Research & Evidence

Methode suchen

Titel, Fragen, Gebiete und MSC-Kennungen durchsuchen.

    ← Alle Methoden
    METHODEN-DOSSIERMSC-P-020PreisforschungGeprüftes wissenschaftliches Dossier

    Wie behandelt man Preisendogenität?

    Preis ist endogen, wenn er mit unbeobachteten Nachfragetreibern kovariiert. Kontrollen, Fixed Effects und Instrumentvariablen adressieren unterschiedliche Biasquellen.

    Wissenschaftliche Redaktion: Marketing Science Center

    Direkte Antwort

    Elastizität unter einem offengelegten Satz von Identifikationsannahmen schätzen.

    Preis ist endogen, wenn er mit unbeobachteten Nachfragetreibern kovariiert. Kontrollen, Fixed Effects und Instrumentvariablen adressieren unterschiedliche Biasquellen.

    Angrist, Imbens & Rubin, 1996Villas-Boas & Winer, 1999

    01

    Warum Preis und Absatz nicht genügen

    Eine Preissenkung mit anschließend höherem Absatz beweist nicht, dass die Senkung den Anstieg verursacht hat. Der Preis kann gerade wegen nachlassender Nachfrage reduziert worden sein. Promotion, Lieferausfall eines Wettbewerbers, Saisonalität oder Sortimentswechsel können Preis und Menge zugleich verändern.

    1. 01

      Geschäftsproblem: Der Preis beeinflusst den Absatz, erwarteter Absatz beeinflusst aber auch den Preis.

    2. 02

      Statistisches Problem: Der Preis korreliert mit unbeobachteten Nachfragetreibern im Fehlerterm.

    3. 03

      IV-Strategie: Preisvariation aus einer Quelle isolieren, die außerhalb der unbeobachteten Nachfrage liegt.

    Villas-Boas & Winer (1999)

    02

    Ein Marketingbeispiel von Anfang bis Ende

    Synthetische Illustration: Lehrwerte, nicht beobachtet und nicht als Benchmark wiederverwendbar.

    Der synthetische Datensatz beobachtet 60 Produkte über 10 Wochen, also 600 Zeilen. Der Preis reagiert auf einen Lieferantenkostenschock und zugleich auf einen unbeobachteten Nachfrageschock. Die Menge reagiert auf Preis, Promotion, Saisonalität und denselben Nachfrageschock. Dadurch ist der Preis endogen, während ein konstruktionsbedingt relevantes und exogenes Instrument erhalten bleibt.

    Bereinigte OLSβOLS = −0,577 · SE 0,046
    Erste Stufeπ = 0,434 · partielles R² 0,310
    Stärke, geclusterte KovarianzWald χ²(1) = 255,749
    2SLS, geclusterte KovarianzβIV = −1,011 · 95-%-KI [−1,174; −0,848]

    In dieser synthetischen Realisierung ist OLS gegen null verzerrt und 2SLS nähert sich dem erzeugenden Koeffizienten −1,20. Der Wert −1,011 ist weder Benchmark noch universelle Elastizität. Er beschreibt nur die durch dieses synthetische Protokoll isolierte Preisvariation unter den angegebenen Annahmen.

    03

    Wissenschaftliche Frage und Estimand

    Wie groß ist für die 60 Produkte und 10 Wochen der Log-Log-Koeffizient des Preises auf die Menge für die vom Lieferantenkostenschock induzierte Preisvariation, bedingt auf Promotion und Saisonalität? Das Estimand ist β in der angegebenen Strukturgleichung mit auf Produktebene geclusterter Inferenz.

    Kontrafaktum: Für dasselbe Produkt i und dieselbe Woche t wird Qᵢₜ(p₁) mit Qᵢₜ(p₀) verglichen, wenn sich nur der logarithmierte Preis p über die von Z induzierte Komponente ändert und X konstant bleibt. Dieser Kontrast wird durch das angegebene homogene Strukturmodell definiert und ist nicht direkt beobachtbar.

    04

    Warum eine einfache Regression scheitern kann

    OLS schreibt dem Preis jede Restvariation zu, die Preis und Nachfrage gemeinsam haben. Hier erhöht der unbeobachtete Nachfrageschock zugleich Preis und Menge. Damit ist E[u | ln(P), X] = 0 verletzt. Richtung und Größe der Verzerrung hängen vom Preisbildungsprozess ab und folgen keiner universellen Regel.

    Villas-Boas & Winer (1999)

    05

    Der kausale Mechanismus, der glaubwürdig sein muss

    Z: InstrumentvariationP: PreisQ: Menge
    U: unbeobachtete Nachfrage
    Erwartete Struktur: Z verändert P, P beeinflusst Q und U wirkt auf P und Q. Der fehlende Pfeil Z → Q steht für die Ausschlussrestriktion, die begründet und nicht aus der Zeichnung abgeleitet werden muss.

    Angrist, Imbens & Rubin (1996)

    06

    Erforderliche Daten und Mindestqualität

    • Einheit: Produkt × Woche; 600 Zeilen, 60 Produktcluster und 10 Perioden ohne fehlende Werte im Beispiel.
    • Variablen: log_quantity, log_price, supplier_cost_shock, promotion, season_index, product_id und week.
    • Für reale Daten dokumentieren: Kostenquelle, Preiszeitplan, Fehlbestände, Qualität, Sortiment, Promotionen, Wettbewerb, Messfehler, Ausfälle und Preisstützbereich.

    Herunterladen CSV · MSC-P-020

    07

    Formales Modell und Symbole

    ln(Pᵢₜ) = α₁ + πZᵢₜ + δXᵢₜ + vᵢₜ

    ln(Qᵢₜ) = α₂ + βln(Pᵢₜ) + γXᵢₜ + uᵢₜ

    i, tIndizes für Produkt und Woche
    Qverkaufte Menge; log_quantity wird beobachtet
    PPreis; log_price wird beobachtet, ist aber endogen
    Zsupplier_cost_shock, beobachteter Instrumentenkandidat
    Xpromotion und season_index, beobachtete Kontrollen
    βgeschätzter 2SLS-Koeffizient von ln(P) in der Mengengleichung
    πKoeffizient der ersten Stufe von Z auf ln(P)
    α₁, α₂Konstanten der Preis- und Mengengleichungen
    δ, γKoeffizientenvektoren der Kontrollen X in beiden Gleichungen
    ln(P)̂in der ersten Stufe durch Z und X projizierter Log-Preis
    Qᵢₜ(p)kontrafaktische Menge von Produkt i in Woche t unter Log-Preis p
    u, vunbeobachtete Fehler der Struktur- und Preisgleichung

    08

    Was die beiden Stufen tatsächlich leisten

    01

    Stufe 1: den Preis erklären

    ln(P) = α₁ + πZ + δX + v

    Geschätzt wird der Anteil des logarithmierten Preises, den Instrument Z und Kontrollen X erklären. Diese Stufe erzeugt den angepassten Wert von ln(P), geschrieben ln(P)̂, den das IV-Modell verwendet.

    02

    Stufe 2: die Menge erklären

    ln(Q) = α₂ + β·ln(P)̂ + γX + u

    β wird aus der vom Instrument projizierten Preisvariation geschätzt, nicht aus der gesamten beobachteten Variation von P. Für die Inferenz ist ein vollständiger 2SLS-Schätzer nötig: Eine manuelle zweite OLS auf dem angepassten Wert von ln(P) würde falsche Standardfehler liefern.

    Angrist, Imbens & Rubin (1996)

    09

    Reproduzierbares numerisches Ergebnis

    Das Standardbibliothek-Skript reproduziert: βOLS = −0,577216 (SE 0,046332), π = 0,434136 (SE 0,027147), partielles R² = 0,310020, geclustertes Wald χ²(1) = 255,749005 und βIV = −1,011208 (SE 0,083104; asymptotisches 95-%-KI, z = 1,96, 60 Cluster: [−1,174092; −0,848325]). Der explorative Koeffizient des Erststufenresiduums beträgt 0,628993 (SE 0,091948; deskriptives t = 6,840731). Da ein generierter Regressor verwendet wird, gilt diese letzte Berechnung nicht als formaler clusterrobuster Test und validiert die Ausschlussrestriktion nicht.

    Herunterladen Python · MIT

    10

    Sechs Bedingungen und Prüfungen als operative Fragen

    Fragen und zu dokumentierende Evidenz für jede Bedingung
    Bedingung oder PrüfungOperative FrageZu dokumentierende Evidenz
    RelevanzVerändert das Instrument den Preis nach Kontrollen ausreichend?Koeffizient der ersten Stufe, partielles R² und eine designgerechte robuste Statistik.
    UnabhängigkeitIst Z bedingt auf X unabhängig von der unbeobachteten Nachfrage?Zeitablauf, Zuweisungsprozess, Kovariatenbalance und Marktkenntnis.
    AusschlussKann Z den Absatz über einen anderen Weg als den Preis beeinflussen?DAG, operative Prüfung und Suche nach direkten Wegen wie Verfügbarkeit, Qualität oder Sortiment.
    StärkeIst die isolierte Variation informativ genug für eine stabile Schätzung?Diagnosen schwacher Instrumente und gegen schwache Identifikation robuste Intervalle.
    HeterogenitätIst die Annahme eines homogenen Strukturkoeffizienten vertretbar?Das Beispiel unterstellt ein homogenes β. Bei realen Daten Heterogenität dokumentieren und 2SLS nicht automatisch als universelle Elastizität deuten.
    SensitivitätBleibt das Ergebnis unter anderen plausiblen Spezifikationen bestehen?Deklarierte alternative Fenster, Kontrollen, Fixed Effects, Cluster, Instrumente und Stichproben.

    Relevanz und Stärke sind messbar. Unabhängigkeit und Ausschluss sind aus der Datei allein nicht prüfbar; sie erfordern externe kausale Begründung.

    11

    Diagnosen vor der Interpretation von β

    1. 01

      Erste Stufe: Z-Koeffizient, partielles R² und robuste Statistik. F > 10 ist keine universelle Validierungsregel.

    2. 02

      Schwache Instrumente: Das 2SLS-Intervall bei unsicherer Identifikation durch robuste Anderson–Rubin- oder CLR-Inferenz ergänzen.

    3. 03

      Unsicherheit: Robuste oder geclusterte Standardfehler passend zu Zuweisungseinheit und Zeitabhängigkeit verwenden.

    4. 04

      Überidentifikation: Nur bei mehr ausgeschlossenen Instrumenten als endogenen Regressoren verfügbar. Nichtverwerfung beweist keine Gültigkeit.

    5. 05

      Endogenität: Ein nicht signifikanter Durbin–Wu–Hausman-Test beweist keine Preisexogenität, besonders bei schwachem Instrument.

    6. 06

      Sensitivität: OLS, 2SLS, alternative Spezifikationen und Unterstützungsbereiche vergleichen, ohne nachträglich das bevorzugte Ergebnis auszuwählen.

    Bound, Jaeger & Baker (1995)

    12

    Das Ergebnis ohne Überdehnung interpretieren

    Im angegebenen homogenen Log-Log-Modell bedeutet βIV = −1,011, dass ein durch Z ausgelöster Preisanstieg von 1 % unter den IV- und Strukturannahmen etwa 1,011 % weniger Menge im untersuchten Stützbereich entspricht. Für +5 % ergibt die endliche Berechnung 100 × [(1,05)^−1,011208 − 1] = −4,81 %. Diese Umrechnung überträgt den Effekt nicht über Population, Zeitraum oder Kostenmechanismus hinaus.

    13

    Was Sie folgern dürfen

    Vertretbare Formulierung

    Unter den Identifikationsannahmen und der in diesem Beispiel ausdrücklich auferlegten homogenen Strukturannahme beschreibt β die kausale Reaktion auf die instrumentinduzierte Preisvariation innerhalb der untersuchten Population, Periode und Stützmenge. Eine Erhöhung um 1 % entspricht näherungsweise einer Mengenänderung von β %; die exakte endliche Berechnung lautet 100 × [(1,01)^β − 1].

    Überzogene Formulierung

    Diese Elastizität gilt zwangsläufig für alle Produkte, Kunden, Perioden, Preisniveaus und künftigen Preisstrategien.

    14

    Mögliche Marketingentscheidung

    Mögliche Entscheidung: Ein auf den beobachteten Stützbereich begrenztes Preiserhöhungsszenario mit einem Szenario ohne Erhöhung vergleichen und Menge, Marge und Unsicherheit getrennt ausweisen. Nicht gestützt: einen optimalen Preis automatisieren oder auf nicht abgedeckte Produkte, Kunden oder Preisniveaus extrapolieren. Bleiben Ausschluss oder Unabhängigkeit fragil, ist die Entscheidung zu verschieben oder durch ein sicheres Experiment zu ersetzen.

    15

    Wann diese Methode nicht eingesetzt werden sollte

    • Kein glaubwürdiges Instrument ist verfügbar.
    • Der Instrumentenkandidat beeinflusst Nachfrage, Verfügbarkeit, Qualität oder Sortiment direkt.
    • Die erste Stufe ist zu schwach für eine informative Schätzung.
    • Die Zahl der Beobachtungen oder Cluster reicht für die angestrebte Unsicherheitsbewertung nicht aus.
    • Ein ethisch und operativ sicheres Preisexperiment ist möglich.
    • Eine bekannte Preisregel ermöglicht eine direktere Identifikationsstrategie.

    16

    Referenzimplementierungen

    Python 3.13 · standard library · reference

    python msc-p020-reference.py --csv msc-p020-price-endogeneity.csv
    Herunterladen

    R 4.5 · ivreg / sandwich / lmtest · companion syntax not executed in this build

    library(ivreg); library(sandwich); library(lmtest)
    d <- read.csv('msc-p020-price-endogeneity.csv')
    fit <- ivreg(log_quantity ~ log_price + promotion + season_index |
      supplier_cost_shock + promotion + season_index, data=d)
    summary(fit, diagnostics=TRUE)
    coeftest(fit, vcov.=vcovCL(fit, cluster=d$product_id, type='HC1'))
    Offizielle Dokumentation

    IBM SPSS Statistics 31 · secondary syntax

    2SLS log_quantity WITH log_price promotion season_index
     /INSTRUMENTS=promotion season_index supplier_cost_shock
     /ENDOGENOUS=log_price
     /PRINT=COV.
    Offizielle Dokumentation

    SAS 9.4 · secondary syntax

    proc syslin data=pricing 2sls;
     endogenous log_price;
     instruments supplier_cost_shock promotion season_index;
     model log_quantity = log_price promotion season_index;
    run;
    Offizielle Dokumentation

    Python ist die einzige in diesem Build ausgeführte Referenz. Der R-Block ist nicht ausgeführte Begleitsyntax; SPSS und SAS sind sekundär und reproduzieren keine geclusterte Inferenz. Keine Syntax macht das Instrument gültig: Versionen, Kovarianz und Schwachinstrumentdiagnosen sind in der eigenen Umgebung zu prüfen.

    17

    Erwartetes Ergebnis für eine Preisentscheidung

    1. 01

      Preisfrage, Population, Analyseeinheit, Periode und Log-Log-Estimand.

    2. 02

      DAG und schriftliche Begründung von Relevanz, Unabhängigkeit und Ausschluss.

    3. 03

      Vollständige erste Stufe, Instrumentstärke und identifizierter Variationsbereich.

    4. 04

      2SLS-Koeffizient, geeignetes Intervall, robuste Inferenz bei schwachen Instrumenten und Clusterplan.

    5. 05

      OLS/IV-Vergleich, Sensitivitäten, Übertragungsgrenzen und ausdrücklich nicht gestützte Entscheidungen.

    18

    Wissenschaftliche Bezugspunkte

    1. Zeigt, warum Endogenität von Marketingvariablen einschließlich Preis Parameter und Entscheidungsnutzung von Wahlmodellen verzerren kann.

    2. Verdeutlicht, dass die kausale IV-Interpretation explizite Annahmen zu Instrument, Zuweisung und Strukturmodell benötigt.

    3. Belegt Verzerrungs- und Instabilitätsrisiken, wenn Instrumente die endogene Variable nur schwach erklären.

    19

    Evidenzniveau und Übertragungsgrenzen

    Dossierniveau: Methode auf synthetischen Daten illustriert und repliziert, mit drei auf Behauptungsebene geprüften Volltexten. Dies ist weder die empirische Validierung eines realen Instruments noch ein Nachweis der Übertragbarkeit. Bei realen Daten ist Relevanz messbar; Unabhängigkeit und Ausschluss bleiben kausale Annahmen, die durch Geschäftsprozess, Kausalgraph und Sensitivitätsanalysen zu begründen sind.

    Datensatz · Werkzeug

    Datensatz · MSC-P-020-PRICE-ENDOGENEITYSynthetischer endogener Preis und Kostenschock→

    Methodische Verbindungen

    Übergeordnetes GebietPreisforschung: Preis, Nachfrage und Deckungsbeitrag verbindenBegrenztWie schätzt man Preiselastizität und ihre Unsicherheit?Vergleichen mitFeste oder zufällige Effekte: Welches Panelmodell passt?

    Als Nächstes

    MSC-H-003Preisforschung: Preis, Nachfrage und Deckungsbeitrag verbinden→MSC-P-022Wie schätzt man Preiselastizität und ihre Unsicherheit?→MSC-P-018Prädiktive oder kausale Regression: Was soll geschätzt werden?→MSC-P-021Feste oder zufällige Effekte: Welches Panelmodell passt?→