Beschreibung

Auf der Basis eines realen Datensets wird gezeigt, dass das Splitten von Umfrageerhebungen nach eher technischen wie nach qualitativen Kriterien die Kosten und die Belastung der befragten Personen bemerkenswert reduzieren kann. Interviews in Haushalten über Medien- und Konsumverhalten werden analysiert und in Komponenten aufgeteilt. Dem "matrix sampling Verfahren" folgend, werden die Befragten nur mit variierenden Subsets der Komponenten befragt, die entwurfsbedingt fehlende Daten induzieren. Diese fehlenden Daten werden hinterher hochgerechnet, um ein vollständiges Datenset zu generieren. Durch einen iterativen Algorithmus wird jede Variable mit fehlenden Werten auf alle anderen Variablen, die entweder von vorneherein vollständig sind oder aktuelle Eingaben enthalten, zurückgeführt. Die Prozedur des Hochrechnens selbst basiert auf dem sogenannten "predictive mean matching". In dem Beitrag wird die Gültigkeit der Trennung und Hochrechnung, basierend auf der Erhaltung von empirischen Verteilungen, bivariaten Assoziationen, bedingten Assoziationen und Regressionsinterferenz, diskutiert. Viele empirische Aufteilungen des vollständigen Datensets werden gut in den hochgerechneten Datensets reproduziert. Was die langen Medien- und Verbraucherumfragen betrifft, kann man feststellen, dass fast die gleichen Ergebnisse durch das Splitten erreicht werden können, verbunden mit reduzierten Kosten und verringerter Belastung der befragten Personen. (IAB)