the ranking, 0,1% for the waardering), sterven de Algemene superioriteit van de compenserende model in our dataset verder Steunt.

3.3.2 &# Xa0;&# Xa0; Experts versus Niet-experts

We verdeelden de respondenten In een Niet-expert subgroep en Deskundige Een subgroep van Actieve skileraren. Meer in detail, Alleen de Mensen sterven aangeeft DAT ZIJ Waren begonnen van voltooide opleiding omdat’ HIJ Een skileraar en Waren Actief for tien Minste acht dagen per skiseizoen Werden beschouwd als experts. Tevreden Volgens DIT Criterium, Kunnen we 27 experts te identificeren. This Steekproef is Voldoende for statistische groep vergelijkingen zodat we Niet moeten Vertrouwen op zachtere en meer subjectieve beoordelingen van deskundigheid deur van de respondenten. Figuur 3 toont DAT de Deskundigen&# X2019; verklaarde voorkeuren neiging algemeen voorspelbaar dan sterven van Niet-Deskundigen ongeacht Het Gekozen model are. Wanneer Echter deskundigheid als factor Tussen de subjecten in de herhaalde Metingen ANOVA Individueel niveau voorspellende Werd toegevoegd en Task Model als within-subjects Factoren, Het hoofdeffect van deskundigheid was Niet significant, F (1140) = 2,86, p = 0093, Niet Waren er significantie interactions (one-way of twee-weg) between Expertise en Taak van Model.

Figuur 3: Gemiddelde percentage Geschonden paren deur de Wadd en LBA modellen wanneer Toegepast Deskundigen&# X2019; en Leken&# X2019; ranking en waardering data. Fout balken Geven standaard Fouten.

3.3.3 &# Xa0;&# Xa0; Beschrijvende analyseren van Individuele Verschillen.

Toch was Wadd Niet Het Beste model for alle Deelnemers. Voor de rangschikking Taak LBA bereikte Hogere gemiddelde voorspellende Wadd dan for 35% van de Deelnemers (n = 50). Voor de waardering Taak LBA Nog steeds bereikte Hogere gemiddelde Nauwkeurigheid for 25% van de Deelnemers (n = 36). In figuur 4, is Het Verschil in gemiddelde percentage Geschonden paren between LBA en Wadd uitgezet per respondent. Hogere Waarden duiden op meer paren Geschonden deur LBA, DAT wil Zeggen superioriteit van de Wadd model. Respondenten Zijn gerangschikt in afnemende Volgorde tevreden Volgens de Grootte Verschil Tussen LBA en Wadd for the rangschikking Taak (Weergegeven als stippen). Het toevoegen aantal stippen Onder nul is 50, wat overeenkomt en Utrecht met het toevoegen aantal respondenten Waarvoor de LBA model Hogere Nauwkeurigheid bereikt in de rangschikking Taak.

Figuur 4: Verschillen Tussen de gemiddelde percentages van Geschonden paren geproduceerd deur LBA en de gemiddelde percentages geproduceerd deur Wadd for the rangschikking van (zwarte stippen) en -classificatie (grijs kruisjes) genomen for Elke respondent. Respondenten Zijn gerangschikt in afnemende Volgorde tevreden Volgens de Grootte Verschil Tussen LBA en Wadd for the rangschikking Taak. Waarden boven nul betekent superioriteit van Wadd model (d.w.z. meer paren Geschonden deur LBA) en vice versa.

De respectievelijke verschilwaarden for the Classificatie Taak for dezelfde Deelnemers, Worden also getoond in figuur 4 (Weergegeven als kruisjes). Er Zijn Geen Zichtbare aanwijzingen DAT DE Deelnemers Streven naar inter-Taak de Samenhang in their strategie gebruik. Inderdaad, voor slechts 16 van de 50 Deelnemers Voor wie de LBA model behaalde Een Hogere Nauwkeurigheid for the ranking, Maar also bereikt Hogere Nauwkeurigheid for rating. Merk op DAT Aangenomen Kans groepstoewijzing van de 50 Deelnemers van riet 13 Deelnemers Kan Worden Verwacht DAT de LBA model is also superieur beoordeeld (d.w.z. 50/142 * 36). Also for 72 van de 92 Voor wie de Wadd model behaalde Een Hogere Nauwkeurigheid for the ranking, Maar also bereikt Een Hogere Nauwkeurigheid for rating, ontmoette 69 Verwacht deur Het toeval opdracht. 18 In lijn met this bevindingen, de correlatie Tussen de Twee vectoren Verschil Waarden is Zeer Laag, ontmoette r = 0,13.

4 &# Xa0;&# Xa0; Discussie

Bovendien, Twee our Eigenschappen Leken Zeer Belangrijk for Veel Deelnemers (zie figuren 1 en 2). Gezien this Belang Structuur, afwegingen Tussen de belangrijkste Kenmerken Lijken te are Binnen handbereik zelfs gezien Beperkte Tijd en verwerkingscapaciteit. Kortom, de omstandigheden including De Nieuwe greedoid approach vruchtbaar Kan Worden Toegepast als Een algemeen instrument vereisen verdere exploratie. Ons Onderzoek suggereert DAT voldaan Weinig Attributen te Overwegen en Relatief Weinig opties te Evalueren, Zal de standaard Aanpak Hogere voorspellende Nauwkeurigheid gemiddeld, zowel for bezoekers en ranking genomen. Echter, de Wadd model Niet overtreffen LBA iedere Deelnemer. De LBA model beter voorspellen van de Keuze van Een groot Aantal Mensen. Het Zou daarom nuttig OM this Verschillen verder te bestuderen OM Regels af te Leiden for Het toewijzen van Individuele Deelnemers aan bepaalde beslissing Strategieën. Echter, er is Weinig Samenhang Tussen de genomen in Termen van wat Het nauwkeuriger beslissing model. Dat wil Zeggen, for an groot deel van de Mensen Voor wie de LBA model was beter in Het voorspellen van de ranking van gegevens, de Wadd model was beter in Het voorspellen van de beoordeling van gegevens, en vice versa. Zo Hoeft de resultaten Niet Lijken te Worden scheefgetrokken van de Deelnemers&# X2019; Streven naar consistente Antwoorden overgenomen. Maar op hetzelfde moment de waargenomen inconsistentie rules uit de aanname van de Gebruikelijke voorkeuren for bepaalde Strategieën. Dus, Veel Mensen Lijken Verschillende Strategieën afhankelijk van de Voorkeur elicitatie methode toe te Passen. This Diversiteit in reacties op taakeisen Zullen toewijzing van de Deelnemers bemoeilijken OM Strategieën.

Onze hypothese was DAT deskundigheid Zou Één individu Verschil variabele sterven strategie selectie van Invloed Zijn. De lexicogra model bereikte enigszins Hoger Nauwkeurigheid Deskundigen dan for Niet-Deskundigen. OOK, in tegenstelling tot De Verwachting, de Wadd model Nog steeds beter dan de lexicografische model in Het voorspellen van Deskundige Beslissingen. Een Reden Zou Kunnen are DAT ons product categorie ontmoette betrekking tot Een vrijetijdsbesteding sterven de expertise ligt waarschijnlijk Sterk gecorreleerd met Persoonlijke interesse en Emotionele betrokkenheid te Zijn. Er is empirisch Bewijs DAT betrokkenheid bij de beslissing Onderwerp Wordt in Verband gebracht ontmoet Een Grondige informatie Onderzoek en gelijktijdige, alternatieve Wijze verwerken, terwijl Het ontbreken daarvan leidt tot attribuut-wise Informatieverwerking (Gensch & Javalgi, 1987). Dus NAAST de situationele aanjagers compenserende Besluitvorming op alle Deelnemers emotioneel betrokkenheid Kunnen Leiden tot Relatief Hoge compenserende Verwerking bij Deskundigen. Toekomstig Onderzoek Moet Gericht Zijn Op het onderscheid Tussen de Begrippen van deskundigheid en betrokkenheid OM their Eventueel Tegengestelde Effecten op de strategie van de selectie.

5 &# Xa0;&# Xa0; Conclusie

referenties

Dawkins, R. (1976). The Selfish Gene. Oxford: Oxford University Press.

Gigerenzer, G. Todd, P. M. & de ABC Research Group. (1999). Eenvoudige heuristieken sterven ons smart te maken. New York: Oxford University Press.

Hartmann A. & Sattler, H. (2002). Commercieel gebruik van vignettenmethode in Duitsland, Oostenrijk en Zwitserland (Research Papers op de marketing en de detailverkoop No. 6). Duitsland: Universiteit van Hamburg.

Payne, J. W. Bettman, J. R. & Johnson, E. J. (1993). Het adaptieve beslisser. Cambridge, Engeland: Cambridge University Press.

Wittink, D. R. Huber, J.C. Zandan, blz & Johnson, R. M. (1992). Het toevoegen aantal niveaus effect bij Gezamenlijke: Waar Komt Het vandaan, en Kan Worden geëlimineerd? Zaagtand Conference Proceedings. Ketchum, ID: Zaagtand Software.

Bijlage: Tabel Van het product profielen

Kalibratie en hold-out profielen Werden Gegenereerd voldaan SPSS Orthoplan. Orthogonaliteit van de fractionele factoriële Ontwerpen van de kalibratie profielen is gewaarborgd.

Een Profielen oorspronkelijk Opgenomen als de Enige two hold-out Profielen (onderscheid Niet meer van application moeten vertrekken-twee-out cross-validatie procedure); overige profielen Vormen Een evenwichtig en orthogonale design.

Wij Danken J&# XF6; rg Rieskamp, ​​Jonathan Baron en Twee anonieme reviewers for Nuttige commentaar op Eerdere versions of this manuscript, en degenen sterven Zo Vriendelijk Vrijwillig deel te Nemen Aan het Onderzoek. Adres: Anja Dieckmann, Basic Research, GfK Association, Nordwestring 101, 90319 Nü Rnberg, Duitsland. E-mail: anja.dieckmann@gfk.com. De GfK Association is de non-profit organisatie van de GfK Group. De activiteiten omvatten Niet-commercieel, Fundamenteel Onderzoek in Nauwe Samenwerking ontmoet Wetenschappelijke INSTELLINGEN.

In principe Kan Een onderscheid Worden Gemaakt Tussen de rating- en ranking op basis van gezamenlijke ontmoette behulp van regressie-analyse van als schattingsmethode en-Keuze op basis van gezamenlijke voldaan multinomiale logit Schatting Methoden (Bijv. Green & Srinivasan, 1978; Elrod, Louviere & Davey, 1992).

Merk op DAT bij dichotome Kenmerken uitsluitend lexicogra per aspects of werkwijzen tot hetzelfde Resultaat als lexicogra per Attributen processen.

Lineaire Programmering is a Niet-metrische methode for Het rangschikken van Gegevens. Het reacties geven, collega op lineaire optimalisatie. Het criterium te Minimaliseren is de som van metrische Correcties sterven Nodig Zijn OM de geschatte stimuli Waarden te ver in de geobserveerde rangorde. Hiërarchische Bayes logit is a Krachtige Maar complexe Manier OM de Individuele Nutsbedrijven te schatten. Het combines populatieniveau aannames dan moer distributies ontmoet Individueel niveau keuzes en schattingen Individuele Nutsbedrijven In een iteratief proces. Hiërarchische betekent DAT de distributie aannames Worden Gedaan op Een zowel global als op Individueel niveau.

De term hold-out Verwijst naar de Gegevens sterven Worden ingehouden op parameterschatting. Het Wordt Gebruikt for Het testen hoe goed Het model afgeleid deur ijking data, sterven Worden Gebruikt OM de parameters te schatten, voorspelt Nieuwe Gegevens. Een van de Doelstellingen Van het gebruik van hold-outs te voorspellende Nauwkeurigheid te bepalen Is Om ten gunste van modellen sterven de kalibratiegegevens overfit, wat leidt tot Hoge passen Waarden Maar lage voorspellende Waarde for Nieuwe Gegevens te vóórkomen.

Lexicografische processen Worden gekenmerkt deur Een attribuut-wise vergelijkingen; Maar er are also compenserende Strategieën attribuut-wise zoektocht, including de meerderheid van de Bevestiging van Afmetingen Regel (Russo & Dosher, 1983).

De fractionele Ontwerp Wordt geproduceerd deur de kortst Mogelijke Plannen te Selecting uit Een bibliotheek van voorbereide Plannen en Het toepassen van Een op regels gebaseerde procedure aan te Passen Aan het opgegeven toevoegen aantal Attributen en aspects (DAT wil Zeggen SPSS Orthoplan). Balanced betekent DAT elanden niveau van Een attribuut zelfs Vaak Wordt getoond, en loodrechte vermijdt correlaties Tussen de aangegeven niveaus Faciliteiten.

Meestal is Het onderscheid Wordt Duidelijk slechts gegevensanalyse: Kalibratie profielen Worden used for modelfitting, terwijl hold-outs Worden Gebruikt OM de voorspelling van de geschatte model te valideren.

In de waardering dataset Konden de Deelnemers dezelfde Waarde toe te Kennen aan Twee of meer opties, wat leidt tot Gebonden paren. This Banden Werden uitgeschakeld, zodat Alleen paren met Een duidelijke voorkeursvolgorde Werden Gebruikt OM de prestaties van de Verschillende modellen te Evalueren.

This Geschonden Koppels statistiek Wordt Gekozen omdat’ Het greedoid algoritme Maakt Alleen ordinale Voorspellingen, DAT wil Zeggen de uitgang Kan Alleen Worden Gebruikt Om Te voorspellen van Een alternatieve de Voorkeur boven andere, Maar Niet Hoeveel aantrekkelijker Wordt vergeleken met de andere. Maar merk op DAT de Geschonden paren gegeven, ondanks Zijn Eenvoud, gevoelig for magnitude error: Hoe verder Alternatief is apart in de expected Volgorde Vanaf de positie in de rangorde waargenomen, hoe meer paren Geschonden Wordt geproduceerd.

This effect Kan Worden Toegeschreven Aan het Aantal-niveau effect (bijvoorbeeld Wittink, Huber, Zandan & Johnson, 1992), omdat’ this Twee FUNCTIES Waren de enigen ontmoet three in Plaats van Twee niveaus.

Om aan de Bezwaren van de Taak orde Effecten aan te Pakken, herhaalden we de analyses for Alleen de Eerste Taak. Hetzelfde Patroon van resultaten Werd Gevonden: Wadd overtrof LBA for zowel ranking (15,7% vs. 18,7% Geschonden paren) en -classificatie (17,3% vs. 22,0% Geschonden paren) en LBA was beter in English voorspellen van ranking in vergelijking met ratinggegevens. Wanneer Task Orde toegevoegd als Een factor Tussen de subjecten in de herhaald Metingen ANOVA, de belangrijkste effect was Niet significant, F (1140) = 2,92, p = 0.090, noch Waren er significantie interactions.

In overeenstemming met this resultaten voorspellende Nauwkeurigheid van De Twee modellen aanzienlijk dalen wanneer Het model gemonteerd op de reacties in Een Taak Toegepast voorkeuren tot uitdrukking in de andere taken te voorspellen. Bij de rangschikking Wordt voorspeld deur de Wadd modellen gemonteerd op de waardering Taak, Het gemiddelde percentage Geschonden paren is 24,4%; wanneer cijfer Wordt voorspeld deur de Wadd modellen gemonteerd op de ranking Taak, Het is 20,3%. Voor LBA, de bijbehorende percentages 27,2% (ranking voorspeld deur LBA modellen gemonteerd BEOORDELING) en 23,0% (rating voorspeld deur LBA modellen gemonteerd ranking). De verliezen in voorspellende modellen Worden Toegepast wanneer Een andere Taak dan mannen voorspellen ZE aangebracht Worden OM zodoende Groter dan de Nauwkeurigheid Verschillen Tussen De Twee modellen Binnen Één Taak Zijn.

This document is vertaald Uit het L A TE X deur H E V E A.

Bron: www.sas.upenn.edu

Leave a comment

Your email address will not be published.


*


16 − zeven =