Ziel der Arbeit ist, die Zahlungsbereitschaften für Hersteller- und Handelsmarken innerhalb drei unterschiedlicher Betriebsformate zu erheben und daraufhin zu überprüfen, ob ein überzufälliger Zusammenhang zwischen Zahlungsbereitschaft und den unterschiedlichen Ausprägungen der Betriebsformate besteht. Die unterschiedlichen Betriebsformate umfassen ein SB-Warenhaus, einen Supermarkt und einen Discounter. Für Einzelhandelsunternehmen könnte dies von großer Bedeutung sein, da hier eventuell Preisspannen bestehen, die noch ausgeschöpft werden können.
Inhaltsverzeichnis
1. Einleitung
1.1 Problemstellung
1.2 Ziel der Arbeit
1.3 Aufbau der Arbeit
2. Das Projekt
2.1 Einführung
2.2 Ziel und Relevanz
2.2.1 Erwartungen über Konsumentenverhalten
2.2.2 Hypothesen
2.3 Praktische Umsetzung
2.3.1 Durchführung
2.3.2 Zeitplanung
2.3.3 Design des Fragebogens
3. Regressionsanalyse
3.1 Modellformulierung
3.1.1 Daten
3.1.2 Variablendefinition
3.2 Schätzung der Regressionsfunktionen
3.3 Prüfung der Regressionsfunktion
3.3.1 Bestimmtheitsmaß
3.3.2 F-Test
3.3.3 Standardfehler
3.4 Prüfung der Regressionskoeffizienten
3.4.1 T-Test
3.5 Kritische Würdigung
4. Ergebnisanalyse
4.1 Analyse mit sämtlichen Regressoren
4.1.1 Daten-Set
4.1.2 Daten-Set
4.2 Analyse nur mit Betriebsformat- und Image-Regressoren
4.2.1 Daten-Set
4.2.2 Daten-Set
4.2.3 Daten-Set Minimal
4.2.4 Daten-Set Toom
4.2.5 Daten-Set Penny
4.3 Vergleich der Zahlungsbereitschaften auf Betriebsformatebene
4.3.1 Allgemeine Zahlungsbereitschaften
4.3.2 Zahlungsbereitschaften für Herstellermarken
4.3.3 Zahlungsbereitschaften für Handelsmarken
4.4 T-Test bei unabhängigen Stichproben
4.4.1 Allgemeine Zahlungsbereitschaft
4.4.2 Zahlungsbereitschaft für Herstellermarken
4.4.3 Zahlungsbereitschaft für Handelsmarken
4.5 Varianzanalyse – Einfaktorielle ANOVA
4.5.1 Überprüfung der allgemeinen Zahlungsbereitschaft
4.5.2 Überprüfung der Zahlungsbereitschaft für Herstellermarken
4.5.3 Überprüfung der Zahlungsbereitschaft für Handelsmarken
4.6 Zwischenfazit
4.7 Statistiken
4.8 Bestätigung der Hypothesen
4.9 Implikation für den Handel (Management-Empfehlungen)
5. Zusammenfassung, Ausblick und Würdigung
Analyse mit sämtlichen Regressoren
Daten-Set
Daten-Set
Analyse nur mit Betriebsformat- und Image-Regressoren
Daten-Set
Daten-Set
Vergleich der Zahlungsbereitschaften auf Betriebsformatebene
Allgemeine Zahlungsbereitschaften
Zahlungsbereitschaften für Herstellermarken
Zahlungsbereitschaften für Handelsmarken
T-Test bei unabhängigen Stichproben
Allgemeine Zahlungsbereitschaft
Zahlungsbereitschaft für Herstellermarken
Zahlungsbereitschaft für Handelsmarken
Varianzanalyse – Einfaktorielle ANOVA
Überprüfung der allgemeinen Zahlungsbereitschaft
Überprüfung der Zahlungsbereitschaft für Herstellermarken
Überprüfung der Zahlungsbereitschaft für Handelsmarken
Statistiken
Abbildungsverzeichnis
Abbildung 1: Der deutsche Konsument
Tabellenverzeichnis
Tabelle 1: Übersicht der abgefragten Produkte
Tabelle 2: Übersicht der primären unabhängigen Variablen
Tabelle 3: Übersicht der sekundären unabhängigen Variablen
Tabelle 4: Übersicht der Effekte
Tabelle 5: Modellzusammenfassung – Daten-Set 1 – Analyse mit sämtlichen Regressoren
Tabelle 6: ANOVA – Daten-Set 1 – Analyse mit sämtlichen Regressoren
Tabelle 7: Signifikante Regressionskoeffizienten – Daten-Set 1 – Analyse mit sämtlichen Regressoren
Tabelle 8: Signifikante Regressionskoeffizienten – Daten-Set 2 – Analyse mit sämtlichen Regressoren
Tabelle 9: Modellzusammenfassung – Daten-Set 1 – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 10: ANOVA – Daten-Set 1 – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 11: Signifikante Regressionskoeffizienten – Daten-Set 1 – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 12: Signifikante Regressionskoeffizienten – Daten-Set 2 – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 13: Modellzusammenfassung – Daten-Set Minimal – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 14: ANOVA – Daten-Set Minimal – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 15: Signifikante Regressionskoeffizienten – Daten-Set Minimal – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 16: Modellzusammenfassung – Daten-Set Toom – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 17: ANOVA – Daten-Set Toom – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 18: Signifikante Regressionskoeffizienten – Daten-Set Toom – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 19: Modellzusammenfassung – Daten-Set Penny – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 20: ANOVA – Daten-Set Penny – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 21: Signifikante Regressionskoeffizienten – Daten-Set Penny – Analyse nur mit Betriebsformat- und Image-Regressoren
Tabelle 22: Mittelwerte allgemeiner ZB auf Betriebsformatebene
Tabelle 23: Mittelwerte ZB für Herstellermarken auf Betriebsformatebene
Tabelle 24: Mittelwerte ZB für Handelsmarken auf Betriebsformatebene
Tabelle 25: Übersicht der Ergebnisse der Varianzanalysen
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
1 Einleitung
1.1 Problemstellung
Die Entwicklung der Vielfalt von Betriebsformen stellt eine Konsequenz des Strukturwandels der Einzelhandelsunternehmen auf betrieblicher Ebene dar und kann als Formatwandel bezeichnet werden. Als wichtiger Baustein des Formatwandels wird seit den 50er Jahren der Wechsel vom Bedienungsladen mit Theke hin zum Selbstbedienungsgeschäft angesehen[1]. Innerhalb der Betriebsformate[2] zeigt sich, dass in immer größerem Maße Handelsmarken etabliert[3] werden, die zunehmend bestehende Herstellermarken verdrängen könnten.
Die unterschiedlichen Betriebsformate im Lebensmitteleinzelhandel in Deutschland zeigen signifikante Preisunterschiede in Bezug auf Herstellermarken. In Hinblick auf Handelsmarken konnte kein signifikanter Preisunterschied festgestellt werden.[4] Da in dieser Studie lediglich die Preisgestaltung, d.h. die gesetzten Preise seitens der Einzelhandelsunternehmen untersucht wurden, ist eine Studie der Zahlungsbereitschaften der Konsumenten im Kontext des jeweiligen Betriebstyps erforderlich. In diesem Zusammenhang wird nach dem maximalen Preis gefragt, den ein Konsument für ein bestimmtes Produkt zu zahlen bereit ist.[5]
1.2 Ziel der Arbeit
Ziel der Arbeit ist, die Zahlungsbereitschaften für Hersteller- und Handelsmarken innerhalb drei unterschiedlicher Betriebsformate zu erheben und daraufhin zu überprüfen, ob ein überzufälliger Zusammenhang zwischen Zahlungsbereitschaft und den unterschiedlichen Ausprägungen der Betriebsformate besteht. Die unterschiedlichen Betriebsformate umfassen ein SB-Warenhaus, einen Supermarkt und einen Discounter. Für Einzelhandelsunternehmen könnte dies von großer Bedeutung sein, da hier eventuell Preisspannen bestehen, die noch ausgeschöpft werden können
1.3 Aufbau der Arbeit
Zunächst werden drei Betriebsformate des in Deutschland zweitgrößten Lebensmitteleinzelhändlers[6], dem REWE-Konzern, ausgewählt: Minimal (Supermarkt), Toom (SB-Warenhaus) und Penny (Discounter). Innerhalb dieser Betriebsformate erfolgt eine Erhebung von Präferenzdaten[7]: die Zahlungsbereitschaften[8] von Fast Moving Consumer Goods werden direkt am POP mittels einer direkten Preisbefragung in Form eines Fragebogens gewonnen. Hier werden jeweils zwei Produktkategorien, einmal Kaffee und einmal Schokolade, untersucht. Innerhalb jeder Produktkategorie werden sechs Produkte (Hersteller- sowie Handelsmarken) getestet. Die Konsumenten werden zufällig ausgewählt. Zusätzlich werden demographische Daten erhoben. Anschließend erfolgt eine Regressionsanalyse, um zu prüfen, ob ein signifikanter Zusammenhang besteht und wenn ja, wie stark dieser Zusammenhang ist.
2 Das Projekt
2.1 Einführung
Grundlage der vorliegenden Arbeit ist die empirische Untersuchung des Einflusses von verschiedenen Betriebsformaten auf die ZB von Hersteller- und Handelsmarken anhand einer direkten Konsumentenbefragung unter Verwendung von Präferenzdaten mittels Fragebogen.
Bei der Auswahl der Betriebsformen wurden die drei Sparten ‚Supermarkt’, ‚SB-Warenhaus’ und ‚Discounter’ zu Grunde gelegt. Hierbei empfahl es sich, vor dem Hintergrund der Ableitung von Handlungsempfehlungen für das Management von Handel und Herstellern, Geschäfte zu untersuchen, die einem Handelskonzern angehören.
Mit Minimal (Supermarkt), Toom (SB-Warenhaus) und Penny (Discounter) wurden die drei umsatzstärksten Formate des REWE-Konzerns im Bereich Lebensmitteleinzelhandel (LEH) ausgewählt. Folgende Produktkategorien wurden in der Umfrage getestet:
Tabelle 1 : Übersicht der abgefragten Produkte
Abbildung in dieser Leseprobe nicht enthalten
Die Abfrage der ZB wurde durch die Verwendung einer gleich verteilten, 15-stufigen Preisskala durchgeführt, wobei der mittlere Preis den tatsächlich ausgezeichneten Preis darstellt.
2.2 Ziel und Relevanz
2.2.1 Erwartungen über Konsumentenverhalten
Für die Abbildung des erwarteten Konsumentenverhaltens wird eine Klassifizierung[9] der Kunden in Schnäppchenjäger, Qualitätskäufer und Smart Shopper vorgenommen. Da diese Kundengruppen nur marginale Schnittmengen aufweisen, eignen sie sich in besonderem Maße für die Verwendung vor dem Hintergrund des vorliegenden Projektes.
Abbildung 1 : Der deutsche Konsument
Abbildung in dieser Leseprobe nicht enthalten
KPMG, Status Quo und Perspektiven im dt. LEH (2004), S. 28
Die charakteristischen Merkmale der Kundensegmentierung (nach KPMG), können auf folgende Verhaltensannahmen ausgeweitet werden, die für die vorliegende Untersuchung von besonderer Relevanz sind:
1. Kunden mit starker Präferenz für Herstellermarken (Qualitätskäufer)
Diese Kunden zeichnen sich durch eine besondere Vorliebe zu den Ihnen vertrauten Herstellermarken aus und sind auch bereit dafür mehr zu bezahlen. Qualität ist Ihnen wichtiger als der Preis und sie verbinden Herstellerprodukte implizit mit einer höheren Qualität in Relation zu Handelsmarken.
Es ist zu erwarten, dass diese Kundengruppe vorwiegend im Supermarkt oder SB-Warenhaus einkaufen geht, durch einen hohen Bildungsstand charakterisiert ist und über ein hohes Einkommen verfügt.
2. Kunden mit starker Präferenz für Handelsmarken (Schnäppchenjäger)
Diese Kunden zeichnen sich durch eine hohe Preissensibilität aus, vergleichen Preise häufiger als obige Vergleichsgruppe und bevorzugen häufig Discounter, um vorwiegend Handelsmarken einzukaufen. Dieser Kundengruppe kann man a priori ein tendenziell niedrigeres Einkommen und einen geringeren Bildungsstand zuweisen.
3. Kunden mit Indifferenz bzw. kategorieabhängigen Präferenzen für Hersteller- und Handelsmarken (Smart Shopper)
Dieses Kundenverhalten, das nur teilweise über den Fragebogen abgebildet werden kann, zeigt keine eindeutige Präferenz für Hersteller- oder Handelsmarken. Es werden gemischte Warenkörbe gekauft, unabhängig von der Art der Marke. Bewusst gespart wird beim Lebensmittelkauf von billigen Handelsmarken einer Kategorie, um in einer anderen teure Markenprodukte zu kaufen. Hinsichtlich der Demographika können keine besonderen Tendenzen nachgewiesen werden.
2.2.2 Hypothesen
Zur Beantwortung der Frage, ob das Betriebsformat einen Einfluss auf die ZB von Hersteller- und Handelsmarken hat, können unter Berücksichtigung des Untersuchungskontextes folgende Arbeits- bzw. Alternativhypothesen formuliert werden:
Hypothese 1: Herstellermarken weisen eine größere ZB auf als Handelsmarken.
Hypothese 2: Die höchste ZB für Handelsmarken ist im Supermarkt-Segment festzustellen.
Hypothese 3: Die niedrigste ZB für Handelsmarken ist im Discounter-Segment festzustellen.
Hypothese 4: Die höchste ZB für Herstellermarken ist im Supermarkt-Segment festzustellen.
Hypothese 5: Die niedrigste ZB für Herstellermarken ist im Discounter-Segment festzustellen.
Diese Hypothesen werden im Folgenden unter Verwendung der Regressionsanalyse auf Gültigkeit überprüft.
2.3 Praktische Umsetzung
2.3.1 Durchführung
Im Rahmen der Studie wurde ein Fragebogen entwickelt, der Fragen zu Imageaspekten, Kaufverhalten, zur ZB sowie zu demographischen Angaben enthielt. Die Befragung erfolgte per Zufallsauswahl mündlich direkt am jeweiligen Outlet vor Ort.
Insgesamt wurden jeweils ca. 45 Befragungen pro Betriebsform durchgeführt (N=130). Die erhobenen Daten wurden in einem Excel-Sheet kodiert eingegeben, wodurch die Zusammenführung der Daten erleichtert wurde[10]. Dieses Format konnte dann einfach in das Statistikprogramm SPSS für die anschließende Regressionsanalyse importiert werden.
2.3.2 Zeitplanung
Die direkte Erhebung der ZB mittels Fragebogen erfolgte an drei aufeinander folgenden Tagen (01.07.2006 bis 03.07.2006).
2.3.3 Design des Fragebogens
Der verwendete Fragebogen charakterisiert sich durch 3 Hauptfrageblöcke.
1. Einführungsfragen (bezüglich Image, Einkaufsatmosphäre etc.)
Bsp: "Wo kaufen Sie (unabhängig vom Preis) am liebsten ein?"
2. Fragen zum Produkt Image
Bsp: "Finden Sie, dass Produkte von Handelsmarken qualitativ schlechter sind als Herstellerprodukte?"
3. Fragen zur ZB (mittels vorgegebener Preise)
Bsp: bipolare Preisskala für Milka-Schokolade.
4. Persönliche Fragen und Demographika
Bsp : "Wie hoch das monatliche Nettoeinkommen Ihres Haushaltes?"
Bei Befragungen besteht eine große Wahrscheinlichkeit, dass Fragen aus unterschiedlichen Gründen unbeantwortet bleiben.[11] Um diese fehlenden Werte trotzdem erfassen zu können, wird empfohlen, für jeden fehlenden Wert einen bestimmten, immer gleich bleibenden Wert einzugeben. Dieser Wert muss sich von allen anderen eingegebenen Werten unterscheiden. Damit das Programm dies als fehlenden Wert erkennen kann, muss dieser als solcher gekennzeichnet werden. Die fehlenden Variablen können auch leer bleiben; das Programm erkennt hier automatisch einen fehlenden Wert.[12]
3 Regressionsanalyse
Die Regressionsanalyse findet ihren primären Anwendungsbereich in der Untersuchung von Kausalbeziehungen.[13] Neben der Wirkungsprognose und der Zeitreihenanalyse kann die Regressionsanalyse auch für die Ursachenanalyse eingesetzt werden. Im letzteren Fall gilt es zu untersuchen wie stark der Einfluss der unabhängigen Variablen (Regressoren) auf die abhängige Variable (Regressand) ist. Im Hinblick auf die Fragestellung unseres Themas stellt die ZB der Konsumenten den Regressanden dar, während das Betriebsformat der Händler als unabhängige Variable (Regressor) verstanden werden kann.
3.1 Modellformulierung
Im Rahmen dieser Seminararbeit wird zur Analyse des vermuteten Zusammenhangs zwischen den ZB für Hersteller- und Handelsmarken und dem Betriebsformat auf ein multivariates Verfahren zurückgegriffen. Neben dem Einfluss des Betriebsformats werden weitere Einflussfaktoren wie z.B. demographische Faktoren oder auch Image-Faktoren des jeweiligen Betriebsformats hinzugenommen, um ein ‚höheres Erklärungsniveau’[14] zu generieren.
Wie schon in Kapitel 2.3 erwähnt, sind die Daten vor drei verschiedenen Betriebsformaten erhoben worden. So wurden Probanden direkt vor einem Minimal Supermarkt, einem Toom SB-Warenhaus und vor einem Penny Discounter Markt nach ihrer ZB für insgesamt 12 Produkte (2 Kategorien á 6 Produkte, die sich wiederum in 3 Hersteller- und in 3 Handelsmarken aufteilen) befragt worden. Die Anzahl der befragten Probanden beläuft sich für den Minimal Supermarkt auf n = 48, für das Toom SB-Warenhaus auf n = 35 und für den Penny Discounter Markt auf n = 47.
Für beide Kategorien (Schokolade und Kaffee) wurden Durchschnittspreise errechnet, die in der Analyse hinsichtlich der ZB der Probanden als Benchmark dienen, so dass die ZB eines Probanden gegenüber einem Produkt durch den prozentualen Unterschied zum jeweiligen Durchschnittspreis dargestellt wird.
3.1.1 Daten
Die durch den Fragebogen gesammelten Daten dienen der Regressionsanalyse als Daten-Input. Die Befragungen der Probanden kann als Stichprobe verstanden werden, die Rückschlüsse auf die ‚tatsächliche’ Grundgesamtheit zulassen soll.
Die Probanden wurden vor dem jeweiligen Geschäft (Minimal, Toom oder Penny) zufällig ausgewählt und mit Imagefragen zu allen drei Betriebsformaten befragt.
3.1.2 Variablendefinition
Für die Regressionsanalyse mit SPSS müssen die Variablen definiert und kodiert werden. Es wird die Unterscheidung zwischen primären und sekundären unabhängigen Variablen getroffen. Da der Einfluss des Betriebsformates (primäre Einflussvariable) auf die ZB für Hersteller- und Handelsmarken Gegenstand der Untersuchung ist, werden diese Variablen im Folgenden als erstes definiert.
Abhängige Variable:
ZB ij: ZB des Probanden i (i = 1,…, n) für das Produkt j (j = 1,…, 12)[15]. Die ZB wird in Relation zum Durchschnittspreis der jeweiligen Kategorie (Schokolade = € 0,69 und Kaffee = € 4,79) ausgedrückt.[16]
Primäre Unhabhängige Variablen:
In der nachfolgenden Tabelle werden die primären unabhängigen Variablen definiert und beschrieben.
Tabelle 2 : Übersicht der primären unabhängigen Variablen
Abbildung in dieser Leseprobe nicht enthalten
Sekundäre Unhabhängige Variablen:
Nachfolgend werden die sekundären unabhängigen Variablen definiert, näher beschrieben und in tabellarischer Form dargestellt. Die sekundären unabhängigen Variablen lassen sich nochmals in drei Gruppen unterteilen. Während die erste Gruppe mit dem Überbegriff Image-Variablen betitelt werden kann, kann die zwei Gruppe als sonstige Variablen und die dritte als Demographika-Variablen bezeichnet werden.
Tabelle 3 : Übersicht der sekundären unabhängigen Variablen
Abbildung in dieser Leseprobe nicht enthalten
3.2 Schätzung der Regressionsfunktionen
Es wird ein multiples Verfahren angewandt, nämlich die lineare multivariate Regressionsanalyse. Es werden mehrere Analysen nach dem Ausschlussprinzip durchgeführt. So werden anfangs sämtliche Erklärungsvariablen untersucht. Danach werden die sekundären Erklärungsvariablen (gruppenweise) herausgenommen bis sich letztendlich ‚nur’ die primären Variablen in der Regressionsfunktion befinden. Abschließend werden die Datensets einem T-Test unterzogen, und es wird eine einfaktorielle Varianzanalyse berechnet.
Als Schätzmethode wird die ‚Methode der kleinsten Quadrate’ angewandt. Als Ergebnis folgt der Vektor der Regressionskoeffizienten. Dieser Schätzer ist BLUE (Best Linear Unbiased Estimator), was mit ‚bester (erwartungstreu mit kleinster Varianz) lineare unverzerrter Schätzer’ übersetzt werden kann.[31] Der Einfluss der Regressionskoeffizienten wird ab einem Signifikantsniveau in Höhe von 0,95 als signifikant bezeichnet.
3.3 Prüfung der Regressionsfunktion
Die Regressionsfunktion muss nach der Schätzung hinsichtlich ihrer Güte überprüft werden. Es soll damit getestet werden wie aussagekräftig das Modell ist. Zur Prüfung der Güte sind zwei Ebenen zu unterscheiden. Zum einen wird kontrolliert wie ‚gut’ das Modell insgesamt ist, was als globale Prüfung bezeichnet werden kann und zum anderen wird auf Ebene der einzelnen Regressionskoeffizienten deren Einfluss auf Signifikanz geprüft.
Auf der ersten Ebene existieren drei Gütemaße, die sich in Bestimmtheitsmaß, F-Statistik und Standardfehler unterteilen lassen und im Folgenden näher erläutert werden.
3.3.1 Bestimmtheitsmaß
Das Bestimmtheitsmaß R2 ist der Anteil, der durch die Regressionsgeraden erklärten Varianz an der gesamten Varianz der Werte der abhängigen Variable (Y-Werte).[32]
In anderen Worten: Das Bestimmtheitsmaß misst die Güte der Anpassung der Regressionsfunktion an die empirischen Daten (‚ goodness of fit’).[33]
Formel 3 - 1 : Varianzzerlegung
Abbildung in dieser Leseprobe nicht enthalten[34]
Gesamtabweichung = Erklärte Abweichung + Residuum.
Quelle: Modifizierte Darstellung in Anlehnung an Schlittgen (1998), S. 421.
Formel 3 - 2 : Bestimmtheitsmaß
Abbildung in dieser Leseprobe nicht enthalten.
Quelle: Schlittgen (1998), S. 421.
Je höher der Wert des Bestimmtheitsmaßes ist, desto größer ist der Anteil der durch die unabhängige Variable erklärten Abweichung an der Gesamtabweichung und desto größer der Erklärungsgehalt der Regression.
3.3.2 F-Test
Als ein weiteres Gütemaß ist der F-Test aufzuführen. Wenn ein Zusammenhang zwischen der abhängigen Variable und den erklärenden Variablen vorliegt, dann kann davon ausgegangen werden, dass nicht alle Regressionskoeffizienten = 0 sind. Genau dieses wird im F-Test untersucht. Die Null-Hypothese[35] unterstellt, dass alle Regressionskoeffizienten = 0 sind. Diese wird dann verworfen (nicht alle Koeffizienten sind = 0), wenn der empirische F-Wert größer ist als der vorgegebne F-Wert[36]. Somit kann der postulierte Zusammenhang empirisch bestätigt werden, d.h. der Zusammenhang ist statistisch signifikant.
Formel 3 - 3 : Empirischer F-Test-Wert
Abbildung in dieser Leseprobe nicht enthalten = Abbildung in dieser Leseprobe nicht enthalten.
Quelle: Modifizierte Darstellung in Anlehnung an Backhaus, Erichson, Plinke und Weiber (2005), S.70.
3.3.3 Standardfehler
Neben dem Bestimmtheitsmaß und dem F-Test spiegelt sich ein weiteres Gütemaß im Standardfehler der Schätzung wider. Dieser gibt den mittleren Fehler an, der bei der Schätzung der abhängigen Variable Y durch eine Regressionsfunktion entsteht.
Formel 3 - 4 : Standardfehler
Abbildung in dieser Leseprobe nicht enthalten.
Quelle: Modifizierte Darstellung in Anlehnung an Backhaus, Erichson, Plinke und Weiber (2005), S.73.
3.4 Prüfung der Regressionskoeffizienten
Nachdem die globale Prüfung vorgenommen wurde, folgt die ‚lokale’ Prüfung. An dieser Stelle werden die Regressionskoeffizienten mit Hilfe des T-Testes einzeln überprüft.
3.4.1 T-Test
Jede erklärende Variable wird auf Signifikanz überprüft. Es wird untersucht, ob die jeweilige betrachtete unabhängige Variable einen Einfluss auf die abhängige Variable übt, so dass die Null-Hypothese lautet:
H0: β1 = 0
Wie auch beim F-Test wird der empirische Wert mit dem vorgegebenen Wert verglichen, mit dem Unterschied, dass das Prüfkriterium in diesem Fall die T-Statistik ist. Der empirische T-Wert errechnet sich wie folgt:
Formel 3 - 5 : Empirischer T-Test-Wert
Abbildung in dieser Leseprobe nicht enthalten.
Quelle: Backhaus, Erichson, Plinke und Weiber (2005), S.74.
3.5 Kritische Würdigung
Bevor im nachfolgenden Kapitel die Ergebnisse präsentiert werden, soll an dieser Stelle auf die kritischen Punkte dieser Analyse aufmerksam gemacht werden. Im Rahmen dieses Projektes ist eine umfangreiche Erhebung und Untersuchung nicht möglich gewesen, so dass man sich ‚nur’ auf einen kleinen Ausschnitt der Realität konzentrieren konnte. Nachfolgend werden einige Punkte erläutert, die eine Verzerrung der Ergebnisse in Kapitel 4 begünstigen könnten.
Tabelle 4 : Übersicht der Effekte
Abbildung in dieser Leseprobe nicht enthalten
4 Ergebnisanalyse
Im Folgenden werden die Ergebnisse unserer Erhebung präsentiert. Aufgrund der hohen Anzahl an erklärenden Variablen wird in den jeweiligen Analyseschritten nur auf herausstechende Variablen näher eingegangen. Die vollständigen Tabellen der Regressionskoeffizienten befinden sich im Anhang.
Es werden, wie in Kapitel 3.1 erwähnt, mehrere Analyseschritte vorgenommen. Im ersten Schritt werden sämtliche Variablen mit in die Regressionsfunktion einbezogen. Anschließend werden gruppenweise die sekundären Erklärungsvariablen (Demographika und sonstige Variablen) aus der Regressionsfunktion herausgenommen. Abschließend erfolgt ein T-Test für unabhängige Stichproben und eine einfaktorielle Varianzanalyse.
In allen Analyseschritten werden die zusammengefassten Sample-Daten[39] betrachtet, wobei aufgrund der Kodierung der Dummy-Variablen ‚Betriebsformat’ insgesamt zwei zusammengefasste Datensätze untersucht werden. Der Unterschied zwischen diesen beiden Datensätzen liegt darin, dass das erste Set die Dummy-Variablen ‚Shop Minimal’ und ‚Shop Toom’ beinhaltet, wohingegen das zweite Set ‚Shop Minimal’ und ‚Shop Penny’ mit einschließt. Diese Variierung in der Kodierung ist nötig, um den Einfluss des Betriebsformats Discounter (repräsentiert durch Penny) stärker herauszuheben. Wir definieren daher: Daten-Set 1 mit ‚Shop Minimal’ und ‚Shop Toom’ als Dummy-Variablen für das Betriebsformat und Daten-Set 2 mit ‚Shop Minimal’ und ‚Shop Penny’.
[...]
[1] Vgl. Wortmann (2003), S. 8.
[2] Vgl. Kotler/Bliemel (2001), S.1003 ff.
[3] Vgl. ACNielsen, (2005), S. 1.
[4] Vgl. Schmedes (2005), S. 153.
[5] Vgl. Wertenbroch, Skiera (2002), S. 228.
[6] Vgl. KPMG (2001), S. 13.
[7] Vgl. Ben-Aktiva et al. (1994), S. 335 ff.
[8] Vgl. Sattler, Nitschke (2001), S. 2.
[9] Vgl. KPMG, Status Quo und Perspektiven im dt. LEH (2004), S. 28.
[10] Vgl. Brosius (2004), 63.
[11] Vgl. Brosius (2004), 68.
[12] Vgl. Brosius (2004), 69.
[13] Vgl. Backhaus et al. (2006), S. 46.
[14] Die vermuteten Ursache-Wirkungs-Beziehungen sollen möglichst vollständig im Untersuchungsansatz enthalten sein.
[15] i = Indikator für Probanden-ID;
j = Indikator für die Produkte 1 bis 12 (1 = Milka Schokolade, 2 = Ja Schokolode, 3 = Ritter Sport Schokolade, 4 = Füllhorn Schokolade, 5 = Derby Schokolade, 6 = Sarotti Schokolade, 7 = Contal Kaffee, 8 = Füllhorn, 9 = Tchibo Kaffee, 10 = Ja Kaffee, 11 = Eduscho Kaffee, 12 = Jacobs Kaffee).
[16] Die Zahlungsbereitschaften werden in Prozenten wie z.B. –100%, –62,23%, …, 0%, …, +73,07% ausgedrückt und sind dementsprechend metrisch skaliert.
[17] k = Indikator für das jeweilige Betriebsformat (1 = Supermarkt (Minimal), 2 = SB-Warenhaus (Toom) und 3 = Discounter (Penny).
[18] Bsp. Wenn die Variable ‚Shop Minimal’ = 1 und gleichzeitig die Variable ‚ Shop Toom’ = 0 ist, dann wurde die betrachtete Beobachtung vor einem Minimal-Markt erhoben – und vice versa. Wenn aber beide Variablen den Wert 0 aufweisen, dann stammt die Beobachtung aus einem Penny-Markt.
[19] l = Indikator für die jeweilige Kategorie (1 = Schokolade, 2 = Kaffee). I
Wenn die Variable ‚Kategorie’ in der Regressionsanalyse den Wert = 1 annimmt, dann handelt es sich um Kategorie = 1. Wenn sie = 0 ist, dann handelt es sich um Kategorie = 2.
[20] m = Indikator für Handels- oder Herstellermarke (Wenn Wert der Variable = 1 ist, dann handelt es sich um eine Handelsmarke und wenn 0, dann handelt es sich um eine Herstellermarke).
[21] o = Indikator für das jeweilige Betriebsformat (1 = Supermarkt (Minimal), 2 = SB-Warenhaus (Toom) und 3 = Discounter (Penny).
[22] Bewertung erfolgt ähnlich wie die Schulnotenbewertung, mit dem Unterschied, dass 1 = sehr preiswert, … und 6 = sehr teuer darstellt.
[23] p = Indikator für Lebensmittelgeschäfte, wobei 1 = Minimal, 2 = Toom, 3= Penny und im Fall 4 wird ein Variablenwert = 0 (sonstige Lebensmittelgeschäfte steht) gesetzt wird.
[24] q = Indikator für die Bewertung der Aussage mit 1 = ich stimme absolut zu, …, 3 = unentschieden, …, 5 = ich stimme gar nicht zu.
[25] r = Indikator für positive oder negative Antwort, so dass 1 = Ja ist und 2 = Nein. In der Regressionsanalyse wird wie folgt umkodiert: Im Fall 1 wird der Variablenwert auf 1 für Ja gesetzt und im Fall 2 der Wert 0 für Nein.
[26] s = Indikator für Geschlecht, so dass 1 = weiblich ist und 2 = männlich. In der Regressionsanalyse wird wie folgt umkodiert: Im Fall 1 wird der Variablenwert auf 1 für weiblich gesetzt und im Fall 2 der Wert 0 für männlich.
[27] t = Indikator für Altersgruppe mit 1 = <18, 2 = [18 – 25], 3 = [26 – 35], 4 = [36 – 45], 5 = [46 – 65] und 6 = >65.
[28] u = Indikator für Größe des Haushalts mit 1 = 1 Person im HH, 2 = 2 Personen, 3 = 3 - 4 Personen, 4 = mehr als 4 Personen.
[29] v = Indikator für Abschluss mit 1 = kein Abschluss, 2 = Hauptschulabschluss, 3 = Realschulabschluss, 4 = Abitur, 5 = Hochschulabschluss. Im Fall 6 wird ein Variablenwert = 0 (kein Angabe) gesetzt.
[30] w = Indikator für Einkommen mit 1 = < € 500, 2 = € [500 – 1000], 3 = € [1001 – 2000], 4 = € [2001 – 3000], 5 = € [3001 – 4000], 6 = > € 4000. Im Fall 7 wird ein Variablenwert = 0 (kein Angabe) gesetzt.
[31] Vgl. Internetquelle: Wikipedia.
[32] Vgl. Schlittgen (1998), S. 421.
[33] Vgl. Backhaus et al. (2006), S.63.
[34] v = 1,…, V.
[35] H0 = β1 = β2 = … = βj =0.
[36] Wert wird aus der F-Statistik-Tabelle entnommen, wobei sowohl die Zahl der erklärenden Variablen (Freiheitsgrade des Zählers) = J, die Zahl Beobachtungen (Freiheitsgrade des Nenners) = V als auch das vorgegebene Signifikanzniveau für die Ermittlung des Wertes maßgeblich sind.
[37] Z.B. hat der Penny in Griesheim eine andere Kundschaft (z.B. niedriges Einkommensniveau, niedriges Bildungsniveau, …etc.) als der Penny in Königsstein.
[38] Minimal: n = 48; Toom: n = 35; Penny: n = 47.
[39] Also es werden die Daten zusammengefasst, die vor dem jeweiligen Betriebsformat (Minimal, Toom, Penny) erhoben wurden.
-
-
-
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X.