Die Gewichtung multipler patientenrelevanter Endpunkte

Universität Bayreuth
Rechts- und Wirtschaftswissenschaftliche Fakultät
Wirtschaftswissenschaftliche Diskussionspapiere
Die Gewichtung multipler patientenrelevanter Endpunkte –
Ein methodischer Vergleich von Conjoint Analyse
und Analytic Hierarchy Process
unter Berücksichtigung
des Effizienzgrenzenkonzepts des IQWiG
Katja Neidhardt1, Timo Wasmuth2 und Andreas Schmid3
Diskussionspapier 02-12
Februar 2012
ISSN 1611-3837
© 2012 by Katja Neidhardt, Timo Wasmuth and Andreas Schmid. All rights reserved.
Any reproduction, publication and reprint in the form of a different publication,
whether printed or produced electronically, in whole or in part, is permitted only with
the explicit written authorization of the authors.
1
Katja Neidhardt, Novartis Pharma GmbH, Roonstr.25, D-90429 Nürnberg
Timo Wasmuth, Novartis Pharma GmbH, Roonstr. 25, D-90429 Nürnberg
3
Andreas Schmid, Lehrstuhl VWL III, insb. Finanzwissenschaft, Prof. Ulrich, Rechts- und Wirtschaftswissenschaftliche Fakultät, Universität Bayreuth, D-95440 Bayreuth
2
Prioritizing multiple patient-relevant endpoints –
A methodological comparison
of Conjoint Analysis and Analytic Hierarchy Process
considering IQWiG`s efficiency frontier concept
by Katja Neidhardt, Timo Wasmuth and Andreas Schmid
Abstract
The Institute for Quality and Efficiency in Health Care (IQWiG) in Germany evaluates
benefits/harms and economical implications of medical interventions to support decisions of the Federal Joint Committee and the National Association of Statutory Health
Insurance Funds. IQWiG has developed the efficiency frontier concept to determine a
maximum reimbursable price for pharmaceuticals. Benefits/harms and costs are evaluated for each patient-relevant endpoint but methodological problems arise with the
presence of multiple patient-relevant endpoints because recommendations for a
maximum reimbursable price will likely be imprecise. With Conjoint Analysis and Analytic Hierarchy Process, two powerful tools from marketing science and decision analysis are currently discussed as approaches to aggregate multiple patient-relevant endpoints. This paper describes both approaches and compares them with respect to the
methodological challenges of aggregating multiple patient-relevant endpoints.
JEL-Classification: C18, I19
Keywords: IQWiG, health economic evaluation, efficiency frontier, multiple patientrelevant endpoints, Conjoint Analysis, Analytic Hierarchy Process
Corresponding author:
Katja Neidhardt
Novartis Pharma GmbH
Roonstraße 25
90429 Nürnberg
Email: [email protected]
Inhaltsverzeichnis
Abbildungsverzeichnis ................................................................................................................................. III
Tabellenverzeichnis ..................................................................................................................................... III
Abkürzungsverzeichnis ................................................................................................................................ IV
1
EINLEITUNG ..................................................................................................................... 1
1.1
Problemstellung ................................................................................................................. 1
1.2
Zielsetzung und Vorgehensweise ........................................................................................ 2
2
DIE ENDPUNKTGEWICHTUNG IM RAHMEN DER KOSTEN-NUTZENBEWERTUNG DES IQWIG ............................................................................................. 2
2.1
Die Methodik des IQWiG zur Kosten-Nutzen-Bewertung .................................................... 2
2.2
Multiple patientenrelevante Endpunkte im Rahmen der IQWiG-Methodik ........................ 4
2.2.1
Die Endpunktdiskussion vor dem Hintergrund der IQWiG-Nutzenbewertung ......................... 4
2.2.2
Die Existenz multipler patientenrelevanter Endpunkte als methodische Herausforderung im
Rahmen der IQWiG-Methodik .................................................................................................. 6
2.2.3
2.3
3
Die Lösungsvorschläge des IQWiG für die Endpunktgewichtung.............................................. 8
Entwurf eines Kriterienkatalogs zur Bewertung der Lösungsvorschläge ............................. 9
METHODEN FÜR DIE ENDPUNKTGEWICHTUNG .............................................. 13
3.1
Überblick zu den Methoden der multiattributiven Präferenzmessung ..............................13
3.2
Die Conjoint Analyse .........................................................................................................15
3.2.1
Methodische Grundlagen und Hintergründe .......................................................................... 15
3.2.2
Ablaufschritte der Traditionellen Conjoint Analyse ................................................................ 16
3.2.3
Die Choice-Based Conjoint Analyse als Variante der Conjoint Analyse .................................. 19
3.2.4
Stärken und Schwächen der Conjoint-Analyse ....................................................................... 21
3.2.5
Anwendungsgebiete im Gesundheitswesen ........................................................................... 22
I
3.3
Der Analytic Hierarchy Process ..........................................................................................23
3.3.1
Methodische Grundlagen und Hintergünde ........................................................................... 23
3.3.2
Ablaufschritte des Analytic Hierarchy Process ........................................................................ 24
3.3.3
Stärken und Schwächen des Analytic Hierarchy Process ........................................................ 30
3.3.4
Anwendungsgebiete im Gesundheitswesen ........................................................................... 33
4
CA UND AHP – EIN VERGLEICH IM KONTEXT DER IQWIG-METHODIK ..... 33
4.1
Allgemeiner theoretischer Methodenvergleich .................................................................33
4.1.1
Gemeinsamkeiten ................................................................................................................... 33
4.1.2
Unterschiede ........................................................................................................................... 34
4.1.3
Zusammenfassende Darstellung des allgemeinen theoretischen Methodenvergleichs ........ 35
4.2
Empirischer Methodenvergleich ........................................................................................36
4.2.1
Literaturübersicht zu empirischen Vergleichsstudien ............................................................. 36
4.2.2
Kritik an den empirischen Vergleichsstudien .......................................................................... 38
4.3
Theoretischer Methodenvergleich unter Verwendung des Kriterienkatalogs ....................38
4.3.1
Zur Bewertung von Conjoint Analyse und Analytic Hierarchy Process ................................... 38
4.3.2
Zusammenfassende Darstellung des theoretischen Methodenvergleichs unter Verwendung
des Kriterienkatalogs .............................................................................................................. 42
4.3.3
5
Limitationen der Bewertung anhand des Kriterienkatalogs ................................................... 43
ZUSAMMENFASSUNG UND FAZIT ........................................................................... 44
Literaturverzeichnis .................................................................................................................................... 47
II
Abbildungsverzeichnis
ABBILDUNG 1: DARSTELLUNG DER THEORETISCHEN EFFIZIENZGRENZE .................................................... 4
ABBILDUNG 2: PATIENTENRELEVANTE ENDPUNKTE IM RAHMEN DER IQWIG-METHODIK ....................... 6
ABBILDUNG 3: KRITERIENKATALOG FÜR DIE BEWERTUNG VON CA UND AHP ........................................... 9
ABBILDUNG 4: VORGEHENSWEISE DEKOMPOSITIONELLER UND KOMPOSITIONELLER VERFAHREN ....... 14
ABBILDUNG 5: ÜBERSICHT ZU DEN METHODEN DER MULTIATTRIBUTIVEN PRÄFERENZMESSUNG ........ 15
ABBILDUNG 6: ABLAUFSCHRITTE DER TCA ................................................................................................ 16
ABBILDUNG 7: ABLAUFSCHRITTE DES AHP ............................................................................................... 24
ABBILDUNG 8: VOLLSTÄNDIGE HIERARCHIE MIT EINER HIERARCHIEEBENE ............................................. 26
Tabellenverzeichnis
TABELLE 1: METHODEN DER MULTIATTRIBUTIVEN PRÄFERENZMESSUNG .............................................. 14
TABELLE 2: ZUSAMMENFASSUNG DER STÄRKEN UND SCHWÄCHEN DER CA ........................................... 22
TABELLE 3: NEUN-PUNKTE-BEWERTUNGSSKALA NACH SAATY ................................................................ 26
TABELLE 4: ZUSAMMENFASSUNG DER STÄRKEN UND SCHWÄCHEN DES AHP ........................................ 32
TABELLE 5: ZUSAMMENFASSUNG DES ALLGEMEINEN THEORETISCHEN METHODENVERGLEICHS .......... 35
TABELLE 6: ZUSAMMENFASSUNG DES EMPIRISCHEN METHODENVERGLEICHS IN BEZUG AUF DIE
PROGNOSEVALIDITÄT ............................................................................................................ 37
TABELLE 7: ZUSAMMENFASSUNG DES METHODENVERGLEICHS UNTER VERWENDUNG DES
KRITERIENKATALOGS ............................................................................................................. 42
III
Abkürzungsverzeichnis
Abb. ………………………………….. Abbildung
Abs. …………………………………… Absatz
AHP …………………………………… Analytic Hierarchy Process
al. ……………………………………… alii
bzw. ………………………………….. beziehungsweise
CA …………………………………….. Conjoint Analyse
CBCA …………………………………. Choice-Based Conjoint Analyse
C.R. ………………………………….… Consistency Ratio
C.R.H. ………………………………… Consistency Ratio of the Hierarchy
DCE …………………………………… Discrete-Choice Experiment
d. h. …………………………………… das heißt
evtl. …………………………………… eventuell
f. ……………………………………….. folgende
G-BA ………………………………….. Gemeinsamer Bundesausschuss
GKV …………………………………… Gesetzliche Krankenversicherung
GKV-Spitzenverband …………. Spitzenverband Bund der Gesetzlichen Krankenversicherungen
GKV-WSG ………………………….. Gesetz zur Stärkung des Wettbewerbs in der Gesetzlichen
Krankenversicherung
Hrsg. …………………………………. Herausgeber
i. d. R. ……………………………….. in der Regel
IQWiG ……………………………..… Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen
MONONOVA ……………………… Monotonic Analysis of Variance
OLS ……………………………………. Ordinary Least Squares
QALY …………………………………. Quality Adjusted Life Year
S. ………………………………………..Seite
SGB V ………………………………… Sozialgesetzbuch, Fünftes Buch
sog. …………………………………… sogenannt
Tab. ………………………………….. Tabelle
TCA …………………………………… Traditionelle Conjoint Analyse
u. a. ………………………………….. unter anderem/ und andere
u. U. ………………………………….. unter Umständen
vgl. ……………………………………. vergleiche
z. B. ………………………………...… zum Beispiel
IV
1
Einleitung
1.1
Problemstellung
Bis zum Jahr 2007 fehlte in Deutschland ein gesetzlich legitimiertes Instrument zur Bewertung von Kosten und Nutzen medizinischer Leistungen. Mit dem Inkrafttreten des
Gesetzes zur Stärkung des Wettbewerbs in der Gesetzlichen Krankenversicherung
(GKV-WSG) im April 2007 wurde der Gemeinsame Bundesausschuss (G-BA) dazu ermächtigt, das Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen
(IQWiG) mit einer Kosten-Nutzen-Bewertung von Arzneimitteln zu beauftragen, um
Empfehlungen für den Spitzenverband Bund der Gesetzlichen Krankenversicherungen
(GKV-Spitzenverband) zur Festsetzung eines Erstattungshöchstbetrages zu erarbeiten.
Durch das im Januar 2011 in Kraft getretene Gesetz zur Neuordnung des Arzneimittelmarktes in der gesetzlichen Krankenversicherung (Arzneimittelmarktneuordnungsgesetz, AMNOG) wurden die Preisfestsetzung von Arzneimitteln und die Rolle der KostenNutzen-Bewertung des IQWiG neu geregelt.
Für die Bewertung von Verhältnissen zwischen Nutzen und Kosten der im Rahmen der
GKV erbrachten Leistungen schlägt das IQWiG die Analyse der Effizienzgrenze vor. Dabei wird das Kosten-Nutzen-Verhältnis der zu bewertenden Intervention endpunktspezifisch mit dem Kosten-Nutzen-Verhältnis aller versorgungsrelevanten Therapieoptionen innerhalb des Indikationsgebietes verglichen. Die Existenz multipler patientenrelevanter Endpunkte kann die Ermittlung eines eindeutigen Erstattungshöchstbetrages
jedoch zu einer methodischen Herausforderung machen. Auf Wunsch des Entscheidungsträgers ist es Aufgabe des IQWiG, multiple Endpunkte zu einem einzigen interpretationsfähigen Nutzenmaß zu aggregieren, um einen eindeutigen Erstattungshöchstbetrag durch die Berechnung eines kalkulatorischen Mischhöchstbetrages zu
ermitteln. Jedoch ist bislang unklar, welcher Algorithmus bei der Aggregation multipler
Nutzenparameter angewendet werden soll. Das IQWiG prüft mit Conjoint Analyse (CA)
und Analytic Hierarchy Process (AHP) zwei Methoden der multiattributiven Präferenzmessung hinsichtlich ihrer Verwertbarkeit für die Priorisierung und Gewichtung multipler patientenrelevanter Endpunkte. Der methodische Vergleich von CA und AHP unter
1
Berücksichtigung der Methodik des IQWiG steht im Mittelpunkt dieser Arbeit.4
1.2
Zielsetzung und Vorgehensweise
Mit diesem Diskussionspapier soll ein erster Überblick über die methodischen Besonderheiten der vom IQWiG geprüften Verfahren für die Gewichtung multipler patientenrelevanter Endpunkte gegeben werden. Dabei ist zu klären, ob sich aus einem methodischen Vergleich von CA und AHP unter Berücksichtigung der Methodik des IQWiG
Hinweise für die Vorziehenswürdigkeit einer der beiden Methoden ableiten lassen. CA
und AHP werden dazu auf theoretischer und empirischer Basis miteinander verglichen
und anhand eines Kriterienkatalogs, der wesentliche methodische Anforderungen zusammenfasst, die sich aus den gesetzlichen Vorgaben, der IQWiG-Methodik und allgemeinen Anforderungen an wissenschaftliches Vorgehen ergeben, hinsichtlich ihrer
Eignung zur Endpunktgewichtung im Rahmen des Effizienzgrenzenkonzepts bewertet.
2
Die
Endpunktgewichtung
im
Rahmen
der
Kosten-Nutzen-
Bewertung des IQWiG
2.1
Die Methodik des IQWiG zur Kosten-Nutzen-Bewertung
Zur Erfüllung der gesetzlich festgelegten Aufgaben hat das IQWiG in Zusammenarbeit
mit internationalen Experten eine Methodik zur Bewertung von Verhältnissen zwischen Nutzen und Kosten im System der deutschen GKV entwickelt, die nach mehrjähriger und teils kontroverser Diskussion mit der Fachöffentlichkeit im Oktober 2009 in
einem verbindlichen Methodenpapier veröffentlicht wurde. Im Mittelpunkt der Methodik des IQWiG steht die Analyse der Effizienzgrenze, die als grundlegendes methodisches Konstrukt aus den bisher von der Versichertengemeinschaft der GKV akzeptierten Relationen zwischen Kosten und Nutzen hergeleitet wird. Dabei wird die Effizienz
der zu bewertenden medizinischen Intervention endpunktspezifisch mit dem bereits
bestehenden Effizienzniveau aller versorgungsrelevanten Therapiealternativen des
Indikationsgebietes verglichen (vgl. IQWiG (2009a), S. 15), d. h. für jeden patientenrelevanten Endpunkt wird eine eigene Effizienzgrenze analysiert. Ziel der Analyse ist die
Differenzierung zwischen effizienten und ineffizienten medizinischen Interventionen
4
Dieses Diskussionspapier beruht in wesentlichen Teilen auf der Abschlussarbeit von Frau Dipl.-GÖ Katja
Neidhardt, die dem Prüfungsamt der Rechts- und Wirtschaftswissenschaftlichen Fakultät der Universität Bayreuth am 4. Mai 2010 vorgelegt wurde.
2
und die Ableitung eines Erstattungshöchstbetrages, der den patientenrelevanten Zusatznutzen bzw. geringeren Schaden der zu bewertenden Intervention angemessen
vergütet. Dem GKV-Spitzenverband soll die Analyse der Effizienzgrenze wichtige Informationen über das derzeitige Effizienzniveau innerhalb des Indikationsgebietes liefern und als fundierte Entscheidungsgrundlage für die Festsetzung eines Erstattungshöchstbetrages dienen. Voraussetzung der Kosten-Nutzen-Bewertung ist der in der
Nutzenbewertung belegte patientenrelevante Zusatznutzen oder geringere Schaden
der zu bewertenden medizinischen Intervention (vgl. IQWiG (2009a), S. 14f.). Die
krankheitsbezogenen Nettokosten pro Patient werden für jede relevante Therapieoption innerhalb des Indikationsgebietes entsprechend des deutschen Versorgungskontextes ermittelt (vgl. IQWiG (2009a), S. 21-25), wobei das IQWiG bei der Ermittlung der
Kosten die Perspektive der Versichertengemeinschaft der GKV einnimmt (vgl. IQWiG
(2009a), S. 3). Für die Ermittlung von Kosten und Nutzen können Modellierungstechniken Anwendung finden (vgl. IQWiG (2009a), S. 28), deren Ergebnisse aufgrund von
Unsicherheit in den Daten durch Sensitivitätsanalysen abgesichert werden müssen
(vgl. IQWiG (2009a), S. 29).
Zur graphischen Darstellung der Effizienzgrenze wird der Nutzen der versorgungsrelevanten Therapieoptionen den ermittelten Nettokosten endpunktspezifisch gegenübergestellt (vgl. IQWiG (2009a), S. 32). Dazu wird jede relevante Therapieoption in die
Kosten-Nutzen-Ebene eines Koordinatensystems mit den Achsenbeschriftungen ‚Nettokosten pro Patient’ auf der horizontalen Achse und ‚Nutzen’ auf der vertikalen Achse
eingezeichnet (vgl. Abb. 1). Durch die Effizienzgrenze wird die Kosten-Nutzen-Ebene in
zwei Areale eingeteilt, die es ermöglicht, die zu bewertende medizinische Intervention
durch deren relative Position in der Ebene als effizienter, gleich oder weniger effizient
(Punkte 1, 2 und 5) als die bereits existierenden effizienten Vergleichstherapien zu
klassifizieren, die auf der Effizienzgrenze liegen (Punkte 3, 4 und 6). Aus Sicht des
IQWiG erscheint der Preis für die zu bewertende medizinische Intervention dann als
angemessen, wenn sich durch die Anwendung der Intervention das bestehende Effizienzniveau innerhalb des Indikationsgebietes nicht verschlechtert (vgl. IQWiG (2009a),
S. viii).
3
Abbildung 1: Darstellung der theoretischen Effizienzgrenze (Quelle: Eigene Darstellung nach IQWiG
(2009a), S. 34)
Die zu bewertende medizinische Intervention ist effizienter als die bereits bestehenden Interventionen des Indikationsgebietes, wenn sie oberhalb der Effizienzgrenze
eingezeichnet wird. In diesem Fall besteht keine Notwendigkeit zur Einschränkung der
Erstattungsfähigkeit durch die Festsetzung eines Erstattungshöchstbetrages. Da die
Anwendung der Intervention zu einem höheren Effizienzniveau im betrachteten Indikationsgebiet führt, ist eine entsprechende Anpassung der Effizienzgrenze erforderlich
(vgl. IQWiG (2009a), S. 32). Liegt die zu bewertende Intervention im Gegensatz dazu
unterhalb der Effizienzgrenze, so kann die Erstattung im Rahmen der GKV durch die
Festsetzung eines Erstattungshöchstpreises eingeschränkt werden, da die Intervention
weniger effizient ist als die sich auf der Effizienzgrenze befindenden Vergleichstherapien. Zur Ableitung des Erstattungshöchstbetrages wird der Abschnitt mit dem höchsten Nutzenniveau der ermittelten Effizienzgrenze linear extrapoliert (vgl. Mühlbacher
et al. (2009a), S. 1). Dabei ist zu beachten, dass der Preis nicht direkt aus der graphischen Darstellung auf der Kostenachse abgelesen werden kann, sondern aus den berechneten Durchschnittsnettokosten pro Patient herzuleiten ist (vgl. IQWiG (2009a),
S. viii).
2.2
Multiple patientenrelevante Endpunkte im Rahmen der IQWiG-Methodik
2.2.1 Die Endpunktdiskussion vor dem Hintergrund der IQWiG-Nutzenbewertung
Nach den gesetzlichen Vorschriften des SGB V gehört es zu den Aufgaben der GKV, für
den Erhalt und die Wiederherstellung der Gesundheit der Versicherten zu sorgen
(gem. § 1 Satz 1 SGB V). Jedoch existiert keine allgemeingültige Definition des Begriffes
Gesundheit (vgl. Oberender et al. (2005), S. 12; Schöffski (2008), S. 323). Um die Aus4
wirkungen medizinischer Interventionen auf die Gesundheit abschätzen zu können, ist
es notwendig, Gesundheitseffekte quantitativ zu erfassen (vgl. Mühlhauser und Müller
(2009), S. 34). Zur Bewertung der Wirksamkeit und Verträglichkeit von Arzneimitteln
werden im Rahmen klinischer Studien Prüfvariablen anhand eindeutiger medizinischer
Auswahlkriterien prospektiv im Prüfplan der Studie festgelegt, um die durch die zu
analysierende medizinische Intervention hervorgerufenen Effekte auf die Gesundheit
zu beurteilen. Diese eindeutig definierten Zielgrößen, die diskriminierend für den Effekt der Behandlung sind, werden als Endpunkte bezeichnet (vgl. Mazur (2003),
S. 149). Das IQWiG definiert Endpunkte als Zielgrößen, die alle Veränderungen des
Gesundheitszustandes erfassen, die durch eine Krankheit oder eine Behandlung hervorgerufen werden (vgl. IQWiG (2009a), S. 53). Dabei ist ein Endpunkt patientenrelevant, wenn er Auskunft darüber gibt, „wie ein Patient fühlt, seine Funktionen und Aktivitäten wahrnehmen kann oder überlebt“ (IQWiG (2009a), S. 51). Der Nutzen einer
medizinischen Intervention wird im Rahmen der Methodik des IQWiG als „kausal begründeter positiver Effekt […] einer medizinischen Intervention auf patientenrelevante
Endpunkte bezeichnet“ (IQWiG (2009a), S. 13). Zum Nachweis eines patientenrelevanten Zusatznutzens bzw. geringeren Schadens einer medizinischen Intervention kommen im Rahmen der IQWiG-Methodik ausschließlich patientenrelevante Endpunkte
zur Anwendung, wobei vorrangig „Endpunkte berücksichtigt werden, die zuverlässig
und direkt konkrete Änderungen des Gesundheitszustandes abbilden“ (IQWiG (2009a),
S. 51). Zur Identifikation patientenrelevanter Endpunkte konsultiert das IQWiG laut
aktuellem Methodenpapier zur Nutzenbewertung betroffene Patienten, Patientenvertretungs- und/oder Verbraucherorganisationen (vgl. IQWiG (2011), S. 31f.).
Bei der Bewertung des Nutzens hat das IQWiG gem. § 35b Abs. 1 Satz 4 SGB V „insbesondere die Verbesserung des Gesundheitszustandes, eine Verkürzung der Krankheitsdauer, eine Verlängerung der Lebensdauer, eine Verringerung der Nebenwirkungen
sowie eine Verbesserung der Lebensqualität“ angemessen zu berücksichtigen. Das
IQWiG fasst die gesetzlich vorgegebenen patientenrelevanten Zielgrößen in drei Dimensionen zusammen (vgl. Abb. 2), indem es zwischen klinischen Maßen, Respondermaßen5 und aggregierten Maßen unterscheidet (vgl. IQWiG (2009a), S. 18f.). Zu den
5
Respondermaße geben die Wahrscheinlichkeit wieder, dass ein Patient das a priori definierte Therapieziel erreicht (vgl. IQWiG (2009a), S. 19).
5
klinischen Maßen gehören Mortalität, Morbidität, gesundheitsbezogene Lebensqualität und valide Surrogatparameter. Existieren mehrere klinische Maße, so wird für jeden patientenrelevanten Endpunkt eine eigene Effizienzgrenze erstellt. Für die Erstellung einer einzigen Effizienzgrenze bedarf es der Ermittlung aggregierter Maße.
Abbildung 2: Patientenrelevante Endpunkte im Rahmen der IQWiG-Methodik (Quelle: Eigene Darstellung)
2.2.2 Die Existenz multipler patientenrelevanter Endpunkte als methodische Herausforderung im Rahmen der IQWiG-Methodik
Je nach Indikation treten verschiedene Endpunkte in den Vordergrund, die den patientenrelevanten Nutzen beeinflussen. Um den medizinischen Nutzen einer Intervention
vollständig zu bewerten, müssen daher alle patientenrelevanten Endpunkte berücksichtigt werden (vgl. Sawicki (2006), S. 17). Zur Erfassung der mehrdimensionalen Wirkungen einer medizinischen Intervention sind verschiedene Nutzenkonzepte entwickelt worden (vgl. Breyer et al. (2005), S. 25f.). Jedoch steht das IQWiG nutzwertbasierten Aggregationsmaßen wie dem QALY-Konzept im Rahmen eines indikationsübergreifenden Vergleiches aufgrund methodischer und ethischer Mängel kritisch gegenüber
(vgl. IQWiG (2009a), S. 4).
Wie bereits erwähnt wurde, erfordert die Existenz multipler patientenrelevanter Endpunkte die Analyse multipler Effizienzgrenzen. Ebenso müssen mehrere Effizienzgrenzen analysiert werden, wenn die zu bewertende Intervention für verschiedene Indikationen zugelassen ist. Auch eine Kombination beider Sachverhalte wäre denkbar.6 Um
zu einer Entscheidung über die Höhe des Erstattungshöchstbetrages zu kommen, müssen die verschiedenen Effizienzgrenzen entsprechend interpretiert werden. Bei der
6
Im Folgenden soll ausschließlich auf den Fall der Existenz multipler patientenrelevanter Endpunkte
eingegangen werden. Liegen mehrere Indikationsgebiete vor, so sieht das IQWiG ein ähnliches Vorgehen vor (vgl. IQWiG (2009a), S. 44).
6
Analyse multipler Effizienzgrenzen kann es je nach Position der zu bewertenden Intervention in der Kosten-Nutzen-Ebene zu divergierenden Ergebnissen hinsichtlich der
relativen Effizienz der zu bewertenden Intervention kommen, denn die Position der
Therapiealternativen in der Kosten-Nutzen-Ebene variiert z. B. in Abhängigkeit von der
Wirksamkeit der Intervention in Bezug auf den jeweils betrachteten Endpunkt. So wäre
es denkbar, dass die zu bewertende Intervention bei einer Effizienzgrenze als effizient
und bei einer anderen als ineffizient klassifiziert wird, sodass auf der Basis der Analyse
mehrerer Effizienzgrenzen u. U. nicht beurteilt werden kann, ob die Festsetzung eines
Erstattungshöchstbetrages erforderlich wäre oder nicht. Ebenso können in Abhängigkeit von der Position der zu bewertenden Intervention in der Kosten-Nutzen-Ebene aus
der Analyse verschiedener Effizienzgrenzen unterschiedliche Erstattungshöchstbeträge
für ein und dieselbe medizinische Intervention abgeleitet werden, die damit endpunktspezifisch variieren. Das Ziel der Kosten-Nutzen-Bewertung des IQWiG, einen
angemessenen und eindeutigen Erstattungshöchstbetrag für eine medizinische Intervention als Empfehlung für den GKV-Spitzenverband festzulegen, kann in einem solchen Fall nicht erreicht werden.
Dem GKV-Spitzenverband stehen dann zwei Optionen zur Verfügung. Zum einen kann
er pragmatisch denjenigen Preis als angemessen für den zusätzlichen Nutzen bzw. geringeren Schaden einer medizinischen Intervention annehmen, der „nicht zu einer Verschlechterung der Effizienz in derjenigen Effizienzgrenze mit der geringsten Effizienz
führt“ (IQWiG (2009a), S. 44). Diese Vorgehensweise wäre jedoch kritisch zu hinterfragen, da die Relevanz der Endpunkte aus Patientensicht auf diese Weise vollkommen
unberücksichtigt bleibt. Zum anderen kann er bei Existenz multipler patientenrelevanter Endpunkte das IQWiG damit beauftragen, durch Gewichtung der verschiedenen
Nutzen- und Schadenaspekte eine einzige Effizienzgrenze zu erstellen, um mit Hilfe der
Gewichte die aus der Analyse multipler Effizienzgrenzen resultierenden Erstattungshöchstbeträge zu einem eindeutigen ‚kalkulatorischen Mischhöchstbetrag’ zusammenzufassen (vgl. IQWiG (2009a), S. 19f.).7 Aggregierte Nutzenmaße dienen daher bei Existenz multipler patientenrelevanter Endpunkte der Erstellung einer einzigen Effizienz7
Die Gewichtung von Endpunkten spielt insbesondere dann eine große Rolle, wenn sich die zu bewertenden Interventionen hinsichtlich ihrer Effekte auf verschiedene patientenrelevante Endpunkte unterscheiden, sodass eine Aussage zur Effizienz der Interventionen nur getroffen werden kann, wenn die
Bedeutung der jeweiligen Endpunkte bekannt ist (vgl. Scheibler et al. (2010), S. 237f.).
7
grenze. Jedoch steht bislang noch nicht fest, auf welcher methodischen Basis eine Gewichtung multipler patientenrelevanter Endpunkte im Rahmen der Kosten-NutzenBewertung des IQWiG erfolgen soll. Ebenso ist unklar, inwiefern die Präferenzen der
Patienten bei der Endpunktgewichtung berücksichtigt werden sollen. Eine zentrale
methodische Fragestellung im Rahmen der IQWiG-Methodik ist damit bislang unbeantwortet geblieben.
2.2.3 Die Lösungsvorschläge des IQWiG für die Endpunktgewichtung
Die methodische Herausforderung der Bewertung des Nutzens einer medizinischen
Intervention bei Existenz multipler patientenrelevanter Endpunkte liegt in der Ermittlung eines Nutzenmaßes, das alle patientenrelevanten Nutzen- und Schadenaspekte zu
einem kardinalen Nutzenindex aggregiert. Zum einen können indikationsübergreifende
aggregierte Nutzenmaße Anwendung finden, soweit in einer Indikation noch keine
spezifischen aggregierten Nutzenmaße entwickelt wurden. Jedoch akzeptiert das
IQWiG das indikationsübergreifende Nutzenmaß des QALY-Konzepts nur im Rahmen
eines indikationsspezifischen Vergleichs, wenn die zu bewertende Intervention eine
lebensverlängernde Wirkung hat, die zu Lasten der Lebensqualität geht (vgl. IQWiG
(2009a), S. 19). Zum anderen können indikationsspezifische aggregierte Nutzenmaße
verwendet werden. Dies sollte vor allem bei Interventionen durchgeführt werden, deren Gesundheitseffekte spezifisch für eine bestimmte Indikation sind und die mittels
der bereits entwickelten indikationsübergreifenden Nutzenmaße nicht angemessen
abgebildet werden können (vgl. IQWiG (2008), S. 22). Das IQWiG setzt dabei auf die
Entwicklung indikationsspezifischer aggregierter Nutzenmaße, die dem QALY-Konzept
und anderen präferenzbasierten Instrumenten überlegen sind. Da die Entwicklung indikationsspezifischer aggregierter Nutzenmaße besonders aufwendig ist, sucht das
IQWiG nun nach einem allgemeinen Algorithmus, mit dem verschiedene Endpunkte
indikationsspezifisch zu einem kardinalskalierten Nutzenmaß aggregiert werden können. CA und AHP wurden dem IQWiG im Stellungnahmeverfahren zum Methodenentwurf vom 16. März 2009 als mögliche Verfahren zur Endpunktgewichtung vorgeschlagen (vgl. Mühlbacher et al. (2009b); Hipp (2009)) und im Rahmen zweier Pilotstudien
hinsichtlich deren Verwertbarkeit für die Endpunktgewichtung im Rahmen der IQWiGMethodik empirisch überprüft (vgl. IQWiG (2009a), S. 20). Die Ergebnisse der Pilotstu8
dien sollen im Anschluss an das Methodenpapier vom 12. Oktober 2009 publiziert
werden (vgl. IQWiG (2009b), S.37), auf deren Basis eine Entscheidung zwischen beiden
Methoden gefällt werden soll. Bislang wurden die Ergebnisse nicht auf der Internetseite des IQWiG veröffentlicht.
2.3
Entwurf eines Kriterienkatalogs zur Bewertung der Lösungsvorschläge
Unter Berücksichtigung der Methodik des IQWiG werden CA und AHP hinsichtlich
deren Eignung zur Gewichtung von multiplen patientenrelevanten Endpunkten anhand
eines Kriterienkatalogs bewertet. Aufgegliedert nach den gesetzlichen Vorgaben, den
Anforderungen aus der IQWiG-Methodik und allgemeinen Anforderungen an wissenschaftliches Vorgehen werden die Kriterien im Folgenden entwickelt und erläutert (vgl.
Abb. 3).
Abbildung 3: Kriterienkatalog für die Bewertung von CA und AHP (Quelle: Eigene Darstellung)
A.) Gesetzliche Vorgaben
A.1.) Transparenz
Gem. § 35b Abs. 1 Satz 6 SGB V hat das IQWiG bei der Erstellung von Methoden und
Kriterien und bei der Durchführung von Bewertungen eine hohe Verfahrenstransparenz zu gewährleisten. Neben der gesetzlich vorgeschriebenen Transparenz des Verfahrens spielt auch die Transparenz der angewendeten Methoden eine Rolle. Dies gilt
vor allem für die Ermittlung eines aggregierten Nutzenmaßes, da bei unzureichender
Transparenz des Gewichtungsverfahrens grundsätzlich die Gefahr besteht, dass die
Ergebnisse durch den Anwender beeinflusst werden. Methoden, die zur Aggregation
9
verschiedener Nutzenaspekte Anwendung finden, sollten daher transparent in ihrer
Durchführung und für Außenstehende nachvollziehbar sein. Die Transparenz des Verfahrens hat einen entscheidenden Einfluss auf die Akzeptanz des Verfahrens (vgl. Hipp
(2009), S. 99) und stellt damit ein wesentliches Anforderungskriterium an eine Methode zur Endpunktgewichtung dar.
A.2.) International etabliertes Verfahren der Gesundheitsökonomie
Dem IQWiG obliegt es, eine Methodik für die Bewertung von Nutzen und Kosten von
Arzneimitteln im System der deutschen GKV zu erarbeiten, wobei es gem. § 35b Abs. 1
Satz 5 und § 139a Abs. 4 Satz 1 SGB V zu gewährleisten hat, dass die international anerkannten Standards der Gesundheitsökonomie beachtet werden. Eine im Rahmen der
Kosten-Nutzen-Bewertung des IQWiG für die Gewichtung von Endpunkten verwendete
Methode sollte daher ein international etabliertes und akzeptiertes Verfahren der Gesundheitsökonomie darstellen.
B.) Anforderungen aus der IQWiG-Methodik
B.1.) Approximative Kardinalität des aggregierten Nutzenmaßes
Für die Analyse der Effizienzgrenze werden die ermittelten Nutzenmaße aller versorgungsrelevanten medizinischen Interventionen eines Indikationsgebietes in ein Koordinatensystem übertragen und den dazugehörigen Kosten gegenübergestellt. Um Kosten und Nutzen zueinander ins Verhältnis setzen und aussagekräftig interpretieren zu
können, muss der ermittelte Nutzen zumindest annähernd kardinalskaliert sein (vgl.
IQWiG (2009a), S. 17).8 Dabei nimmt das IQWiG verhältnisskalierte Nutzenmaße als
annähernd kardinalskaliert an. Sollte der klinische Nutzen einer medizinischen Intervention nicht bereits kardinalskaliert sein, so ist er in ein solches Maß zu überführen
(vgl. IQWiG (2009a), S. 32). Ein Nutzenmaß ist kardinalskaliert, wenn „zwei als gleich
groß anzusehende Zuwachsbeträge auch tatsächlich einem gleich großen Zuwachs
beim Nutzen entsprechen“ (IQWiG (2009a), S. 17). Im Gegensatz zu ordinalskalierten
Nutzenmaßen, bei denen nur Rangreihungen bestimmter Zielgrößen angegeben werden können, ist es mit Hilfe kardinalskalierter Nutzenmaße möglich, auch die Abstände
zwischen den Nutzenmaßen zu erfassen (vgl. Schöffski (2008), S. 332; Wagener (1983),
8
Dass die Verwendung eines ‚annähernd’ kardinalskalierten Nutzenmaßes ausreicht, begründet das
IQWiG damit, dass das Nutzenmaß lediglich in dem Definitionsbereich, der für die Bewertung der Kosten-Nutzen-Relation relevant ist, den Anforderungen einer Kardinalskalierung genügen müsse (vgl.
IQWiG (2009a), S. 17).
10
S. VII). Die approximative Kardinalskalierung des Nutzenmaßes stellt eine Grundvoraussetzung für die Verwendung des Nutzenmaßes im Rahmen des Effizienzgrenzenkonzepts des IQWiG dar. Nur bei kardinalskalierten Nutzenmaßen kann angenommen
werden, dass zwei gleich große Nutzenzuwächse mit gleich großen Zunahmen der Zahlungsbereitschaft einhergehen, worauf die Extrapolation der Effizienzgrenze beruht
(vgl. John (2009), S. 10). Eine Methode, die zur Endpunktgewichtung angewendet werden soll, muss daher die Ermittlung eines kardinalskalierten aggregierten Nutzenmaßes
sicherstellen können.
B.2.) Flexibilität
Das IQWiG geht bei der Bewertung der Kosten-Nutzen-Verhältnisse medizinischer Interventionen indikationsspezifisch vor (vgl. IQWiG (2009a), S. 2). Soweit noch keine
indikationsspezifischen aggregierten Nutzenmaße in einer Indikation entwickelt wurden, sollen die in dieser Arbeit betrachteten Methoden zur Ermittlung aggregierter
Nutzenmaße eingesetzt werden. Die Verfahren müssen daher besonders flexibel in
ihrer Anwendung sein, um in verschiedenen Indikationen zur Endpunktgewichtung
angewendet zu werden, denn jede Indikation stellt spezifische Anforderungen an die
Methode zur Ermittlung aggregierter Nutzenmaße (vgl. IQWiG (2008), S. 21).
B.3.) Möglichkeit zur Aggregation der Präferenzen
Für das Ziel der Gewichtung multipler patientenrelevanter Endpunkte ist es von Bedeutung, Aussagen über die Präferenzen einer Mehrzahl von betroffenen Personen
treffen zu können, da die Endpunktgewichtung als Entscheidung von Einzelpersonen
kritisch zu hinterfragen ist. Daher sollte die Methode eine verlässliche Aggregation
individueller Präferenzen ermöglichen.
C.). Allgemeine wissenschaftliche Anforderungen
C.1.) Nutzentheoretische Fundierung
Für die Durchführung konsistenter ökonomischer Bewertungen bedarf es methodischer Ansätze, die in der ökonomischen Theorie verankert sind (vgl. Telser (2002),
S. 5). Kritisch zu prüfen wäre daher der Versuch, auf der Basis eines unklaren nutzentheoretischen Konstrukts patientenrelevante Endpunkte für die Ermittlung eines aggregierten Nutzenmaßes zu gewichten, sodass es aus wissenschaftlicher Sicht erforderlich sein kann, dass die Endpunktgewichtung mit Hilfe einer nutzentheoretisch fundier11
ten Methode erfolgt. Unter Umständen könnte ein aggregiertes Nutzenmaß, das nicht
auf einer fundierten nutzentheoretischen Basis ermittelt wurde, nicht die entsprechende Akzeptanz der beteiligten Akteure finden.
C.2.) Erfüllung von Gütekriterien
Bei jeder empirischen Untersuchung beeinflusst die Qualität des Messvorgangs die
Aussagefähigkeit der Ergebnisse (vgl. Himme (2009b), S. 485). Zur Beurteilung der
Messqualität dienen die Gütekriterien Objektivität, Reliabilität und Validität, wobei vor
allem die Validität eine wichtige Rolle spielt. Die Validität macht eine Aussage darüber,
ob mit einem Messinstrument tatsächlich das gemessen wird, was gemessen werden
soll. Dabei kann zwischen Inhalts-, Kriteriums- und Konvergenzvalidität unterschieden
werden (vgl. Himme (2009b), S. 491-496).9 Mit Hilfe der Kriteriumsvalidität wird beispielsweise beurteilt, wie gut die Ergebnisse einer Methode mit einem auf andere
Weise gemessenen Kriterium korrelieren (vgl. Himme (2009b), S. 492). Erfolgt die Messung des Kriteriums zu einem späteren Zeitpunkt, so spricht man von der Prognosevalidität, mit der eine Aussage darüber getroffen wird, inwiefern mit Hilfe der Ergebnisse der Methode ein in der Zukunft liegendes Ereignis vorhergesagt werden kann. Im
Rahmen der Präferenzmessung ist die Prognosevalidität definiert als die Fähigkeit einer Methode, die wahren Präferenzen eines Probanden zu offenbaren und die (Kauf)Entscheidungen auf der Basis der analytisch ermittelten Bedeutungsgewichte von
Produkteigenschaften und deren Ausprägungen vorherzusagen (vgl. Scholl et al.
(2005), S. 771).
C.3.) Wirtschaftlichkeit und Praktikabilität
Wirtschaftlichkeit und Praktikabilität stellen wichtige Nebengütekriterien eines Messinstruments dar (vgl. Himme (2009b), S. 486). Eine Methode mit besonders aufwendigem Studiendesign kann das dem IQWiG für die jeweilige Bewertung zur Verfügung
stehende Budget überschreiten, sodass bei der Durchführung von Kosten-NutzenBewertungen auf die Erfüllung von Wirtschaftlichkeits- und Praktikabilitätskriterien
geachtet werden muss.
9
Ein alternatives Validitätskonzept unterscheidet zwischen interner und externer Validität (vgl. Telser
(2002), S. 102).
12
C.4.) Vollständigkeit der Bewertung
Zur vollständigen Bewertung des Nutzens einer medizinischen Intervention müssen
alle patientenrelevanten Endpunkte berücksichtigt werden (vgl. Sawicki (2006), S. 17).
Mit Hilfe einer Methode, die zur Gewichtung multipler patientenrelevanter Endpunkte
im Rahmen der IQWiG-Methodik angewendet wird, muss daher sichergestellt werden,
dass alle als patientenrelevant identifizierten Endpunkte beachtet werden können.
Durch die unzureichende Berücksichtigung relevanter Parameter kann es zu verzerrten
Ergebnissen kommen (vgl. Helm et al. (2008), S. 250). Eine aufgrund methodischer
Restriktionen erforderliche selektive Auswahl der Endpunkte würde eine willkürliche
Priorisierung bedeuten, die es zu vermeiden gilt. Sollte eine Methode bei einer großen
Anzahl zu gewichtender Endpunkte zu wenig validen Ergebnissen führen, so kann dies
ein Indikator für eine mangelhafte Eignung zur Endpunktgewichtung im Rahmen der
IQWiG-Methodik sein.
3
Methoden für die Endpunktgewichtung
3.1
Überblick zu den Methoden der multiattributiven Präferenzmessung
Fasst man Produkte als Bündel nutzenstiftender Eigenschaften auf (vgl. Böhler und
Scigliano (2009), S. 101), so können zur Ermittlung von Teilnutzenwerten der Eigenschaften und deren einzelnen Ausprägungen Methoden der multiattributiven Präferenzmessung zum Einsatz kommen (vgl. Sattler (2006), S. 156). Präferenzen werden
dabei als Ausmaß für die Vorziehenswürdigkeit eines Objektes bezeichnet, das zur Erklärung von (Kauf-) Entscheidungen Verwendung findet (vgl. Baier und Brusch (2009),
S. 3). Multiattributive Methoden der Präferenzmessung finden in zahlreichen wissenschaftlichen Disziplinen Anwendung und spielen in den Wirtschaftswissenschaften vor
allem im Marketing und in der Entscheidungstheorie eine wichtige Rolle (vgl. Mulye
(1998), S. 263; Helm et al. (2003), S. 1). Geht es im Marketing um das gewinnmaximale
Design eines Produkts bzw. einer Dienstleistung, so steht bei der Entscheidungstheorie
die Auswahl einer optimalen Alternative aus einem Alternativen-Set im Vordergrund.
In beiden Fällen müssen die Präferenzen der Kunden bzw. der Entscheidungsträger
ermittelt werden, wobei sich für jedes Anwendungsgebiet unterschiedliche methodische Ansätze zur Präferenzmessung herausgebildet haben. CA und AHP können als
wichtige Vertreter der multiattributiven Präferenzmessverfahren genannt werden (vgl.
13
Tab. 1).
Anwendungsgebiet
Marketing
Design eines nutzenmaximalen
Produkts bzw. einer Dienstleistung
Gewinnmaximierung
Nachbildung und Messung von
Präferenzen der Konsumenten
Entscheidungstheorie
Auswahl einer optimalen
Häufige Fragestellung
Alternative
Ziel der Präferenzerhebung
Nutzenmaximierung
Methodische
Nachbildung und Messung von
Herausforderung
Präferenzen des
Entscheidungsträgers
Beispiel
Conjoint Analyse
Analytic Hierarchy Process
Tabelle 1: Methoden der multiattributiven Präferenzmessung (Quelle: Eigene Darstellung nach Helm
et al. (2003), S. 1)
Green und Srinivasan ((1990), S. 9) unterscheiden dekompositionelle, kompositionelle
sowie hybride Methoden der multiattributiven Präferenzmessung. Die unterschiedliche Vorgehensweise kompositioneller und dekompositioneller Verfahren der multiattributiven Präferenzmessung spielt im Rahmen dieser Arbeit eine zentrale Rolle.
Während die dekompositionellen Verfahren von der globalen Gesamtbewertung eines
Produktes bzw. einer Dienstleistung ausgehen und daraus Rückschlüsse auf die Teilnutzenwerte einzelner Eigenschaften und deren Ausprägungen ziehen, setzen die
kompositionellen Verfahren bei einer direkten Bewertung der Eigenschaften und deren Ausprägungen an und fassen die Ergebnisse zu einem Gesamtwert zusammen, um
zu einer Aussage bezüglich der relativen Wichtigkeit der Stimuli zu gelangen (vgl. Abb.
4).
Abbildung 4: Vorgehensweise dekompositioneller und kompositioneller Verfahren (Quelle: Eigene
Darstellung nach Skiera und Gensler (2002a), S. 200)
Sattler unterscheidet bei den dekompositionellen Methoden Revealed-PreferenceAnsätze, bei denen die Präferenzen aus dem realen Verhalten abgeleitet werden, von
den Stated-Preference-Ansätzen, bei denen die Präferenzen durch Befragungen erhoben werden (vgl. Sattler (2006), S. 157f.). Verschiedene Varianten der CA, wie die Traditionelle CA (TCA), die Choice-Based CA (CBCA), die Limit CA und die Hierarchische CA
setzen eine bestimmte Präferenzstruktur als gegeben voraus und lassen sich als
Stated-Preference-Ansätze im Rahmen der dekompositionellen Verfahren einordnen
14
(vgl. Abb. 5). Adaptive CA und Golden CA stellen hybride Vertreter dar. Der AHP ist
neben der Self-Explicated-Methode und dem Swing-Verfahren als kompositionelles
Verfahren einzuordnen.
Abbildung 5: Übersicht zu den Methoden der multiattributiven Präferenzmessung (Quelle: Eigene
Darstellung nach Sattler (2006), S. 156)
CA und AHP werden als wichtige Vertreter dekompositioneller und kompositioneller
Verfahren der multiattributiven Präferenzmessung im Folgenden ausführlich dargestellt.
3.2
Die Conjoint Analyse
3.2.1 Methodische Grundlagen und Hintergründe
Nach Green und Wind ((1975), S. 108) wurde das methodische Konzept des ‚Conjoint
Measurement’ im Jahr 1964 von Luce und Tukey als axiomatisches Verfahren der mathematischen Psychologie konzipiert (vgl. Luce und Tukey (1964)). Eine anwendungsorientierte Übertragung der Methode auf das Marketing erfolgte erstmals durch Green
und Rao im Jahr 1971 (vgl. Green und Srinivasan (1978), S. 103). Heute gilt die CA als
das am häufigsten eingesetzte Verfahren der empirischen Marktforschung zur Erhebung von Konsumentenpräferenzen (vgl. Skiera und Gensler (2002a), S. 200; Green et
al. (2001), S. 57).10
Auch wenn der Begriff der Conjoint Analyse eine geschlossene Methodik vermuten
lässt, so handelt es sich dabei um eine Vielzahl verschiedener Verfahrensansätze, die
sich zum Teil erheblich voneinander unterscheiden (vgl. Teichert et al. (2008), S. 653).
Eine einheitliche Definition des Begriffes der CA existiert nicht. Die CA ist ein dekompositionelles Verfahren, bei dem auf der Basis empirisch erhobener Gesamtnutzenwerte
die Teilnutzenbeiträge einzelner Eigenschaften bzw. deren Ausprägungen zum Ge10
Für einen Überblick über die Anwendungsgebiete der CA siehe Green und Wind (1975), S. 112; Weiber
und Rosendahl (1997), S. 107 sowie Baier und Brusch (2009), S. 8f.
15
samtnutzen unter der Annahme eines Präferenzmodells ermittelt werden (vgl. Backhaus et al. (2006) S. 558). Anhand von globalen Präferenzurteilen wird daher auf die
Bedeutungsgewichte einzelner a priori festgelegter Eigenschaftsausprägungen geschlossen, die systematisch zwischen den verschiedenen Stimuli verändert werden
(vgl. Sattler (2006), S. 158f.). Für die Beurteilung der Stimuli müssen von den Probanden Trade-Offs vorgenommen werden, die Hinweise auf die Präferenzen geben. Ziel
der CA ist die Schätzung von Teilnutzenwerten für einzelne Eigenschaften und deren
Ausprägungen, die konsistent mit den geäußerten globalen Präferenzen der Befragten
bezüglich der zur Auswahl stehenden Objekte sind (vgl. Green und Srinivasan (1978),
S. 104). Trotz teilweise erheblicher Unterschiede folgen die verschiedenen Varianten
der CA im Wesentlichen den Ablaufschritten einer ‚klassischen’ traditionellen CA (vgl.
Weiber und Mühlhaus (2009), S. 43). Im Folgenden wird diese in Anlehnung an Backhaus et al. ((2006), S. 561-583) erläutert.
3.2.2 Ablaufschritte der Traditionellen Conjoint Analyse
Bei der Durchführung der TCA kann zwischen Datenerhebungs- und Datenauswertungsphase unterschieden werden (vgl. Abb. 6). Zwischen den einzelnen Ablaufschritten gibt es vielfältige Interdependenzen, sodass eine isolierte Betrachtung der einzelnen Schritte in der praktischen Durchführung vermieden werden sollte (vgl. Weiber
und Rosendahl (1997), S. 107).
Abbildung 6: Ablaufschritte der TCA (Quelle: Eigene Darstellung nach Backhaus et al. (2006), S. 561)
Datenerhebung
a. Auswahl der Eigenschaften und Eigenschaftsausprägungen
Die in das Erhebungsdesign aufzunehmenden Eigenschaften und deren Ausprägungen
sollten insbesondere folgenden Anforderungen genügen (vgl. Backhaus et al. (2006),
16
S. 562f.): Relevanz der Eigenschaften aus Probandensicht, Realisierbarkeit der Eigenschaftsausprägungen, Unabhängigkeit der Eigenschaften bei additivem Präferenzmodell, Vorliegen einer kompensatorischen Beziehung zwischen den Eigenschaftsausprägungen, d. h. keine Ausschlusskriterien (sog. ‚K.O.-Kriterien’) sowie Begrenzbarkeit der
Eigenschaften und deren Ausprägungen.11 Mit zunehmender Anzahl der Eigenschaften
und Eigenschaftsausprägungen wächst die Menge zu bewertender Stimuli exponentiell
an, sodass deren Auswahl restriktiv gehandhabt werden muss (vgl. Backhaus et al.
(2006), S. 563). Um die Probanden bei der ganzheitlichen Bewertungsaufgabe nicht
kognitiv zu überfordern, sollte die Anzahl zu bewertender Eigenschaften auf maximal
sechs begrenzt werden (vgl. Green und Srinivasan (1978), S. 108).
b. Festlegung des Erhebungsdesigns
Bei der Festlegung des Erhebungsdesigns durch den Untersuchenden geht es um die
Definition und die Bestimmung der Anzahl der zu bewertenden Stimuli (vgl. Skiera und
Gensler (2002a), S. 201f.). Beim Full-Profile-Ansatz werden die Produktalternativen
vollständig bewertet, indem alle Eigenschaften mit jeweils einer Ausprägung vom Probanden zu beurteilen sind. Von einem vollständigen Design spricht man, wenn alle
möglichen Kombinationen der Eigenschaften und deren Ausprägungen von den Probanden bewertet werden sollen (vgl. Skiera und Gensler (2002a), S. 202). Ist eine große
Anzahl an Eigenschaften und Eigenschaftsausprägungen identifiziert worden, so kann
die Verwendung eines reduzierten (sog. fraktionierten) Erhebungsdesigns erforderlich
sein, bei dem nur eine Teilmenge der möglichen Stimuli betrachtet wird, um den Untersuchungsaufwand zu minimieren und eine kognitive Überforderung der Probanden
zu vermeiden (vgl. Backhaus et al. (2006), S. 579).
c. Bewertung der Stimuli
Nachdem das Erhebungsdesign vom Untersuchenden festgelegt wurde, können die
Probanden gebeten werden, eine Bewertung der Stimuli entsprechend der individuellen Präferenzen vorzunehmen. Dabei können mit dem Bilden einer Rangreihe sowie
dem paarweisen Vergleich aller Stimuli ordinalskalierte Ordnungen aus der Bewertung
resultieren. Im Gegensatz dazu spielt bei der Bewertung anhand einer Rating-Skala
auch die Stärke der Präferenzen eine Rolle, was zu einer intervallskalierten Ordnung
11
Für einen Überblick zu Verfahren der Ermittlung relevanter Eigenschaften und deren Ausprägungen
siehe Weiber und Mühlhaus (2009), S. 50.
17
führt. Bei der CBCA werden die Stimuli mittels diskreter Auswahlentscheidungen von
den Probanden bewertet (vgl. Kapitel 3.2.3).
Datenauswertung
d. Schätzung der Nutzenfunktion
Nach der Bewertung der Stimuli werden individuelle, probandenspezifische Nutzenfunktionen geschätzt, um die Teilnutzenwerte aus den Präferenzurteilen abzuleiten.12
Die Teilnutzenwerte werden derart ermittelt, dass die beobachteten ganzheitlichen
Beurteilungen der Stimuli mit minimalem Fehler wiedergegeben werden können. Häufig wird ein additives Präferenzmodell unterstellt, bei dem sich der Gesamtnutzen eines Stimulus aus der Summe der Teilnutzenwerte der einzelnen Eigenschaftsausprägungen zusammensetzt (vgl. Backhaus et al. (2006), S. 572). Dabei wird unterstellt,
dass derjenige Stimulus vom Probanden bevorzugt wird, der sich aus der Summe der
maximalen Teilnutzenwerte einer jeden Eigenschaft zusammensetzt (vgl. Backhaus et
al. (2006), S. 580). Zur Schätzung der individuellen Nutzenfunktionen können zahlreiche statistische Verfahren angewendet werden.13 Die Schätzung der Teilnutzenwerte
erfolgt dabei in Abhängigkeit des unterstellten Präferenzstrukturmodells und des
Messniveaus der Daten. Mit Hilfe der geschätzten, probandenspezifischen Nutzenfunktionen können dimensionslose, intervallskalierte Teilnutzenwerte für die Eigenschaften
und deren Ausprägungen berechnet werden, die aufgrund subjektiver Skalen mit jeweils individuellen Nullpunkten jedoch weder interpersonell verglichen noch absolut
im Sinn ihrer Wichtigkeit interpretiert werden können (vgl. Skiera und Gensler (2002b),
S. 258f.). Dazu müssen die Teilnutzenwerte durch Normierung auf das gleiche Skalenniveau gebracht werden (vgl. Backhaus et al. (2006), S. 580). Durch die Berechnung von
Bedeutungsgewichten kann eine Normierung individueller Teilnutzenwerte erfolgen,
indem die Spannweite der geschätzten Teilnutzenwerte einer Eigenschaft, die sich aus
der Differenz zwischen dem maximalen und minimalen Teilnutzenwert aller Ausprägungen einer Eigenschaft berechnet, durch die aufsummierten Spannweiten aller Eigenschaften dividiert wird (vgl. Skiera und Gensler (2002b), 260). Die Bedeutungsgewichte geben Auskunft über die relative Wichtigkeit einzelner Eigenschaften und deren
12
Im Gegensatz zur TCA ist es bei der CBCA aufgrund der zu geringen Anzahl an Auswahlentscheidungen
je Proband i. d. R. nicht möglich, individuelle Nutzenfunktionen zu schätzen (vgl. Backhaus et al.
(2006), S. 612).
13
Für einen Überblick siehe Green und Srinivasan (1978), S. 112-114 sowie Tscheulin (1992), S. 46.
18
Ausprägungen und können zwischen den Probanden verglichen werden (vgl. Skiera
und Gensler (2002b), S. 259f.).
e. Aggregation der individuellen Teilnutzenwerte
Die TCA liefert Informationen zu den individuellen Präferenzen eines einzelnen Probanden (vgl. Backhaus et al. (2006), S. 559). Häufig ist jedoch die Präferenzstruktur
einer Gruppe von Personen von Interesse, was die Aggregation der individuellen Nutzenwerte erforderlich macht. Nach Backhaus et al. lassen sich die einzelnen normierten Teilnutzenbeiträge für jede Eigenschaftsausprägung durch Bildung des Mittelwertes aggregieren (vgl. Backhaus et al. (2006), S. 582).
3.2.3 Die Choice-Based Conjoint Analyse als Variante der Conjoint Analyse
Zwei wesentliche Kritikpunkte an der TCA haben zur Entwicklung neuer conjointanalytischer Ansätze beigetragen (vgl. Skiera und Gensler (2002a), S. 200). Zum einen
kann nur eine sehr begrenzte Anzahl an Eigenschaften und Eigenschaftsausprägungen
bei der Präferenzermittlung berücksichtigt werden, da eine zu große Anzahl zu bewertender Stimuli zu einer Überforderung der Probanden führt. Zum anderen entspricht
die Bewertung der Stimuli in Form von Rankings und Ratings nicht der realen Entscheidungssituation eines Konsumenten, der beispielsweise eine (Kauf-) Entscheidung trifft.
Im Folgenden wird mit der CBCA14 eine Variante der CA beschrieben, die die zuletzt
genannte Schwäche der TCA überwindet. Die CBCA unterscheidet sich in der Bewertung der Stimuli, der theoretischen Fundierung und der Schätzung der Teilnutzenwerte
grundlegend von den anderen conjoint-analytischen Ansätzen.
Im Gegensatz zur TCA werden die Probanden bei der CBCA darum gebeten, aus
Choice-Sets, die sich aus Stimuli mit verschiedenen Eigenschaftsausprägungen zusammensetzen, die aus ihrer Sicht jeweils nutzenmaximale Alternative zu wählen. Bei der
CBCA werden daher diskrete Auswahlentscheidungen zwischen den Stimuli getroffen,
um Rückschlüsse auf die Teilnutzenwerte einzelner Eigenschaften und deren Ausprägungen zu ziehen (vgl. Himme (2009a), S. 286). Durch die Präferenzäußerung in Form
der diskreten Auswahlentscheidung kann die Realitätsnähe der Präferenzerfassung im
Vergleich zur TCA erhöht werden, was durch die Verwendung von Nicht14
In der Literatur werden die Begriffe CBCA und DCE oftmals synonym verwendet (vgl. Mühlbacher et al.
(2009b), S. 66; Ijzerman et al. (2008), S. 266), sodass im Rahmen dieser Arbeit mit der CBCA das für die
Endpunktgewichtung vorgeschlagene DCE gemeint ist.
19
Wahlmöglichkeiten innerhalb der Choice-Sets noch verbessert wird (vgl. Gensler
(2006), S. 254).
Eine der Stärken der CBCA ist ihre Fundierung in der mikroökonomischen Entscheidungstheorie. In den gängigen Spezifikationen gehen sie konform mit der ‚Random
Utility Theory’, die auf einen nutzenmaximierenden Entscheider abstellt (vgl. Train
(2009), S. 14-17). Einen wesentlichen Beitrag insbesondere hinsichtlich der ökonometrischen Umsetzung lieferte McFadden (1974). Der als latente Zufallsvariable definierte
Nutzen setzt sich dabei aus einer deterministischen und einer stochastischen Komponente zusammen. Der deterministische Term gibt die Bewertungen der Eigenschaften
und deren Ausprägungen wieder, wohingegen der stochastische Term alle sonstigen
Einflussfaktoren modelliert, die auf die Auswahlentscheidung einwirken (vgl. Backhaus
et al. (2006), S. 611). Gründe, weshalb der Nutzen für den Untersuchenden eine Zufallsvariable darstellt, können z. B. Messfehler, mögliche Fehlspezifikationen der Nutzenfunktion, nicht beobachtbare Heterogenität und Variationen in den Präferenzen
sowie nicht berücksichtigte Eigenschaften und deren Ausprägungen sein (vgl. Gensler
(2006), S. 255). Die bei der CBCA zu treffende diskrete Auswahlentscheidung stellt dabei den deterministischen Term dar, der den Nutzen eines Gutes aufgrund unvollständiger Information jedoch nicht vollkommen erfassen kann (vgl. Mühlbacher et al.
(2009a), S. 1).
Um alle entscheidungsrelevanten Einflussfaktoren zu berücksichtigen, werden bei der
CBCA stochastische Nutzenfunktionen geschätzt. Deren probabilistischer Term bildet
alle nicht im deterministischen Term definierten, jedoch entscheidungsrelevanten Faktoren ab (vgl. Mühlbacher et al. (2009), S. 1). Der Nutzenbeitrag einer Eigenschaftsausprägung ist damit als latente Zufallsvariable aufzufassen, sodass Wahrscheinlichkeitsaussagen für die diskreten Auswahlentscheidungen getroffen werden können (vgl.
Himme (2009a), S. 288). Auf der Basis der aggregierten Auswahlentscheidungen können die Teilnutzenwerte über ein Logit- oder Probitmodell mit Hilfe der MaximumLikelihood-Methode geschätzt werden. Neben der Schätzung der Nutzenfunktion erfordert dies auch die Ermittlung einer Funktion für die Auswahlwahrscheinlichkeit eines bestimmten Stimulus in Abhängigkeit vom Gesamtnutzen (vgl. Himme (2009a),
20
S. 288).15
3.2.4 Stärken und Schwächen der Conjoint-Analyse
Mit Hilfe der CA wird versucht, die real ablaufenden Entscheidungsprozesse nicht aufgrund einer isolierten Beurteilung einzelner Objekteigenschaften und deren Ausprägungen, sondern durch die vergleichende Beurteilung alternativer Objekte in ihrer Gesamtheit abzubilden. Laut Büschken kann das reale Entscheidungsverhalten auf diese
Weise deutlich besser abgebildet werden (vgl. Büschken (1994), S. 73). Durch die Simulation von Auswahlentscheidungen bei der CBCA kann der Realitätsgrad der Bewertung
im Vergleich zur TCA, bei der die Objekte durch ein Ranking oder Rating bewertet werden, erhöht werden (vgl. Gensler (2006), S. 254). Aufgrund der realitätsnahen Bewertung der Stimuli ist die Bewertungsaufgabe für die Probanden vor allem bei der CBCA
eingängig und intuitiv lösbar. Jedoch hat die ganzheitliche Bewertung den Nachteil,
dass die Probanden bei einer Vielzahl zu bewertender Eigenschaften schnell kognitiv
überfordert werden. Häufig vereinfachen die Probanden die Bewertungsaufgabe, indem sie weniger relevante Kriterien in ihrer Beurteilung ignorieren, was zu einer Verzerrung der ermittelten Bedeutungsgewichte führen kann. Ab einer bestimmten Anzahl zu bewertender Eigenschaften führt die CA daher nicht mehr zu validen Ergebnissen, wobei Green und Srinivasan davon ausgehen, dass bereits ab sechs zu bewertenden Eigenschaften eine kognitive Überforderung der Probanden eintreten kann (vgl.
Green und Srinivasan (1978), S. 108). Die TCA kann daher nur bei einfach gestalteten
Alternativen mit einer geringen Anzahl an Eigenschaften Anwendung finden (vgl. Böhler und Scigliano (2009), S. 111). Gleiches gilt für die CBCA (vgl. Gensler (2006), S. 256).
Häufig wird bei der CA ein additives Teilnutzenmodell unterstellt. Durch die Annahme
eines nicht-linearen Teilnutzenmodells können auch Interdependenzen zwischen den
einzelnen Eigenschaften modelliert werden, was den Anwendungsbereich der CA erweitert. Dies kann erforderlich sein, wenn die Eigenschaften nicht vollständig unabhängig voneinander definiert werden können. Nachteil des vielfältigen conjointanalytischen Instrumentariums ist jedoch, dass es selbst Experten schwer fällt, den
Überblick über die verschiedenen Ansätze zu behalten (vgl. Carroll und Green (1995),
S. 389). Die Wahl einer bestimmten Variante und des Schätzalgorithmus sind daher
15
Für eine einführende Darstellung zur Schätzung der sog. Bewertungs- und Verknüpfungsfunktion siehe
Gensler (2006), S. 255-258.
21
zum Teil schwer nachvollziehbar. Grundsätzlich stellt die CA ein anspruchsvolles Design
zur Präferenzerfassung dar, sodass fundierte Methodenkenntnisse nötig sind, um die
Verfahren adäquat anzuwenden. Vor allem die CBCA stellt hohe Anforderungen an die
Methodenkompetenz der Untersuchenden (vgl. Orme (2006), S. 110).
Die ermittelten Bedeutungsgewichte der CA sind häufig intervallskalierte, dimensionslose Koeffizienten, die erst nach weiteren Gewichtungsschritten interpretiert und miteinander verglichen werden können, da sie sich auf unterschiedlichen Intervallskalen
befinden.
Stärken
Schwächen

Realitätsnahe Bewertung durch ganzheitli-  Schnelle kognitive Überforderung der Prochen Bewertungsprozess, insb. bei CBCA
banden durch holistischen Bewertungsansatz,
sodass häufig nur bis zu sechs Eigenschaften
 Intuitiv lösbare Bewertungsaufgabe
bewertet werden können
 Conjoint-analytisches Instrumentarium be Anspruchsvolles Studiendesign insbesondere
sonders vielfältig
der CBCA, das fundierte Methodenkenntnisse
 Nutzentheoretische Fundierung der CBCA
erfordert
 Standardsoftware verfügbar
 Aggregation individueller Präferenzen mög-  Intervallskalenniveau der Teilnutzenwerte
lich
Tabelle 2: Zusammenfassung der Stärken und Schwächen der CA (Quelle: Eigene Darstellung)
3.2.5 Anwendungsgebiete im Gesundheitswesen
Bereits Green und Srinivasan ((1978), S. 116) weisen darauf hin, dass die CA auch für
Entscheidungen im öffentlichen Sektor geeignet ist und nennen beispielhaft die Planung der primärärztlichen Versorgung in ländlichen Gebieten. Neben der Ermittlung
von Konsumentenpräferenzen für eher klassische Produkte können mit Hilfe der CA
auch Präferenzen von Patienten für komplexe Sachverhalte ermittelt werden. So untersucht bspw. Becker (2006) Flexibilisierungsmöglichkeiten im Krankenversicherungsmarkt. Die CA kann jedoch auch zur Anwendung kommen, um neben den klinischen Outcomes andere Aspekte der medizinischen Versorgung aus Patientensicht zu
evaluieren, wie z. B. Wartezeiten vor der Behandlung, Entfernung der Klinik zum Wohnort oder die Qualifikation des medizinischen Personals (vgl. Ryan (2004), S. 360). In
der Gesundheitsökonomie wird die CA seit Mitte der 1990er Jahre angewendet
(vgl. Telser (2002), S. 38). Seitdem hat sich die CA vor allem in Form der CBCA als Ansatz zur Ermittlung von Patientenpräferenzen etablieren können (vgl. Bartelmes et al.
(2009), S. 34). Für ausführliche Übersichten zur mittlerweile umfangreichen Literatur
sei auf Ryan und Gerard (2003), Guttmann et al. (2009) und Bekker-Grob et al. (2012)
verwiesen.
22
3.3
Der Analytic Hierarchy Process
3.3.1 Methodische Grundlagen und Hintergünde
Der AHP nach Saaty ((1977), (1980)) gehört heute zu den am häufigsten eingesetzten
Methoden zur Lösung komplexer und unstrukturierter Entscheidungsprobleme und
findet vor allem in den USA und in Asien Anwendung (vgl. Meixner und Haas (2009),
S. 157). In Deutschland konnte sich der AHP bislang noch nicht als Entscheidungsunterstützungstool durchsetzen.
Der AHP ist ein Prozess, mit dessen Hilfe komplexe Entscheidungen hierarchisch strukturiert werden, um zu einer optimalen und rational nachvollziehbaren Entscheidung zu
gelangen (vgl. Meixner und Haas (2009), S. 159). Dabei werden mögliche Einflussgrößen und Lösungsalternativen eines Entscheidungsproblems im Hinblick auf ein bestimmtes Ziel erfasst und in einer hierarchischen Struktur gegliedert. Ziel des AHP ist
die Ermittlung eines Gewichtungsvektors, der die Bedeutung der einzelnen Lösungsalternativen für das Entscheidungsproblem widerspiegelt. Die Bewertung der Einflussgrößen und Lösungsalternativen erfolgt durch Paarvergleichsurteile, die mit Hilfe eines
mathematischen Verfahrens zu Gesamturteilen verdichtet werden. Eine Rangreihung
der Lösungsalternativen entsprechend der berechneten Prioritäten kann dem Entscheidungsträger als Grundlage für die Entscheidung dienen.
Multikriterielle Entscheidungsprobleme sind durch die Notwendigkeit zur simultanen
Optimierung mehrerer Zielfunktionen gekennzeichnet, wobei der Entscheidungsträger
häufig zwischen verschiedenen Alternativen abwägen muss (vgl. Hanne (2001), S. 1).
Da aufgrund der Begrenztheit menschlicher Informationsverarbeitungskapazität und
Entscheidungsrationalität nur eine bestimmte Anzahl an Einflussfaktoren simultan in
den Entscheidungsfindungsprozess einbezogen werden kann, besteht die Gefahr, dass
wichtige Teilaspekte nur unzureichend berücksichtigt werden (vgl. von Nitzsch (1993),
S. 111). Der AHP dient vor diesem komplexen Hintergrund der Auswahl einer aus Sicht
des Anwenders optimalen Lösungsalternative unter der Berücksichtigung aller relevanter Informationen. Die Einsatzmöglichkeiten des AHP sind aufgrund der Flexibilität der
Methode entsprechend vielfältig, sodass der AHP bereits auf zahlreiche ökonomische,
politische und soziale Fragestellungen angewendet wurde (vgl. Saaty und Vargas
(2001), S. 24).
23
3.3.2 Ablaufschritte des Analytic Hierarchy Process
Die wichtigsten Schritte bei der Durchführung eines AHP werden im Folgenden kurz
dargestellt (vgl. Abb. 7).16
Abbildung 7: Ablaufschritte des AHP (Quelle: Eigene Darstellung nach Meixner und Haas (2009),
S. 187)
Datenerhebung
a. Definition der Entscheidungssituation
Bei der Definition der Entscheidungssituation geht es neben der Festlegung des Entscheidungsziels vor allem um die vollständige Erfassung relevanter Einflussgrößen sowie möglicher Lösungsalternativen (vgl. Meixner und Haas (2009), S. 159). Die Einflussgrößen stellen Kriterien dar, anhand derer die Lösungsalternativen in Hinblick auf ihre
Eignung zur Zielerreichung bewertet werden. Dabei bildet die Definition der Entscheidungssituation die Grundlage für den mit der Hierarchie darzustellenden Entscheidungsprozess und hat entscheidenden Einfluss auf die Aussagekraft der abzuleitenden
Entscheidungsempfehlung. Bleiben relevante Einflussgrößen oder mögliche Lösungsalternativen an dieser Stelle unberücksichtigt, so kann der AHP nur zu einer suboptimalen Entscheidungsempfehlung führen.
b. Strukturierung der Einflussfaktoren und Erstellen der Hierarchie
Die relevanten Einflussfaktoren sind in einem nächsten Schritt hierarchisch zu strukturieren, wobei die Hierarchie flexibel an das jeweilige Entscheidungsproblem angepasst
werden kann. Bei der Erstellung der Hierarchie sind dennoch zwei Formvorschriften zu
16
Für eine detaillierte Darstellung siehe z. B. Saaty ((1980); (1990a); (1994); (2008)) oder Zahedi (1986).
24
beachten (vgl. Gerber (1996), S. 29): das festgelegte Entscheidungsziel ist stets auf der
obersten Hierarchieebene zu platzieren und die möglichen Lösungsalternativen sind
stets auf der untersten Hierarchieebene einzuordnen. Die zwischen dem Entscheidungsziel und den Lösungsalternativen liegenden Hierarchieebenen können in ihrer
Anzahl und ihrer Ausgestaltung in Abhängigkeit von der Entscheidungssituation frei
gewählt werden. Sollte eine Hierarchieebene nicht ausreichen, so kann diese durch die
Bildung von Subkriterien weiter aufgegliedert werden. Dabei ist zu beachten, dass die
Kriterien einer Hierarchieebene stets die der darüber liegenden Ebene beeinflussen
und gleichzeitig von denen der darunter liegenden Ebene beeinflusst werden
(vgl. Meixner und Haas (2009), S. 159). Ebenso sollten sich die Kriterien derselben Hierarchieebene nicht gegenseitig beeinflussen (vgl. Haedrich et al. (1986), S. 121).
Mit zunehmender Anzahl an Hierarchieelementen steigt die Anzahl durchzuführender
Paarvergleiche überproportional an (vgl. Nauck (1983), S. 18).17 Nach Saaty ((1990a),
S. 20) sollten maximal neun Elemente auf einer Hierarchieebene festgelegt werden,
um die bewertende(n) Person(en) nicht kognitiv zu überfordern. Die Strukturierung der
relevanten Einflussfaktoren in einer Hierarchie dient der Analyse der komplexen Entscheidungssituation und führt durch das Aufteilen des Entscheidungsproblems in überschaubare Teilaspekte zu einer Reduktion der Komplexität (vgl. Gerber (1996), S. 29).
Bei der Erstellung einer Hierarchie kann zwischen vollständigen und nicht vollständigen
Hierarchien unterschieden werden. Bei einer vollständigen Hierarchie (vgl. Abb. 8)
steht jedes Hierarchieelement mit jedem Element der übergeordneten Hierarchieebene in einer Beziehung, wohingegen die Hierarchieelemente bei einer nicht vollständigen Hierarchie nicht mit jedem Element der jeweils übergeordneten Hierarchiestufe
verbunden sind.
17
Sind bei einer 3x3-Matrix nur drei Paarvergleiche durchzuführen, so müssen bei einer 9x9-Matrix
bereits 36 Paarvergleiche durchgeführt werden (vgl. Nauck (1983), S. 18). Die Anzahl der durchzuführenden Paarvergleiche kann in Abhängigkeit der Anzahl der Elemente n einer Matrix mit n (n - 1)/2 berechnet werden (vgl. Saaty (1994), S. 13).
25
Abbildung 8: Vollständige Hierarchie mit einer Hierarchieebene (Quelle: Eigene Darstellung nach Saaty
und Vargas (2001), S. 3)
c. Bewertung der Hierarchieelemente
Zur Bewertung der Einflussgrößen und Lösungsalternativen werden basierend auf der
Hierarchie sog. Bewertungsmatrizen erstellt, deren Dimension und Verknüpfungen
untereinander jeweils von der Struktur der Hierarchie abhängen (vgl. Gerber (1996),
S. 30). Die Bewertung der Hierarchieelemente erfolgt dann im Paarvergleich, indem
stets zwei Hierarchieelemente einer Ebene in Bezug auf das jeweils übergeordnete
Element bewertet werden (vgl. Gerber (1996), S. 30). Für jede Hierarchieebene ist eine
Bewertungsmatrix hinsichtlich jeden Elements der nächsthöheren Hierarchieebene zu
erstellen (vgl. Haedrich et al. (1986), S. 123). Da die Bewertungen Ausgangspunkte der
mathematischen Lösung des AHP sind, müssen diese numerisch ausgedrückt werden
(vgl. Gerber (1996), S. 30). Saaty ((1980), S. 54) schlägt dazu eine Neun-PunkteBewertungsskala vor (vgl. Tab. 3).
Skalenwert
Definition
⅟9
Absolut dominiert.
1
Gleiche Bedeutung.
3
Etwas größere Bedeutung.
5
Erheblich größere Bedeutung.
7
Sehr viel größere Bedeutung.
9
Absolut dominierend.
Interpretation
Zwischen beiden Elementen existiert in Bezug auf
das nächsthöhere Hierarchieelement der kleinstmögliche Bedeutungsunterschied.
Beide Elemente haben die gleiche Bedeutung in
Bezug auf das nächsthöhere Hierarchieelement.
Erfahrung und Einschätzung sprechen für eine
etwas größere Bedeutung eines Elements im Vergleich zu einem anderen.
Erfahrung und Einschätzung sprechen für eine
erheblich größere Bedeutung eines Elements im
Vergleich zu einem anderen.
Eine sehr viel größere Bedeutung eines Elements
hat sich in der Vergangenheit klar gezeigt.
Zwischen beiden Elementen existiert in Bezug auf
das nächsthöhere Hierarchieelement der größtmögliche Bedeutungsunterschied.
2, 4, 6, 8
Zwischenwerte
Wird ein Hierarchieelement i mit einem bestimmten Skalenwert bewertet, wenn es
Reziprokmit j verglichen wird, dann wird j mit dem reziproken Skalenwert bewertet, wenn es
werte
mit i verglichen wird.
Tabelle 3: Neun-Punkte-Bewertungsskala nach Saaty (Quelle: Eigene Darstellung nach Haedrich et al.
(1986), S. 123)
26
Sollte ein umgekehrtes Bedeutungsverhältnis zwischen den zu vergleichenden Hierarchieelementen bestehen, so können die Reziprokwerte verwendet werden. Dem Probanden ist es möglich, alle Skalenwerte zwischen ⅟9 und 9 anzugeben (vgl. Saaty
(1990a), S. 16). Trotz
der
differenzierten Abstufungen
der
Neun-Punkte-
Bewertungsskala ist jedoch nicht jede Beurteilung möglich (vgl. von Nitzsch (1993),
S. 112). Auf den Hauptdiagonalen der Bewertungsmatrizen steht per Annahme eine ‚1’,
da ein Hierarchieelement im Vergleich zu sich selbst stets als ‚gleich bedeutend’ bewertet wird (vgl. Nauck (1983), S. 30). Durch die Bildung der entsprechenden Reziprokwerte für die untere Matrixhälfte kann die Bewertungsmatrix vervollständigt werden
(vgl. Meixner und Haas (2009), S. 195).
Datenauswertung
d. Berechnung der relativen Gewichte der Hierarchieelemente
Nach der Bewertung der einzelnen Hierarchieelemente werden die relativen Wichtigkeiten der Kriterien und Lösungsalternativen in Bezug auf das jeweils übergeordnete
Hierarchieelement aus den Paarvergleichsmatrizen abgeleitet. Mathematisch können
die relativen Gewichte mit Hilfe der Eigenwertmethode berechnet werden, indem derjenige Eigenvektor mit dem größten Eigenwert λmax ermittelt wird (vgl. Saaty (1980),
S. 17).18 Zur Ermittlung von λmax wird die Paarvergleichsmatrix solange mit sich selbst
multipliziert, bis die Vektorfolge gegen den zum maximalen Eigenwert gehörenden
Eigenvektor konvergiert (vgl. Nauck (1983), S. 37). Die quadrierte Matrix muss dabei
stets normalisiert werden, damit die berechneten Werte zueinander in Beziehung gesetzt werden können (vgl. Saaty (1980), S. 179). Die Eigenvektoren werden normalisiert, indem die Summe der in ihnen enthaltenen Bedeutungsgewichte gleich Eins gesetzt wird (vgl. Tscheulin (1992), S. 55). Dazu werden die Zeilenwerte der quadrierten
Matrix durch die jeweilige Spaltensumme dividiert, sodass die Summe der Bedeutungsgewichte je Spalte gleich Eins ist. Die auf diese Weise normalisierten Werte werden anschließend zeilenweise aufsummiert und durch die Anzahl der Spaltenelemente
der Bewertungsmatrix geteilt. Die dadurch berechnete durchschnittliche Zeilensumme
gibt die relativen Gewichte in Form eines Gewichtungsvektors wieder, wobei die
Summe aller Gewichte des normalisierten Vektors Eins ergibt (vgl. Meixner und Haas
18
Der zum maximalen Eigenwert gehörende Eigenvektor gibt als Gewichtungsvektor die gesuchten relativen Gewichte wieder (vgl. Saaty (1980), S. 19). Für eine detaillierte Erläuterung der Berechnung der
Gewichte mit Hilfe der Eigenwertmethode siehe Saaty (1980), S. 49-51 und S. 258-263.
27
(2009), S. 197). Dieser Prozess wird solange wiederholt, bis sich die berechneten relativen Gewichte nur noch in Höhe eines vorab festgelegten Wertes von denen der zuvor
potenzierten Matrix unterscheiden (vgl. Saaty (1980), S. 179; Saaty (1990a), S. 19). Dabei nehmen die Differenzen zwischen den berechneten relativen Gewichten mit zunehmender Potenz der Bewertungsmatrix ab, sodass man sich den tatsächlichen Werten immer weiter annähert (vgl. Meixner und Haas (2009), S. 206).
e. Konsistenzprüfung der Paarvergleichsbewertungen
Die Konsistenz der Bewertungen einer Paarvergleichsmatrix stellt ein wesentliches
Qualitätskriterium für die abgeleiteten relativen Gewichte dar (vgl. Meixner und Haas
(2009), S. 206). Zur Messung der Konsistenz einer Bewertungsmatrix kann der maximale Eigenwert herangezogen werden (vgl. Saaty (1980), S. 21). Bei einer vollkommen
konsistenten Bewertungsmatrix entspricht die Anzahl der Spaltenelemente n des gesuchten Eigenvektors dem maximalen Eigenwert λmax, ansonst ist λmax > n (vgl. Saaty
(1977), S. 234). Je stärker die Abweichung zwischen λmax und n ist, desto größer ist die
Inkonsistenz der Bewertungsmatrix. Dabei ist zu beachten, dass die Konsistenz der Bewertungen von der Größe der Bewertungsmatrix abhängt, da mit zunehmender Anzahl
der Elemente des gesuchten Eigenvektors die Anzahl durchzuführender Paarvergleiche
zunimmt und die Wahrscheinlichkeit für die Abgabe inkonsistenter Beurteilungen
steigt (vgl. Gerber (1996), S. 30). Um die Größe der Paarvergleichsmatrizen entsprechend zu berücksichtigen, schlägt Saaty die Berechnung des Konsistenzmaßes (‚Consistency Ratio‘, C.R.) vor (vgl. Saaty (1980), S. 51). Eine Bewertungsmatrix kann als ausreichend konsistent angesehen werden, wenn C.R. < 0,1 ist (vgl. Saaty (1980), S. 21). Genügen die Konsistenzmaße dieser Anforderung nicht, so sind die Hierarchieelemente
erneut durch Paarvergleiche zu bewerten (vgl. Gerber (1996), S. 30). In bestimmten
Fällen kann die Existenz inkonsistenter Bewertungen auch eine vollständige Überarbeitung der Hierarchie erforderlich machen.
f. Berechnung der Gewichtungsvektoren über die gesamte Hierarchie
Nachdem die relativen Gewichte der einzelnen Hierarchieelemente ermittelt und die
dazugehörigen Konsistenzmaße überprüft wurden, können die Gewichtungsvektoren
miteinander verrechnet werden, um zu einer Gesamtaussage hinsichtlich der Relevanz
der Lösungsalternativen (unterste Ebene der Hierarchie) für die Zielerreichung (oberste Ebene der Hierarchie) zu kommen. Es sei darauf hingewiesen, dass die in Schritt d.)
28
berechneten Gewichtungsvektoren nur die relativen Gewichte der jeweiligen Hierarchieelemente in Bezug auf das nächsthöhere Element wiedergeben. Um zu den relativen Gewichten der Lösungsalternativen hinsichtlich des Entscheidungszieles zu gelangen, müssen die Eigenvektoren der verschiedenen Hierarchieebenen miteinander gewichtet werden (vgl. Tscheulin (2000), S. 586). Die berechneten lokalen Gewichte werden dazu in globale Gewichte umgewandelt (vgl. Saaty (1994), S. 16). Ausgehend vom
Entscheidungsziel werden die Gewichtungsvektoren über alle Hierarchieebenen hinweg bis zur untersten Ebene der Hierarchie mit dem relativen Gewicht des jeweils
übergeordneten Hierarchieelements multipliziert (vgl. Gerber (1996), S. 31). Der auf
diese Weise berechnete Gewichtungsvektor stellt die Lösung des AHP dar und gibt
Auskunft darüber, mit welchem Gewicht die Lösungsalternativen aus der subjektiven
Sicht des Anwenders zur Zielerreichung beitragen (vgl. Gerber (1996), S. 31).
g. Konsistenzprüfung des Modells und Sensitivitätsanalyse
Zur Überprüfung der Konsistenz des Modells schlägt Saaty die Berechnung der ‚Consistency Ratio of the Hierarchy’ (C.R.H.) vor, die sich als durchschnittliches Konsistenzmaß
aus den mit den relativen Gewichten der Bewertungsmatrizen bewerteten Konsistenzindices berechnet (vgl. Saaty (1980), S. 83f.). Um das Modell als ausreichend konsistent zu bezeichnen, sollte die C.R.H. < 0,1 sein. Im Rahmen der Sensitivitätsanalyse
wird untersucht, inwiefern sich kontinuierliche Änderungen der relativen Gewichte auf
die Reihenfolge der Lösungsalternativen auswirken. Sie gibt damit an wie stabil die
Ergebnisse des AHP sind (vgl. Meixner und Haas (2009), S. 231). Die Instabilität der
Ergebnisse kann eine Überprüfung des gesamten AHP nach sich ziehen. Aufgrund des
hohen
Rechenaufwandes
erfolgen Sensitivitätsanalysen häufig mit
Sofware-
Unterstützung (z. B. Expert Choice).
Wurde ein konsistentes und stabiles Ergebnis ermittelt, können die Lösungsalternativen anhand ihrer relativen Gewichte beurteilt werden. Neben der Erstellung einer
Rangfolge der Lösungsalternativen kann dabei auch eine Aussage zu deren Zielerreichungsgrad abgeleitet werden (vgl. Gerber (1996), S. 31). Die Ergebnisse des AHP müssen dabei jeweils im Kontext der Entscheidungssituation interpretiert werden (vgl.
Gerber (1996), S. 31). Im Fall einer diskreten Auswahlentscheidung wird diejenige Lösungsalternative mit dem größten Gewicht gewählt. Bei einer Entscheidung zur Ressourcenallokation werden dagegen alle Lösungsalternativen entsprechend ihrer relati29
ven Wichtigkeiten berücksichtigt. Bei der Interpretation der Gewichte ist stets darauf
zu achten, dass es sich dabei um die Ergebnisse subjektiver Einschätzungen der Anwender handelt, die sowohl durch die Strukturierung und Bewertung der Hierarchieelemente, als auch durch die Auswahl der relevanten Einflussfaktoren und möglichen
Lösungsalternativen einen entscheidenden Einfluss auf das Ergebnis des AHP haben
(vgl. Meixner und Haas (2009), S. 237).
h. Evtl. Aggregation der Gewichte für Gruppenentscheidung
Beim AHP können individuelle Bewertungen mehrerer Personen in den Entscheidungsprozess integriert werden (vgl. Meixner und Haas (2009), S. 261-266). Zur Verdichtung
der Einzelbewertungen findet häufig der geometrische Mittelwert Anwendung. Zusätzlich können die einzelnen Bewertungen dem Mitspracherecht der bewertenden Personen entsprechend gewichtet werden (vgl. Tscheulin (2000), S. 602).
3.3.3 Stärken und Schwächen des Analytic Hierarchy Process
Der AHP eignet sich als Entscheidungsunterstützungstool vor allem für komplexe Entscheidungssituationen, in denen der Entscheidungsträger über eine umfangreiche Informationsbasis verfügt, diese jedoch aufgrund seiner begrenzten kognitiven Fähigkeiten nicht verarbeiten kann. Mit Hilfe des AHP kann das Entscheidungsproblem gelöst
werden, indem es zunächst in seine Bestandteile zerlegt und hierarchisch strukturiert
wird. Dadurch wird die Komplexität reduziert und der Anwender in die Lage versetzt,
das Entscheidungsproblem auf Ebene der einzelnen Teilaspekte zu lösen. Die hierarchische Struktur kann flexibel an die jeweilige Entscheidungssituation angepasst werden,
sodass der AHP auf eine Vielzahl von Entscheidungsproblemen angewendet werden
kann und sich durch ein besonders breites Anwendungsgebiet auszeichnet. Zusätzlich
trägt auch die Verwendung der Neun-Punkte-Bewertungsskala zur Erweiterung der
Anwendungsmöglichkeiten des AHP bei, da neben quantitativen auch qualitative Einflussfaktoren berücksichtigt werden können. Ein weiterer Vorteil des AHP ist, dass
Gruppenentscheidungen durch Ergebnisverdichtung abgeleitet werden können. Um
die Qualität der Ergebnisse zu überprüfen, kann die Widerspruchsfreiheit der Bewertungen mittels Konsistenztests und die Stabilität der Ergebnisse durch Sensitivitätsanalysen überprüft werden.
Auf der anderen Seite weist der AHP zahlreiche theoretische und methodische Schwä30
chen auf. So werden die Ergebnisse des AHP auf Basis subjektiver Beurteilungen mathematisch hergeleitet. Sie stellen damit Bedeutungsgewichte dar, die der jeweilige
Anwender den Lösungsalternativen hinsichtlich deren Beitrags zur Erreichung des Entscheidungsziels beimisst. Die Ergebnisse des AHP sind damit nur scheinbar objektiv, da
diese die subjektiven Einschätzungen des Anwenders wiedergeben. Hinsichtlich der
Neun-Punkte-Bewertungsskala kritisiert von Nitzsch, dass nicht jede real mögliche Bewertung mit Hilfe der Skala wiedergegeben werden kann (vgl. von Nitzsch (1993),
S. 112), sodass die Neun-Punkte-Bewertungsskala selbst zu inkonsistenten Bewertungen führen kann (vgl. Dyer und Wendell (1985), S. 9f.). Ebenso wird die Stabilität der
Ergebnisse des AHP angezweifelt (vgl. z. B. Dyer und Wendell (1985); Dyer (1990a); von
Nitzsch (1993)). Kritisiert wird, dass es unter bestimmten Voraussetzungen zu einer
Umkehr der Rangreihung von Lösungsalternativen kommen kann (sog. ‚Rank Reversal’), wenn (irrelevante) Lösungsalternativen hinzugefügt oder entfernt werden.19 Dyer
und Wendell ((1985), S. 2f.) heben dabei kritisch hervor, dass der AHP eine grundlegende Annahme an die Rationalität verletzt, indem die Ergebnisse abhängig von irrelevanten Lösungsalternativen sein können und ziehen daraus den Schluss, dass die
Resultate des AHP willkürlich sind. Die Autoren zeigen, dass die Ursache der Rangfolgenumkehr in der mathematischen Vorgehensweise des AHP bei der Ermittlung der
relativen Gewichtungen im Rahmen der Eigenwertmethode liegt (vgl. Dyer und Wendell (1985), S. 17) und nicht durch zusätzlich gewonnene Informationen begründet
werden kann, die z. B. durch das Hinzufügen neuer Lösungsalternativen in den Entscheidungsfindungsprozess aufgenommen werden (vgl. Dyer und Wendell (1985),
S. 19). Rank Reversals widersprechen daher den Anforderungen an rationales Verhalten (vgl. von Nitzsch (1993), S. 115). Von Nitzsch schlussfolgert daraus, dass „der AHP
kein Verfahren ist, das eine verlässliche Entscheidungshilfe garantiert“ (von Nitzsch
(1993), S. 116).20 Der AHP basiert auf den Axiomen der Nutzentheorie, jedoch wird
unter der Berücksichtigung der Schwierigkeiten einer präzisen Präferenzbeurteilung
durch die Anwender auf die restriktiven Annahmen der Konsistenz und Transitivität
19
Im Fall zweier Lösungsalternativen A und B könnte Alternative A beispielsweise B vorgezogen werden,
während sich nach dem Hinzufügen der (irrelevanten) Lösungsalternative C die Rangfolge zwischen
beiden ändert und nun B der Alternative A vorgezogen wird (vgl. von Nitzsch (1993), S. 114).
20
Für eine ausführliche Darstellung dieser Diskussion siehe Dyer ((1990a); (1990b)) und Saaty (1990b).
31
der Präferenzäußerungen verzichtet (vgl. Scholl et al. (2005), S. 763).21 Aufgrund der
weniger strengen Annahmen hinsichtlich der Präferenzstruktur werden beim AHP irrationale Entscheidungen nicht als falsche Entscheidungen identifiziert (vgl. Saaty und
Vargas (2001), S. 12). Wesentliche Anforderungen der ökonomischen Nutzentheorie
werden damit nicht erfüllt, sodass der AHP nutzentheoretisch als nicht fundiert gilt. Bei
der dem AHP zugrunde liegenden Theorie handelt es sich um eine deskriptive Theorie,
die von der normativen Nutzentheorie abzugrenzen ist (vgl. Saaty (1990b), S. 260).22
Als allgemeiner Kritikpunkt am kompositionellen Vorgehen des AHP sei noch erwähnt,
dass die reale Entscheidungssituation durch die Paarvergleichsurteile nicht adäquat
abgebildet werden kann.
Wie gezeigt werden konnte, weist der AHP zahlreiche theoretische und methodische
Schwächen auf. Dennoch konnte sich das Verfahren bislang erfolgreich etablieren, da
die Methode den Anforderungen der Praxis durch die einfache und flexible Anwendung gerecht wird. Tscheulin ((2000), S. 604) weist darauf hin, dass der AHP trotz seiner ausschließlich analytischen Funktion eine qualitative Verbesserung der Entscheidungsfindung ermöglichen kann.
Stärken
Schwächen

Einfaches und leicht verständliches Entschei-  Abhängigkeit der Ergebnisse von den subjekdungsunterstützungstool zur Lösung kompletiven Einschätzungen der Anwender
xer Entscheidungsprobleme
 Nur scheinbar objektive Ergebnisse
 Breites Anwendungsgebiet durch hohe Flexi-  Begrenzte Durchführbarkeit von Bewertunbilität
gen
mit
Hilfe
der
Neun-Punkte Komplexitätsreduktion durch Dekomposition
Bewertungsskala
und hierarchische Strukturierung des kom-  Mangelnde Stabilität der Ergebnisse durch
plexen Entscheidungsproblems
Rank Reversals bei Hinzufügen bzw. Entfernen (irrelevanter) Lösungsalternativen
 Berücksichtigung sowohl quantitativer als
auch qualitativer Einflussfaktoren mit Hilfe  Keine nutzentheoretische Fundierung
der Neun-Punkte-Bewertungsskala
 Bewertung durch Paarvergleiche entspricht
 Integrierte Konsistenz- und Stabilitätsprüfung
nicht der realen Entscheidungssituation
bei Softwareunterstützung
 Verdichtung der Ergebnisse zu Gruppenentscheidungen möglich
Tabelle 4: Zusammenfassung der Stärken und Schwächen des AHP (Quelle: Eigene Darstellung)
21
Nach Saaty ((1990c), S. 158) können aus einer positiven und reziproken nxn-Matrix, deren Elemente
Paarvergleichsbewertungen wiedergeben, Prioritäten mit Hilfe der Eigenwertmethode abgeleitet
werden, indem der Eigenvektor mit dem größten Eigenwert ermittelt wird. Dieses mathematische
Theorem stellt die theoretische Basis des AHP dar (vgl. Meixner und Haas (2009), S. 204).
22
Die deskriptive Theorie versucht, das reale Geschehen systematisch zu erfassen, zu ordnen und zu
beschreiben, wohingegen die normative Theorie Empfehlungen ableitet, um eine Aussage abzuleiten,
wie etwas sein sollte.
32
3.3.4 Anwendungsgebiete im Gesundheitswesen
Bereits bei Saaty (1980) lassen sich Beispiele für Anwendungen des AHP auf Fragestellungen im Gesundheitswesen finden. So analysiert Saaty mit Hilfe des AHP mögliche
Einflussfaktoren auf das individuelle Wohlbefinden (vgl. Saaty (1980), S. 44-46) und
bewertet potentielle Maßnahmen zur Kostensenkung in Krankenhäusern (vgl. Saaty
(1980), S. 151-155). Dolan et al. (1989) wenden den AHP erstmals zur medizinischen
Entscheidungsfindung an und zeigen damit, dass der AHP ein vielversprechendes Instrument im Rahmen der partizipativen Entscheidungsfindung ist. Einen Überblick über
mögliche Anwendungsgebiete des AHP auf medizinische und gesundheitsökonomische
Fragestellungen geben Liberatore und Nydick (2008). Die Autoren zeigen, dass Publikationen zum AHP im Gesundheitswesen etwa seit Mitte der 1990er Jahre stark zugenommen haben. Hauptsächlich wird der AHP in den Bereichen der Diagnostik, Patientenpartizipation, Behandlung, Organtransplantation, Auswahl und Bewertung von Gesundheitstechnologien, Personaleinsatzplanung und der Gesundheitspolitik angewendet. Zusammenfassend kann festgehalten werden, dass der AHP aufgrund der vielfältigen Anwendungen auf medizinische und gesundheitsökonomische Fragestellungen ein
vielversprechendes Instrument zur multikriteriellen Entscheidungsunterstützung im
Gesundheitswesen darstellt.
4
CA und AHP – Ein Vergleich im Kontext der IQWiG-Methodik
4.1
Allgemeiner theoretischer Methodenvergleich
4.1.1 Gemeinsamkeiten
CA und AHP leiten die Bedeutungsgewichte einzelner Eigenschaften und deren Ausprägungen aus subjektiven Präferenz- und Prioritätsurteilen her. Mit Hilfe beider Verfahren können die Präferenzen einzelner Individuen23 ermittelt und zu Gruppenergebnissen aggregiert werden. Um Interaktionseffekte zwischen den zu bewertenden Eigenschaften im Rahmen des additiven Nutzenmodells zu vermeiden, sind beide Verfahren nur bei voneinander unabhängigen Eigenschaften zuverlässig anwendbar (vgl.
Helm et al. (2003), S. 12), die sowohl bei der CA als auch beim AHP a priori bekannt
sein müssen. Die Anfänge beider Methoden reichen zurück bis in die 1960er und
23
Bei der CBCA kann häufig keine Individualanalyse durchgeführt werden.
33
1970er Jahre, sodass zahlreiche Studien und methodische Beiträge veröffentlicht wurden. Auch wurden CA und AHP bereits auf zahlreiche medizinische und gesundheitsökonomische Fragestellungen angewendet und gelten als vielversprechende Ansätze. Zuletzt kann die Durchführung beider Methoden Software-gestützt erfolgen.
4.1.2 Unterschiede
Als ein wesentlicher Unterschied zwischen CA und AHP ist die differenzierte Vorgehensweise bei der Ermittlung der Präferenzen und damit die Unterscheidung zwischen
dekompositionellen und kompositionellen Verfahren der multiattributiven Präferenzmessung zu nennen. Während die CA die Teilnutzenwerte einzelner Eigenschaften und
deren Ausprägungen aus globalen Gesamtbeurteilungen herleitet, bestimmt der AHP
die Bedeutungsgewichte potenzieller Lösungsalternativen durch die Komposition mittels in Paarvergleichen erfassten Prioritätsurteilen. Die unterschiedliche Vorgehensweise der CA als dekompositionellem Ansatz auf der einen Seite und des AHP als kompositionellem Ansatz auf der anderen Seite hat zahlreiche Implikationen für die Strukturierung des Entscheidungsproblems und die Datenerhebung beider Methoden. Bei
der CA werden Stimuli als Bündel von Eigenschaften im Rahmen von Rankings, Ratings
oder diskreten Auswahlentscheidungen bewertet, wohingegen die Eigenschaften und
deren Ausprägungen beim AHP einzeln im Paarvergleich in Bezug auf das jeweils
nächsthöhere Hierarchieelement bewertet werden. Der Bewertungsvorgang weist daher bei der CA einen höheren Realitätsgrad auf als beim AHP, insbesondere wenn, wie
bei der CBCA, diskrete Auswahlentscheidungen getroffen werden, die reale (Kauf-)
Entscheidungen simulieren. Die ganzheitliche Bewertung der Stimuli hat jedoch den
Nachteil, dass die Anzahl der Eigenschaften und deren Ausprägungen im Vergleich zum
AHP stärker begrenzt ist, da mit zunehmender Anzahl zu bewertender Eigenschaften
die Gefahr der kognitiven Überforderung der Probanden steigt. Andererseits bedarf
die Präferenzerhebung mittels AHP zu Beginn der Befragung einer ausführlichen Erklärung, da sonst die Gefahr besteht, dass Probanden die Bewertungsaufgabe anhand der
Neun-Punkte-Bewertungsskala nicht verstehen, wohingegen diese bei der CA intuitiv
lösbar ist. In den vergangenen Jahren wurde das Instrumentarium zur Schätzung der
Teilnutzenwerte bei der CA ständig erweitert, sodass heute eine Vielzahl an Schätzverfahren für die Ermittlung der Bedeutungsgewichte zur Verfügung steht, wohingegen
34
für den AHP bislang nur wenige Alternativen zur Eigenwertmethode existieren (vgl.
Tscheulin (1992), S. 153). Im Gegensatz zum AHP, bei dem die Anwender Feedback zur
Konsistenz der Prioritätsurteile und zur Stabilität der Ergebnisse erhalten, gibt es bei
der CA keine äquivalente Möglichkeit zur Überprüfung der Ergebnisse (vgl. Mulye
(1998), S. 270).
4.1.3 Zusammenfassende Darstellung des allgemeinen theoretischen Methodenvergleichs
CA und AHP unterscheiden sich grundlegend in ihrer Vorgehensweise bei der Ermittlung von Präferenzen. Darauf aufbauend lassen sich vielfältige weitere Unterschiede
ableiten, aber auch einige Gemeinsamkeiten erkennen. Die Ergebnisse des theoretischen Methodenvergleichs werden in Tabelle 5 zusammengefasst.
Methodischer Ansatz
Grundannahmen
Bewertungsprozess
Realitätsgrad
Nutzenmodell
Flexibilität hinsichtlich der Nutzen/Wertfunktion
Zielobjekt/Befragte
Skalenniveau des Inputs
Skalenniveau des Outputs
Schätzverfahren
Interpretation der Bedeutungsgewichte
Feedback während des Bewertungsprozesses
Kognitiver Stress für die Probanden
TCA
AHP
Dekompositionell
Eigenschaften unabhängig voneinander; alle Kombinationen
der Eigenschaftsausprägungen
möglich
Ganzheitliche Bewertung der
Stimuli
Hoch, aber Bewertungsaufgabe
zum Teil komplex
Additives Teilnutzenmodell
Hoch. Verschiedene Nutzenfunktionen möglich
Marktsegment auf der Basis
eines individuellen Kunden
Ordinal- oder intervallskaliert
Intervallskaliert
z. B. OLS, MONONOVA
Teilnutzenwert einer Eigenschaftsausprägung
Kompositionell
Nicht möglich
Eigenschaften unabhängig voneinander
Paarweise Vergleiche von Lösungsalternativen und Kriterien
Weniger realitätsnah, aber einfache Bewertungsaufgabe
Gewichtetes additives Modell
Gering. Nur additive Wertfunktionen möglich
Einzelner Entscheidungsträger
oder Gruppe
Intervallskaliert
Verhältnisskaliert
z. B. Eigenwertmethode
Relative Bedeutung einer Alternative für die Zielerreichung
Konsistenzprüfung und Sensitivitätsanalyse möglich
Hoch. Steigt mit zunehmender
Gering
Anzahl an Eigenschaften
Wenige, aber komplexe BewerViele, aber einfache PaarvergleiBefragungsumfang
tungen vollständiger Stimuli
che
Bis zu 6 Eigenschaften mit 2-4
Viele Eigenschaften möglich mit
Anwendungsbeschränkungen
Ausprägungen
bis zu 9 Ausprägungen
Anwendung im Marketing
Hoch
Vergleichsweise gering
Tabelle 5: Zusammenfassung des allgemeinen theoretischen Methodenvergleichs (Quelle: Eigene
Darstellung nach Mulye (1998), S. 269 sowie Helm et al. (2003), S. 12)
Da beide Verfahren spezifische Vor- und Nachteile aufweisen, kann aus dem theoretischen Methodenvergleich a priori nicht abgeleitet werden, welche Methode zu bes35
seren Ergebnissen führt. Diese Fragestellung ist im Rahmen empirischer Vergleichsstudien zu untersuchen.
4.2
Empirischer Methodenvergleich
4.2.1 Literaturübersicht zu empirischen Vergleichsstudien
Auf die Notwendigkeit empirischer Vergleichsstudien von CA und AHP wurde bereits
im Jahr 1980 hingewiesen (vgl. Wind und Saaty (1980), S. 657). In der Zwischenzeit
wurden zahlreiche empirische Vergleichsstudien durchgeführt, die zeigen konnten,
dass CA und AHP zu formal ähnlichen Ergebnisse führen, obwohl sie bei der Ermittlung
der Präferenzen nach völlig unterschiedlichen Prinzipien vorgehen.
Die empirischen Vergleichsstudien zeigen, dass sich TCA und AHP zur Ermittlung von
Präferenzen eignen, jedoch kann auf der Basis der bislang publizierten Studien nicht
abgeleitet werden, welche der beiden Methoden zu besseren Ergebnissen führt. Für
eine differenzierte Betrachtung schlagen Helm et al. (2004) eine Unterscheidung hinsichtlich der Komplexität der Bewertungsaufgabe24 und der Kenntnisse der Probanden
bezüglich der Methoden der multiattributiven Präferenzmessung vor (vgl. Tabelle 6).
Helm et al. zeigen, dass Vorkenntnisse der Probanden bezüglich der Methoden der
multiattributiven Präferenzmessung und der Komplexitätsgrad der Bewertungsaufgabe
in Form der Anzahl der zu bewertenden Eigenschaften die Prognosevalidität25 von CA
und AHP beeinflussen können (vgl. Helm et al. (2004), S. 18f.). Weist die Bewertungsaufgabe einen geringen Komplexitätsgrad auf, so führt die TCA tendenziell zu besseren
Ergebnissen, wohingegen der AHP bei komplexen Bewertungsaufgaben dominiert (vgl.
Helm (2004), S. 19).
24
Die Komplexität der Bewertungsaufgabe bezieht sich auf die Anzahl der zu bewertenden Eigenschaften. Häufig wird von einer komplexen Bewertungsaufgabe gesprochen, wenn mehr als sechs Eigenschaften von den Probanden zu bewerten sind (vgl. Green und Srinivasan (1978), S. 108).
25
Zur Relevanz der prognostischen Validität siehe Green und Srinivasan (1978), S. 104.
36
Ja
Kenntnisse
der Pro-
Komplexität der Bewertungsaufgabe
Hoch
Gering
Mulye (1998): Zweite Studie
Schoemaker und Waid (1982)
AHP geringfügig besser als TCA
TCA geringfügig besser als AHP
Helm et al. (2003)
AHP geringfügig besser als TCA
banden in
den
Methoden
der
Nein
Mulye (1998): Erste Studie
TCA und AHP liefern ähnliche Ergebnisse
Helm et al. (2004): Erste Studie
TCA geringfügig besser als AHP
Helm et al. (2004): Zweite Studie
TCA bedeutend besser als AHP
Tscheulin (1992)
TCA geringfügig besser als AHP bei
hypothetischen Produkten;
attributiven
TCA und AHP gleich gut bei realen
PräferenzProdukten;
AHP besser als TCA, wenn Bewermessung
tungsaufgabe durch Probanden verstanden
Tabelle 6: Zusammenfassung des empirischen Methodenvergleichs in Bezug auf die Prognosevalidität
(Quelle: Eigene Darstellung nach Helm et al. (2004), S. 18)
multi-
Die TCA sollte demnach gewählt werden, wenn davon auszugehen ist, dass die Probanden keine Kenntnisse in den Methoden der Präferenzmessung besitzen und/oder
die Bewertungsaufgabe aufgrund weniger zu bewertender Eigenschaften nur einen
geringen Komplexitätsgrad aufweist. Im Gegensatz dazu sollte die Wahl auf den AHP
fallen, wenn die Probanden mit den Methoden der Präferenzmessung, insbesondere
mit der Vorgehensweise der Bewertung anhand der Neun-Punkte-Bewertungsskala
beim AHP vertraut sind, und die Bewertungsaufgabe aufgrund einer Vielzahl zu bewertender Eigenschaften besonders komplex ist.26 Die Darstellung kann jedoch nur als
erster Anhaltspunkt bei der Wahl zwischen beiden Methoden dienen. Dabei sollte beachtet werden, dass der negative Einfluss fehlender Methodenkenntnisse der Probanden beim AHP leicht überwunden werden kann, indem den Probanden vor Durchführung der Bewertung die Besonderheiten der Bewertungsaufgabe beim AHP erklärt
werden. Im Gegensatz dazu kann der Nachteil der TCA hinsichtlich der prognostischen
Validität bei komplexen Bewertungsaufgaben aufgrund der ganzheitlichen Bewertung
der Stimuli nicht überwunden werden.
26
Die Bewertungsaufgabe des AHP ist mit einem erhöhten Erklärungsbedarf verbunden. Hat der Proband die Bewertungsaufgabe verstanden, so fällt der Paarvergleich beim AHP i. d. R. leichter als die
ganzheitliche Bewertung bei der CA, was insbesondere in komplexen Bewertungssituationen zum Tragen kommt.
37
4.2.2 Kritik an den empirischen Vergleichsstudien
Die Aussagekraft der bislang durchgeführten empirischen Studien ist beschränkt, da
vorrangig Varianten von CA und AHP miteinander verglichen wurden, die sich auf vielfältige Weise ähnlich sind (vgl. Helm et al. (2003), S. 2; Tscheulin (1992), S. 74). So dominiert die TCA als Vertreterin des conjoint-analytischen Instrumentariums die empirischen Vergleichsstudien, wohingegen die weiter entwickelten Varianten, wie z. B. die
CBCA oder die Adaptive CA bislang nur eine untergeordnete Rolle spielen. Im Vergleich
zur Grundform einer Methode führt die weiterentwickelte Variante jedoch häufig zu
besseren Ergebnissen, was bei den bislang durchgeführten empirischen Studien unberücksichtigt geblieben ist.
4.3
Theoretischer Methodenvergleich unter Verwendung des Kriterienkatalogs
4.3.1 Zur Bewertung von Conjoint Analyse und Analytic Hierarchy Process
Der in Kapitel 2.3 aufgestellte Kriterienkatalog wird im Folgenden zur Bewertung der
CA und des AHP hinsichtlich deren Eignung zur Gewichtung multipler patientenrelevanter Endpunkte im Rahmen des Effizienzgrenzenkonzepts des IQWiG angewendet,
wobei die Argumentation in Bezug auf das conjoint-analytische Instrumentarium anhand der CBCA erfolgt.
A.) Gesetzliche Vorgaben
A.1.) Transparenz
Die Erstellung der Choice Sets und die Wahl des Schätzverfahrens bei der CBCA stellen
hohe Anforderungen an die Methodenkompetenz der beteiligten Akteure, um die Ermittlung der Teilnutzenwerte bei der CBCA nachvollziehen zu können. Im Gegensatz
dazu stellt der AHP ein weniger anspruchsvolles Studiendesign dar. Die hierarchische
Strukturierung des Entscheidungsproblems trägt zur Übersichtlichkeit und besseren
Nachvollziehbarkeit der Präferenzermittlung bei und mit der Eigenwertmethode steht
ein etabliertes Verfahren zur Ermittlung der Bedeutungsgewichte zur Verfügung. Hinsichtlich der Transparenz der Methode könnte argumentiert werden, dass die Endpunktgewichtung mittels AHP für Außenstehende transparenter erfolgen kann als mit
der CBCA.
38
A.2.) International etabliertes Verfahren der Gesundheitsökonomie
Wie in Kapitel 3.2.5 und 3.3.4 gezeigt werden konnte, wurden CBCA und AHP bereits
auf zahlreiche medizinische und gesundheitsökonomische Fragestellungen angewendet und gelten als vielversprechende Methoden auf diesen Gebieten. Beide Methoden
könnten daher konsistent zu den gesetzlichen Vorgaben als international etablierte
Verfahren der Gesundheitsökonomie bezeichnet werden.
B.) Anforderungen aus der IQWiG-Methodik
B.1.) Approximative Kardinalität des aggregierten Nutzenmaßes
Die Kardinalskalierung stellt eine grundlegende Anforderung an das Nutzenmaß im
Rahmen des Effizienzgrenzenkonzepts des IQWiG dar. Grundsätzlich können die geschätzten Parameter der latenten Nutzenfunktion bei der CBCA aufgrund von Interdependenzen und unterschiedlichen Skalen, die der diskreten Auswahlentscheidung zu
Grunde liegen, nicht direkt verglichen werden (vgl. Mühlbacher et al. (2009b), S. 75).
Zusätzlich ist fraglich, ob die geschätzten Parameter der Eigenschaftsausprägungen als
Bedeutungsgewichte der Eigenschaften bzw. der Endpunkte interpretiert werden können. Eine Kardinalskalierung der Teilnutzenwerte kann daher bei der CBCA nicht per se
angenommen werden. Mühlbacher et al. gehen jedoch davon aus, dass die Kardinalskalierung der Nutzenmaße durch ein ‚optimales Studiendesign‘ sichergestellt werden
kann, bei dem eine vergleichbare Skala die Interpretation der geschätzten Koeffizienten als relative Wichtigkeiten der Endpunkte ermöglicht (vgl. Mühlbacher et al.
(2009b), S. 76). Im Gegensatz zur CBCA ist es mit Hilfe des AHP grundsätzlich möglich,
verhältnisskalierte Bedeutungsgewichte zu ermitteln (vgl. Saaty (1990a), S. 25), die das
IQWiG als kardinalskaliert akzeptiert (vgl. IQWiG (2009a), S. 17).
B.2.) Flexibilität
Aufgrund der ganzheitlichen Bewertung der Stimuli ist das Anwendungsgebiet der
CBCA auf Indikationen mit einer geringen Anzahl patientenrelevanter Endpunkte beschränkt. Auf Basis der bislang vorliegenden empirischen Studien wird davon ausgegangen, dass maximal sechs zu bewertende Eigenschaften in das Studiendesgin aufgenommen werden können (vgl. Kapitel 4.2). Sollten in einem Indikationsgebiet mehr als
sechs patientenrelevante Endpunkte identifiziert worden sein, so kann die CBCA in
diesem Indikationsgebiet evtl. nicht zuverlässig zur Endpunktgewichtung angewendet
werden. Ebenso stellt die CBCA hohe Anforderungen an ein ‚optimales Studiendesign‘,
39
um die Kardinalskalierung der Nutzenmaße sicherzustellen. Fraglich ist dabei, ob ein
solches optimales Studiendesign der CBCA in allen Indikationsgebieten und unter Berücksichtigung aller patientenrelevanter Endpunkte erstellt werden kann. Im Gegensatz dazu ist es beim AHP möglich, eine Vielzahl von Endpunkten zu berücksichtigen,
sodass der AHP auch bei Indikationen Anwendung finden kann, in denen mehr als
sechs patientenrelevante Endpunkte identifiziert worden sind. Des Weiteren ist das
Studiendesign des AHP weniger anspruchsvoll als das der CBCA, da die hierarchische
Strukturierung des AHP flexibel an das jeweilige Entscheidungsproblem angepasst
werden kann. Die Restriktion auf eine geringe Anzahl zu bewertender Endpunkte und
die hohen Anforderungen an das Studiendesgin schränken das Anwendungsgebiet der
CBCA ein. Es ist daher anzunehmen, dass der AHP im Rahmen der Endpunktgewichtung
flexibler eingesetzt werden kann als die CBCA.
B.3.) Möglichkeit zur Aggregation der Präferenzen
In den Kapiteln 3.2.2 und 3.3.2 wurde dargelegt, dass sowohl die CBCA als auch der
AHP die Ermittlung aggregierter Nutzenmaße ermöglichen. Folglich ist die Berücksichtigung der Präferenzen einer Vielzahl von Personen bei beiden Methoden grundsätzlich gewährleistet.
C.). Allgemeine wissenschaftliche Anforderungen
C.1.) Nutzentheoretische Fundierung
Wie in Kapitel 3.2.3 gezeigt wurde, ist die CBCA nutzentheoretisch fundiert. Bei der
dem AHP zugrunde liegenden Theorie handelt es sich um eine deskriptive Theorie, die
von der normativen Nutzentheorie abzugrenzen ist (vgl. Saaty (1990b), S. 260). Der
AHP lässt inkonsistente und intransitive Präferenzen zu und stellt daher weniger restriktive Annahmen an die Präferenzstruktur der Individuen als die CBCA. Aufgrund der
mangelnden nutzentheoretischen Fundierung kann die Anwendung des AHP zur Endpunktgewichtung im Rahmen des Effizienzgrenzenkonzepts kritisch hinterfragt werden, da das aggregierte Nutzenmaß auf einem unklaren nutzentheoretischen Konstrukt ermittelt werden würde.
C.2.) Erfüllung von Gütekriterien
Mit den bislang publizierten empirischen Vergleichsstudien zwischen CA und AHP, die
sich vorrangig auf den Vergleich von TCA und AHP bezogen haben, konnte gezeigt
40
werden, dass beide Verfahren zur Präferenzermittlung geeignet sind. Hinsichtlich der
prognostischen Validität hat sich eine leichte Überlegenheit des AHP gezeigt, wenn die
Bewertungsaufgabe komplex war und die Probanden über ausreichende Methodenkenntnisse verfügten (vgl. Kapitel 4.2.2).
C.3.) Wirtschaftlichkeit und Praktikabilität
Die CBCA stellt ein aufwendiges Studiendesign dar, bei der eine hinreichend große
empirische Studie durchgeführt werden muss, um statistisch signifikante Koeffizienten
zu schätzen. Im Gegensatz dazu genügt beim AHP fundiertes Wissen über den konventionellen AHP, da bereits mit dieser Methode verhältnisskalierte Bedeutungsgewichte
ermittelt werden können. Die Durchführung des AHP im Rahmen der Endpunktgewichtung erscheint damit weniger aufwendig als die Erstellung eines ‚optimalen Designs‘
bei der CBCA wie von Mühlbacher et al. (2009b) beschrieben. Theoretisch könnte die
Endpunktgewichtung mit Hilfe des AHP auch auf den Bewertungen einer einzigen Person basieren, sodass beim AHP nicht zwangsläufig eine umfangreiche Studie durchgeführt werden muss.27 Hinsichtlich der Erstellung des Studiendesigns ist daher damit zu
rechnen, dass die Durchführung der CBCA aufwendiger ist als die des AHP.
C.4.) Vollständigkeit der Bewertung
Bei der Ermittlung eines aggregierten Nutzenmaßes muss gewährleistet sein, dass alle
patientenrelevanten Endpunkte in den Gewichtungsprozess integriert werden können,
um Verzerrungen der Ergebnisse aufgrund der Nichtberücksichtigung relevanter Aspekte zu vermeiden. Wie bereits erwähnt, kann die Zuverlässigkeit der Ergebnisse der
CA bei komplexen Bewertungsaufgaben mit einer Vielzahl zu bewertender Eigenschaften nicht sichergestellt werden. Im Gegensatz dazu eignet sich der AHP besser als die
CA bei komplexen Bewertungsaufgaben, die sich durch eine Vielzahl zu bewertender
Eigenschaften auszeichnen. Durch die hierarchische Strukturierung können zahlreiche
patientenrelevante Endpunkte bei der Gewichtung berücksichtigt werden, sodass eine
Verzerrung der Ergebnisse durch die Nichtberücksichtigung patientenrelevanter Aspekte aufgrund der Limitationen der Methode reduziert werden kann.
27
Die Ermittlung eines aggregierten Nutzenmaßes auf der Basis der Präferenzstruktur weniger betroffener Personen muss jedoch kritisch hinterfragt werden aufgrund der möglicherweise fehlenden Repräsentativität für die Gesamtpopulation.
41
4.3.2 Zusammenfassende Darstellung des theoretischen Methodenvergleichs unter
Verwendung des Kriterienkatalogs
Die Ergebnisse des methodischen Vergleichs von CBCA und AHP unter Verwendung der
im zweiten Kapitel beschriebenen Kriterien werden in Tabelle 7 zusammengefasst.
Dabei zeigt sich ein differenziertes Bild zur Verwertbarkeit beider Methoden im Rahmen der Methodik des IQWiG. Während in einigen Kategorien beide Verfahren die
Anforderungen erfüllen, unterscheiden sie sich in anderen grundlegend. So gelten beide Methoden als international etablierte Verfahren der Gesundheitsökonomie und
bieten dem Entscheidungsträger die Möglichkeit, die Präferenzen einer Vielzahl von
Personen bei der Endpunktgewichtung zu berücksichtigen. Auf der anderen Seite zeigen sich bedeutende Unterschiede vor allem bei der Ermittlung des approximativ kardinalskalierten Nutzenmaßes und der nutzentheoretischen Fundierung.
Kriterium
CBCA
AHP
A.1.) Transparenz
A.2.) International etabliertes Verfahren der Gesundheitsökonomie
B.1.) Approximative Kardinalität des aggregierten Nutzenmaßes
B.2.) Flexibilität
B.3.) Möglichkeit zur Aggregation der Präferenzen
C.1.) Nutzentheoretische Fundierung
C.2.) Erfüllung von Gütekriterien
C.3.) Wirtschaftlichkeit und Praktikabilität
C.4.) Vollständigkeit der Bewertung
+++
+++
+++
+
-
+
+++
+
+
+++
--++
+
+
Erläuterung:
+  Kriterium erfüllt (+ + + = starker Hinweis, + = schwacher Hinweis)
-  Kriterium nicht erfüllt (- - - = starker Hinweis, - = schwacher Hinweis)
Tabelle 7: Zusammenfassung des Methodenvergleichs unter Verwendung des Kriterienkatalogs
(Quelle: Eigene Darstellung)
Hinsichtlich der Entscheidung zwischen beiden Methoden kann auf der Basis der Bewertungen anhand des Kriterienkatalogs gezeigt werden, dass der Entscheidungsträger
zwischen der Erfüllung theoretischer und praktischer Kriterien abzuwägen hat. Zwar
stellt die CBCA aufgrund ihrer nutzentheoretischen Fundierung ein aus theoretischer
Sicht besonders gut geeignetes Verfahren zur Endpunktgewichtung dar, jedoch ist der
Anwendungsbereich der Methode aufgrund der nicht gesicherten Kardinalität des Nutzenmaßes, des aufwendigen Studiendesigns und der geringen Anzahl möglicher zu
bewertender Endpunkte begrenzt. Mit dem AHP steht im Gegensatz dazu eine besonders praktikable und flexibel einsetzbare Methode zur Verfügung, mit deren Hilfe
approximativ kardinalskalierte Nutzenmaße ermittelt werden können und die auch bei
komplexen Bewertungsproblemen mit einer Vielzahl zu bewertender Eigenschaften
42
zuverlässige Ergebnisse liefert. Jedoch stellt die unzureichende nutzentheoretische
Fundierung des AHP eine bedeutende Schwachstelle dar und bedarf daher einer kritischen Würdigung.
Eine Empfehlung, welche der beiden Methoden zur Gewichtung der Endpunkte Anwendung finden sollte, kann auf der Basis des Kriterienkatalogs nicht abschließend
abgeleitet werden, da bislang unklar ist, welche Kriterien aus Sicht des IQWiG bzw. des
Entscheidungsträgers relevant sind. Sollte die nutzentheoretische Fundierung der Methode bei der Endpunktgewichtung eine entscheidende Rolle spielen, so kann eine
Empfehlung hinsichtlich der Verwendung der CBCA abgeleitet werden. Steht dagegen
die Praktikabilität und weitreichende Anwendbarkeit der Methode im Vordergrund, so
wäre die Anwendung des AHP zu empfehlen.
4.3.3 Limitationen der Bewertung anhand des Kriterienkatalogs
Die in Kapitel 4.3.1 vorgenommene Bewertung von CA und AHP hinsichtlich ihrer Eignung zur Gewichtung multipler patientenrelevanter Endpunkte anhand des aufgestellten Kriterienkatalogs ist aus folgenden Gründen limitiert.
Erstens wurden die verwendeten Kriterien nicht vom Entscheidungsträger verifiziert,
sodass unklar ist, ob die ausgewählten Kriterien für die Wahl der Methode zur Endpunktgewichtung relevant sind. Zweitens war es nicht möglich, die Kriterien nach ihrer
relativen Bedeutung für den Entscheidungsträger zu gewichten. Aus diesem Grund
kann auf Basis des Kriterienkatalogs keine endgültige Empfehlung hinsichtlich der Wahl
zwischen CA und AHP abgegeben werden. Drittens sind für einige Kriterien lediglich
Tendenzaussagen möglich, wie z. B. für die Transparenz, die Flexibilität, die Wirtschaftlichkeit und Praktikabilität. So könnte man die vorgenommen Bewertungen kritisch
diskutieren, z. B. ob die Durchführung des AHP in jedem Fall ressourcenschonender sei
als die der CBCA. Zuletzt muss bedacht werden, dass die Kriterien zum Teil nicht überschneidungsfrei definiert wurden. So basiert die negative Bewertung der CBCA anhand
des Kriteriums der Vollständigkeit der Bewertung auf der Vermutung, dass diese eine
vergleichsweise schlechte prognostische Validität bei komplexen Bewertungsaufgaben
aufweist und daher nicht alle patientenrelevanten Endpunkte berücksichtigt werden
können. Dieser Aspekt wurde jedoch zum Teil bereits bei der Bewertung anhand der
Gütekriterien berücksichtigt, sodass es hier aufgrund der nicht überschneidungsfreien
43
Definition der Kriterien zu einer überproportional negativen Bewertung der CBCA hinsichtlich der Eignung zur Endpunktgewichtung gekommen ist.
5
Zusammenfassung und Fazit
Mit der Bewertung beider Methoden anhand eines Kriterienkatalogs konnte gezeigt
werden, dass weder CA noch AHP alle Anforderungen erfüllen, die an eine Methode
zur Endpunktgewichtung im Rahmen des Effizienzgrenzenkonzepts unter Berücksichtigung der gesetzlichen Vorgaben, der IQWiG-Methodik und der allgemeinen Anforderungen an wissenschaftliches Vorgehen zu stellen sind. Dabei ist deutlich geworden,
dass die Entscheidung zwischen beiden Methoden ein Abwägen zwischen der Erfüllung
theoretischer und praktischer Anforderungen notwendig macht. Stellt die CBCA aufgrund der nutzentheoretischen Fundierung das aus wissenschaftlich-theoretischer
Sicht anzuwendende Verfahren dar, so bietet der AHP unter Praktikabilitätsaspekten
entscheidende Vorteile. Jedoch muss bei der CBCA noch dargelegt werden, wie die
Ermittlung kardinalskalierter Nutzenmaße sichergestellt werden kann. Im Gegensatz
dazu bedarf es beim AHP noch einer fundierten wissenschaftlichen Begründung, um
die Ermittlung aggregierter Nutzenmaße auf Basis eines unklaren nutzentheoretischen
Konstrukts zu rechtfertigen. Solange nicht geklärt ist, wie multiple patientenrelevante
Endpunkte gewichtet und zu einem kardinalskalierten Nutzenmaß aggregiert werden
können, muss die Eignung des vom IQWiG vorgeschlagenen Effizienzgrenzenkonzepts
zur Ermittlung eines eindeutigen und angemessenen Erstattungshöchstbetrages für
Arzneimittel in Frage gestellt werden.
Da die Relevanz einzelner Kriterien aus Sicht des Entscheidungsträgers jedoch nicht
bekannt ist, kann auf Basis der Bewertung anhand des verwendeten Kriterienkatalogs
keine eindeutige Empfehlung hinsichtlich der Entscheidung zwischen beiden Methoden abgeleitet werden. Zusätzlich bleibt abzuwarten, zu welchen Ergebnissen die vom
IQWiG in Auftrag gegebenen Pilotstudien kommen und welche Schlussfolgerungen
daraus für die Wahl zwischen CA und AHP gezogen werden können. Schließlich bedarf
die endgültige Bewertung der Eignung beider Verfahren zur Gewichtung multipler patientenrelevanter Endpunkte der Durchführung empirischer Vergleichsstudien, die
beide Methoden gezielt im Hinblick auf die Fragestellung der Verwertbarkeit zur Endpunktgewichtung im Rahmen der IQWiG-Methodik überprüfen. Dies sollte vorzugswei44
se innerhalb einer Indikation durchgeführt werden, um die Vergleichbarkeit der Ergebnisse beider Ansätze zu gewährleisten. In den bislang durchgeführten Pilotstudien
wurde die Chance versäumt, beide Methoden innerhalb einer Indikation zu vergleichen
und Aussagen zu den Gütekriterien abzuleiten. Bis diese Forschungsfrage abschließend
geklärt werden kann, bedarf es weiterer umfangreicher empirischer Studien, die beide
Ansätze hinsichtlich ihrer Verwertbarkeit für die Endpunktgewichtung im Rahmen des
Effizienzgrenzenkonzepts untersuchen.
45
Erläuterung zu potentiellen Interessenskonflikten im Sinne der Uniform Requirements
for Manuscripts Submitted to Biomedical Journals des International Committee of Medical Journal Editors:
 Im Sinne der Uniform Requirements for Manuscripts Submitted to Biomedical
Journals besteht ein Interessenskonflikt dann, wenn ein Autor finanzielle oder
persönliche Beziehungen hat, die dazu geeignet sind, die Inhalte des eingereichten Manuskripts zu beeinflussen. Dies können finanzielle Verbindungen
sein wie zum Beispiel Beschäftigungsverhältnisse. Auch wenn kein potentieller
Interessenskonflikt besteht, so ist dies anzugeben.
 Hiermit erklären die Autoren, dass folgende finanzielle Verbindung besteht:
TW und KN sind Beschäftigte der Novartis Pharma GmbH, Nürnberg.
46
Literaturverzeichnis
Backhaus, K., Erichson, B., Plinke, W. und Weiber, R. (2006), Multivariate Analysemethoden, Eine anwendungsorientierte Einführung, 11. Aufl., Springer-Verlag, Berlin
u.a.
Baier, D. und Brusch, M. (2009), Erfassung von Kundenpräferenzen für Produkte und
Dienstleistungen, in: Baier, D. und Brusch, M. (Hrsg.), Conjointanalyse, Methoden
– Anwendungen – Praxisbeispiele, Springer-Verlag, Berlin u. a., S. 3-17.
Becker, K. (2006), Flexibilisierungsmöglichkeiten in der Krankenversicherung, Kovač,
Hamburg.
Bekker-Grob, E. W. de, Ryan, M. und Gerard, K. (2012), Discrete choice experiments in
health economics: a review of the literature, in: Health Economics, 21(1), S. 145–
172.
Böhler, H. und Scigliano, D. (2009), Traditionelle Conjointanalyse, in: Baier, D. und
Brusch, M. (Hrsg.), Conjointanalyse, Methoden – Anwendungen – Praxisbeispiele,
Springer-Verlag, Berlin u. a., S. 101-112.
Breyer, F., Zweifel, P. und Kifmann, M. (2005), Gesundheitsökonomik, 5., überarb.
Aufl., Springer-Verlag, Berlin u. a.
Büschken, J. (1994), Conjoint Analyse, in: Tomczak, T. und Reinecke, S. (Hrsg.), Marktforschung, St. Gallen, S. 72-89.
Carroll, J. D. und Green, P. E. (1995), Psychometric methods in marketing research:
Part I, Conjoint analysis, A guest editorial for the Journal of Marketing Research,
in: Journal of Marketing Research, 32(4), S. 385-391.
Dolan, J. G., Isselhardt, B. J. und Cappuccio, J. D. (1989), The analytic hierarchy process
in medical decision making, in: Medical Decision Making, 9(1), S. 40-50.
Dyer, J. S. und Wendell, R. E. (1985), A critique of the analytic hierarchy process, Working Paper 84/85-4-24, Department of Management, Graduate School of Business
at the University of Texas at Austin.
Dyer, J. S. (1990a), Remarks on the analytic hierarchy process, in: Management Science, 36(3), S. 249-258.
Dyer, J. S. (1990b), A clarification of “remarks on the analytic hierarchy process”, in:
Management Science, 36(3), S. 274-275.
Gensler, S. (2006), Ermittlung von Präferenzen für Produkteigenschaften mit Hilfe der
Choice-Based Conjoint Analyse (Teil 1), in: Wirtschaftswissenschaftliches Studium, 35(5), S. 254-258.
47
Gerber, H.-J. (1996), Analytischer Hierarchieprozess (AHP), in: Schulte, C. (Hrsg.), Lexikon des Controlling, Oldenbourg Verlag, München u. a., S. 28-31.
Green, P. E. und Rao, V. R. (1971), Conjoint measurement for quantifying judgmental
data, in: Journal of Marketing Research, 8(3), S. 335-363.
Green, P. E. und Wind, Y. (1975), New way to measure consumers’ judgments, in:
Havard Business Review, 53(4), S. 107-117.
Green, P. E. und Srinivasan, V. (1978), Conjoint analysis in consumer research: Issues
and outlook, in: The Journal of Consumer Research, 5(2), S. 103-123.
Green, P. E. und Srinivasan, V. (1990), Conjoint analysis in marketing: New developments with implications for research and practice, in: Journal of Marketing, 54(4),
S. 3-19.
Green, P. E., Krieger, A. M. und Wind, Y. (2001), Thirty years of conjoint analysis, Reflections and prospects, in: Interfaces, 31(3), S. 56-73.
Guttmann, R., Castle, R. und Fiebig, D. G. (2009), Use of Discrete Choice Experiments in
health economics:, An update of the literature, CHERE Working Paper, Nr.
2009/2, University of Technology Sydney, Sydney.
Haedrich, G., Kuß, A. und Kreilkamp, E. (1986), Der Analytic Hierarchy Process, Ein neues Hilfsmittel zur Analyse und Entwicklung von Unternehmens- und Marketingstrategien, in: Wirtschaftswissenschaftliches Studium, 3(3), S. 120-126.
Hanne, T. (2001), Intelligent strategies for meta multiple criteria decision making, Dissertation, Kluwer Academic Publishers, Boston u. a.
Helm, R., Manthey, L., Scholl, A. und Steiner, M. (2003), Empirical evaluation of preference elicitation techniques from marketing and decision analysis, Jenaer Schriften zur Wirtschaftswissenschaft, Heft 2/2003.
Helm, R., Steiner, M., Scholl, A. und Manthey, L. (2004), A comparative empirical study
on common methods for measuring preferences, Jenaer Schriften zur
Wirtschaftswissenschaft, Heft 20/2004.
Helm, R., Steiner, M., Scholl, A. und Manthey, L. (2008), A comparative empirical study
on common methods for measuring preferences, in: International Journal of
Management and Decision Making, 9(3), S. 242-265.
Himme, A. (2009a), Conjoint-Analysen, in: Albers, S., Klapper, D., Konradt, U., Walter,
A. und Wolf, J. (Hrsg.), Methodik der empirischen Forschung, 3. Aufl., Gabler Verlag, Wiesbaden, S. 283-298.
48
Himme, A. (2009b), Gütekriterien der Messung: Reliabilität, Validität und Generalisierbarkeit, in: Albers, S., Klapper, D., Konradt, U., Walter, A. und Wolf, J. (Hrsg.), Methodik der empirischen Forschung, 3. Aufl., Gabler Verlag, Wiesbaden, S. 485500.
Hipp, W. M. (2009), Stellungnahme der saproma Healthcare Consulting & Management GbR, in: IQWiG – Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (Hrsg.), Dokumentation der Stellungnahmen zum „Entwurf einer Methodik für die Bewertung von Verhältnissen zwischen Nutzen und Kosten im System der deutschen gesetzlichen Krankenversicherung Version 2.0“, Version 1.0
vom 12.10.2009, S. 97-109.
Ijzerman, M. J., van Til, J. A. und Snoek, G. J. (2008), Comparison of two multi-criteria
decision techniques for eliciting treatment preferences in people with neurological disorders, in: The Patient, 1(4), S. 265-272.
IQWiG – Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (Hrsg.)
(2008), Würdigung der Stellungnahmen zur „Methodik für die Bewertung von
Verhältnissen zwischen Nutzen und Kosten im System der deutschen gesetzlichen
Krankenversicherung Version 1.0“ vom 09.10.2008.
IQWiG – Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (Hrsg.)
(2009a), Allgemeine Methoden zur Bewertung von Verhältnissen zwischen Nutzen und Kosten, Version 1.0 vom 12.10.2009.
IQWiG – Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (Hrsg.)
(2009b), Würdigung der Stellungnahmen zum „Entwurf einer Methodik für die
Bewertung von Verhältnissen zwischen Nutzen und Kosten im System der deutschen gesetzlichen Krankenversicherung Version 2.0, Version 1.0 vom
12.10.2009.
IQWiG – Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (Hrsg.)
(2011), Allgemeine Methoden, Version 4.0 vom 23.09.2009.
John, J. (2009), Neue Wege in der Kosten-Nutzen-Bewertung in der Medizin?, Anmerkungen zum Methodenvorschlag des Instituts für Qualität und Wirtschaftlichkeit
im Gesundheitswesen, in: Wissenschaftsforum in Gesundheit und Gesellschaft,
9(1), S. 7-14.
Liberatore, M. J. und Nydick, R. L. (2008), The analytic hierarchy process in medical and
health care decision making: A literature review, in: European Journal of Operational Research, 189(1), S. 194-207.
Luce, R. D. und Tukey, J. W. (1964), Simultaneous conjoint measurement: A new type
of fundamental measurement, in: Journal of Mathematical Psychology, 1(1), S. 127.
49
Mazur, D., Schug, B., Elze, M., Blume, H. (2003), Planung, Durchführung und Auswertung klinischer Studien, in: Jaehde, U., Radziwill, R., Mühlebach, S. und Schunack,
W. (Hrsg.), Lehrbuch der klinischen Pharmazie, 2. Aufl., Wissenschaftliche Verlagsgesellschaft mbH, Stuttgart, S. 141-163.
McFadden, D. (1974), Conditional logit analysis of qualitative choice behavior, in: Zarembka, P. (Hrsg.), Frontiers in Econometrics, Academic Press, New York, S. 105142.
Meixner, O. und Haas, R. (2009), Wissensmanagement und Entscheidungsunterstützung, 2. Aufl., Wien.
Mühlbacher, A. C., Bethge, S. und Tockhorn, A. (2009a), Entscheidungen auf Basis von
Effizienzgrenzen: Berücksichtigung von Patientenpräferenzen, in: Public Health
Forum, 17(3), S. 1-3.
Mühlbacher, A. C., Bethge, S. und Tockhorn, A. (2009b), Stellungnahme zum IQWiGMethodenvorschlag, in: IQWiG – Institut für Qualität und Wirtschaftlichkeit im
Gesundheitswesen (Hrsg.), Dokumentation der Stellungnahmen zum „Entwurf
einer Methodik für die Bewertung von Verhältnissen zwischen Nutzen und Kosten im System der deutschen gesetzlichen Krankenversicherung Version 2.0“,
Version 1.0 vom 12.10.2009, S. 62-79.
Mühlhauser, I. und Müller, H. (2009), Patientenrelevante Endpunkte und patientreported outcomes in klinischer Forschung und medizinischer Praxis, in: Klusen,
N., Fließgarten, A. und Nebling, T. (Hrsg.), Informiert und selbstbestimmt, Der
mündige Bürger als mündiger Patient, Beiträge zum Gesundheitsmanagement,
Bd. 24, Nomos Verlag, Baden-Baden, S. 34-65.
Mulye, R. (1998), An empirical comparison of three variants of the AHP and two variants of conjoint analysis, in: Journal of Behavioral Decision Making, 11(4), S. 263280.
Nauck, A. (1983), Der Analytic Hierarchy Process, Ein Entscheidungshilfsmittel für die
Praxis, Theoretische Grundlagen, Anwendungsmöglichkeiten und Computerprogramm, Freie wissenschaftliche Arbeit zur Erlangung des Grades eines Diplomkaufmanns.
Oberender, P. O., Ecker, T. und Zerth, J. (2005), Grundelemente der Gesundheitsökonomie, 2. Aufl., Verlag P.C.O., Bayreuth.
Orme, B. K. (2006), Getting started with conjoint analysis: Strategies for product design
and pricing research, Research Publishers LLC, Madison.
Ryan, M. und Gerard, K. (2003), Using discrete choice experiments to value health programmes: current practice and future research reflections, in: Applied Health
Economics and Health Policy, 2(1), S. 55–64.
50
Ryan, M. (2004), Discrete choice experiments in health care: NICE should consider using them for patient centred evaluations of technologies, in: British Medical Journal, 328(7436), S. 360-361.
Saaty, T. L. (1977), A scaling method for priorities in hierarchical structures, in: Journal
of Mathematical Psychology, 15(3), S. 234-281.
Saaty, T. L. (1980), The Analytic Hierarchy Process, Planning, Priority Setting, Resource
Allocation, McGraw-Hill International Book Company, New York u. a.
Saaty, T. L. (1990a), How to make a decision: The analytic hierarchy process, in: European Journal of Operational Research, 48(1), S. 9-26.
Saaty, T. L. (1990b), An exposition of the AHP in reply to the paper “Remarks on the
analytic hierarchy process”, in: Management Science, 36(3), S. 259-268.
Saaty, T. L. (1990c), Eigenvector and logarithmic least squares, in: European Journal of
Operational Research, 48(1), S. 156-160.
Saaty, T. L. (1994), Fundamentals of decision making and priority theory with the analytic hierarchy process, Analytic Hierarchy Process Series, Bd. 6, RWS Publications, Pittsburgh.
Saaty, T. L. und Vargas, L. G. (2001), Models, methods, concepts & applications of the
analytic hierarchy process, International series in operations research & management science, Bd. 34, Kluwer Academic Publishers, Boston u. a.
Saaty, T. L. (2008), Decision making with the analytic hierarchy process, in: International Journal of Services Sciences, 1(1), S. 83-98.
Sattler, H. (2006), Methoden zur Messung von Präferenzen für Innovationen, in: Zeitschrift für betriebswirtschaftliche Forschung, Sonderheft 54, S. 154-176.
Sawicki, P. T. (2006), Patientenrelevante Endpunkte – Stand der Diskussion im Institut
für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG), in: Deutsche
Medizinische Wochenschrift, 131(1), S. 16-20.
Scheibler, F., Finger, R. P., Großelfinger, R. und Dintsios, C.-M. (2010), Patientenberichtete und patientengewichtete Endpunkte in der Augenheilkunde, in: Der Ophthalmologe, 107(3), S. 235-240.
Schoemaker, P. J. H. und Waid, C. C. (1982), An experimental comparison of different
approaches to determining weights in additive utility models, in: Management
Science, 28(2), S. 182-196.
Schöffski, O. (2008), Lebensqualität als Ergebnisparameter in gesundheitsökonomischen Studien, in: Schöffski, O. und Schulenburg, J.-M. Graf v. d. (Hrsg.), Gesundheitsökonomische Evaluationen, 3. Aufl., Springer-Verlag, Berlin u. a., S. 321-334.
51
Scholl, A., Manthey, L., Helm, R. und Steiner, M. (2005), Solving multiattribute design
problems with analytic hierarchy process and conjoint analysis: An empirical
comparison, in: European Journal of Operational Research, 164(3), S. 760-777.
Skiera, B. und Gensler, S. (2002a), Berechnung von Nutzenfunktionen und Marktsimulationen mit Hilfe der Conjoint-Analyse (Teil 1), in: Wirtschaftswissenschaftliches
Studium, 31(4), S. 200-206.
Skiera, B. und Gensler, S. (2002b), Berechnung von Nutzenfunktionen und Marktsimulationen mit Hilfe der Conjoint-Analyse (Teil 2), in: Wirtschaftswissenschaftliches
Studium, 31(5), S. 258-263.
Teichert, T., Sattler, H. und Völckner, F. (2008), Traditionelle Verfahren der ConjointAnalyse, in: Herrmann, A., Homburg, C. und Klarmann, M. (Hrsg.), Handbuch
Marktforschung, 3. Aufl., Gabler Verlag, Wiesbaden, S. 651-685.
Telser, H. (2002), Nutzenmessung im Gesundheitswesen: Die Methode der DiscreteChoice-Experimente, Verlag Dr. Kovac, Hamburg.
Train, K. E. (2009), Discrete choice methods with simulation, Cambridge Univ. Press,
Cambridge.
Tscheulin, D. K. (1992), Optimale Produktgestaltung, Erfolgsprognose mit Analytic Hierarchy Process und Conjoint-Analyse, Neue betriebswirtschaftliche Forschung,
Bd. 94, Gabler Verlag, Wiesbaden.
Tscheulin, D. K. (2000), Analytic Hierarchy Process, in: Herrmann, A. und Homburg, C.
(Hrsg.), Marktforschung, Methoden – Anwendungen – Praxisbeispiele, 2. Aufl.,
Gabler Verlag, Wiesbaden, S. 579-606.
Von Nitzsch, R. (1993), Analytic Hierarchy Process und Multiattributive Werttheorie im
Vergleich, in: Wirtschaftswissenschaftliches Studium, 22(3), S. 111-116.
Wagener, M. (1983), Kardinalität in der Nutzentheorie, in: Mathematical systems in
economics, Bd. 81, Verlagsgruppe Athenäum/Hain/Hanstein, Königstein.
Weiber, R. und Rosendahl, T. (1997), Anwendungsprobleme der Conjoint-Analyse, in:
Marketing Zeitschrift für Forschung und Praxis, 19(2), S. 107-118.
Weiber, R. und Mühlhaus, D. (2009), Auswahl von Eigenschaften und Ausprägungen
bei der Conjointanalyse, in: Baier, D. und Brusch, M. (Hrsg.), Conjointanalyse, Methoden – Anwendungen – Praxisbeispiele, Springer-Verlag, Berlin u. a., S. 43-58.
Wind, Y. und Saaty, T. L. (1980), Marketing applications of the analytic hierarchy process, in: Management Science, 26(7), S. 641-658.
Zahedi, F. (1986), The analytic hierarchy process – A survey of the method and its applications, in: Interfaces, 16(4), S. 96-108.
52
Universität Bayreuth
Rechts- und Wirtschaftswissenschaftliche Fakultät
Wirtschaftswissenschaftliche Diskussionspapiere
Zuletzt erschienene Papiere:*
01-12
Herz, Bernhard
Hohberger, Stefan
Fiscal Policy, Monetary Regimes and Current Account Dynamics
07-11
Hild, Alexandra
Herz, Bernhard
Bauer, Christian
Structured Eurobonds
06-11
Reinhard Kunz,
Herbert Woratschek,
James Santomier
Sport Media Content on Mobile Devices: Identification and
Analysis of Motivational Demand Factors
05-11
Schneider, Udo
Ulrich, Volker
Voting on Redistribution
04-11
Drescher, Christian
Reviewing Excess Liquidity Measures. A Comparison for
Asset Markets
03-11
Pfarr, Christian
Ulrich, Volker
Discrete-Choice-Experimente zur Ermittlung der Präferenzen
für Umverteilung
02-11
Pfarr, Christian
Schmid, Andreas
Schneider, Udo
Reporting Heterogeneity in Self-Assessed Health among Elderly Europeans: The Impact of Mental and Physical Health
Status
01-11
Pfarr, Christian
Schneider, Udo
Choosing between subsidized or unsubsidized private pension
schemes: a random parameters bivariate probit analysis
09-10
Kunz, Reinhard
Woratschek, Herbert
Strelow, Marcel
Future Opportunities and Threats in a Fragmented Sport Media World - Trends and Strategic Implications for Sport Media
Enterprises
08-10
Drescher, Christian
Herz, Bernhard
Measuring Monetary Conditions in US Asset Markets. A
Market Specific Approach
07-10
Woratschek, Herbert
Popp, Bastian
Branded Communities as an Alternative Branding Concept to
Brand communities: The Case of a German Football Community
06-10
Woratschek, Herbert
Horbel, Chris
Popp, Bastian
Extending the Service-Profit Chain: The Role of Identification
and Co-Creation
05-10
Pfarr, Christian
Schneider, Brit S.
Schneider, Udo
Ulrich, Volker
I feel good! Gender differences and reporting heterogeneity in
*
self-assessed health
Weitere Diskussionspapiere finden Sie unter
http://www.fiwi.uni-bayreuth.de/de/research/Working_Paper_Series/index.html