Zusammenfassung
Kennzeiclmend für das Design der vorliegenden Erhebung ist die Tatsache, daß es sich hierbei näherungsweise um eine Vollerhebung hinsichtlich der Untersuchungsteilnehmer, also deutsche Wagniskapitalgesellschaften, nicht aber hinsichtlich der Untersuchungseinheiten, also Frühphasenfinanzierungen, handelt. Deshalb ist es sinnvoll, für Untersuchungsteilnehmer und -einheiten separate deskriptive Datenanalysen durchzuführen und entsprechende Ergebnisse gegebenenfalls mit dem Gesamtmarkt, so wie er sich in den BVK-Statistiken darstellt, abzugleichen.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Vgl. für eine Definition dieser Begriffe bspw. Wöhe (1990), S. 964.
Der BVK beziffert die Gesamtzahl der VC-Anbieter zum Jahreswechsel 98/99 auf 157, die Zahl der insgesamt gehaltenen Beteiligungen auf 4.693 und das kumulierte Beteiligungsvolumen auf 10.538,93 Mill. DM; vgl. BVK (1999), S. 60ff.
Für eine Erläuterung des Vorgehens beim Chi-Quadrat-Test siehe z.B. Backhaus et al. (1994), S. 174ff.
Dieses Leitbild findet sich beispielsweise bei Schmidt (1985), S. 431.
Auch Leopold, Frommann (1998) sehen die Unternehmerrolle offenbar in bester Schumpeterscher Tradition entkoppelt von der des Kapitalgebers.
Dies ist insbesondere deshalb von Bedeutung, da in der einzigen bislang vorliegenden Referenzstudie für den deutschen VC-Markt öffentlich geförderte WKG, die in erster Linie Strukturförderung betreiben, mit der Begründung von der Untersuchung ausgeschlossen wurden, daß die IRR kein sinnvolles Erfolgsmaß für die Aktivitäten dieser Gruppe sei; vgl. Schefezyk (1998), S. 222.
Vgl. zu den verschiedenen Assoziationsmaßen der Kontingenzanalyse bspw. Backhaus et al. (1994), S. 174ff.
Leopold, Frommann (1998) ja in erster Linie auf die große Flexibilität dieser Rechtsform zurückzufiihren ist.
Für diese und alle folgenden Berechnungen wird metrisches Skalenniveau der hier verwendeten siebenstufigen Ratingskalen unterstellt, wobei es sich strenggenommen aber um Ordinalskalen handelt; vgl. zu dieser in den Wirtschaftswissenschaften häufig anzutreffenden Annahme z.B. Backhaus et al. (1994), S. XIV.
Vgl. zum Einstichproben-t-Test und zum approximativen Gaußtest Bamberg, Baur (1987), S. 187ff., zum Kolmogorov-Smirnov-Test Norusis (1993), S. 396ff. und zum Zentralen Grenzwertsatz Hansen (1993), S. 68.
Diese Voraussetzung wird nachfolgend durch den sogenannten Levene-Test überprüft. Bei Ablehnung der Annahme homogener Varianzen wird die Teststatistik des t-Testes entsprechend justiert; vgl. Norusis (1993), S. 254f.
Vgl. hierzu sehr ausführlich Bortz (1989), S. 171 ff.
Für eine ausfiihrliche methodische Auseinandersetzung mit dem Vergleich von Stichprobenmittelwerten vgl. ebenda, S. 166ff.
vgl. z.B. Rüdiger (2000), S. 254 und Krafft (1995), S. 304 fir ein identisches Verständnis dieser Begriffe.
Vgl. z.B. Sapienza, Manigart, Vermeir (1996), S. 454.
Diese Zahlen beziehen sich mangels besserer Vergleichsdaten auf die Umsatzkonzentration 1997 im verarbeitenden Gewerbe sowie im Bergbau. Demnach weisen nur die sechs Branchen, die mit der Gewinnung und Weiterverarbeitung fossiler Brennstoffe, der Tabakverarbeitung, dem Bau von Kraftwagen sowie der Herstellung von Büromaschinen und Computerteilen zu tun haben, eine derart hohe Konzentrationsrate auf. Insgesamt sind 26 verschiedene Branchen aufgefiihrt; vgl. Statistisches Bundesamt (1999), S. 194.
Hierunter sind die Aufwendungen für Werbung, Verkaufsförderung, Public Relations, Persönlicher Verkauf und Direktmarketing zu verstehen; vgl. Kotler, Bliemel (1999), S. 951.
Kotler, Bliemel (1999) sehen die Untergrenze fir diesen Koeffizienten bei 10–20% (Industrieausrüstungen) und die Obergrenze bei 30–50% (Kosmetikbranche); vgl. ebenda, S. 951.
Zur Erleichterung der Beantwortung der drei zuletzt behandelten Fragen wurden eigentlich metrisch skalierte Daten in klassierter Form erhoben. Diese werden gelegentlich auch gruppierte Daten genannt, vgl. Bamberg, Baur (1987), S. 7. Die Option einer Berechnung entsprechender Mittelwerte als gewogenes Mittel der Klassenmitten (vgl. Bamberg, Baur (1987), S. 18; Bortz (1989), S. 51) entfällt, da fir die Extremwerte der Untersuchung an den Randbereichen der Verteilung sogenannte offene Kategorien eingerichtet wurden. Da die genauen Ausprägungen der Extremwerte nicht bekannt sind, können Mittelwerte und Streuungen fir die ursprüngliche Skala nicht berechnet werden; vgl. Bortz (1989), S. 37. Deswegen werden den Variablenklassen fir die nachfolgenden Datenanalysen Skalenwerte von I bis 7 zugewiesen, welche nachfolgend wie die anderen Ratingskalen behandelt werden. Die klassierte Darstellung eigentlich metrischer Merkmale wird somit unter bewußter Inkaufnahme eines Informationsverlustes als Ordinalskala interpretiert; vgl. hierzu auch Hammann, Erichson (1990), S. 72. 0.27 Vgl. Bamberg, Baur (1987), S. 185.
Der mittlere Rangplatz der weniger erfolgreichen Beteiligungen hinsichtlich der Lebenszyklusphase beträgt 49,35, der der erfolgreichen Beteiligungen 36,09.
Diese Korrektur wird für eine verbesserte Anpassung der Teststatistik an die x2-Verteilung bei Betrachtung von 2x2-Tabellen empfohlen; vgl. bspw. Norusis (1993), S. 209. 44s Vgl. McDougall, Robinson (1990), S. 466f. und Porter (1990), S. 174ff.
Cronbachs Alpha ist definiert als der Mittelwert aller Korrelationen, die sich ergeben, wenn die einem Konstrukt zugeordneten Indikatoren auf alle möglichen Arten in zwei Hälften geteilt und die Summe der resultierenden Variablenhälften anschließend miteinander korreliert werden; vgl. Homburg, Giering (1996), S. 8, und für eine formale Darstellung Cronbach (1951), S. 299. Der Wertebereich dieses regelmäßig im Zusammenhang mit explorativen Faktorenanalysen angeführten Reliabilitätskoeffizienten erstreckt sich auf Werte zwischen 0 und 1, wobei hohe Werte mit einer hohen Reliabilität einhergehen. Cronbachs Alpha sollte fir die zu einer Meßskala verdichteten Variablen mindestens 0,7 bzw. im Falle von nur zwei oder drei zugrundeliegenden Items wenigstens 0,5 betragen, vgl. Litfm, Teichmann, Clement (2000), S. 285. Diese Differenzierung ist deswegen sinnvoll, da Cronbachs Alpha in einem positiven Zusammenhang mit der Anzahl der Meßvariablen steht, vgl. Churchill (1979), S. 68, Norusis (1994), S. 148, Homburg, Giering (1996), S. 8 und Peterson (1994), S. 384. Teilweise werden auch Werte von 0,4 akzeptiert; vgl. Peter (1997), S. 180ff.
So berichtet bspw. Miller (1988) Werte fir Cronbachs Alpha zwischen 0,64 und 0,47 fir die hier interessierenden strategischen Dimensionen, obwohl eine weit größere Zahl von Indikatoren zur Verfügung steht; vgl. Miller (1988), S. 292ff. Hingegen kann Chandler, Hanks (1994) durchweg Werte über 0,7 vorweisen; vgl. Chandler, Hanks (1994), S. 338.
Vgl. zur Begründung dieses Vorgehens Hair et al. (1998), S. 116ff.
Bei den Strategieitems mußten fünf fehlende Werte durch den Mittelwert der zugehörigen Variable ersetzt werden, der in diesem Zusammenhang auch als „best single replacement value“ bezeichnet wird; vgl. ebenda, S. 54.
Vgl. fir anwendungsorientierte Übersichtsarbeiten zur Clusteranalyse Hair et al. (1998), S. 469ff. und Backhaus et al. (1994), S. 260ff.
Vgl. Aldenderfer, Blashfield (1984), S. 21 und Backhaus et al. (1994), S. 313.
So sind nach Backhaus et al. (1994) erst Korrelationen, die betragsmäßig den Wert 0,9 übersteigen, als kritisch anzusehen, vgl. ebenda, S. 314.
Vgl. zur Kontroverse um eine Vorab-Gewichtung von Clustervariablen ebenda, S. 313, Aldenderfer, Blashfield (1984) und Everitt (1993), S. 39f.
Hierfür wäre ein Ähnlichkeitsmaß wie z.B. der Q-Korrelationskoeffizient das geeignete Proximitätsmaß, vgl. Backhaus et al. (1994), S. 277.
Für diese und alle folgenden Analysen wurde auf die Statistiksoftware SPSS, Version 8.0, zurückgegriffen.
Vgl. Backhaus et al. (1994), S. 290f.
In der Literatur wird ein Ausschluß von bis zu 10% der Beobachtungen als Voraussetzung für das Erlangen einer hochwertigen Clusterlösung angesehen; vgl. Punj, Stewart (1983), S. 143f.
Unter den agglomerativen Clusterverfahren wird das Ward-Verfahren allgemein als sehr guter Fusionierungsalgorithmus angesehen. Gute Partitionen sind insbesondere dann zu erwarten, wem u.a. die Entscheidung für ein Distanzmaß inhaltlich sinnvoll begründet ist, die Variablen nur schwach miteinander korrelieren, Ausreißer eliminiert und die Variablen auf metrischen Skalenniveau gemessen werden; vgl. Backhaus et al. (1994), S. 298f. sowie ferner die verschiedenen bei Punj, Stewart (1983), S. 141ff. zitierten Studien.
Somit folgt die vorliegende Untersuchung den Empfehlungen der einschlägigen Literatur, vgl. Bortz (1989), S. 697ff., Punj, Stewart (1983), S. 145, Steinhausen, Langer (1977), S. 75ff. und die Simulationsergebnisse von Milligan (1980), S. 339. Ein identisches Vorgehen fmdet sich auch bei Gedenk (1994), S. 181ff., Schlaak (1999), S. 223ff. und Rüdiger (2000), S. 307ff.
In der Literatur wird die richtige Zuordnung von 90% aller Objekte als zufriedenstellend eingestuft; vgl. Steinhausen, Langer (1977), S. 170.
Vgl. hierzu Hair et al. (1998), S. 259f und die Ausführungen in Abschnitt 6.3. 1. 2.
Die Indizes „C-Index“, „Indice gl” und der punkt-biserielle Korrelationskoeffizient stellen Maßzahlen für die interne Validität der Clusterlösungen dar, vgl. Klastorin (1983), S. 92ff., Chandon (1996), S. 11f. und Milligan (1981), S. 191ff. Für die Berechnung dieser Kennzahlen wurde die Software EVALU-P herangezogen, vgl. für eine Einführung ebenfalls Chandon (1996). Zur Interpretation dieser Maßzahlen und ein Anwendungsbeispiel vgl. Rüdiger (2000), S. 308ff.
Dieser Koeffizient ist wiederum auf Werte zwischen 0 und 1 normiert, wobei möglichst hohe Ausprägungen wünschenswert sind. Er wird durch Multiplikation eines normierten Zugehörigkeitsmaßes mit dem Kehrwert der Standardabweichung aller Distanzen errechnet; vgl. Chandon (1996), S. 11 und Milligan (1981), S. 196.
Die Interpretation der Cluster lehnt sich am Vorgehen von Miller, Friesen (1986), S. 43ff. und Dess, Davis (1984), S. 479 an. 500 Das t-Maß vergleicht die Wahrscheinlichkeit einer Fehleinschätzung der abhängigen Variablen bei Verwendung der Randverteilung dieses Merkmals als Grundlage einer stochastischen Prognose mit der Fehlerquote, die beim Heranziehen der Verteilung desselben Merkmals in den Zeilen einer entsprechenden Kreuztabelle zu erwarten ist; vgl. Norusis (1993), S. 213f. Für einen allgemeinen Überblick zu den Assoziationsmaßen der Kontingenzanalyse siehe Backhaus et al. (1994), S. 177ff. und Norusis (1993), S. 209ff.
Diese Zahlen verdeutlichen, warum die Option multivariater Regressionsanalysen als Instrument zum Test der Hypothesen H2N72 - Hwpt entfällt, denn diese setzt voraus, daß die Anzahl der Beobachtungen wenigstens doppelt so groß ist wie die Anzahl der erklärenden Variablen (vgl. Backhaus et al. (1994), S.49, was aber selbst fir das 25 Fälle umfassende Cluster bei weitem nicht zutrifft; vgl. hierzu auch die Ausführungen zur Pfadanalyse im nachfolgenden Abschnitt.
Vgl. Schefczyk (1998), S. 258ff. Auch Norton, Tenenbaum (1993) führen Hypothesentests anhand einer Korrelationsanalyse durch; vgl. S. 437ff. Allerdings ist zu berücksichtigen, daß das vorliegende Datenmaterial hinsichtlich dieser Erfolgsmaße einen erheblichen Anteil sogenannter „missing values“ aufweist (vgl. Abschnitt 6.1.2), was zu einer weiteren Beschränkung der Fallzahl führt. Deshalb wurde auch im Zuge der bisherigen bivariaten Datenanalysen von einer Verwendung dieser Erfolgsmaße abgesehen.
Hierzu zählen die Indirekte-Kleinstquadrat-Methode, die zwei-und dreistufige KleinstquadratMethode und die Maximum-Likelihood-Methode bei voller Information; vgl. Schulze (1999), S. 621–625. Vgl. zur Schätzung interdependenter Gleichungssysteme auch die ökonometrische Literatur wie z.B. Hansen (1993), S. 174–186.
vgl. Backhaus et al. (1994), S. 336f., Wright (1971), S. 104.
Vgl. für eine ausfiihrliche Darstellung des Rechengangs Backhaus et al. (1994), S. 339ff., Opp, Schmidt (1976), S. 98ff.
Vgl. zur Überprüfung entsprechender Annahmen Hair et al. (1998), S. 172ff., Backhaus et al. (1994), S. 31 ff., Norusis (1993), S. 311 ff. und Albers, Skiera (1999), S. 216ff.
Für die Überprüfung der Normalverteilungsannahme kommt außerdem der Kolmogorov-SmirnovTest in Betracht.
Vgl. Albers, Skiera (1999), S. 221. Hansen weist darauf hin, daß die Normalverteilungsannahme bei „hinreichend großen“ Stichproben aufgrund des zentralen Grenzwertsatzes stets als erfüllt angesehen werden kann; vgl. Hansen (1993), S. 105.
Vgl. Albers, Skiera (1999), S. 229. Die Anwendung der Regressions-/Pfadanalyse setzt auch die Freiheit von Autokorrelation voraus, d.h. die Kovarianzen aufeinanderfolgender Störgrößen müssen gleich Null sein; vgl. Hansen (1993), S. 419f. Da jedoch der vorliegende Datensatz im Wege einer Querschnittserhebung generiert wurde, entfällt die Problematik autokorrelierter Störgrößen.
Vgl. für diese Vorgehensweise sowie eine Vielzahl von Beispielen Hair et al. (1998), S. 173f.; Backhaus et al. (1994), S. 43 und Norusis (1993), S. 325f.
Für eine Erörterung der Folgen eines fehlerhaften Herauslassen einer Variablen bzw. der Aufnahme einer überflüssigen Variablen vgl. Hansen (1993), S. 411f.
Vgl. Jacobson (1990a), S. 74.
Vgl. Jacobson (1990a), S. 75f. Vgl. hierzu auch Jacobson, Aaker (1985), S. 14ff.
Vgl. Jacobson (1990a), S. 78ff. Vgl. auch die auf dem Beitrag von Jacobson aufbauende Diskussion bei Buzzell (1990), Boulding (1990) und Jacobson (1990b).
Bivariate Korrelationskoeffizienten, die dem Betrage nach den Wert 0,9 überschreiten, deuten auf ernsthafte paarweise Kollinearität hin, während Toleranzen kleiner 0,1 ein bedenkliches Maß an Multikollinearität indizieren, die eine Eliminierung erklärender Variablen zur Folge haben sollte; vgl. Hair et al. (1998), S. 188f., Norusis (1993), S. 355f. und Albers, Skiera (1999), S. 222ff.
Als Ausreißer werden im Zusammenhang der vorliegenden Untersuchung solche Beobachtungen bezeichnet, deren standardisierter Residualwert betragsmäßig den Wert 3 übersteigt; vgl. Hair et al. (1998), S. 184ff. und Norusis (1993), S. 330. Zur Identifizierung beeinflussender Beobachtungen wird auf Cook’s Distance zurückgegriffen. Diese Kennzahl ist ein Maß dafür, wie stark sich die Residuen aller anderen Beobachtungswerte verändern, wenn die betrachtete Beobachtung bei der Schätzung der Regressionsgleichung ausgeklammert bleibt; vgl. Albers, Skiera (1999), S. 231. Übersteigt Cook’s Distance einen von der Anzahl der Regressoren und der Beobachtungen abhängigen kritischen F-Wert, so wird diese Beobachtung bei der Schätzung der Regressionsgleichung nicht berücksichtigt; vgl. Chatterjee, Hadi (1986), S. 383, Norusis (1993), S. 333ff. und Hair et al. (1998), S. 225.
Vgl. Hair et al. (1998), S. 181. Im Zuge einer Pfadanalyse ist es aber wenig sinnvoll, gemäß den Empfehlungen der Literatur einzelne Regressionsgleichungen sogleich zu verwerfen, wenn der F-Wert ein bestimmtes Signifikanzniveau verfehlt; vgl. hierzu bspw. Backhaus et al. (1994), S. 26ff. Dies ist damit zu begründen, daß beim Test eines vollständigen rekursiven Modells (vgl. hierzu Abschnitt 6.3.2) auch solche Variablenbeziehungen in die Schätzgleichungen integriert werden, zu denen keine explizite Hypothese vorliegt, da der Test vollständiger rekursiver Modelle generell Hypothesentests mit explorativen Elementen vereint. Dies mindert naturgemäß die Wahrscheinlichkeit, daß sonderlich beeindruckende F-Werte erzielt werden können. Trotzdem wird im Zusammenhang mit linearen Regressionsanalysen im Zuge der nachfolgenden Pfadanalyse das jeweilige Signifikanzniveau der F-Werte nachrichtlich aufgeführt.
Die Fallzahlen für die metrisch skalierten Erfolgsmaße liegen in Relation zu der Anzahl der unabhängigen Variablen (26) somit deutlich unterhalb des Anspruchsniveaus, das in der Literatur hinsichtlich der Zahl der Freiheitsgrade bei der linearen Regression zugrunde gelegt wird: So fordern bspw. Albers, Skiera (1999), daß die Anzahl der Beobachtungen wenigstens dreimal so hoch wie die Anzahl der Regressoren sein sollte, vgl. ebenda, S. 218. Den metrischen Erfolgsmaßen wird aber im nächsten Kapitel im Rahmen des PLS-Ansatzes der Kausalanalyse noch ausreichend Rechnung getragen.
Zu den Schwächen der linearen Regression und der Diskriminanzanalyse im Falle einer binären abhängigen Variablen siehe Krafft (1995), S. 285–287.
Die nachfolgenden Ausführungen zum Schätzverfahren, zur Güte des Gesamtmodells und der Parameter orientieren sich in erster Linie an Krafft (1995), S. 287ff.; Krafft (1997), S. 627ff.; Krafft (1999), S. 240ff., Hair et al. (1998), S. 278ff. und Norusis (1992), S. 2ff.
Vgl. Hair et al. (1998), S. 277. Die nicht-linearen Eigenschaften dieser Funktion sind grafisch z.B. bei Norusis (1992), S. 3 und Krafft (1997), S. 629 veranschaulicht.
Vgl. Green, Carmone, Wachspress (1977), S. 54; Urban (1993), S. 29ff. und Krafft (1999), S. 243.
Vgl. Krafft (1999), S. 244. Dieser strengere Maßstab wird damit begründet, daß die Zuverlässigkeit des ML-Schätzers aufgrund dessen asymptotischer Eigenschaften mit steigender Anzahl von Freiheitsgraden zunimmt; vgl. Aldrich, Nelson (1984), S. 53.
Die Wald-Statistik entspricht bei Variablen mit einem Freiheitsgrad dem Quadrat des Quotienten aus Koeffizient und Standardfehler. Für kategoriale unabhängige Variablen ist zusätzlich die Zahl der Freiheitsgrade zu berücksichtigen; vgl. Krafft (1995), S. 295.
Zu den Anwendungsprämissen der Diskriminanzanalyse gehören die multivariate Normalverteilung der erklärenden Variablen, Freiheit von Multikollinearität sowie die Annahme homogener Streuungen der unabhängigen Variablen in den Teilgruppen. Vgl. zur Methodik der multivariaten Diskriminanzanalyse Hair et al. (1998), S. 237ff., Norusis (1994), S. 1ff. und Backhaus et al. (1994), S. 90ff.
Vgl. zu den Auswirkungen von Fehlspezifikationen auch Hansen (1993), S. 79ff.
Vgl. fir eine sehr ausführliche Darstellung dieses Problemkreises Hair et al. (1998), S. 46ff.
Vgl. zu den verschiedenen Formen der Dummy-Kodierung Norusis (1992), S. 11ff. und Hair et al. (1998), S. 83ff.
Um Platz zu sparen, richtet sich die Bezeichnung der Variablen in der Matrix nach ihrem Standort im Fragebogen; vgl. Anhang 8.1. So bezeichnet z.B. VAR2.1 das erste Item des zweiten Abschnitts, also die Variable „Preisunterschiede für äquivalente Produkte“. Außerdem kennzeichnet E BWL die durch Summenbildung erzeugte Variable „Anteil BWL-Qualifikation”, 4.8x4.8.1 den Interaktionsterm „Anzahl Gründer x Heterogenität des Gründerteams“, CL 1 - CL 5 die Zugehörigkeit zu den entsprechenden Clustern sowie BLZ 1 - BLZ 3 die Lebenszyklusphasen „Einführung”, „Wachstum“ und „Reife”.
Dieses Sichtweise kann als vergleichsweise konservativ angesehen werde, da manche Autoren erst Korrelationen ab 0,9 als kritisch ansehen; vgl. Backhaus et al. (1994), S. 33f. und Hair et al. (1998), S. 191. Das nachfolgende Vorgehen orientiert sich an Krafft (1995), S. 309ff. sowie an der dort angegebenen Literatur.
Substantiell überwinden läßt sich Multikollinearität im Grunde nur mit Hilfe neuer Informationen; vgl. hierzu z.B. Koutsoyannis (1977), S. 233ff.
Vgl. zum Stichprobeneffekt Krafft (1995), S. 292f. Da die hier betrachteten Gruppen in etwa gleich groß sind, spielt die zufällige Trefferquote gemäß dem „Proportional Chance Criterion“ in Höhe von 50,62% als Referenzwert eine untergeordnete Rolle.
Normalerweise ist im Rahmen der Logistischen Regression auch eine Analyse des Datenmaterials hinsichtlich potentieller „Influential Observations“ angezeigt (vgl. Krafft (1995), S. 291), aber bei Modellen mit extrem hoher Klassifikationsgüte wie im vorliegenden Fall wird von der Eliminierung einzelner, möglicherweise beeinflussender Beobachtungen abgeraten; vgl. Hair et al. (1998), S. 320.
Beispiele fir die Verwendung der Mittelwerte von Teilsamples finden sich bei Krafft (1997), S. 634ff., Krafft (1999), S. 255ff. und Litfin (2000), S. 231, während LeClere (1992), S. 773f. den globalen Mittelwert heranzieht.
Der exakte Wert von P(Erfolg) beträgt 5,054 x 10–6 fir die Gruppe der weniger erfolgreichen und 0,9999987 fir die Gruppe der erfolgreichen Beteiligungen. Der Wert der Konstanten beträgt —31,8742.
vgl. hierzu Geladi, Kowalski (1986), S. 1ff; Henrion, Henrion (1994), S. 144ff. und Martens, Naes (1989), S. 116ff.
Beispielsweise analysiert Wold 27 Variablen zusammengefaßt in zwei Konstrukten bei nur 10 Beobachtungen, vgl. Wold (1989).
Seltin, Keeves nennen vier weitere Kriterien, die im Zuge der Schätzprozedur konvergieren sollten. Die Anwendung von PLS zeigt jedoch, daß sich diese Kriterien sehr viel weniger zwischen zwei Iterationen ändern als die Gewichte, so daß deren Konvergenz das ausschlaggebende Abbruchkriterium sein sollte; vgl. Seltin, Keeves (1994), S. 4355f., Lohmöller (1984), S. 4–03.
Vgl. Falk, Miller (1992), S. 72. Der genaue Referenzwert laut t-Verteilung beträgt 1,96 fir unendlich viele Freiheitsgrade.
Eine ähnliche Interpretation der Pfadkoeffizienten in PLS-Modellen fmdet sich z.B. bei Grüner, Jaedicke, Ruhland (1988), S. 53.
Rights and permissions
Copyright information
© 2001 Deutscher Universitäts-Verlag GmbH, Wiesbaden
About this chapter
Cite this chapter
Hinkel, K. (2001). Befunde der empirischen Untersuchung. In: Erfolgsfaktoren von Frühphasenfinanzierungen durch Wagniskapitalgesellschaften. DUV Wirtschaftswissenschaft, vol 39. Deutscher Universitätsverlag. https://doi.org/10.1007/978-3-322-90932-9_6
Download citation
DOI: https://doi.org/10.1007/978-3-322-90932-9_6
Publisher Name: Deutscher Universitätsverlag
Print ISBN: 978-3-8244-0593-0
Online ISBN: 978-3-322-90932-9
eBook Packages: Springer Book Archive