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.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Notes
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).
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.
Das Anschreiben an die Unternehmen ist im Anhang auf Seite 197f. abgedruckt.
In mehreren Unternehmen wurden verschiedene Niederlassungen oder Unternehmensbereiche gesondert evaluiert, vgl. die Übersicht der teilnehmenden Unternehmen im Anhang auf Seite 199f.
In einigen kleineren Firmen wurde eine Vollerhebung durchgeführt.
Der verwendete Fragebogen und das Anschreiben sind im Anhang ab Seite 201ff. abgedruckt.
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.
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.
Die fehlenden Werte pro Variable sind im Anhang ab Seite 206f. zu finden.
Der Unterschied ist fast durchweg signifikant auf dem 5 %-Niveau (Chi-Quadrat-Test).
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.
Die Fallzahlen vollständiger Datensätze in den einzelnen Dimensionen liegen zwischen 999 (Dimension „Unternehmensumwelt“) und 1.753 (Dimension „Entlohnungsgerechtigkeit“) von insgesamt 2.376 verwertbaren Fragebögen.
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).
Lienert (1969, S. 12ff.) bezeichnet Objektivität, Rehabilität und Validität als Hauptgütekriterien eines Tests und nennt als Nebengütekriterien Normierung, Vergleichbarkeit, Ökonomie und Nützlichkeit.
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 σ 2T eine Schätzung der unbekannten Varianz der wahren Werte, σ 2x die empirisch ermittelbare Varianz der beobachteten Werte und σ 2E die Varianz der Messfehler darstellt (vgl. Bortz/Döring 2002, S. 195f.). Der Wertebereich der Rehabilität liegt zwischen Null und Eins.
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, σ 2i der Varianz des i-ten Indikators und σ 2x der Varianz des gesamten Tests entspricht (vgl. Cronbach 1951, S. 299).
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.
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.
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.
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.).
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).
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).
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.
Die Untersuchung auf Konvergenzvalidität wird ausführlich bei den lokalen Anpassungsmaßen in Abschnitt 4.2.3.1 beschrieben (Seite 121ff).
Vgl. zur Beurteilung der Diskriminanzvalidität Abschnitt 4.2.3.3 (Seite 126f.).
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.
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].
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 ).
Formative Indikatoren werden auch als Composite, Causal oder Cause Indicators bezeichnet (vgl. Bollen 1989, S. 311ff.; Bollen/Lennox 1991, S. 306).
Beispielsweise ist der sozioökonomische Status als latente Variable abhängig von Indikatoren wie Einkommen, Bildungsabschluss, Beruf etc. (vgl. Hauser 1973, S. 259f.).
Reflektive Indikatoren werden auch als Effect Indicators bezeichnet (vgl. Bollen/Lennox 1991, S. 306).
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.
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).
D.h. Faktorreliabilität ≥ 0,6 und durchschnittlich erfasste Varianz ≥ 0,5.
In AMOS 5 wird der t-Wert als „C.R.“ ausgegeben.
Bagozzi und Baumgartner (1994, S. 404) schlagen einen zweiseitigen Test zum Signifikanzniveau von 5 % vor. Der entsprechende kritische t-Wert beträgt dann 1,96.
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).
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.
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.
Zwar hängt der GFI nicht direkt vom Stichprobenumfang ab, jedoch die Verteilung des GFI (vgl. Jöreskog/Sörbom 1989, S. 44).
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.
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.
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.
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.
Die Extraktion erfolgt durch die Hauptkomponentenmethode, zur Bestimmung der Faktorenzahl wird das Kaiser-Kriterium herangezogen (Eigenwerte > 1).
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.“
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.
Als Untergrenze soll ein Cronbachsches Alpha von 0,4 für Konstrukte mit zwei oder drei Indikatoren dienen.
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.
Selbst bei Hinzunahme des Faktors würde dieser im nächsten Schritt wegen nicht vertretbarer Indikatorreliabilitäten, Faktorreliabilität und durchschnittlich erfasster Varianz eliminiert werden.
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.).
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.
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.
KMO-Maß: 0,73; erklärte Gesamtvarianz: 52,0 Prozent.
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.
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.
KMO-Maß: 0,90; erklärte Gesamtvarianz: 56,0 Prozent.
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“).
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.
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.
Vergleiche die Kennzahlen des Faktors „Entlohnungsgerechtigkeit“ bei der Betrachtung des Gesamtmodells in Abschnitt 4.4.
KMO-Maß: 0,78; erklärte Gesamtvarianz: 58,05 Prozent.
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.
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.
KMO-Maß: 0,94; erklärte Gesamtvarianz: 55,15 Prozent.
Der Eigenwert des vierten Faktors beträgt 0,86.
Der Eigenwert des zweiten Faktors beträgt 0,90; KMO-Maß: 0,83; erklärte Gesamtvarianz durch zwei Faktoren: 63,53 Prozent.
Der Screeplot weist einen deutlichen Knick bei zwei Faktoren aus. Der Eigenwert des zweiten Faktors beträgt 0,86.
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.
Vgl. die Übersicht der fehlenden Werte im Anhang auf Seite 206f.
Vgl. die Übersicht über die soziodemografischen Merkmale in der Stichprobe in Abschnitt 4.1 auf Seite 107.
KMO-Maß der Stichprobeneignung: 0,78.
KMO-Maß der Stichprobeneignung: 0,73; erklärte Gesamtvarianz: 48,03 Prozent.
Es ergeben sich [(2019)/2] = 190 paarweise Korrelationen zwischen den 20 Faktoren. Insgesamt sind im Messmodell 294 Parameter zu schätzen.
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).
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.
Der Eigenwert des zweiten Faktors beträgt 0,98.
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).
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.
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.
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).
Rights and permissions
Copyright information
© 2004 Deutscher Universitäts-Verlag/GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
Unterreitmeier, A. (2004). Empirische Überprüfung des Operationalisierungsvorschlags. In: Unternehmenskultur bei Mergers & Acquisitions. Deutscher Universitätsverlag. https://doi.org/10.1007/978-3-322-81804-1_4
Download citation
DOI: https://doi.org/10.1007/978-3-322-81804-1_4
Publisher Name: Deutscher Universitätsverlag
Print ISBN: 978-3-8244-8165-1
Online ISBN: 978-3-322-81804-1
eBook Packages: Springer Book Archive