Titelaufnahme

Titel
Bayesianischer Vergleich der Qualität endlicher Mischungsmodelle mit bzw. ohne Zufallseffekte anhand künstlicher Daten / von Ulrike Schuster
VerfasserSchuster, Ulrike
Begutachter / BegutachterinDeistler, Manfred ; Mazanec, Josef
Erschienen2004
Umfang147 Bl. : graph. Darst.
HochschulschriftWien, Techn. Univ., Diss., 2005
Anmerkung
Zsfassung in engl. Sprache
SpracheDeutsch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (GND)Ökonometrie / Bayes-Verfahren / Markov-Ketten-Monte-Carlo-Verfahren
URNurn:nbn:at:at-ubtuw:1-96858 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Bayesianischer Vergleich der Qualität endlicher Mischungsmodelle mit bzw. ohne Zufallseffekte anhand künstlicher Daten [5.69 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Es wird erstmals explizit die Performance dreier Modellansätze, die Heterogenität in Konsumentendaten berücksichtigen, unter Verwendung künstlich generierter Daten verglichen. Eine weitere Neuheit stellt der Datengenerierungsprozess dar. Die Daten werden nämlich über ein Simulationsmodell, in dem keine restriktiven Annahmen, beispielsweise bezüglich der Verteilung der Parameter getroffen werden müssen, erzeugt. Lediglich die Marktstruktur hinsichtlich der Segmentierung der Konsumenten wird festgelegt. Konkret handelt es sich bei den Ansätzen einerseits um ein latentes Klassenmodell, mit dem man segmentspezifische Parameter definieren kann. Andererseits wird ein Zufallseffektmodell betrachtet, in dem die Parameter einer kontinuierlichen Verteilung folgend über die Bevölkerung variieren. Das dritte Modell ist schließlich eine Kombination der beiden vorangegangenen Ansätze, das bedeutet die segmentspezifischen Koeffizienten werden als Zufallseffekte spezifiziert und dürfen auch innerhalb der Konsumentengruppen variieren. Die Modelle werden mithilfe der bayesianischen Methode des Markov Chain Monte Carlo Samplings geschätzt. Insbesondere wird beschränktes Permutation Sampling eingesetzt. Aus diesem Grund erfolgt im ersten Teil der Arbeit eine Einführung in die Grundlagen der bayesianischen Schätzung und die Präsentation diverser Markov Chain Monte Carlo Algorithmen. Außerdem wird das Prinzip von Mischungsmodellen anhand mehrerer literarischer Beiträge vorgestellt, bevor der Performancevergleich der Modelle anhand von Simulationsdaten erfolgt.

Zusammenfassung (Englisch)

The dissertation comprises three approaches considering heterogeneity in consumer data. For the first time they are explicitly compared with respect to their performance by the use of artificial data. Yet another innovation is the data generation process, because the data are produced by a simulation model where it is not necessary to make restrictive assumptions, for example regarding the distribution of the parameters. Only the market structure concerning the population segmentation is specified. The first approach is a latent class model that enables the estimation of segmentspecific parameters. On the other hand a random effects model can be considered where the parameters follow a continuous distribution and can vary across the population. The third model is a combination of the first two approaches, that means the segmentspecific coefficients are defined as random effects and therefore are further allowed to vary within the consumer groups. For the estimation of the models the bayesian method of Markov Chain Monte Carlo Sampling is used. Especially restricted Permutation Sampling is applied. For that reason the first part of the work concentrates on the basics of the bayesian estimation method and introduces different Markov Chain Monte Carlo algorithms. Thereafter the principle of mixture models is described with the help of various literary contributions. Only then the performance comparison follows.