Empfehlungen
A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   X   Y   Z  
  Home Top 10 Fachbereiche News Hilfe & FAQ
 

Automatic-Interaction-Detector

(AID) auf der Varianzanalyse beruhendes und v.a. für Zwecke der Marktsegmentierung eingesetztes Verfahren der Multivariaten- analyse zur deglomerativen Zerlegung (Seg­mentierung) von Gesamtheiten nach Maßga­be der bedeutsamsten Merkmale. In der Marktforschung werden üblicherwei­se einzelne soziodemographische Variablen zur Erklärung von Einstellungs- oder Ver­haltensdiskrepanzen herangezogen. Die Se­lektion der interessierenden Variablen er­folgt zumeist vor dem Hintergrund impliziter Hypothesen über den Zusammen­hang etwa von Kaufentscheidungen und Deskriptoren von Konsumenten. Bisweilen reicht die statistische Erklärungskraft einzel­ner Indikatoren hierzu nicht aus, weil einzel­ne Prädiktoren im Verbund mit anderen kompensatorisch wirken können. Damit ist das prinzipielle Problem von stati­stischen Menr-Variablen-Modellen ange­sprochen. Der regressionsanalytische An­satz gibt Auskunft über Einflußstärke und -richtung etwa aller verfügbaren soziodemo- graphischen Merkmale (multiple simultane Regression) bzw. derjenigen Merkmale, die einen (zusätzlichen) Beitrag zur „Erklärung“ (signifikante F-Werte) des in Frage stehen­den Kriteriums leisten (multiple iterative Re­gression). Die lineare Regressionsmethode weist zwei gravierende Nachteile auf. Erstens wird ein lineares Abhängigkeitsverhältnis zwischen dem Kriterium und den Prädiktoren unter­stellt. Dies führt bei nichtlinearen Abhängig­keiten dazu, dass dem Prädiktor keine oder nur eine zu geringe Erklärungskraft zuge­wiesen wird. Zweitens werden - wie beim multiplen Korrelationskoeffizienten - nur saldierte Wirkungen berücksichtigt, wo­durch namentlich in der Einstellungsfor­schung bedeutsame Wechselwirkungen ver­schleiert werden können, wenn ein Prädiktor einmal positiv und einmal negativ mit dem Kriterium kovariiert. Ein weiterer wesentli­cher Nachteil dieser Methode ist darin zu se­hen, dass sowohl das Kriterium als auch die Prädiktoren zumindest intervallskaliert sein sollten. Allerdings besteht die Möglichkeit, ordinalskalierte Prädiktoren in mehrere di- chotome Kunstvariablen (Dummies) aufzu­spalten, wobei man jedoch einen durch die Verringerung des Skalenniveaus bewirkten Informationsverlust in Kauf nehmen muß. Da die Regressionsanalyse nur bei genügend hohem Erklärungsgrad für die Varianz des Kriteriums geeignet ist, aufgrund von beob­achtbaren situativen Merkmalen aussage­kräftige Prognosen etwa über eine positive oder negative Einstellung von Verbrauchern gegenüber einem Produkt oder einem son­stigen Meinungsgegenstand zu erstellen, er­scheint diese Analysemethode für Frage­stellungen, die von einer Vielzahl von Verbrauchervariablen beeinflußt sein kön­nen, wenig geeignet. Als Alternative zur hypothesengesteuerten Segmentierung von Stichproben bietet sich die „Rückwärtssegmentierung“ an. Der zen­trale Gedanke dieser eher als theoriebildend zu bezeichnenden heuristischen Vorgehens­weise besteht darin, dass im Hinblick auf die Ausprägung etwa von Einstellungswerten gegenüber einem Meinungsgegenstand ho­mogene Gruppen auf ihre sozialstatistischen Deskriptoren hin untersucht werden. Diese Methode führte jedoch zu Deskriptorenli­sten, deren Elemente unverbunden neben­einanderstünden. Zur Lösung dieses Problems eignet sich ein von Sonquist, Baker & Morgan (1973) ent­wickeltes Verfahren namens Automatic In- teraction Detector (AID). Wie der Name an­deutet, besteht das Ziel dieses auf der Zerlegung der Varianz der abhängigen Vari­ablen basierenden Verfahrens darin, Interak­tionen zwischen den Prädiktoren aufzudecken bzw. diese für die Erklärung der Varianz der abhängigen Variablen zu nutzen. Wäh­rend die zu erklärende Variable zumindest Intervallskalenniveau besitzen muß, können die Prädiktoren ein beliebiges Skalenniveau aufweisen, da letztere lediglich zu Gruppie­rungszwecken herangezogen werden. Die Essenz dieses Verfahrens besteht darin, dass, ausgehend vom Gesamtsample, jede mögli­che Gruppierungfür alle unabhängigen Vari­ablen auf ihr Ausmaß an Varianzreduktion bei der abhängigen Variablen hin überprüft wird. Dabei werden immer nur zwei Grup­pen für jeden Prädiktor gebildet. In die Des­kriptorenliste wird jeweils jener Prädiktor aufgenommen, der den größten Anteil an noch verbliebener Varianz zu erklären ver­mag. Die aufgrund dieses Entscheidungskri­teriums gebildeten, nicht überlappenden zwei Kontrastgruppen sind, nunmehr jede für sich, Ausgangspunkt für den nächsten Teilungsschritt, der dann zu vier Gruppen führt, die ihrerseits wiederum in acht Grup­pen aufgespalten werden usw.

Formelmäßig stellt sich die Splitentscheidung wie folgt dar:
Automatic-Interaction-Detector ZGVj = Zwischengruppenvarianz des Prädiktors j
IGVji = Innergruppenvarianz der Gruppierungskonstellation 1 für den Prädiktor j
IGVj2 = Innergruppenvarianz der Grup­pierungskonstellation 2 für den Prädiktor;
GV = gesamte Varianz des Kriteriums

Diese mehrstufigen Teilungen führen zu ei­nem baumförmigen Gebilde von Kontrast­gruppen, weshalb die AID-Methode auch als “Tree-Analysis“ bezeichnet wird. Sie gilt als beendet, wenn - die durch einen weiteren Split zusätzlich erklärte Varianz einen vorgegebenen Pro­zentsatz unterschreitet, oder - eine oder beide der zu bildenden Unter­gruppen eine vorgegebene Minimalgröße unterschreiten, oder - sämtliche Merkmalsausprägungen bei der Definition von Untergruppen bereits ver­wandtwurden. Die beiden erstgenannten Abbruchkriterien sind nicht unproblematisch. Wird die gefor­derte Varianzerklärung hoch angesetzt, so besteht die Gefahr eines frühen Abbruchs des Algorithmus, der nach Überwindung ei­nes lokalen Minimums durchaus noch zur Erklärung beträchtlicher Varianzanteile füh­ren könnte. Kleine Gruppen hingegen ber­gen die Gefahr in sich, dass ein „Ausreißer“ u. U. den Mittelwert des Kriteriums für diese Gruppe verzerrt. Da für die AID-Methode kein Signifikanz­test der Ergebnisse existiert, müßte eine Gü­teprüfung im Hinblick auf die Stabilität bzw. Zufälligkeit der Befunde mit Hilfe der Split- half-Methode erfolgen: Eine Hälfte des Sam­ple wird dem Algorithmus unterzogen, und für die andere Hälfte wird die ermittelte Prä- diktorenkonstellation zur Berechnung des jeweiligen numerischen Werts des Krite­riums herangezogen. Mit Hilfe von T-Tests können die Mittelwerte der ersten Hälfte der Stichprobe mit denjenigen der zweiten Hälf­te des Sample überprüft werden. Aufgrund der immer stärkeren Aufteilung des Sample werden die Gruppen auf den nachgeordneten Ebenen des Analysebaums rasch sehr klein, so dass diese Methode große Stichproben voraussetzt. Wird von Sonquist et al. eine Größe der Analyseeinheit von 10 Probanden gefordert, so erhöht sich angesichts der geschilderten Split-half-Methode die insgesamt als notwendig erachtete Stichprobengröße auf 2. 000, um relativ gesi­cherte Aussagen über den Effekt des Zusam­menwirkens von unabhängigen Variablen auf das Kriterium machen zu können. Die sukzessive Analysetechnik und die Mög­lichkeit, identische bzw. ähnliche Ausprä­gungen von Kriterien auf unterschiedliche objektive Hintergründe zu projizieren, ver­leihen der AID-Methode hohe Problem­adäquanz. Dennoch fand sie in der Markt­forschung bislang wenig Anwendung, vermutlich deshalb, weil - der Anspruch an die Stichprobengröße sehr hoch ist und - es sich um ein heuristisches Verfahren han­delt, das das Vorgehen eines hypothesen­losen Forschers nachahmt, der sämtliche Datenkonstellationen auf einen Effekt auf die interessierende Variable hm abprüft. Darüber hinaus erfordert die Methode vom Anwender erhebliche Datenaufbereitungs­arbeiten, insb. dann, wenn die Prädiktoren in Dummies auf gespalten werden müssen. Auf­grund der für das Programm und die Daten erforderlichen Kernspeicherkapazität dürfte nach wie vor der Einsatz der AID-Methode auf Großrechenanlagen beschränkt sein, denn der Algorithmus erfordert, dass ständig sämtliche Daten aller Befragten, die für die erste bzw. alle weiteren Gruppenbildungen in Frage kommen, speicherresident sind und für Splitentscheidungen sämtliche Zwischenergebnisse aller möglichen Deskriptorenkombinationenvorliegen.

Siehe auchAID-Technik

Literatur:  Finck, G., Versorgungszufriedenheit. Ein Beitrag zur empfängerorientierten Versor- ungsforschung, Berlin 1990. Sonquist,]. A.; Baer, ; Morgan,]. N., Searching for Structure, Ann Arbor 1973.

Vorhergehender Fachbegriff: Automatic Transfer Services | Nächster Fachbegriff: Automatik



  Diesen Artikel der Redaktion als fehlerhaft melden & zur Bearbeitung vormerken

   
 
 

   Weitere Begriffe : Nachfragestruktur | Pariser Club | Stichprobenbildung

   Praxisnahe Definitionen

Nutzen Sie die jeweilige Begriffserklärung bei Ihrer täglichen Arbeit. Jede Definition ist wesentlich umfangreicher angelegt als in einem gewöhnlichen Glossar.

  Marketing

  Definition

  Konditionenpolitik

   Fachbegriffe der Volkswirtschaft

Die Volkswirtschaftslehre stellt einen Grossteil der Fachtermini vor, die Sie in diesem Lexikon finden werden. Viele Begriffe aus der Finanzwelt stehen im Schnittbereich von Betriebswirtschafts- und Volkswirtschaftslehre.

  Investitionsrechnungen

  Marktversagen

  Umsatzsteuer

   Beliebte Artikel

Bestimmte Erklärungen und Begriffsdefinitionen erfreuen sich bei unseren Lesern ganz besonderer Beliebtheit. Diese werden mehrmals pro Jahr aktualisiert.

  Cash Flow

  Bausparen

  Fremdwährungskonto


     © 2023-2024 Wirtschaftslexikon24.com       All rights reserved.      Home  |  Datenschutzbestimmungen  |  Impressum  |  Rechtliche Hinweise
Aktuelles Wirtschaftslexikon