Login

Bayes’sche Netze

Bayes‘sche Netze (BN) sind ein statistischer Ansatz zur graphischen Modellierung von multivariaten Daten. Sie generieren inhaltliche und quantitative Einsichten über Variablenzusammenhänge rein datengetrieben, optional kann bereits vorhandenes inhaltliches Wissen berücksichtigt werden.
Dies macht BN interessant für viele empirische Untersuchungen in der Marktforschung.

Der Ansatz ist nach dem englischen Mathematiker Thomas Bayes (1701 -1761) benannt und wurde in den 1980/90-er Jahren vor allem in den Bereichen künstliche Intelligenz (J. Pearl u.a.) und Philosophie (P. Spirtes u.a.) entwickelt.

Ein Bayesnetz visualisiert die Abhängigkeitsstruktur zwischen Untersuchungsvariablen. Variablen werden als Knoten dargestellt, Abhängigkeiten als Verbindungen zwischen den Knoten. Fehlende Verbindungen implizieren (bedingte) Unabhängigkeiten zwischen den Variablen. Der Graph erlaubt tiefere Einsichten und bessere Interpretierbarkeit der Zusammenhänge in multivariaten Daten im Vergleich zu traditionellen Modellierungsansätzen.

Typische methodische Ergebnisse für BN sind:

1) Schätzung der Abhängigkeitsstruktur (als Graph) der Daten, optional kann vorhandenes inhaltliches Wissen über die  Abhängigkeitsstruktur integriert werden

2) Stärke der Abhängigkeiten bzw. einzelner Verbindungen

3) Inferenz über Ausprägungen von interessierenden Variablen ausgehend von Evidenz über andere Variablen

4) Unter bestimmten Voraussetzungen: Aussagen über Kausalstruktur und -effekte zwischen den Variablen.

Projekt 1: Bayes‘sche Netze für Treiberanalysen.

Abstract: Projektziel ist die Evaluierung von BN auf dem Gebiet von Treiberanalysen in der Marktforschung.  Zum einen wird die grundsätzliche Eignung von BN für die Treiberanalysen evaluiert. Vor- und Nachteile gegenüber bereits angewandten Methoden (Regression, Strukturgleichungsmodelle, …) werden untersucht. Zum anderen wird ein Prototyp des Instruments (als Software-Tool) zur Anwendung in realen Studien entwickelt.

Beschreibung (Mot., Ziele): Treiberanalysen dienen zur Bestimmung der Einflussstärke von verschiedenen Faktoren (Treibern) auf eine Zielgröße. Ein klassisches Beispiel aus der Marktforschung stellen die Treiberanalysen in den Loyalitäts- und Kundenzufriedenheitsstudien dar: Sie untersuchen, welchen Einfluss die Zufriedenheit mit verschiedenen Leistungsaspekten auf die Loyalität der Kunden hat.

Die traditionellen Methoden zur Bestimmung von Treibereffekten haben einige bekannte Nachteile. Einerseits erfordern sie vom Forscher eine genaue vorherige Festlegung der Zusammenhangsstruktur der Treiber mit der Zielgröße. Anderseits liefern sie wenig Einsichten über das Zusammenspiel der Treiber untereinander und über die Auswirkungen dieser Interaktionen auf die Zielgröße. Mithilfe von BN können diese Defizite angegangen werden.

Anhand simulierter und realer Daten untersuchen wir, welchen Mehrwert das datengetriebene Aufdecken der Abhängigkeitsstruktur mithilfe von BN bei der Interpretation der Treiberanalysen liefern kann und inwieweit diese zusätzlichen Einsichten mit sinnvollen Schätzungen für Treibereffekte vereinbar sind. Zusätzlich wird ein Software-Tool (Prototyp) für die Marktforschungspraxis entwickelt.

Kooperationspartner:

Kontakt: Dr. Vladimir Manewitsch, Holger Dietrich

Downloads: --

Publikationen/Links: --

Status: laufend