Die vorliegende Arbeit besteht aus vier Aufsätzen, die sich mit der Modellierung von Markenwahlverhalten und Markentreue beschäftigen. Der erste Aufsatz gibt eine Einführung in das Nested Logit Modell und weist auf die Existenz von zwei unterschiedlichen Spezifikationen hin. Das utility maximization nested logit (UMNL) und das non-normalized nested logit (NNNL) Modell besitzen unterschiedliche Eigenschaften, die die Schätzergebnisse beeinflussen. Mit einer Simulationsstudie werden die Konsequenzen der Verwendung verschiedener Softwarepakete demonstriert. Außerdem wird gezeigt, dass nur die UMNL Spezifikation bei Auferlegung einer Parameterrestriktion mit der Zufallsnutzentheorie konform ist. Der zweite Aufsatz untersucht anhand von realen Haushaltspaneldaten den Erfolg einer Familienmarkenstrategie. Die Signaling Theorie liefert einen Rahmen für die dem Markenwahlverhalten zugrunde liegenden psychologischen Prozesse zur Entstehung und Erklärung von produktkategorieübergreifender Markentreue. In einer empirischen Studie wird untersucht, inwieweit in einer Kategorie markentreue Kunden dieser Marke auch in anderen Produktkategorien treu sind. Es wird ein Markentreue-Hebel-Index entwickelt. Im dritten Aufsatz stehen die psychologischen Determinanten von kategorieübergreifenden Zusammenhängen im Markenwahlverhalten im Mittelpunkt. In einer empirischen Studie wird die Risikoaversion als entscheidender Bestimmungsfaktor von kategorieübergreifender Markentreue untersucht. Die konsumentenspezifische Risikoaversion wird dabei über Innovativeness und Status Quo Bias erfasst. Im vierten Aufsatz wird das Hybride Wahlmodell einem breiten Marketingpublikum vorgestellt. Klassische Wahlmodelle gehen davon aus, dass das beobachtbare Verhalten das Resultat eines nicht spezifizierten Evaluationsprozesses des Individuums ist. Der kausalanalytische Ansatz hingegen erlaubt die Spezifikation nicht direkt messbarer Faktoren als latente Variablen und kann somit Wahlmodelle sinnvoll ergänzen. / This thesis is composed of four essays that pick up topics in brand choice and brand loyalty modeling. The first essay gives an introduction to the nested logit model and points attention to the existence of two different specifications. The utility maximization nested logit (UMNL) model and the non-normalized nested logit (NNNL) model have different properties which impact the estimation results. In a simulation study, the consequences of the usage of different software packages for model estimation on the estimation results is demonstrated. It is also shown that only the UMNL specification with an imposed parameter restriction is consistent with the underlying random utility theory. The second essay investigates the success of an umbrella branding strategy using household panel data. Signaling theory provides a framework for the underlying psychological processes in consumers'' brand choice behavior and can contribute in the formation and explanation of loyalty to the brand in multiple categories. An empirical study determines whether there is a tendency for loyal consumers from one product category to be loyal to the same brand in other product categories as well. Therefore, a cross-category brand loyalty leverage index is developed. In the third essay, consumer-specific psychological determinants of cross-category relations between brand loyal choice decisions are discussed. In an empirical study, the concept of risk aversion is considered as the key determinant of cross-category brand loyalty. Consumers'' risk aversion is derived from their innovativeness and status quo bias. In the fourth essay, the hybrid choice model is introduced to the broad marketing audience. Traditional choice models assume that observable behavior results from an unspecified evaluation process of the observed individual. The causal-analytic approach offers the possibility to specify not directly measurable factors as latent variables, and can thus reasonably supplement choice models.

Die vorliegende Studienarbeit beschäftigt sich mit der Fragestellung, inwiefern sich Revealed-Preference-Daten aus der deutschen Mobilitätsbefragung "Mobilität in Städten" SrV 2008 dazu eignen, um basierend auf denen im Datensatz enthaltenen Wegen Verkehrsmittelwahlmodelle zu schätzen. Dazu wurden Wegedaten aus der Befragung verwendet, und die Wahlalternativen mit Hilfe der Google Directions API rekonstruiert. Mit den rekonstruierten Variablen Reisezeit und Reisekosten sowie verschiedenen sozioökonomischen und externen Variablen aus SrV 2008 wurden verschiedene Wahlmodelle geschätzt. Durch schrittweises Hinzufügen der Variablen konnte das Modell immer weiter verbessert werden. Wie zu erwarten, erwiesen sich dabei die Reisezeit und die Reisekosten als hoch signifikant. Von den restlichen Variablen waren jedoch lediglich das Geschlecht der befragten Person sowie die Wettersituation zum Zeitpunkt der Wahlentscheidung signifikant. Für das finale Modell wurden Zeitkostensätze errechnet und mit verschiedenen europäischen Studien verglichen. Die errechneten Zeitkostensätze erwiesen sich dabei als plausibel. Die SrV-Daten eignen sich also für die Schätzung von Wahlmodellen. / The following thesis analyzes, if revealed preference data from the German mobility survey "Mobilität in Städten" SrV 2008 is suited to estimate mode choice models. For that purpose, trip data from the survey was used and the different choice alternatives were reconstructed with the Google Directions API. Several mode choice models were estimated with the help of the reconstructed variables travel time and travel costs plus several socioeconomic and external variables from SrV 2008. The variables were added to the model step by step, thereby the quality of the model improved. As expected, travel time and travel costs were highly significant. However from the remaining variables only the gender of the person and the weather at the time of the trip were significant. For the final model, values of time were calculated and these were compared with values from different European studies. The calculated values of time proved to be feasible. Therefore, SrV data is suited to be used for mode choice models.

Die vorliegende Studienarbeit beschäftigt sich mit der Fragestellung, inwiefern sich Revealed-Preference-Daten aus der deutschen Mobilitätsbefragung "Mobilität in Städten" SrV 2008 dazu eignen, um basierend auf denen im Datensatz enthaltenen Wegen Verkehrsmittelwahlmodelle zu schätzen. Dazu wurden Wegedaten aus der Befragung verwendet, und die Wahlalternativen mit Hilfe der Google Directions API rekonstruiert. Mit den rekonstruierten Variablen Reisezeit und Reisekosten sowie verschiedenen sozioökonomischen und externen Variablen aus SrV 2008 wurden verschiedene Wahlmodelle geschätzt. Durch schrittweises Hinzufügen der Variablen konnte das Modell immer weiter verbessert werden. Wie zu erwarten, erwiesen sich dabei die Reisezeit und die Reisekosten als hoch signifikant. Von den restlichen Variablen waren jedoch lediglich das Geschlecht der befragten Person sowie die Wettersituation zum Zeitpunkt der Wahlentscheidung signifikant. Für das finale Modell wurden Zeitkostensätze errechnet und mit verschiedenen europäischen Studien verglichen. Die errechneten Zeitkostensätze erwiesen sich dabei als plausibel. Die SrV-Daten eignen sich also für die Schätzung von Wahlmodellen.:1 Einleitung 1 1.1 Vorstellung des Themas 1 1.2 Ziel dieser Arbeit 1 1.3 Gliederung dieser Arbeit 2 1.4 Wesentliche Ergebnisse 2 2 Theoretischer Hintergrund 3 2.1 Diskrete Wahltheorie 3 2.1.1 Deterministischer Nutzen 4 2.1.2 Stochastischer Störterm 5 2.1.3 Logit-Modell 6 2.2 Parameterschätzung 8 2.2.1 t-Test 9 2.2.2 Likelihood-Ratio Test 9 2.2.3 Likelihood-Ratio-Index 10 2.3 Datenquellen 10 3 Generierung eines RP-Datensatzes aus SrV-Daten 13 3.1 SrV 2008 13 3.2 Auswahl an Variablen und Datensätzen 13 3.3 Rekonstruktion der generischen Variablen 15 3.3.1 Google Directions API 15 3.3.2 Automatisierte API-Abfrage 16 3.3.3 Reisekosten 17 3.4 Erzeugter Datensatz 18 4 Modellentwicklung und Parameterschätzung 21 4.1 Entwicklung des Wahlmodells 21 4.2 Parameterschätzung mit Biogeme 24 4.3 Anwendung der Parameterschätzung auf die SrV-Daten 28 5 Diskussion der Modellergebnisse 33 5.1 Darstellung der Nutzeneinflüsse 33 5.2 Zeitkostensätze 35 5.3 Fehlerquellen 37 5.4 Fazit 38 Literaturverzeichnis 41 Datenquellen 45 Anhang 49 / The following thesis analyzes, if revealed preference data from the German mobility survey "Mobilität in Städten" SrV 2008 is suited to estimate mode choice models. For that purpose, trip data from the survey was used and the different choice alternatives were reconstructed with the Google Directions API. Several mode choice models were estimated with the help of the reconstructed variables travel time and travel costs plus several socioeconomic and external variables from SrV 2008. The variables were added to the model step by step, thereby the quality of the model improved. As expected, travel time and travel costs were highly significant. However from the remaining variables only the gender of the person and the weather at the time of the trip were significant. For the final model, values of time were calculated and these were compared with values from different European studies. The calculated values of time proved to be feasible. Therefore, SrV data is suited to be used for mode choice models.:1 Einleitung 1 1.1 Vorstellung des Themas 1 1.2 Ziel dieser Arbeit 1 1.3 Gliederung dieser Arbeit 2 1.4 Wesentliche Ergebnisse 2 2 Theoretischer Hintergrund 3 2.1 Diskrete Wahltheorie 3 2.1.1 Deterministischer Nutzen 4 2.1.2 Stochastischer Störterm 5 2.1.3 Logit-Modell 6 2.2 Parameterschätzung 8 2.2.1 t-Test 9 2.2.2 Likelihood-Ratio Test 9 2.2.3 Likelihood-Ratio-Index 10 2.3 Datenquellen 10 3 Generierung eines RP-Datensatzes aus SrV-Daten 13 3.1 SrV 2008 13 3.2 Auswahl an Variablen und Datensätzen 13 3.3 Rekonstruktion der generischen Variablen 15 3.3.1 Google Directions API 15 3.3.2 Automatisierte API-Abfrage 16 3.3.3 Reisekosten 17 3.4 Erzeugter Datensatz 18 4 Modellentwicklung und Parameterschätzung 21 4.1 Entwicklung des Wahlmodells 21 4.2 Parameterschätzung mit Biogeme 24 4.3 Anwendung der Parameterschätzung auf die SrV-Daten 28 5 Diskussion der Modellergebnisse 33 5.1 Darstellung der Nutzeneinflüsse 33 5.2 Zeitkostensätze 35 5.3 Fehlerquellen 37 5.4 Fazit 38 Literaturverzeichnis 41 Datenquellen 45 Anhang 49