Research & Evidence

Methode suchen

Titel, Fragen, Gebiete und MSC-Kennungen durchsuchen.

    ← Alle Methoden
    METHODEN-DOSSIERMSC-P-019Regression und ÖkonometrieGeprüftes wissenschaftliches Dossier

    Wie diagnostiziert man eine Marketingregression vor der Interpretation?

    Die Diagnose prüft Funktionsform, Residuen, Heteroskedastizität, Kollinearität, Einfluss, Zeitabhängigkeit und Out-of-sample-Stabilität vor jeder Koeffizienteninterpretation.

    Wissenschaftliche Redaktion: Marketing Science Center

    Direkte Antwort

    Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.

    Die Diagnose prüft Funktionsform, Residuen, Heteroskedastizität, Kollinearität, Einfluss, Zeitabhängigkeit und Out-of-sample-Stabilität vor jeder Koeffizienteninterpretation.

    Shmueli, 2010Arnold et al., 2020

    01

    Operative Zusammenfassung

    Wissenschaftliche Frage und Geltungsbereich

    Wie diagnostiziert man eine Marketingregression vor der Interpretation?

    Vertretbar

    Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.

    Unzulässig

    Ein Modell allein anhand von R² validieren.

    02

    Drei Leseebenen

    1. 01

      Entscheidungsebene — Ergebnis mit deklarierter Entscheidung, Nutzenschwelle und Fehlerkosten verbinden.

    2. 02

      Praxis — Population, Einheit, Horizont, verfügbare Variablen und Analyseregel vor der Berechnung festlegen.

    3. 03

      Analyse — Berechnung reproduzieren, Unsicherheit quantifizieren und Diagnosen, Fehlschläge sowie Sensitivitäten dokumentieren.

    03

    Konkrete Marketingsituation

    Die Diagnose prüft Funktionsform, Residuen, Heteroskedastizität, Kollinearität, Einfluss, Zeitabhängigkeit und Out-of-sample-Stabilität vor jeder Koeffizienteninterpretation.

    04

    Wissenschaftliche Frage und Geltungsbereich

    Wie diagnostiziert man eine Marketingregression vor der Interpretation?

    Diagnostische Evidenz

    Benötigte Daten

    Beobachtung × Residuum

    Population, Analyseeinheit, Ursprungsdatum und Horizont müssen im Ergebnis deklariert sein. Andernfalls ändert sich der Estimand unbemerkt.

    05

    Warum eine einfache Analyse scheitern kann

    • Ein Modell allein anhand von R² validieren.
    • Sind Residuen, Hebelwerte und Cook-Distanz für das genaue Modell und die Abhängigkeitsstruktur definiert?
    • War der Holdout von jeder Modell- und Spezifikationswahl ausgeschlossen?
    • Ändert Löschungs-/Neuanpassungssensitivität die entscheidungsrelevante Größe wesentlich?

    06

    Intuition der Methode

    Die Methode macht aus einer Assoziation nicht automatisch Evidenz. Sie verbindet eine deklarierte Frage mit Estimand, Spezifikation, kompatiblen Daten und begrenzter Interpretationsregel.

    Diagnostische Evidenz

    07

    Benötigte Daten

    Wörterbuch wissenschaftlicher Symbole

    r_i
    Standardisiertes Residuum der Beobachtung oder des Clusters i im deklarierten Modell. Einheit: Standardabweichung · Typ: Zahl · Rolle: Diagnose
    h_i
    Hebelwert der Beobachtung oder des Clusters i unter der deklarierten Designmatrix. Einheit: dimensionslos · Typ: Zahl in [0, 1] · Rolle: Diagnose
    D_i
    Cook-Distanz der Beobachtung oder des Clusters i unter dem deklarierten Modell. Einheit: dimensionslos · Typ: nichtnegative Zahl · Rolle: Diagnose
    RMSE_holdout
    Wurzel des mittleren quadratischen Prognosefehlers auf von der Anpassung ausgeschlossenen Beobachtungen. Einheit: Ergebnis · Typ: nichtnegative Zahl · Rolle: Diagnose

    Exakte versiegelte Engine-Eingaben

    residual_mean
    Wert: 0.02 · Einheit: Ergebnis · Typ: Zahl · Datenstatus: synthetisch
    residual_sd
    Wert: 1.20 · Einheit: Ergebnis · Typ: Zahl · Datenstatus: synthetisch
    maximum_absolute_standardized_residual
    Wert: 2.40 · Einheit: dimensionslos · Typ: Zahl · Datenstatus: synthetisch
    maximum_leverage
    Wert: 0.08 · Einheit: dimensionslos · Typ: Zahl · Datenstatus: synthetisch
    maximum_cooks_distance
    Wert: 0.06 · Einheit: dimensionslos · Typ: Zahl · Datenstatus: synthetisch
    sample_size
    Wert: 100 · Einheit: Beobachtung · Typ: Ganzzahl · Datenstatus: synthetisch
    parameter_count
    Wert: 5 · Einheit: Parameter · Typ: Ganzzahl · Datenstatus: deklarierter Parameter
    cluster_count
    Wert: 30 · Einheit: Cluster · Typ: Ganzzahl · Datenstatus: synthetisch
    holdout_rmse
    Wert: 1.35 · Einheit: Ergebnis · Typ: Zahl · Datenstatus: synthetisch

    08

    Formales Modell

    Formales Modell

    Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    Belegte Aussagen: MSC-P019-C01 · MSC-P019-C02 · MSC-P019-C03 · MSC-P019-C04 · MSC-P019-C05

    Wissenschaftliche Frage und Geltungsbereich

    Diagnostische Evidenz

    09

    Deklarierte Berechnung

    1. 01

      Modell, Residualdefinition, Clusterstruktur und Holdout-Aufteilung vor Prüfung der Extremwerte festschreiben.

    2. 02

      Residualmittel/-SD, maximales absolutes standardisiertes Residuum, Hebelwert, Cook-Distanz und Holdout-RMSE ohne universelle Grenzwerte berichten.

    3. 03

      Fall-/Cluster-Löschung mit Neuanpassung und Sensitivität der Entscheidungsgröße verlangen, bevor ein Punkt einflussreich heißt.

    10

    Zahlenbeispiel oder Anwendungsfall

    Synthetische Illustration — Lehrwerte, nicht beobachtet — synthetische Daten oder deklarierte Parameter; keine realen Beobachtungen

    Versiegelte Eingaben

    • residual_mean=0.02 [Ergebnis]
    • residual_sd=1.20 [Ergebnis]
    • maximum_absolute_standardized_residual=2.40 [dimensionslos]
    • maximum_leverage=0.08 [dimensionslos]
    • maximum_cooks_distance=0.06 [dimensionslos]
    • sample_size=100 [Beobachtung]
    • parameter_count=5 [Parameter]
    • cluster_count=30 [Cluster]
    • holdout_rmse=1.35 [Ergebnis]

    Reproduzierbare Ergebnisse

    • descriptive_max_standardized_residual=2.4
    • descriptive_max_leverage=0.08
    • descriptive_max_Cook_D=0.06
    • holdout_RMSE=1.35

    Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.

    11

    Validitätsannahmen

    • Sind Residuen, Hebelwerte und Cook-Distanz für das genaue Modell und die Abhängigkeitsstruktur definiert?
    • War der Holdout von jeder Modell- und Spezifikationswahl ausgeschlossen?
    • Ändert Löschungs-/Neuanpassungssensitivität die entscheidungsrelevante Größe wesentlich?

    12

    Diagnostik und Unsicherheit

    Diagnostik und Unsicherheit

    Sind Residuen, Hebelwerte und Cook-Distanz für das genaue Modell und die Abhängigkeitsstruktur definiert? · War der Holdout von jeder Modell- und Spezifikationswahl ausgeschlossen? · Ändert Löschungs-/Neuanpassungssensitivität die entscheidungsrelevante Größe wesentlich?

    Begrenzte Diagnose

    Deskriptive Prüfung ohne universellen Grenzwert; eine Einflussaussage erfordert Sensitivität nach Löschung und Neuanpassung.

    Expliziter Unsicherheitsvertrag · not_estimable_from_sealed_inputs

    Methode: Explizite Bewertung der Nichtschätzbarkeit anhand des versiegelten Eingabeschemas.

    Ziel: Unsicherheit und Entscheidungssensitivität der Regressionsdiagnostik.

    Engine-Nachweis: diagnostic=descriptive_inspection_only_no_universal_cutoff_influence_conclusion_requires_case_deletion_refit_sensitivity

    Interpretation: Versiegelte Extremwerte und ein Holdout-RMSE liefern keine Neuanpassungsverteilungen; Löschungs-Neuanpassungen sind erforderlich.

    Stoppen, wenn

    Ein Modell allein anhand von R² validieren.

    13

    Ergebnisinterpretation

    • Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.
    • Das Ergebnis gilt bedingt auf deklarierte Population, Horizont, Spezifikation und Diagnosen. Es darf nicht ohne neue Begründung auf eine andere Entscheidung übertragen werden.

    14

    Vertretbare und unzulässige Schlussfolgerung

    Vertretbar

    Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.

    Unzulässig

    Ein Modell allein anhand von R² validieren.

    15

    Mögliche Marketingentscheidung

    1. 01

      Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.

    2. 02

      Das Ergebnis gilt bedingt auf deklarierte Population, Horizont, Spezifikation und Diagnosen. Es darf nicht ohne neue Begründung auf eine andere Entscheidung übertragen werden.

    16

    Wann einsetzen — wann stoppen

    Einsetzen, wenn

    Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben.

    Beobachtung × Residuum

    Stoppen, wenn

    Ein Modell allein anhand von R² validieren.

    Methodische Alternativen

    • Robuste Regression verwenden und Entscheidungsgrößen über alternative Spezifikationen vergleichen.
    • Bei gruppierter Abhängigkeit Cluster-Löschung oder Leave-one-group-out-Neuanpassung verwenden.
    • Grafische Residualprüfungen und domänenspezifische Falsifikationen statt universeller Grenzwerte verwenden.

    17

    Reproduzierbarkeitsvertrag

    Python und R sind die ausführbaren Referenzen. SPSS und SAS bleiben Sekundärsyntax, bis sie mit denselben Daten, derselben Spezifikation und denselben Diagnosen geprüft sind.

    Die Engine wählt ausschließlich Slice und expliziten Zweig dieser Seite. Hash, Ausgaben und Diagnosen bleiben im atomaren Dossier versiegelt; ein generischer Fallback-Zweig ist unzulässig.

    Slice-Fingerabdruck: fe38d763c26218df98d157e806962f0ec5f9b9a4baeca89b39123cc1db00b769

    Formales Modell

    Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.

    18

    Erwartetes Endergebnis

    1. 01

      Wie diagnostiziert man eine Marketingregression vor der Interpretation? — Beobachtung × Residuum

    2. 02

      r_i · h_i · D_i · RMSE_holdout

    3. 03

      Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    4. 04

      Sind Residuen, Hebelwerte und Cook-Distanz für das genaue Modell und die Abhängigkeitsstruktur definiert? · War der Holdout von jeder Modell- und Spezifikationswahl ausgeschlossen? · Ändert Löschungs-/Neuanpassungssensitivität die entscheidungsrelevante Größe wesentlich?

    5. 05

      Bestimmen, welche Interpretationen mit den Diagnosen vereinbar bleiben. / Ein Modell allein anhand von R² validieren.

    19

    Wissenschaftliche Quellen und Evidenzstatus

    Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.

    1. MSC-P019-C01 — Prädiktive Genauigkeit ist an von der Modellanpassung ausgeschlossenen Beobachtungen zu bewerten.
    2. MSC-P019-C02 — Eine Regression begründet für sich kein kausales Design.
    3. MSC-P019-C03 — Einflussdiagnostik zielt auf Beobachtungen oder Cluster unter dem deklarierten Modell.
    4. MSC-P019-C04 — Löschungsdiagnostik hängt von der entfernten Beobachtungseinheit ab.
    5. MSC-P019-C05 — Cook-Distanz ist Einflussdiagnostik und kein Urteil über Modellvalidität.
    1. Shmueli, 2010
    2. Arnold et al., 2020
    3. Zhu, Ibrahim & Cho, 2012

    Methodische Verbindungen

    Übergeordnetes GebietMarketing-Reaktionsmodelle: Form, Verzögerung und Sättigung

    Als Nächstes

    MSC-P-018Prädiktive oder kausale Regression: Was soll geschätzt werden?→MSC-P-022Wie schätzt man Preiselastizität und ihre Unsicherheit?→MSC-P-026Logit vs Probit: Wie wählt man für eine Kaufwahrscheinlichkeit?→