Advertisement

Empirische Überprüfung des Operationalisierungsvorschlags

  • Andreas Unterreitmeier

Zusammenfassung

Dieses Kapitel behandelt die quantitative Analyse und damit die Operationalisierung des Konstruktes Unternehmenskultur im engeren Sinne. Dazu wird zunächst in Abschnitt 4.1 ein kurzer Überblick über die Zusammensetzung der mehrere Unternehmen umfassenden Stichprobe, des Rücklaufs und der befragten Mitarbeiter gegeben. Hierbei wird auch auf fehlende Werte und die damit verbundene Problematik eingegangen. Anschließend wird in Abschnitt 4.2 die grundlegende methodische Vorgehensweise bei der Operationalisierung beschrieben, wobei die angewendeten Gütekriterien ausführlich dargelegt werden. Die Methodik orientiert sich hierbei an den Arbeiten von Churchill (1979), Peter (1979), Hildebrandt (1984), Parasuraman et al. (1988), Homburg/Giering (1996) und Homburg (2000). In Abschnitt 4.3, der den Hauptteil dieses Kapitels darstellt, werden die zuvor konzeptualisierten Dimensionen der Unternehmenskultur einer empirischen Prüfung unterzogen. Dadurch sollen diejenigen Variablen identifiziert werden, die am besten geeignet sind, die einzelnen Dimensionen der Unternehmenskultur zu erfassen. Schließlich folgt in Abschnitt 4.4 eine Überprüfung des Gesamtmodells der Unternehmenskultur.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Notes

  1. 90.
    Die ursprünglichen Firmendaten stammen von einer CD-ROM. Eine Online-Version der Datenbank ist unter der URL http://www.bayern-international.de/service/keydf.htm einsehbar (11.03.2004).Google Scholar
  2. 91.
    Nach der Definition des Instituts für Mittelstandsforschung (IfM) Bonn beschäftigen Unternehmen mittlerer Unternehmensgröße 10 bis 499 Mitarbeiter und erwirtschaften einen Umsatz von 1 Mio. bis 50 Mio. € pro Jahr. Großunternehmen beschäftigen mindestens 500 Mitarbeiter, ihr Umsatz beträgt mindestens 50 Mio. € (vgl. Günterberg/Wolter 2003, S. 21). Umsatzzahlen konnten aus der vorliegenden Datenbank nicht ermittelt werden.Google Scholar
  3. 92.
    Das Anschreiben an die Unternehmen ist im Anhang auf Seite 197f. abgedruckt.Google Scholar
  4. 93.
    In mehreren Unternehmen wurden verschiedene Niederlassungen oder Unternehmensbereiche gesondert evaluiert, vgl. die Übersicht der teilnehmenden Unternehmen im Anhang auf Seite 199f.Google Scholar
  5. 94.
    In einigen kleineren Firmen wurde eine Vollerhebung durchgeführt.Google Scholar
  6. 95.
    Der verwendete Fragebogen und das Anschreiben sind im Anhang ab Seite 201ff. abgedruckt.Google Scholar
  7. 96.
    Bei reinen Mitarbeiterzufriedenheitsstudien, die ein Unternehmen unter seinen Beschäftigten durchführt, sind Rücklaufquoten von 50 Prozent und mehr durchaus als normal anzusehen (vgl. z.B. Harms/Ladwig 2000, S. 277; Schönsee 2000, S. 395). Da die Befragung jedoch vordergründig als wissenschaftliche Studie gekennzeichnet war, ist der Rücklauf sehr positiv zu bewerten.Google Scholar
  8. 97.
    Angaben des Statistischen Bundesamtes Deutschland für das Jahr 2002. Im Internet sind diese Informationen auf der Seite http://www.destatis.de/basis/d/erwerb/erwerbtabl.htm abrufbar (11.03.2004). Daten speziell für den Mittelstand liegen dem Autor nicht vor.Google Scholar
  9. 98.
    Die fehlenden Werte pro Variable sind im Anhang ab Seite 206f. zu finden.Google Scholar
  10. 99.
    Der Unterschied ist fast durchweg signifikant auf dem 5 %-Niveau (Chi-Quadrat-Test).Google Scholar
  11. 100.
    Es erscheint nicht gerechtfertigt, einer Person, die sich mit einer Fragestellung kognitiv auseinandersetzte, mangels Wissen oder Erfahrung jedoch mit „keine Meinung“ antwortete, mit Hilfe von Imputationsverfahren einen Skalenwert zwangsweise zuzuordnen. Die für die weitere Behandlung von fehlenden Daten notwendige Beantwortung der Frage, ob der zugrunde liegende Ausfallmechanismus unsystematisch oder systematisch ist (vgl. Bankhofer 1995, S. 86), kann letztlich nicht erfolgen.Google Scholar
  12. 101.
    Die Fallzahlen vollständiger Datensätze in den einzelnen Dimensionen liegen zwischen 999 (Dimension „Unternehmensumwelt“) und 1.753 (Dimension „Entlohnungsgerechtigkeit“) von insgesamt 2.376 verwertbaren Fragebögen.Google Scholar
  13. 102.
    Folgende vier Axiome werden als erfüllt vorausgesetzt: Der Mittelwert des Messfehlers ist Null, wahrer Wert und Messfehler sind unkorreliert, die Messfehler zweier Messwertreihen sind unabhängig und die Messfehler einer Messung korrelieren nicht mit den wahren Werten einer anderen Testanwendung (vgl. z.B. Lord/Novick 1968, S. 36; Fisseni 1990, S. 57f; Schnell et al. 1999, S. 144; Bortz/Döring 2002, S. 193).Google Scholar
  14. 103.
    Lienert (1969, S. 12ff.) bezeichnet Objektivität, Rehabilität und Validität als Hauptgütekriterien eines Tests und nennt als Nebengütekriterien Normierung, Vergleichbarkeit, Ökonomie und Nützlichkeit.Google Scholar
  15. 104.
    Formal ist die Rehabilität der gemessenen Werte x definiert als \(rel(x) = \frac{{\sigma _{T}^{2}}}{{\sigma _{x}^{2}}} = \frac{{\sigma _{T}^{2}}}{{\sigma _{T}^{2} + \sigma _{E}^{2}}},\) wobei σT2 eine Schätzung der unbekannten Varianz der wahren Werte, σx2 die empirisch ermittelbare Varianz der beobachteten Werte und σE2 die Varianz der Messfehler darstellt (vgl. Bortz/Döring 2002, S. 195f.). Der Wertebereich der Rehabilität liegt zwischen Null und Eins.Google Scholar
  16. 105.
    Synonym werden die Begriffe Cronbach’s Alpha und Alpha-Koeffizient verwendet. Die Formel zur Berechnung des Cronbachschen Alphas lautet \(\alpha = \frac{n}{{n - 1}}\left( {1 - \frac{{\sum {\sigma _{i}^{2}} }}{{\sigma _{x}^{2}}}} \right),\) wobei n der Anzahl der Indikatoren, σi2 der Varianz des i-ten Indikators und σx2 der Varianz des gesamten Tests entspricht (vgl. Cronbach 1951, S. 299).Google Scholar
  17. 106.
    Gelegentlich finden sich auch weitere Validitätsarten, z.B. führen Zaltman et al. (1973, S. 44) neben den genannten Arten der Validität noch Observational Validity, Systemic Validity, Semantic Validity und Control Validity an. Hossinger (1982, S. 32ff.) entwickelt ein eigenes Klassifikationsschema zur Systematisierung der Validitätskonzepte: Validität als Dimensionsproblem, Validität als Abhängigkeitsproblem und Validität als Generalisierungsproblem.Google Scholar
  18. 107.
    Häufig wird synonym auch Augenscheinvalidität („Face Validity“) verwendet (vgl. Bortz/Döring 2002, S. 199). Kaplan und Saccuzzo (1982, S. 117ff.) differenzieren jedoch zwischen der „Face Validity“, die bereits bei einem oberflächlichen Zusammenhang mit dem zu untersuchenden Konstrukt gegeben ist (z.B. um bei Testteilnehmern den Eindruck zu erwecken, dass ein Test valide ist und diese zu motivieren, am Test teilzunehmen) und der „Content Validity“, die ein Test nur dann besitzen kann, wenn dieser alle inhaltlichen Facetten eines zu messenden Konstruktes adäquat repräsentiert.Google Scholar
  19. 108.
    Schnell et al. (1999, S. 149) schlagen daher vor, die Inhaltsvalidität als Ziel bei der Konstruktion eines Messinstruments aufzufassen, statt diese zur Bewertung der Validität heranzuziehen.Google Scholar
  20. 109.
    Auch die Gültigkeitsprüfung durch Experten ist durch einen subjektiven Charakter geprägt und kann beispielsweise durch „Betriebsblindheit“ oder die Auswahl der Experten verzerrt sein (vgl. Hossinger 1982, S. 36ff.).Google Scholar
  21. 110.
    Die Beziehung zwischen einem Testwert und einem Außenkriterium wird gewöhnlich als Korrelation ausgedrückt. Es gibt keine festgelegten Regeln, wie hoch ein Validitätskoeffizient sein sollte, um als bedeutsam zu gelten. Kaplan und Saccuzzo (1982, S. 123) äußern sich hierzu folgendermaßen: „In practice it is rare to see a validity coefficient larger than.60, and validity coefficients in the range of.30 to.40 are commonly considered high.“ Im Bereich der psychologischen Leistungstests gelten Validitäten ab 0,4 als mittelmäßig und ab 0,6 als hoch (vgl. Weise 1975, S. 219 [zit. nach Bortz/Döring 2002, S. 201]). Allgemein gilt, dass die Kriteriumsvalidität auch bei perfekter Rehabilität des Außenkriteriums nicht größer sein kann als die Wurzel des Reliabilitätskoeffizienten (vgl. Fisseni 1990, S. 81f; Diekmann 2002, S. 232).Google Scholar
  22. 111.
    Bagozzi (1980b, S. 114) nennt noch drei weitere Komponenten der Konstruktvalidität: Theoretical Meaningfulness of Concepts, Observational Meaningfulness of Concepts und Internal Consistency of Operationalizations. Meist werden nur die Konvergenz-und Diskriminanzvalidität zur Beurteilung der Konstruktvalidität herangezogen (vgl. Hildebrandt 1984, S. 43), daneben wird auch häufig die nomologische Validität betrachtet (vgl. Homburg/Giering 1996, S. 7).Google Scholar
  23. 112.
    Dabei ist zu beachten, dass die Beziehung der Indikatoren untereinander nicht zu stark sein sollte. Beispielsweise würde eine Korrelation zweier Indikatorvariablen von Eins in der Regel bedeuten, dass beide Indikatoren dasselbe messen, womit ein Indikator redundant ist.Google Scholar
  24. 113.
    Die Untersuchung auf Konvergenzvalidität wird ausführlich bei den lokalen Anpassungsmaßen in Abschnitt 4.2.3.1 beschrieben (Seite 121ff).Google Scholar
  25. 114.
    Vgl. zur Beurteilung der Diskriminanzvalidität Abschnitt 4.2.3.3 (Seite 126f.).Google Scholar
  26. 115.
    In einer Meta-Studie vergleichen Cote und Buckley (1987) 70 Studien mit Hilfe von Multitrait-Multimethod Matrizen und weisen nach, dass über alle Studien hinweg der mittlere Anteil der Fehlervarianz mit 32,0 Prozent relativ groß ist und der durch das Konstrukt erklärte Varianzanteil mit 41,7 Prozent deutlich unter 50 Prozent liegt. 26,3 Prozent der Varianz entfallen auf die Methode. Diese Ergebnisse verdeutlichen die Notwendigkeit der Konstruktvalidierung von Untersuchungsergebnissen, die jedoch wegen des hohen finanziellen und zeitlichen Aufwands meist unterlassen wird.Google Scholar
  27. 116.
    Bagozzi (1980a, S. 68) operationalisiert „Achievement Motivation“ mit vier Indikatoren; das Cronbachsche Alpha beträgt 0,60 [veröffentlicht im Journal of Marketing]. Deshpandé und Zaltman (1982, S. 20) erreichen für vier von elf untersuchten Skalen nur Reliabilitätswerte zwischen 0,26 (fünf Indikatoren) und 0,42 (acht Indikatoren) [Journal of Marketing Research]. Als Grund hierfür wird die Schiefe der Verteilung der Antworten angeführt. In der Studie von Deshpandé et al. (1993, S. 30) wird für eine Skala, die eine „Clan-Unternehmenskultur“ mit vier Indikatoren messen soll, ein Cronbachsches Alpha von 0,42 ausgewiesen [Journal of Marketing].Google Scholar
  28. 117.
    Üblicherweise wird die korrigierte Item to Total-Korrelation ausgewiesen, die die Korrelation eines Indikators mit der Summe der übrigen dem Faktor zugeordneten Indikatoren beschreibt. Der interessierende Indikator geht hierbei nicht in die Summenbildung ein (vgl. Homburg/Giering 1996, S. 8). Die korrigierte Item to Total-Korrelation wird auch als Trennschärfe bezeichnet (vgl. Brosius 2002, S. 768f ).Google Scholar
  29. 118.
    Formative Indikatoren werden auch als Composite, Causal oder Cause Indicators bezeichnet (vgl. Bollen 1989, S. 311ff.; Bollen/Lennox 1991, S. 306).Google Scholar
  30. 119.
    Beispielsweise ist der sozioökonomische Status als latente Variable abhängig von Indikatoren wie Einkommen, Bildungsabschluss, Beruf etc. (vgl. Hauser 1973, S. 259f.).Google Scholar
  31. 120.
    Reflektive Indikatoren werden auch als Effect Indicators bezeichnet (vgl. Bollen/Lennox 1991, S. 306).Google Scholar
  32. 121.
    Bollen fuhrt als Beispiel an, dass sich Experteneinschätzungen der politischen Instabilität eines Landes ändern, wenn sich die politische Instabilität des Landes verändert (vgl. Bollen 1984, S. 378). Umgekehrt ist diese Schlussfolgerung nicht möglich.Google Scholar
  33. 122.
    Die Messung einer latenten Variable durch nur einen Indikator ist nach Einschätzung des Autors wenig zielfuhrend, da theoretische Konstrukte nur über mehrere beobachtbare, manifeste Variablen sinnvoll gemessen werden können (vgl. z.B. Jacoby 1978, S. 93; Churchill 1979, S. 66). Da außerdem der Stichprobenumfang in den einzelnen Dimensionen mit Fallzahlen zwischen 999 und 1.753 relativ groß ist (vgl. Abschnitt 4.1), wird mit der Untergrenze der Indikatorreliabilität von 0,2 den Empfehlungen von Balder-Jahn (1986, S. 117) entsprochen. Zudem ist zu beachten, dass einer Indikatorreliabilität von 0,2 eine standardisierte Faktorladung von etwa 0,45 zugrunde liegt, wohingegen bei einer explorativen Faktorenanalyse schon eine Faktorladung von 0,4 als Kriterium einer eindeutigen Zuordnung der Indikatoren zu einem Faktor angesehen wird (vgl. z.B. Gerbing/Anderson 1988, S. 189; Homburg/Giering 1996, S. 8).Google Scholar
  34. 123.
    D.h. Faktorreliabilität ≥ 0,6 und durchschnittlich erfasste Varianz ≥ 0,5.Google Scholar
  35. 124.
    In AMOS 5 wird der t-Wert als „C.R.“ ausgegeben.Google Scholar
  36. 125.
    Bagozzi und Baumgartner (1994, S. 404) schlagen einen zweiseitigen Test zum Signifikanzniveau von 5 % vor. Der entsprechende kritische t-Wert beträgt dann 1,96.Google Scholar
  37. 126.
    Da in den Sozialwissenschaften Modelle niemals „richtig“ in einem absoluten Sinn sind, sondern Approximationen an die Realität darstellen, muss die Eignung des χ2-Testes grundsätzlich in Frage gestellt werden (vgl. Homburg/Baumgartner 1998, S. 353; Jöreskog/Sörbom 2001, S. 28).Google Scholar
  38. 127.
    Steiger (1990, S. 177) spricht ursprünglich vom RMS Index als ein „root mean square standardized effect measure which can be calculated as a summary measure of effect size in the analysis of variance.“ Browne und Cudeck (1993, S. 144) bezeichnen die Maßzahl dann als RMSEA.Google Scholar
  39. 128.
    Die Hypothese, dass der RMSEA nicht größer als 0,05 ist, kann inferenzstatistisch untersucht werden. Die Irrtumswahrscheinlichkeit bei Ablehnung der Nullhypothese wird in AMOS 5 als „PCLOSE“ ausgewiesen. Da in der vorliegenden Arbeit Werte des RMSEA von bis zu 0,08 akzeptiert werden, wird dieser Test in den nachfolgenden Untersuchungen nicht durchgeführt.Google Scholar
  40. 129.
    Zwar hängt der GFI nicht direkt vom Stichprobenumfang ab, jedoch die Verteilung des GFI (vgl. Jöreskog/Sörbom 1989, S. 44).Google Scholar
  41. 130.
    Der CFI ist identisch mit dem Relativen Nichtzentralitätsindex (RNI) von Mcdonald/Marsh (1990) mit der Ausnahme, dass der RNI nicht auf das Intervall [0,1] normiert ist.Google Scholar
  42. 131.
    Anderson und Gerbing (1988, S. 416) schlagen vor, den Test jeweils nur für die Korrelationen zwischen zwei Faktoren durchzuführen und nicht gleichzeitig für mehrere Faktorenkombinationen, da ein nichtsignifikanter Unterschied eines Faktorpaares bei simultanem Test mit mehreren anderen Faktorpaaren nicht angezeigt werden könnte. Bei einem Test mit mehreren Faktorpaaren könnte also insgesamt eine signifikante χ2-Differenz ausgewiesen werden, auch wenn ein Faktorpaar nicht diskriminanzvalide ist.Google Scholar
  43. 132.
    Bearden et al. (1982, S. 429) empfehlen Stichprobengrößen von mindestens 200 Fällen, um das Risiko einer Abweichung der Teststatistik von der χ2-Statistik in kleinen Stichproben zu reduzieren. Nach Anderson und Gerbing (1988, S. 415) sollte der Stichprobenumfang mindestens 150 Objekte umfassen, um Parameterschätzungen zu erhalten, deren Standardfehler klein genug für sinnvolle Anwendungen sind. In der Literatur ist jedoch kein Hinweis darauf zu finden, wie groß die Stichprobe höchstens sein sollte, sodass die diversen Gütemaße nicht zu stark beeinträchtigt werden. Die Obergrenze für die Teilstichproben wurde daher willkürlich auf etwa 500 festgesetzt.Google Scholar
  44. 133.
    Üblicherweise wird hierfür ein P-P-Diagramm erstellt, bei dem die kumulierten Anteile einer Variable gegen die kumulierten Anteile einer zu testenden Verteilung — im vorliegenden Fall einer Normalverteilung — aufgetragen werden (vgl. Brosius 2002, S. 931f.; ausführlicher bei Brosius 1998, S. 956ff.). Wenn die ausgewählte Variable der zu testenden Verteilung entspricht, befinden sich die Datenpunkte nahe der Diagonale.Google Scholar
  45. 134.
    Die Extraktion erfolgt durch die Hauptkomponentenmethode, zur Bestimmung der Faktorenzahl wird das Kaiser-Kriterium herangezogen (Eigenwerte > 1).Google Scholar
  46. 135.
    Die Konstruktvalidierung im Rahmen der konfirmatorischen Faktorenanalyse erfolgt neben der Prüfung auf Konvergenzvalidität (Faktorladungen der Indikatoren sind größer als Null und hinreichend groß) auch durch Untersuchung der Diskriminanzvalidität (Korrelationen zwischen den Faktoren sind signifikant kleiner als Eins) (vgl. Homburg/Hildebrandt 1998, S. 25), sodass auf dieser Stufe keine Annahme der Unkorreliertheit der Faktoren getroffen wird. In der vorliegenden Arbeit wird mehr Wert auf eindeutige Zuordnung der Indikatoren zu den Faktoren und auf eine gute Interpretierbarkeit als auf Unabhängigkeit der Faktoren gelegt. In der gängigen Forschungspraxis wird beim Einsatz explorativer Faktorenanalysen häufig von korrelierten Faktoren ausgegangen (vgl. Aaker/Bagozzi 1979, S. 150). Auch Homburg (2000, S. 89) spricht bei seiner Operationalisierung von Kundennähe von einer „unrealistischen Annahme der Unabhängigkeit (Orthogonalität) der Faktoren“ und Thurstone (1947, S. vii) stellt fest: „It seems just as unnecessary to require that mental traits shall be uncorrelated in the general population as to require that height and weight be uncorrelated in the general population.“Google Scholar
  47. 136.
    Rotationsmethode: Direktes Oblimin (Delta=0). Der Algorithmus minimiert eine Funktion der Kovarianzen zwischen den Faktoren (vgl. Revenstorf 1980, S. 118; Iacobucci 1994, S. 301). Bei der orthogonalen Rotation existiert wegen der Annahme der Unabhängigkeit der Faktoren keine Kovarianzmatrix, sodass die Varianzen der Faktoren einzeln maximiert werden können.Google Scholar
  48. 137.
    Als Untergrenze soll ein Cronbachsches Alpha von 0,4 für Konstrukte mit zwei oder drei Indikatoren dienen.Google Scholar
  49. 138.
    Auf die nachfolgend beschriebenen Kennzahlen der Eignung einer Korrelationsmatrix zur Durchführung einer Faktorenanalyse wird bei den übrigen Dimensionen nur bei Abweichungen von den Empfehlungen nach Backhaus et al. (2000, S. 265ff.) eingegangen. Das Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin (vgl. Kaiser 1970, S. 405) beträgt 0,88 und ist damit als „meritorious“ (dt.: „lobenswert“) zu bewerten (vgl. Kaiser/Rice 1974, S. 112). Die Korrelationsmatrix zeigt fast ausschließlich hochsignifikante Korrelationen mit einer Stärke bis zu 0,60. Die Nicht-Diagonal-Elemente der inversen Korrelationsmatrix liegen relativ nahe bei Null. In der Anti-Image-Kovarianzmatrix beträgt der Anteil der Nicht-Diagonal-Elemente, die 0,10 oder größer sind weniger als 25 Prozent. Der Bartlett-Test auf Spherizität wird abgelehnt (p=0,000). Das variablenspezifische KMO-Kriterium auf der Hauptdiagonalen der Anti-Image-Korrelationsmatrix nimmt für jede Variable einen Wert von mindestens 0,79 ein. Insgesamt kann also davon ausgegangen werden, dass die Daten für die Durchführung einer explorativen Faktorenanalyse sehr gut geeignet sind.Google Scholar
  50. 139.
    Selbst bei Hinzunahme des Faktors würde dieser im nächsten Schritt wegen nicht vertretbarer Indikatorreliabilitäten, Faktorreliabilität und durchschnittlich erfasster Varianz eliminiert werden.Google Scholar
  51. 140.
    Gegen eine Zusammenfassung der zwei Faktoren spricht auch die Tatsache, dass bei mehreren Unternehmen in der Stichprobe zwischen den aufgrund des Gesamtmodells berechneten Faktorwerten kein Zusammenhang oder sogar ein negativer Zusammenhang vorliegt (zum Gesamtmodell vgl. Abschnitt 4.4 auf Seite 163ff.).Google Scholar
  52. 141.
    Die Fixierung der Korrelation auf Eins kann in AMOS 5 dadurch erfolgen, dass die Varianzen der latenten Variablen und die Kovarianz zwischen diesen jeweils auf Eins festgesetzt werden. Die Regressionsgewichte der beobachteten Indikatoren auf die latenten Variablen erhalten jeweils den Wert Null.Google Scholar
  53. 142.
    Im Gesamtmodell in Abschnitt 4.4 wird die Korrelation der beiden Faktoren mit 0,70 geschätzt, die quadrierte Korrelation beträgt dann 0,49, womit das Fornell/Larcker-Kriterium erfüllt ist.Google Scholar
  54. 143.
    KMO-Maß: 0,73; erklärte Gesamtvarianz: 52,0 Prozent.Google Scholar
  55. 144.
    Mit 44 Prozent liegt der Varianzerklärungsanteil eines Faktors mit fünf Indikatoren zwar unter den geforderten 50 Prozent. Allerdings liegen die Faktorladungen deutlich über 0,5, sodass hier keine eindeutigen Eliminationskandidaten identifiziert werden können. In den nachfolgenden Analyseschritten wird sich der Anteil der Varianzerklärung durch den Ausschluss von Variablen weiter erhöhen.Google Scholar
  56. 145.
    χ2/df liegt zwischen 1,466 und 1,934; RMSEA erreicht Werte zwischen 0,032 und 0,046. Da die Gütemaße bereits in der Gesamtstichprobe erfüllt werden, wird an dieser Stelle nicht näher auf die Anpassungsmaße der Teilstichproben eingegangen.Google Scholar
  57. 146.
    KMO-Maß: 0,90; erklärte Gesamtvarianz: 56,0 Prozent.Google Scholar
  58. 147.
    Bezüglich des Indikators 3.14 („Die Sicherheit von Produktionsanlagen steht an oberster Stelle“) erscheint der Kritikpunkt berechtigt, dass das Item nur auf das produzierende Gewerbe anwendbar ist. Daher wurde untersucht, ob sich die Faktorstruktur verändert, wenn ausschließlich die sechs Unternehmen, die Dienstleistungen erbringen (vgl. Tabelle 20), in die Analyse einbezogen werden. 105 vollständige Datensätze konnten für die Untersuchung verwendet werden. Die ermittelte Faktorstruktur ist identisch mit der des Gesamtdatensatzes. Die Gütemaße der beiden Faktoren weisen sehr ähnliche Werte zu den Zahlen in Tabelle 31 auf: Für die Faktoren Mitarbeiterorientierung und Arbeitsbedingungen und Sicherheit ergeben sich Cronbachsche Alphas von 0,85 und 0,68. Die durch den ersten Faktor erklärten Varianzen bei explorativen Faktorenanalysen liegen bei 68,88 und 75,91 Prozent. Die Faktorreliabilitäten betragen 0,85 und 0,68 und die durchschnittlich erfassten Varianzen 0,59 respektive 0,52. Auch das Gesamtmodell weist im Vergleich zu Tabelle 33 sehr befriedigende Werte auf: χ2/df=l,320; RMSEA=0,056; GFI=0,965; AGFI=0,908; NFI=0,955; CFI=0,988. Trotz der auf produzierende Unternehmen ausgelegten Formulierung des Indikators 3.14 sind die Ergebnisse für das Dienstleistungsgewerbe stabil. Dennoch wird für zukünftige Studien vorgeschlagen, das Item zu modifizieren (beispielsweise durch die Formulierung „Die Sicherheit der Mitarbeiter steht an oberster Stelle“).Google Scholar
  59. 148.
    Nach dem Kaiser-Kriterium wird nur ein Faktor extrahiert, weshalb als Voreinstellung die Extraktion von zwei Faktoren festgelegt wird. Der Eigenwert des zweiten Faktors beträgt 0,94.Google Scholar
  60. 149.
    Das KMO-Maß der Stichprobeneignung beträgt 0,59 und ist damit lediglich als mäßig zu bewerten. Durch einen extrahierten Faktor werden 43,52 Prozent der Varianz der vier Indikatoren erklärt.Google Scholar
  61. 150.
    Vergleiche die Kennzahlen des Faktors „Entlohnungsgerechtigkeit“ bei der Betrachtung des Gesamtmodells in Abschnitt 4.4.Google Scholar
  62. 151.
    KMO-Maß: 0,78; erklärte Gesamtvarianz: 58,05 Prozent.Google Scholar
  63. 152.
    Daneben sprechen im Rahmen der konfirmatorischen Faktorenanalyse auch sehr geringe Indikatorreliabilitäten von höchstens 0,27 und eine durchschnittlich erfasste Varianz von nur 0,20 gegen einen Einschluss dieses Faktors.Google Scholar
  64. 153.
    Durch den Ausschluss des Indikators (obwohl dessen Indikatorreliabilität im Gesamtmodell dieser Dimension mit 0,45 geschätzt wird) lassen sich sehr viel bessere Gütemaße erzielen: Die durchschnittlich erfasste Varianz des Faktors Abwechslungsreichtum erhöht sich von 0,59 auf 0,70, χ2/df fällt von 34,81 auf 7,51 und RMSEA von 0,14 auf 0,06. Auch die übrigen globalen Anpassungsmaße lassen sich durch die Elimination der Variable deutlich verbessern.Google Scholar
  65. 154.
    KMO-Maß: 0,94; erklärte Gesamtvarianz: 55,15 Prozent.Google Scholar
  66. 155.
    Der Eigenwert des vierten Faktors beträgt 0,86.Google Scholar
  67. 156.
    Der Eigenwert des zweiten Faktors beträgt 0,90; KMO-Maß: 0,83; erklärte Gesamtvarianz durch zwei Faktoren: 63,53 Prozent.Google Scholar
  68. 157.
    Der Screeplot weist einen deutlichen Knick bei zwei Faktoren aus. Der Eigenwert des zweiten Faktors beträgt 0,86.Google Scholar
  69. 158.
    KMO-Maß der Stichprobeneignung: 0,90. Zwar weist auch hier der Screeplot bei zwei Faktoren einen Knick auf, der Eigenwert des zweiten Faktors ist mit 0,71 jedoch relativ klein. Zudem lassen sich bei Extraktion von zwei Faktoren mehrere Indikatoren nicht eindeutig zuordnen.Google Scholar
  70. 159.
    Vgl. die Übersicht der fehlenden Werte im Anhang auf Seite 206f.Google Scholar
  71. 160.
    Vgl. die Übersicht über die soziodemografischen Merkmale in der Stichprobe in Abschnitt 4.1 auf Seite 107.Google Scholar
  72. 161.
    KMO-Maß der Stichprobeneignung: 0,78.Google Scholar
  73. 162.
    KMO-Maß der Stichprobeneignung: 0,73; erklärte Gesamtvarianz: 48,03 Prozent.Google Scholar
  74. 163.
    Es ergeben sich [(2019)/2] = 190 paarweise Korrelationen zwischen den 20 Faktoren. Insgesamt sind im Messmodell 294 Parameter zu schätzen.Google Scholar
  75. 164.
    In der vorliegenden Arbeit wird eine Korrelation von mindestens 0,70 als Kennzeichen für einen starken Zusammenhang verwendet. Ein objektives Kriterium zur Interpretation der Stärke eines Zusammenhanges durch den Korrelationskoeffizienten existiert nicht. Bortz (1999, S. 208) spricht bereits bei einer Korrelation von 0,3 von einem „mittleren Effekt“ und ab 0,5 von einem „starken Effekt“. Dieselbe Einteilung ist auch bei Cohen (1988, S. 79f.) zu finden. Für andere Autoren ist dagegen ein Korrelationskoeffizient bis zu 0,5 als schwache Korrelation und ab einer Stärke von 0,5 als mittlere Korrelation zu interpretieren (vgl. Bühl/Zöfel 1996, S. 425; Schlittgen 1993, S. 179).Google Scholar
  76. 165.
    Die Datengrundlage für diese und für die folgenden Analysen bilden 724 Fälle, deren Datensätze innerhalb der reduzierten Itemmenge von 52 Indikatoren vollständig sind. Die explorativen Faktorenanalysen werden jeweils wieder mit schiefwinkliger Rotation (Direktes Oblimin, Delta=0) durchgeführt.Google Scholar
  77. 166.
    Der Eigenwert des zweiten Faktors beträgt 0,98.Google Scholar
  78. 167.
    Das Akaike Information Criterion ist ein „Badness of Fit“-Indikator und lässt sich berechnen aus \(AIC = {{\chi }^{2}} + 2q,\) wobei q der Anzahl der unbekannten Parameter entspricht. Durch den additiven Korrekturterm werden sparsame Modelle bevorzugt (vgl. Loehlin 1998, S. 73).Google Scholar
  79. 168.
    Der χ2-Wert erhöht sich um 69,5 bei Erhöhung der Freiheitsgrade um zwei. Der kritische χ2-Wert bei zwei Freiheitsgraden beträgt auf dem 5 %-Niveau 5,991.Google Scholar
  80. 169.
    Auf Basis eines χ2-Differenztests: Bei Elimination des Indikators verringert sich der χ2-Wert um 12,4 auf 56,4. Die Zahl der Freiheitsgrade verringert sich um sieben. Der auf dem 5 Prozent-Niveau kritische χ2-Wert bei sieben Freiheitsgraden beträgt 14,1. Die Modellverbesserung ist damit nicht signifikant. Nach der Elimination würde χ2/df auf 3,32 ansteigen, während die übrigen Gütemaße nahezu unverändert blieben.Google Scholar
  81. 170.
    Der NFI wurde in diesem Zusammenhang nicht untersucht. Es ist jedoch davon auszugehen, dass auch der NFI durch die Modellkomplexität negativ beeinflusst wird, da der NFI (wie der CFI) die Verbesserung der Anpassungsgüte beim Übergang von einem Basismodell zum relevanten Modell misst, im Gegensatz zum CFI jedoch die Freiheitsgrade nicht berücksichtigt (vgl. Homburg/Baumgartner 1998, S. 356).Google Scholar

Copyright information

© Deutscher Universitäts-Verlag/GWV Fachverlage GmbH, Wiesbaden 2004

Authors and Affiliations

  • Andreas Unterreitmeier

There are no affiliations available

Personalised recommendations