Research & Evidence

Methode suchen

Titel, Fragen, Gebiete und MSC-Kennungen durchsuchen.

    ← Alle Methoden
    METHODEN-DOSSIERMSC-P-003Grundlagen der EvidenzGeprüftes wissenschaftliches Dossier

    Wie lässt sich die Unsicherheit eines Marketingergebnisses ausdrücken?

    Unsicherheit muss zum Ergebnis passen: Konfidenzintervall für einen Parameter, Prognoseintervall für eine künftige Beobachtung oder Szenarioverteilung für eine Simulation.

    Wissenschaftliche Redaktion: Marketing Science Center

    Direkte Antwort

    Schätzungen mitsamt Präzision und Annahmen vergleichen.

    Unsicherheit muss zum Ergebnis passen: Konfidenzintervall für einen Parameter, Prognoseintervall für eine künftige Beobachtung oder Szenarioverteilung für eine Simulation.

    NIST DATAPLOT FIT manualStan posterior_interval documentation

    01

    Operative Zusammenfassung

    Wissenschaftliche Frage und Geltungsbereich

    Wie lässt sich die Unsicherheit eines Marketingergebnisses ausdrücken?

    Vertretbar

    Schätzungen mitsamt Präzision und Annahmen vergleichen.

    Unzulässig

    Ein Intervall als Garantie für einen Einzelfall deuten.

    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

    Unsicherheit muss zum Ergebnis passen: Konfidenzintervall für einen Parameter, Prognoseintervall für eine künftige Beobachtung oder Szenarioverteilung für eine Simulation.

    04

    Wissenschaftliche Frage und Geltungsbereich

    Wie lässt sich die Unsicherheit eines Marketingergebnisses ausdrücken?

    Ein deklariertes Objekt: Konfidenzintervall eines Parameters, Prognoseintervall einer künftigen Beobachtung, Bayes-Kredibilitätsintervall oder Verteilung eines simulierten Ergebnisses

    Benötigte Daten

    Ergebnis × Inferenzziel × datengenerierender Prozess

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

    05

    Warum eine einfache Analyse scheitern kann

    • Ein Intervall als Garantie für einen Einzelfall deuten.
    • Intervall und Ziel aufeinander abstimmen
    • Frequentistische oder posteriore Interpretation deklarieren
    • Abdeckung oder Kalibrierung prüfen

    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.

    Ein deklariertes Objekt: Konfidenzintervall eines Parameters, Prognoseintervall einer künftigen Beobachtung, Bayes-Kredibilitätsintervall oder Verteilung eines simulierten Ergebnisses

    07

    Benötigte Daten

    Wörterbuch wissenschaftlicher Symbole

    estimate
    Punktschätzung des deklarierten Marketingparameters. Einheit: Prozentpunkt · Typ: Zahl · Rolle: Eingabe
    SE
    Standardfehler dieser Parameterschätzung unter dem deklarierten Stichprobenmodell. Einheit: Prozentpunkt · Typ: positive Zahl · Rolle: Eingabe
    z
    Zweiseitiger kritischer Wert der Standardnormalverteilung für das deklarierte Konfidenzniveau. Einheit: dimensionslos · Typ: positive Zahl · Rolle: Parameter
    CI
    Konfidenzintervall für den Parameter; weder Prognoseintervall einer künftigen Beobachtung noch posteriores Intervall. Einheit: Prozentpunkt · Typ: geordnetes Paar · Rolle: Ausgabe

    Exakte versiegelte Engine-Eingaben

    estimate_pp
    Wert: 3.2 · Einheit: Prozentpunkt · Typ: Zahl · Datenstatus: synthetisch
    standard_error_pp
    Wert: 1.1 · Einheit: Prozentpunkt · Typ: Zahl · Datenstatus: synthetisch
    z_critical
    Wert: 1.95996398454 · Einheit: dimensionslos · Typ: Zahl · Datenstatus: deklarierter Parameter

    08

    Formales Modell

    Formales Modell

    CI = [estimate − z × SE; estimate + z × SE]

    Belegte Aussagen: MSC-P003-C01 · MSC-P003-C02 · MSC-P003-C03 · MSC-P003-C04 · MSC-P003-C05 · MSC-P003-C06 · MSC-P003-C07 · MSC-P003-C08 · MSC-P003-C09 · MSC-P003-C10 · MSC-P003-C11 · MSC-P003-C12

    Wissenschaftliche Frage und Geltungsbereich

    Ein deklariertes Objekt: Konfidenzintervall eines Parameters, Prognoseintervall einer künftigen Beobachtung, Bayes-Kredibilitätsintervall oder Verteilung eines simulierten Ergebnisses

    09

    Deklarierte Berechnung

    1. 01

      Seitenspezifischen Ausschnitt, Einheiten und positiven Standardfehler vor der Berechnung prüfen.

    2. 02

      Die Spanne z × SE berechnen und von der Schätzung abziehen beziehungsweise zu ihr addieren.

    3. 03

      Das Ergebnis als Parameter-Konfidenzintervall kennzeichnen und Prognose- oder Posteriorinterpretationen ausschließen.

    10

    Zahlenbeispiel oder Anwendungsfall

    Berechnetes Beispiel — synthetische Daten oder deklarierte Parameter; keine realen Beobachtungen

    Versiegelte Eingaben

    • estimate_pp=3.2 [Prozentpunkt]
    • standard_error_pp=1.1 [Prozentpunkt]
    • z_critical=1.95996398454 [dimensionslos]

    Reproduzierbare Ergebnisse

    • CI95=[1.044040; 5.355960] percentage points

    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

    • Entspricht der Standardfehler dem deklarierten Schätzer und Stichprobendesign?
    • Wurde das nominale Konfidenzniveau vor Sichtung des Ergebnisses festgelegt?
    • Ist das Inferenzziel ein Parameter und keine künftige Beobachtung oder posteriore Größe?

    12

    Diagnostik und Unsicherheit

    Diagnostik und Unsicherheit

    Intervall und Ziel aufeinander abstimmen · Frequentistische oder posteriore Interpretation deklarieren · Abdeckung oder Kalibrierung prüfen · Modell und Horizont offenlegen

    Begrenzte Diagnose

    Parameter-Konfidenzintervall, weder Prognose- noch posteriores Intervall.

    Expliziter Unsicherheitsvertrag · quantified

    Methode: Deterministische Berechnung der Referenz-Engine auf dem versiegelten Eingabeausschnitt.

    Ziel: Stichprobenunsicherheit der deklarierten Parameterschätzung.

    Engine-Nachweis: metric.ci_lower_pp= · metric.ci_upper_pp=

    Interpretation: Das 95-%-Konfidenzintervall ist auf den bereitgestellten Standardfehler bedingt und weder Prognose- noch posteriores Intervall.

    Stoppen, wenn

    Ein Intervall als Garantie für einen Einzelfall deuten.

    13

    Ergebnisinterpretation

    • Schätzungen mitsamt Präzision und Annahmen vergleichen.
    • 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

    Schätzungen mitsamt Präzision und Annahmen vergleichen.

    Unzulässig

    Ein Intervall als Garantie für einen Einzelfall deuten.

    15

    Mögliche Marketingentscheidung

    1. 01

      Schätzungen mitsamt Präzision und Annahmen vergleichen.

    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

    Schätzungen mitsamt Präzision und Annahmen vergleichen.

    Ergebnis × Inferenzziel × datengenerierender Prozess

    Stoppen, wenn

    Ein Intervall als Garantie für einen Einzelfall deuten.

    Methodische Alternativen

    • Ein modellspezifisches Prognoseintervall für eine künftige Beobachtung verwenden.
    • Posteriore Quantile nur unter einem ausdrücklich deklarierten bayesianischen Modell verwenden.
    • Simulationsquantile verwenden, wenn Unsicherheit durch ein deklariertes Entscheidungsmodell fortgepflanzt wird.

    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: d4ab5c6b8263b73b956b8303aaf4e6f79531f3d09737b32fedba4f0a8d8602b8

    Formales Modell

    CI = [estimate − z × SE; estimate + z × SE]

    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 lässt sich die Unsicherheit eines Marketingergebnisses ausdrücken? — Ergebnis × Inferenzziel × datengenerierender Prozess

    2. 02

      estimate · SE · z · CI

    3. 03

      CI = [estimate − z × SE; estimate + z × SE]

    4. 04

      Intervall und Ziel aufeinander abstimmen · Frequentistische oder posteriore Interpretation deklarieren · Abdeckung oder Kalibrierung prüfen · Modell und Horizont offenlegen

    5. 05

      Schätzungen mitsamt Präzision und Annahmen vergleichen. / Ein Intervall als Garantie für einen Einzelfall deuten.

    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-P003-C01 — Vorab-Spezifikation umfasst Forschungsfrage und Analyseplan, bevor Ergebnisse beobachtet werden.
    2. MSC-P003-C02 — Schätzer und Analyseregeln müssen für eine unabhängige Replikation hinreichend präzise sein.
    3. MSC-P003-C03 — Der Estimand ist das Ziel und unterscheidet sich vom verwendeten Schätzer.
    4. MSC-P003-C04 — Geschäftsentscheidungen erfordern mehr als das Überschreiten einer p-Wert-Schwelle.
    5. MSC-P003-C05 — Statistische Signifikanz quantifiziert nicht die Effektgröße.
    6. MSC-P003-C06 — Ein p-Wert ist kein vollständiges Evidenzmaß.
    7. MSC-P003-C07 — Prognoseintervalle und Parameterunsicherheit beantworten unterschiedliche Fragen.
    8. MSC-P003-C08 — Unsicherheit eines prognostizierten Werts benötigt eine eigene berichtete Skala.
    9. MSC-P003-C09 — Prognoseintervalle betreffen eine künftige Beobachtung und nicht nur einen Parameter.
    10. MSC-P003-C10 — Posteriore Intervalle fassen Unsicherheit unter einem bayesianischen Modell zusammen.
    11. MSC-P003-C11 — Ein zentrales posteriores Intervall wird durch posteriore Quantile definiert.
    12. MSC-P003-C12 — Die Interpretation eines bayesianischen posterioren Intervalls ist auf Daten und Modell bedingt.
    1. NIST DATAPLOT FIT manual
    2. Stan posterior_interval documentation
    3. Nosek et al., 2018
    4. ICH E9(R1), 2020
    5. ASA, 2016

    Methodische Verbindungen

    Übergeordnetes GebietStatistische Entscheidungsmethoden: wählen, quantifizieren, validieren

    Als Nächstes

    MSC-P-004Signifikanz oder Effektgröße: Welches Ergebnis ist zu interpretieren?→MSC-P-012Wie viele Beobachtungen braucht ein Experiment?→MSC-P-022Wie schätzt man Preiselastizität und ihre Unsicherheit?→