Zustandsraum-Abstraktionen in Discrete-Choice-Modellen unter rationaler Unaufmerksamkeit

• Antragsteller: Professor Dr. Thomas Otter
• Fachliche Zuordnung: Management und Marketing
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 561639001

Entscheider sind kognitiv eingeschränkt in ihrer Fähigkeit, Informationen in komplexen Umgebungen zu verarbeiten. Dieses Projekt untersucht diskrete Entscheidungen zwischen mehreren Alternativen mit vielen Attributen und berücksichtigt diese Einschränkungen. Entscheider verarbeiten Information adaptiv und partiell, indem sie sich auf bestimmte Attribute konzentrieren und andere ignorieren, um den kognitiven Aufwand zu steuern. Das Verständnis dieser Friktionen ist für Firmen und Regulierer essenziell, um Präferenzen präzise zu messen und effektive Produkte, Preisstrategien oder Gesetze zu gestalten. Betrachten wir einen Analysten, der Subventionen für Elektroautos entwirft. Konsumenten müssen viele Attribute bewerten - die Batterienreichweite, die Ladeinfrastruktur, die Umweltauswirkungen sowie mögliche Subventionen. Angesichts der kognitiven Last priorisieren sie saliente Aspekte wie Preis oder Marke und verarbeiten komplexere Attribute (z. B. die Subvention) nur, wenn der Aufwand sich lohnt - möglicherweise jedoch unvollständig. Diese Adaptivität kann zu Fehlern führen, etwa wenn eine Subvention erkannt, ihr Wert aber falsch eingeschätzt wird. Der Analyst braucht daher Modelle, die die selektive und partielle Informationsverarbeitung berücksichtigen, um Konsumentenverhalten präzise vorherzusagen. Rational-Inattention-Discrete-Choice Modelle (RI-DCM) werden in Ökonomie und Marketing immer wichtiger, da sie diese adaptive und partielle Informationsverarbeitung erfassen. Sie bilden ab, wie Entscheider Aufmerksamkeit optimal zuteilen und dabei kognitive Kosten gegen potenzielle Vorteile abwägen. Eine große Herausforderung bei der Anwendung der RI-DCM ist das "large state space problem" (Problem des großen Zustandsraums). Diese Modelle nehmen an, dass Entscheider alle möglichen Konfigurationen (den "Zustandsraum") von Alternativen aufzählen und darüber integrieren. Mit zunehmender Anzahl von Attributen und Alternativen wächst dieser Raum exponentiell, was das Modell als Abbild menschlicher Entscheidungsprozesse unplausibel und in vielen empirischen Anwendungen analytisch unpraktikabel macht. Dieses Projekt adressiert dieses Problem, indem es Abstraktionstechniken aus der Kognitions- und Computerwissenschaft nutzt, um große Zustandsräume zu reduzieren und so RI-DCM rechenbar zu machen. Unsere Ziele sind wie folgt: 1) Wir erweitern RI-DCM, um hochdimensionale Entscheidungssituationen mit Hilfe von Zustandsraumabstraktionen zu bewältigen. 2) Wir wollen empirisch belegen, dass Entscheider Abstraktionen verwenden und dass verschiedene Abstraktionstypen anhand typischer Daten aus dem Marketing und der Ökonomie identifizierbar sind. Wir betrachten die Weiterentwicklung von RI-DCM für den Einsatz in hochdimensionalen Kontexten als zentrale Herausforderung und Beitrag unseres Projekts. Zudem werden die Erkenntnisse darüber, wie Entscheider große Zustandsräume handhaben, auch andere Entscheidungsmodelle unter Unsicherheit befruchten, wie etwa Suchmodelle.

• DFG-Verfahren: Sachbeihilfen