STATISTIK-FORUM.de

[MaddinR1]

Ein spätes Hallo,

ich befleißige mich gerade meiner Diplomarbeit, in der es darum geht, wie Online-Shops Retouren von Kunden verhindern. Dies können sie durch verschiedene Maßnahmen tun, bspw. Produktbewertungen von Kunden einblenden (Kunden können sich vorher besser informieren), kurze Lieferzeiten, virtuelle Ankleideräume bei Kleidung (besser Abschätzbarkeit vorher)..usw...

Letztendlich mache ich zu jeder dieser Maßnahmen eine lineare Regression, in der festgestellt wird (aus einem Fragebogen): Wieviel Produkte hat der Proband bei seinem letzten Online-Kauf gekauft (unabhängige Variable X), wieviele trotz Verwendung der Maßnahme wieder zurückgegeben (abhängige Var. Y).

So erhalten wir eine Regressionsanalyse zu den Produktbewertungen, eine zu den Lieferzeiten, eine zu den Ankleideräumen usw...

Meine Frage ist folgende: wir wollen die Maßnahmen nun untereinander in ihrer Wirkung auf die Reduktion von Retouren (anhand der standardisierten beta-koeffizienten) vergleichen. Ist dies überhaupt zwischen utnerschiedlichen Modellen (Maßnahmen) möglich? Ich frage deshalb, weil ich in der Literatur gelesen habe, dass dies nur innerhalb ein und desselben Modells möglich ist, da hier alle unabhängigen Var. die gleiche Bezugsgröße haben (die Standardabweichung von Y) und deshalb anhand des beta-Koeff. verglichen werden können.

Vergleichen wir aber die Maßnahemn zwsicheneinander, so hat jede Maßnahme ja unterschiedlich große Y (zurückgeschickte Produkte) und damit auch unterschiedliche Standardabweichungen von Y.

Ist das so verständlich ausgdedrückt? Mein Prof. hat mir heute gesagt, dass ich nicht ohne weiteres die beta-koeffizienten zwischen den Maßnahmen vergleichen kann.. Kann er das damit gemeint haben?

Und vor allem: wenn es nicht möglich ist, gibt es ein Verfahren durch das es möglich ist??

Vielen Dank!

MaddinR1

[strukturmarionette]

Hi,

Du erhälst doch u.a. die Anpassungsgüten der einzelnen Modelle mit zugehörigem F-Test Resultat.
Damit könntest Du die Wirkungen der einzelnen UVs je Modell zumindest in eine Reihenfolge bringen.
Hierbei sollten die Stichprobenumfänge je Regression gleich sein.

Gruß
S.

[elf7013]

Hallo,

warum passt dies denn nicht alles in eine Regressionsanalyse?

Interessant wäre vielleicht auch die Rückgabe(Ja/Nein)wahrscheinlichkeit mihilfe logistischer Regression zu schätzen (auch wenn hierbei die Zahl der zurückgegebenen Artikel (aber eine Retour) unberücksichtigt bleibt).

Weiterhin viel Erfolg bei der Auswertung!

[daniel]

Ich schließe mich der Frage von elf7013 an.

Abgesehen davon, ob ein Logit, oder auch ein count Modell hier sinnvoll wäre, sind evtl. auch geeignetere/elaboriertere lineare Modelle möglich. Wie genau sehen denn die Daten aus? Wei wurden die "Probanden" (eher: Befragte?) ausgewählt? Welche Fragen haben sie beantwortet, i.e. wurde eine Person zu jeweils nur einer der Maßnhamen befragt, oder zu allen?

Was mir zudem einfällt, es gibt doch sicher online shops die mehrere dieser Maßnahmen kombinieren? Wie hast Du denn vor damit umzugehen?

[MaddinR1]

Hallo,

entschuldigt die verzögerte Antwort. Ich hatte in den letzten Tagen kein Internet..

Eine multiple Regression kommt leider nicht in Frage, da unserer unabhängige Variable, die Anzahl der Retouren, bei jedem Instrument unterschiedlich groß ist. Das heisst, die Produktbewertungen führen zu unterschiedlich vielen Retouren, die Lieferzeiten, etc... Das müsste ich ja dann im Falle einer multiplen Regression vereinheitlichen, da ich ja nur eine unabhängige Var. haben darf. Vereinheitlichen heisst in diesem Fall aber auch Informationsverlust.

@Daniel:

Die Daten sehen folgendermaßen aus: wir bekommen zu jedem der Instrumente die Anzahl der bestellten Artikel (X) sowie die Anzahl der davon zurückgegebenen Artikel (Y). Es handelt sich um eine anonymisierte Umfrage, die Probanden werden haupstächlich von meiner Uni aquiriert. Der Fragebogen ist fexibel, d.h. du wirst vorher gefragt, in welchen der folgenden Online-Shops du schonmal eingekauft hast. Dann tauchen entsprechende Shops auf und du wirst dann (zu dem jeweiligen Instrument was sich hinter diesem Shop verbirgt) befragt. Im Falle der Produktbwertungen ist das z.B. Conrad. Wenn also ein Proband sagt, er hat schonmal bei Conrad gekauft, dann wird er gefragt: wieviel? und hat er trotz dem lesen von Produktbewertungen Artikel zurückgegeben (wieviel). Jede Person kann theoretisch alle Maßnahmen durchgehen, wenn sie alle Shops anklickt, aber auch nur einen. Wir versuchen aber möglichst zu allen Instrumenten gleichmäßig viel zu befragen.
Es gibt zwar Onlineshops die meherer Instrumente einsetzen, aber es wird pro Online-Shop nur ein Instrument befragt, sodass der Proband gar nicht auf die Idee kommt, dass es noch andere geben könnte. Wir haben für jeden Instrument einen einzelnen Online-Shop.

Falls es euch interessiert, hier der Link zum Fragebogen. Vllt. beantwortet dieser ein paar eurer Fragen:

http://ww3.unipark.de/uc/myk_uni_koblen ... g_ls/7b98/

Hilft euch das weiter?

PS: Mein Betreuer sprach von einem Vergleich des Bestimmtheitsmaßes unter den Einzelregressionen.. Ist sich aber nicht sicher. Hat davon schonmal jemand etwas gehört?

[daniel]

Ich gestehe, es ist mir zu zeitintensiv mich nach einer Woche wieder komplett neu einzulesen, aber einge (leider nicht konstruktive, sorry) kritische Kommentare.

Es gibt zwar Onlineshops die meherer Instrumente einsetzen, aber es wird pro Online-Shop nur ein Instrument befragt, sodass der Proband gar nicht auf die Idee kommt, dass es noch andere geben könnte.

Leider hat der Probant höchst wahrscheinlich nicht nur eine Idee davon, sondern er weiß vermutlich ganz genau, dass und welche andere Maßnahmen es beim jeweiligen Anbieter gibt, wenn er mehr als eine genutzt hat.

Ein Beispiel. Nimm an ich habe bei Conrad 6 Artikel gekauft. Ich habe auch alle Kundenbewertungen gelesen. Außerdem habe ich lange auf meine Lieferung gewartet. Ich habe alle 6 Artikel zurück geschickt, obwohl ich die Kundenbewertung gelesen habe. Das hatte aber mit meiner Rücksendung gar nichts zu tun. Ich habe mich einfach nur über die langen Lieferzeiten geärgert.

Nun ersetze die beiden Maßnahmen "Kundenbewertungen" und "Lieferzeiten" durch beliebige andere Deiner erhobene Maßnahmen. Du siehst das Problem? Damit auch nur annährnd kausale Effekte der einzelnen Maßnahmen zu schätzen und deren Stärke zu vergleichen ist aussichtslos.

Zudem sehe ich ein Problem, wenn Ihr pro Anbieter immer die selbe Maßnahme erfragt. Wie stellt Ihr dann sicher, dass ein Effekt (wie auch immer Ihr den findet) nciht auf unbeobachtete Charakteristika des Anbieters zurückzuführen ist, statt auf die Maßnahme?

Ich habe auch Euren FB kurz angesehen und das sieht für mich nach dem Ansatz eines faktoriellen Designs aus. Leider werden hypothetische Situationen zu stark mit realen Erfahrungen gemischt. Beispeil Amazon Rücksendung ohne Retourschein. Nimm an, ich habe meine letzte Sendung nicht zurück geschickt. Soll ich nun hypothetisch annehmen, ich hätte sie zurückschicken wollen, und dann -- noch immer hypothetisch -- angeben, ob ich es getan hätte, wenn kein Retourschein dabei gewesen wäre (was ebenfalls hypothestisch ist, weil eben einer dabei war)? Oder soll ich angeben, dass ich sie nicht zurückgeschickt habe, was ja der Wahrheit entspricht, aber absolut nichts mit dem vorhandenen oder eben (hypothetisch!) nicht vorhandenen Retourschein zu tun hat. Ich will nicht eingebildet klingen, aber ich denke ich bin kognitiv relativ fit, aber selbst ich bin maßlos Überfordert mit solchen Items.

PS: Mein Betreuer sprach von einem Vergleich des Bestimmtheitsmaßes unter den Einzelregressionen.. Ist sich aber nicht sicher. Hat davon schonmal jemand etwas gehört?

Ja. Damit meiner er R-Quadrat. Diesen Ansatz halte ich für wenig zielführend, da R-Quadrat -- anders als Regressionskoeffizienten -- keine über die vorliegende Stichprobe hinausgehende Bedeutung hat.

Eine multiple Regression kommt leider nicht in Frage, da unserer unabhängige Variable, die Anzahl der Retouren, bei jedem Instrument unterschiedlich groß ist.
[...]
wir bekommen zu jedem der Instrumente die Anzahl der bestellten Artikel (X) sowie die Anzahl der davon zurückgegebenen Artikel (Y).

Ich verstehe das Problem nicht. Was spricht gegen ein Modell der Form



wobei und die von Dir beschrieben Variablen darstellen, die verschiedenen Maßnahmen mit einer Maßnahme als Referenzkategorie?

[MaddinR1]

Ein Beispiel. Nimm an ich habe bei Conrad 6 Artikel gekauft. Ich habe auch alle Kundenbewertungen gelesen. Außerdem habe ich lange auf meine Lieferung gewartet. Ich habe alle 6 Artikel zurück geschickt, obwohl ich die Kundenbewertung gelesen habe. Das hatte aber mit meiner Rücksendung gar nichts zu tun. Ich habe mich einfach nur über die langen Lieferzeiten geärgert.

In dem Falle würdest du eintragen, dass du 0 Artikel aufgrund der Kundenbwertungen zurückgeschickt hast, was in deinem Falle ja auch zutrifft.Es steht ja explizit da "wieviele Artikel haben sie aufgrund der Kundenbewertungen zurückgeschickt?" Wir können ja schlecht alle möglichen Instrumente eines jeden Online-Shops abfragen, das würde jeden erdenklichen Fragbeogen sprengen. Wir müssen vereinfachen.

Das Problem was du erläuterst, sehe ich natürlich auch. Sowas kommt dann in die Kritik meiner Arbeit. Aber es lässt sich gerade nicht vermeiden.

Ich verstehe das Problem nicht. Was spricht gegen ein Modell der Form...

Wie möchtest ein einziges y ermitteln? Du hast zu x1 ein y1, zu x2 ein y2... zu jedem Instrument ein y. Wie soll das zusammengefasst werden? Oder steh ich auf der Leitung?

[daniel]

Es steht ja explizit da "wieviele Artikel haben sie aufgrund der Kundenbewertungen zurückgeschickt?"

Diese Argumentation kann ich nachvollziehen, verstehe die Idee, aber kaufen würde ich sie aus oben beschriebnen Gründen (zu hohe kognitive Anforderung aufgrund starker Vermenung von realer Erfahrung und hypothetischer Situation) nicht. Nun gut.

Wie möchtest ein einziges y ermitteln? Du hast zu x1 ein y1, zu x2 ein y2... zu jedem Instrument ein y.

Vorab eine Kleinigkeit. Ich würde den Begriff "Instrument" vermeiden. Im Rahmen von Kauslanalysen steht dieser Begriff für ein elaboriertes verfahren, dass Du sicher nicht verwendest.

Ok, zurück zur Analyse. Ist doch etwas komplexer als angenommen, aber ich sehe hier Individuen genestet in Maßnahmen. Ich würde also den Datensatz so strukturieren, dass jeder Probant (Befragter ist hier auch deutlich besser, weil Probant irgendwie stark an Experimente und zufällige Zuweisung erinnert, die hier nicht gegeben ist) so viele Zeilen im Datenstatz bekommt, wie es Maßnahmen gibt. Etwa so

Code: Alles auswählen

BefrID    Maßnahme    Y    X
1      Retourschein   3    3
1      Kundenbew      0    2
.
.
.
2     Retourschein    2    3
2     Kundenbew       1    10


Natürlich haben die Maßnahmen eindeutige numerische codes. Du wirst fehlende Werte haben, weil nicht jeder Befragte zu jeder Maßnahme Angaben macht. Das stört aber nicht weiter. Ich würde nun ein lineares fixed-effects Modell spezifizieren, indem ich die Anzahl der zurückgesendeten Artikel auf die Anzahl der bestellten Artikel und die Maßnahme (als Dummyset) regressiere.

[MaddinR1]

Ok, zurück zur Analyse. Ist doch etwas komplexer als angenommen, aber ich sehe hier Individuen genestet in Maßnahmen. Ich würde also den Datensatz so strukturieren, dass jeder Probant (Befragter ist hier auch deutlich besser, weil Probant irgendwie stark an Experimente und zufällige Zuweisung erinnert, die hier nicht gegeben ist) so viele Zeilen im Datenstatz bekommt, wie es Maßnahmen gibt. Etwa so

Die Auswertung, die ich vom Fragebogen im Excel bekomme sieht vor, dass jeder Befragter eine ID bekommt und im Nachhinein alle Maßnahmen der Retourenvermeidung aufgelistet werden. Dort wo keine Antwort stattgefunden hat, bleibt das Feld frei, dort wo er geantwortet hat, steht der jeweilige Wert. Insgesamt gibt es also n Zeilen für n Befragte. Die Maßnahmen erhalten im Fragebogen variblennamen (bspw. v_01) und lassen sich dahingehend identifizieren.

Natürlich haben die Maßnahmen eindeutige numerische codes. Du wirst fehlende Werte haben, weil nicht jeder Befragte zu jeder Maßnahme Angaben macht. Das stört aber nicht weiter. Ich würde nun ein lineares fixed-effects Modell spezifizieren, indem ich die Anzahl der zurückgesendeten Artikel auf die Anzahl der bestellten Artikel und die Maßnahme (als Dummyset) regressiere.

Ich bin was Statistik angeht leider etwas unterbelichtet. Handelt es sich hierbei um eine lineare Regression? Und was soll der Dummycharakter der Maßnahmen bewirken?

Wir dachten halt zunächst an eine multiple Regression, da über die Koeffizienten eine gute Vergleichbarkeit möglich ist. Problem: Wie soll ein einheitliches Y gebildet werden..

Anschließend kamen uns Einzelregressionen in den Sinn, da man hier das Y nicht vereinheitlichen muss. Problem: man kann den stand. Regressionskoeffizienten nicht ohne weiteres mit den einer anderen Regression vergleichen..Wenn doch, wie?

Mein Ziel ist folgendes: ich möchte sagen können "Maßnahme X wirkt sich auf Retouren deutlich positiver aus (erhöht sie nicht so stark) als Maßnahme Y, was man an einem Vergleich beider Koeffizienten sehen kann".

Aber da werden mir anscheinend einige Steine in den Weg gelegt..

[daniel]

Ich bin was Statistik angeht leider etwas unterbelichtet.

Das ist hart ausgerückt, aber ich verstehe, was Du meinst. In diesem Fall vergiss meine Idee.

Wieso vergleicht Ihr nicht die unstandardisierten/rohen Regressionskoeffizienten (wobei mir etwas unklar ist, was die Regressionskoeffizienten eigentlich aussagen sollen)? Oder, wenn Ihr ohnehin keine weiteren Kontrollvariablen habt, wieso berechnet Ihr nicht einfach den Anteil der zurückgesendeten Artikel pro Maßnahme und vergleicht die Anteile (Anteilstests)?