Die Marktforschung versucht das Entscheidungsproblem des Managements mit den ihr
verfügbaren Instrumenten zu lösen und dabei möglichst vollständige Datensätze aus
Primärforschung oder Deskresearch zu verwenden. Dies ist jedoch häufig unmöglich,
auch wenn dasjenige Untersuchungsdesign verwendet wird, bei dem wenige Ausfälle
vermutet werden. Bei der Auswahl des entsprechenden Erhebungsdesigns sollte man sich
im Klaren über mögliche Ausfallursachen sein (Herrmann/Homburg, 2000, S.81ff). So
kann in einem Interview falsches Verständnis der Frage, die Auskunftsunfähigkeit oder der
Unwille zur Beantwortung der Frage zu fehlenden Werten führen. Vor allem Fragen zu
Einkommen, Sexualverhalten oder Alkoholkonsum werden oft nicht beantwortet. So gibt
es viele Datensätze in der Marktforschung, die unvollständig sind: In einem Panel von
Horowitz und Golob (1979) waren bei 60% der 1565 Befragten 1% der Fragen
unbeantwortet und bei 10% fehlten sogar 5% der Daten (Lehmann, 1989, S.369). Beim
Vorkommen fehlender Werte muss man zunächst Klarheit über die Struktur des Ausfalls
gewinnen, um die richtige Lösung, bzw. Korrektur anzuwenden. Im Rahmen der
Strukturanalyse muss also zunächst untersucht werden, ob der zu Grunde liegende
Ausfallmechanismus zufälliger Natur ist, oder ob ein systematischer Zusammenhang zu
befürchten ist. Ein Ignorieren dieses Problems oder die Benutzung einer Ad-hoc-Lösung
kann das Ergebnis verzerren. Denn die Anwendung der einfachsten und nicht zuletzt wohl
deswegen beliebtesten Methode, der Dateneliminierung, ist nur unter einer sehr strikten
Voraussetzung, nämlich dass der Datenausfall vollkommen zufällig ist, richtig. Außer der
Dateneliminierung besteht noch u. A. die Möglichkeit der Vervollständigung der Daten mit
Schätzwerten oder die direkte Schätzung aus den unvollständigen Daten. Alle diese
Methoden setzen allerdings eine zufällige Verteilung der fehlenden Werte voraus. Ein
systematisches Fehlen erfordert komplizierte Lösungsschritte und die Kenntnis über die
Struktur des Ausfalls.
Beim Vorliegen eines vollkommen zufälligen Ausfalls ist man frei in der Auswahl der Korrekturmöglichkeit. Wenn die fehlenden Werte nur innerhalb des Merkmals unsystematisch wegbleiben, fallen die Möglichkeiten der Eliminierung, der Sensitivitätsanalyse und fast alle Methoden der Imputation aus. Sind die Datenausfälle gar systematisch, bleibt praktisch nur die Modellierung des Ausfallmechanismus.
Inhaltsverzeichnis
1. Einleitung
2. Gründe für das Fehlen von Daten
2.1 Forschungsdesign
2.2 Primär- und Sekundärforschung
3. Arten und Verteilungsmuster fehlender Daten
3.1 Zufällige Verteilungsmuster fehlender Daten
3.2 Systematische Verteilungsmuster fehlender Daten
3.3 Strukturanalyse und Testverfahren auf Verteilungsmuster
4. Lösungsvorschläge und Korrekturmöglichkeiten
4.1 Strategien allgemein
4.2 Korrekturverfahren bei zufälligen Ausfällen
4.3 Korrekturverfahren bei systematischen Ausfällen
5. Diskussion und Schlussbemerkung
Zielsetzung & Themen
Die Arbeit untersucht das Problem fehlender Werte in marktforschungsspezifischen Datensätzen, analysiert deren Ursachen sowie Verteilungsmuster und bewertet verschiedene statistische Korrektur- und Lösungsmethoden hinsichtlich ihrer Anwendbarkeit.
- Identifikation und Klassifizierung von Ausfallursachen
- Unterscheidung zwischen zufälligen (MCAR/MAR) und systematischen Ausfallmustern
- Evaluierung von Eliminierungs- und Imputationsverfahren
- Analyse fortgeschrittener statistischer Schätzverfahren (z.B. EM-Algorithmus)
- Empfehlung für eine systematische Vorgehensweise in der Marktforschungspraxis
Auszug aus dem Buch
3. Arten und Verteilungsmuster fehlender Daten
Als zufällige Verteilungsmuster von Fehlern werden solche betrachtet, die keine eindeutige Konzentration auf bestimmte Merkmale aufweisen. Dies bedeutet, dass zufällige Fehlerverteilungen unabhängig von den Ausprägungen des jeweiligen Merkmals sein müssen und zwischen fehlenden Daten zweier Merkmale kein Zusammenhang besteht (Bankhofer/ Praxmarer, 1998, S.110ff). In der Literatur werden zufällige Verteilungsmuster in MAR (missing at random) und MCAR (missing completely at random) unterschieden. MCAR ist die strengste Klassifizierung: Das Fehlen der Werte darf in keiner Weise von den vorhandenen oder den fehlenden Werten abhängen. MAR verteilte Fehler dürfen nicht von der speziellen Merkmalsausprägung abhängen, aber sie dürfen von einem anderen Merkmal abhängig sein. Wenn beispielsweise Daten zu Alter und Alkoholkonsum gesammelt werden und ältere Menschen besonders ungern Angaben zum Alkoholkonsum machen, so können die fehlenden Werte trotzdem MAR sein.
Wichtig dabei ist, dass Menschen, die eine besondere Merkmalsausprägung haben - also in diesem Fall beispielsweise viel Alkohol trinken - genauso oft die Daten angeben wie andere, sonst wären die Daten nicht MAR. Wenn die fehlenden Werte weder vom Alter noch vom Alkoholkonsum abhängen, so können die fehlenden Daten als MCAR bezeichnet werden.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung erläutert die Relevanz vollständiger Datensätze in der Marktforschung und verdeutlicht die Notwendigkeit, zwischen verschiedenen Ausfallursachen und -strukturen zu unterscheiden, um Verzerrungen der Ergebnisse zu vermeiden.
2. Gründe für das Fehlen von Daten: Dieses Kapitel klassifiziert Datenausfälle in Item- und Total-Non-Response und untersucht, wie das Forschungsdesign sowie die Art der Datenerhebung (Primär- vs. Sekundärforschung) zur Entstehung fehlender Werte beitragen.
3. Arten und Verteilungsmuster fehlender Daten: Hier werden die theoretischen Konzepte von MCAR, MAR und systematischen Ausfällen definiert und Methoden der deskriptiven sowie induktiven Statistik zur Analyse dieser Muster vorgestellt.
4. Lösungsvorschläge und Korrekturmöglichkeiten: Das Kapitel bietet einen Überblick über praktische Ansätze zur Korrektur fehlender Daten, darunter Eliminierungsstrategien, verschiedene Imputationsverfahren und Verfahren zur Parameterschätzung.
5. Diskussion und Schlussbemerkung: Die Diskussion fasst die Anwendbarkeit der Verfahren zusammen und empfiehlt ein strukturiertes Vorgehen zur Wahl der optimalen Methode in Abhängigkeit vom identifizierten Ausfallmechanismus.
Schlüsselwörter
Marktforschung, Fehlende Werte, Item-Non-Response, Datenausfall, MCAR, MAR, Dateneliminierung, Imputation, Hot-Deck-Verfahren, EM-Algorithmus, Parameterschätzung, Regressionsanalyse, Clusteranalyse, Strukturanalyse, Ausfallmechanismus.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die Herausforderung unvollständiger Datensätze in der Marktforschung und zeigt auf, wie der Marktforscher methodisch korrekt mit fehlenden Werten umgehen kann.
Was sind die zentralen Themenfelder?
Im Fokus stehen die Identifikation von Ausfallursachen, die statistische Klassifizierung von Verteilungsmustern und der Vergleich verschiedener Korrekturverfahren wie Eliminierung, Imputation und Parameterschätzung.
Was ist das primäre Ziel der Arbeit?
Ziel ist es, einen Überblick über die Lösungswege zu geben und dem Anwender ein Schema an die Hand zu geben, um die jeweils am besten geeignete Vorgehensweise bei Datenlücken zu wählen.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit basiert auf einer Literaturanalyse und dem Vergleich statistischer Verfahren wie der deskriptiven Datenanalyse, Anpassungstests, verschiedener Imputationsalgorithmen sowie multivariater Analyseverfahren.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die Ursachenanalyse, die theoretische Einordnung der Ausfallmuster (MCAR, MAR, systematisch) und die detaillierte Darstellung von Korrekturmöglichkeiten für die jeweiligen Szenarien.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Die Arbeit lässt sich primär über die Begriffe Marktforschung, Fehlende Werte, Imputation und Ausfallmechanismus charakterisieren.
Wie unterscheidet sich die "available-case" von der "complete-case" Methode?
Bei "available-case" werden alle vorhandenen Daten genutzt, während bei "complete-case" die Merkmale mit Lücken komplett gelöscht werden, was oft zu einem unnötigen Verlust von Informationen führt.
Warum ist der EM-Algorithmus für den Marktforscher von Bedeutung?
Der EM-Algorithmus stellt eine effiziente Methode zur Parameterschätzung bei vorliegender Normalverteilung dar, da er keine komplexen Vorinformationen über die Datenlücken benötigt.
- Quote paper
- Milosz Splawinski (Author), 2004, Fehlende Werte in der Marktforschung Problembehandlung und Diskussion, Munich, GRIN Verlag, https://www.grin.com/document/70799
