Mobilfunktarife als Analyseumfeld des Tarifwahlverhaltens im Business-to-Business-Bereich
Tarifangebot, Tarifwahl und -Biases bei Mobilfunktarifen
Theoretisch-konzeptionelle Analyse des Tarifwahlverhaltens bei Mobilfunktarifen im B-to-B-Bereich
Empirische Analyse
5.4 Ursachen von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich (S. 104-105)
5.4.1 Auswertungsmethoden
5.4.1.1 Auswahl geeigneter Methoden
5.4.1.1.1 Verfahrenswahl zum Hypothesentest
Im Mittelpunkt der Analyse der Ursachen von Tarifwahl und Tarifwahl-Biases steht die Überprüfung der in Kapitel 3.2.3 hergeleiteten Hypothesen zu den Zusammenhängen zwischen den möglichen Ursachen Versicherungs-, Bequemlichkeits-, Taxameter-, Einschätzungs- und Fehleinschätzungseffekt, die unabhängige Variablen darstellen, und den Konsequenzen Tarifwahl und Tarifwahl-Bias, die abhängige Variablen darstellen. Daher kommen strukturenprüfende multivariate Verfahren zur Dependenzanalyse in Frage, aus denen eine geeignete Auswertungsmethode zu wählen ist. Die Hypothesen werden in "Modell A: Ursachen der Tarifwahl" und in "Modell B: Ursachen von Tarifwahl-Biases" überprüft, die jeweils nur eine abhängige Variable aufweisen. Die wichtigste statistische Methode zur Analyse dieser Wirkungszusammenhänge ist die Regressionsanalyse, die ein sehr stabiles und leistungsfähiges Verfahren ist.
Dies hat dazu geführt, dass Regressionsvarianten für unterschiedliche Datencharakteristika entwickelt wurden, aus denen die geeignete auszuwählen ist.329 Zum funktionalen Verlauf der Beziehungen der unabhängigen und abhängigen Variablen ist nichts Näheres bekannt oder theoretisch ableitbar, so dass ein linearer Zusammenhang unterstellt wird. Außerdem wurde überprüft, ob die hierarchische Datenstruktur, die aufgrund der mehrfachen Tarifwahl einiger Entscheider vorliegt, Berücksichtigung finden sollte: 450 der 612 Entscheider treffen nur eine Tarifwahlentscheidung, 330 und weitere 106 der 848 Tarifwahlentscheidungen beziehen sich auf die gesamte Teilnehmerzahl eines Unternehmens, so dass bei 556 von 848 Tarifwahlentscheidungen die hierarchische Struktur nicht von Bedeutung ist.
Insgesamt wird daher kein Mehrwert in der Berücksichtigung der Hierarchie im Modell erwar tet. Die einzusetzende Variante der Regressionsanalyse ist daher in erster Linie anhand des Skalenniveaus der abhängigen Variable zu bestimmen. Die Tarifwahl als abhängige Variable in "Modell A: Ursachen der Tarifwahl" wird durch den ansteigenden "Flatrate-Charakter" der Tarife auf einer Ordinalskala erhoben. Für die Analyse ordinaler Daten wurden eigene Modellfamilien entwickelt. Die Auswahl eines geeigneten Regressionsverfahrens für ordinale abhängige Variable ist kein triviales Problem, da nicht nur etliche Methoden zur Verfügung stehen, sondern diese je nach inhaltlicher Interpretation des Merkmals auch unterschiedlich gut geeignet sind. Weit verbreitete Regressionsmodelle für die Auswertung ordinaler Daten sind die so genannten ordinalen kumulativen Regressionsmodelle.
Diese Modelle gehen davon aus, dass hinter dem ordinal gemessenen Merkmal eine kontinuierliche latente Variable liegt. Die Familie der kumulativen Modelle der ordinalen Regression besteht wiederum aus verschiedenen Verfahrensvarianten. Die beiden gebräuchlichsten Varianten sind das kumulative ordinale logistische (oder Logit-) Regressionsmodell und das kumulative ordinale Probit-Modell. Die beiden Varianten sind sehr ähnlich und führen zu annähernd identischen Ergebnissen. Ob das Probit- oder Logit-Modell vorzuziehen ist, ist letztlich kaum auf Basis theoretischer Überlegungen zu motivieren. Einige Autoren führen jedoch an, das Logit-Modell sei bei gleichmäßiger Verteilung der abhängigen Variablen besser geeignet, wohingegen das Probit-Modell bei Verteilungen, deren mittlere Werte am häufigsten auftreten, besser geeignet sei. Die Verteilung der Variable Tarifwahl spricht daher für den Einsatz des ordinalen Probit-Regressionsmodells. Die abhängige Variable in "Modell B: Tarifwahl-Bias" liegt in Form des Ausmaßes des Tarifwahl-Bias auf metrischem Niveau vor. Daher kann hier die klassische lineare Regressionsanalyse Anwendung finden.
