Querschnittsuntersuchungen

Chapter

Zusammenfassung

Das 4. Kapitel ist dem wohl gängigsten Untersuchungsdesign, den Querschnitts‐Untersuchungen, gewidmet. Das sind Studien, bei denen auf den jeweiligen Zeitpunkt bezogene quantifizierende Aussagen über bestimmte Grundgesamtheiten (z. B. die Gesamtbevölkerung oder die Kunden eines Unternehmens) gemacht werden sollen. Zunächst geht es um die Stichprobenziehung, also um die Methoden, die dazu dienen, die befragten oder beobachteten Personen so auszuwählen, dass man mit hinreichender Sicherheit von deren Merkmalen auf die interessierende Grundgesamtheit schließen kann. Die am meisten angewandte Form der Datenerhebung ist die Befragung, die zwar sehr vielfältige Anwendungsmöglichkeiten bietet, die aber bei laienhaftem oder nachlässigem Vorgehen zu erheblichen Fehlern und Verzerrungen der Ergebnisse führen kann. Deswegen werden die Methoden zur Entwicklung von Fragebögen einschließlich der entsprechenden Gütekriterien (Reliabilität und Validität) hier ausführlich und mit zahlreichen Beispielen behandelt. Daneben wird auch – deutlich kürzer – die zweite Form der Datenerhebung, die Beobachtung, vorgestellt und durch Beispiele illustriert. Hier sei ausdrücklich darauf hingewiesen, dass die Datenerhebung durch Befragung oder Beobachtung natürlich nicht nur bei Querschnitts‐Untersuchungen, sondern auch bei anderen Untersuchungsdesigns (z. B. bei Panels oder bei Experimenten) zum Einsatz kommt.

Literatur

  1. ADM (2016). Arbeitskreis Deutscher Marktforschungsinstitute, Jahresbericht 2016. www.adm-ev.de. Zugegriffen: 25. März 2018.Google Scholar
  2. Albers, S., & Hildebrandt, L. (2006). Methodische Probleme bei der Erfolgsfaktorenforschung – Messfehler, formative versus reflektive Indikatoren und die Wahl des Strukturgleichungsmodells. Zeitschrift für betriebswirtschaftliche Forschung, 58, 2–33.CrossRefGoogle Scholar
  3. Ariely, D., & Berns, G. (2010). Neuromarketing: the hope and hype of neuroimaging in business. Nature Reviews Neuroscience, 11, 284–292.CrossRefGoogle Scholar
  4. Baumgartner, H., & Homburg, C. (1996). Applications of structural equation modelling in marketing and consumer research: a review. International Journal of Research in Marketing, 13, 139–161.CrossRefGoogle Scholar
  5. Bearden, W., Netemeyer, R., & Haws, K. (2011). Handbook of marketing scales – Multi-Item measures for marketing and consumer behavior research (3. Aufl.). Thousand Oaks: SAGE.Google Scholar
  6. Bergkvist, L., & Rossiter, J. (2007). The predictive validity of multiple-item versus single-item measures of the same constructs. Journal of Marketing Research, 44, 175–184.CrossRefGoogle Scholar
  7. Borsboom, D., Mellenbergh, G., & van Heerden, J. (2004). The concept of validity. Psychological Review, 111, 1061–1071.CrossRefGoogle Scholar
  8. Bradburn, N., & Sudman, S. (1979). Improving interview method and questionnaire design. San Francisco: Jossey-Bass.Google Scholar
  9. Bradburn, N., Sudman, S., & Wansink, B. (2004). Asking questions (Revised edition). San Francisco: Jossey-Bass.Google Scholar
  10. Bruhn, M., & Köhler, R. (Hrsg.). (2010). Wie Marken wirken – Impulse aus der Neuroökonomie für die Markenführung. München: Vahlen.Google Scholar
  11. Bucklin, R., & Sismeiro, C. (2009). Click here for internet insight: advances in clickstream data analysis in marketing. Journal of Interactive Marketing, 23, 35–48.CrossRefGoogle Scholar
  12. Bucklin, R., Lattin, J., Ansari, A., Gupta, S., Bell, D., Coupey, E., Little, J., Mela, C., Montgomery, A., & Steckel, J. (2002). Choice and the internet: from clickstream to research stream. Marketing Letters, 13, 245–258.CrossRefGoogle Scholar
  13. Burke, R. (1996). Der virtuelle Laden – Testmarkt der Zukunft. Harvard Business Manager, 18, 107–117.Google Scholar
  14. Campbell, D., & Fiske, D. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56, 81–105.CrossRefGoogle Scholar
  15. Chaudhuri, A., & Stenger, H. (2005). Survey sampling: theory and methods. Boca Raton: Taylor & Francis.CrossRefGoogle Scholar
  16. Churchill, G. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16, 64–73.CrossRefGoogle Scholar
  17. Churchill, G., & Iacobucci, D. (2002). Marketing research – methodological foundations (8. Aufl.). Mason: South-Western.Google Scholar
  18. Churchill, G., & Iacobucci, D. (2005). Marketing research – methodological foundations (9. Aufl.). Mason: South-Western.Google Scholar
  19. Churchill, G., Ford, N., & Walker, O. (1974). Measuring the job satisfaction of industrial salesmen. Journal of Marketing Research, 21, 360–375.CrossRefGoogle Scholar
  20. Cochran, W. (1977). Sampling techniques. New York: John Wiley & Sons.Google Scholar
  21. Collier, J., & Bienstock, C. (2007). An analysis how non-response error is assessed in academic marketing research. Marketing Theory, 7, 163–168.CrossRefGoogle Scholar
  22. Cronbach, L. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16, 297–334.CrossRefGoogle Scholar
  23. Decker, R., & Wagner, R. (2008). Fehlende Werte: Ursachen, Konsequenzen und Behandlung. In A. Herrmann, C. Homburg & M. Klarmann (Hrsg.), Handbuch Marktforschung (3. Aufl. S. 53–79). Wiesbaden: Gabler.Google Scholar
  24. Diamantopoulos, A. (2008). Formative indicators: introduction to the special issue. Journal of Business Research, 61, 1201–1202.CrossRefGoogle Scholar
  25. Diamantopoulos, A., & Winklhofer, H. (2001). Index construction with formative indicators: an alternative to scale development. Journal of Marketing Research, 38, 269–277.CrossRefGoogle Scholar
  26. Diamantopoulos, A., Riefler, P., & Roth, K. (2008). Advancing formative measurement models. Journal of Business Research, 61, 1203–1218.CrossRefGoogle Scholar
  27. Diamantopoulos, A., Sarstedt, M., Fuchs, C., Wilczynski, P., & Kaiser, S. (2012). Guidelines for choosing between multi-item and single-item scales for construct measurement: a predictive validity perspective. Journal of the Academy of Marketing Science, 40, 434–449.CrossRefGoogle Scholar
  28. Dillman, D., Smyth, J., & Christian, L. (2009). Internet, mail, and mixed-mode surveys (3. Aufl.). Hoboken: Wiley.Google Scholar
  29. Dillon, W., Madden, T., & Firtle, N. (1994). Marketing research in a marketing environment. Bd. 3. Chicago: Times Mirror.Google Scholar
  30. Eberl, M. (2006). Formative und reflektive Konstrukte und die Wahl des Strukturgleichungsverfahrens. Die Betriebswirtschaft, 66, 651–668.Google Scholar
  31. Eisend, M., & Kuß, A. (2017). Grundlagen empirischer Forschung – Zur Methodologie in der Betriebswirtschaftslehre. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  32. Engel, U., & Schnabel, C. (2004). Markt- und Sozialforschung – Metaanalyse zum Ausschöpfungsgrad. www.adm-ev.de. Zugegriffen: 1. März 2014.Google Scholar
  33. Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention, and behavior. Reading: Addison-Wesley.Google Scholar
  34. Fowler, F. (2009). Survey research methods (4. Aufl.). Los Angeles: SAGE.Google Scholar
  35. Fuchs, C., & Diamantopoulos, A. (2009). Using single-item measures for construct measurement in management research: conceptual issues and application guidelines. Die Betriebswirtschaft, 69, 195–210.Google Scholar
  36. Groves, R., Fowler, F., Couper, M., Lepkowski, J., Singer, E., & Tourangeau, R. (2009). Survey methodology (2. Aufl.). Hoboken: Wiley.Google Scholar
  37. Günther, M., Vossebein, U., & Wildner, R. (2006). Marktforschung mit Panels (2. Aufl.). Wiesbaden: Gabler.Google Scholar
  38. Hildebrandt, L. (1984). Kausalanalytische Validierung in der Marketingforschung. Marketing ZFP, 6, 41–51.Google Scholar
  39. Homburg, C. (2007). Betriebswirtschaftslehre als empirische Wissenschaft – Bestandsaufnahme und Empfehlungen. In G. Schreyögg (Hrsg.), Zukunft der Betriebswirtschaftslehre. ZfbF-Sonderheft, (Bd. 56, S. 27–60).Google Scholar
  40. Homburg, C., & Giering, A. (1996). Konzeptualisierung und Operationalisierung komplexer Konstrukte – Ein Leitfaden für die Marketingforschung. Marketing ZFP, 18, 5–24.Google Scholar
  41. Homburg, C., & Klarmann, M. (2009). Multi-Informant-Designs in der empirischen betriebswirtschaftlichen Forschung. Die Betriebswirtschaft DBW, 69, 147–171.Google Scholar
  42. Homburg, C., Klarmann, M., Reimann, M., & Schilke, O. (2012a). What drives key informant accuracy? Journal of Marketing Research, 49, 594–608.CrossRefGoogle Scholar
  43. Homburg, C., Klarmann, M., & Totzek, D. (2012b). Using multi-informant designs to address key informant and common method bias. In A. Diamantopoulos, W. Fritz & L. Hildebrandt (Hrsg.), Quantitative marketing and marketing management (S. 81–102). Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  44. Hoyle, R., Harris, M., & Judd, C. (2002). Research methods in social relations (7. Aufl.). Wadsworth: Belmont.Google Scholar
  45. Hunt, S. (1987). Marketing research – proximate purpose and ultimate value. In R. Belk, G. Zaltman & Bagozzi, R. u. a (Hrsg.), Marketing theory (S. 209–213). Chicago: American Marketing Association.Google Scholar
  46. Hurrle, B., & Kieser, A. (2005). Sind key informants verlässliche Datenlieferanten? Die Betriebswirtschaft, 65, 584–602.Google Scholar
  47. Iacobucci, D., & Churchill, G. (2010). Marketing research – methodological foundations (10. Aufl.). Mason (Ohio): South-Western.Google Scholar
  48. Jacoby, J. (1978). Consumer research – a state of the art review. Journal of Marketing, 42, 87–96.CrossRefGoogle Scholar
  49. Jacoby, J. (2013). Trademark surveys – designing, implementing, and evaluating surveys. Bd. 1. Chicago: American Bar Association.Google Scholar
  50. Jacoby, J., & Chestnut, R. (1978). Brand loyalty – measurement and management. New York: Wiley.Google Scholar
  51. Jarvis, C., MacKenzie, S., & Podsakoff, P. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30, 199–218.CrossRefGoogle Scholar
  52. Kaase, M. (Hrsg.). (1999). Qualitätskriterien der Umfrageforschung. Berlin: Akademie Verlag.Google Scholar
  53. Karweit, N., & Meyers, E. (1983). Computers in survey research. In P. Rossi, J. Wright & A. Anderson (Hrsg.), Handbook of survey research (S. 379–414). New York: Academic Press.CrossRefGoogle Scholar
  54. Kenning, P. (2014). Consumer neuroscience. Stuttgart: Kohlhammer.Google Scholar
  55. Kohli, A., & Zaltman, G. (1988). Measuring multiple buying influences. Industrial Marketing Management, 17, 197–204.CrossRefGoogle Scholar
  56. Kosslyn, S. (1999). If neuroimaging is the answer, what is the question? Philosophical Transactions of the Royal Society B Biological Sciences, 354(1387), 1283–1294.CrossRefGoogle Scholar
  57. Kroeber-Riel, W., & Gröppel-Klein, A. (2013). Konsumentenverhalten (10. Aufl.). München: Vahlen.Google Scholar
  58. Krosnick, J. (1999). Survey research. Annual Review of Psychology, 50, 537–567.CrossRefGoogle Scholar
  59. Langer, A., Eisend, M., & Kuß, A. (2008). Zu viel des Guten? Zum Einfluss der Anzahl von Ökolabels auf die Konsumentenverwirrtheit. Marketing – ZFP, 30, 19–28.CrossRefGoogle Scholar
  60. Madans, J., Miller, K., Maitland, A., & Willis, G. (Hrsg.). (2011). Question evaluation methods – contributing to the science of data quality. Hoboken: Wiley.Google Scholar
  61. Marsh, H., & Grayson, D. (1995). Latent variable models of multitrait-multimethod data. In R. Hoyle (Hrsg.), Structural equation modeling (S. 177–198). Thousand Oaks: SAGE.Google Scholar
  62. McClure, S., Li, J., Tomlin, D., Cypert, K., Montague, L., & Montague, P. (2004). Neural correlates of behavioral preference for culturally familiar drinks. Neuron, 44(2), 379–387.CrossRefGoogle Scholar
  63. McIver, J., & Carmines, E. (1981). Unidimensional scaling. Beverly Hills: SAGE.CrossRefGoogle Scholar
  64. Moore, D. (2002). Measuring new types of question-order effects: additive and subtractive. Public Opinion Quarterly, 66, 80–91.CrossRefGoogle Scholar
  65. Netemeyer, R., Bearden, W., & Sharma, S. (2003). Scaling procedures – Issues and applications. Thousand Oaks: SAGE.CrossRefGoogle Scholar
  66. Nisbett, R., & Wilson, T. (1977). Telling more than we can know: verbal reports on mental processes. Psychological Review, 84, 231–259.CrossRefGoogle Scholar
  67. Noelle-Neumann, E., & Petersen, T. (2000). Alle, nicht jeder (3. Aufl.). Berlin: Springer.CrossRefGoogle Scholar
  68. Nunnally, J., & Bernstein, I. (1994). Psychometric theory (3. Aufl.). New York: McGraw-Hill.Google Scholar
  69. Parasuraman, A. (1986). Marketing research. Reading: Addison-Wesley.Google Scholar
  70. Payne, S. (1951). The art of asking questions. Princeton: Princeton University Press.Google Scholar
  71. Peter, J. (1979). Reliability – a review of psychometric basics and recent marketing practices. Journal of Marketing Research, 16, 6–17.CrossRefGoogle Scholar
  72. Peter, J. (1981). Construct validity – a review of basic issues and marketing practices. Journal of Marketing Research, 18, 133–145.CrossRefGoogle Scholar
  73. Podsakoff, P., MacKenzie, S., Lee, J., & Podsakoff, N. (2003). Common method biases in behavioral research: a critical review of the literature and recommended remedies. Journal of Applied Psychology, 88, 879–903.CrossRefGoogle Scholar
  74. Presser, S., Rothgeb, J., Couper, M., Lessler, J., Martin, E., Martin, J., & Singer, E. (Hrsg.). (2004). Methods for testing and evaluating survey questionnaires. Hoboken: Wiley.Google Scholar
  75. Rossiter, J. (2002). The C-OAR-SE procedure for scale development in marketing. International Journal of Research Marketing, 19, 305–335.CrossRefGoogle Scholar
  76. Rossiter, J. (2011). Measurement for the social sciences – the C-OAR-SE method and why it must replace psychometrics. New York: Springer.Google Scholar
  77. Sarstedt, M., & Wilczynski, P. (2009). More or less? A comparison of single-item and multi-item measures. Die Betriebswirtschaft DBW, 69, 211–227.Google Scholar
  78. Schaeffer, N., & Bradburn, N. (1989). Respondents behavior in magnitude estimation. Journal of the American Statistical Association, 84, 402–413.CrossRefGoogle Scholar
  79. Schermelleh-Engel, K., & Werner, C. (2007). Methoden der Reliabilitätsbestimmung. In H. Moosbrugger & A. Kelava (Hrsg.), Testtheorie und Fragebogenkonstruktion (S. 113–133). Heidelberg: Springer.Google Scholar
  80. Scheuch, E. (1962). Das Interview in der Sozialforschung. In R. König (Hrsg.), Handbuch der empirischen Sozialforschung. Stuttgart: Enke.Google Scholar
  81. Schuman, H., & Presser, S. (1981). Questions and answers in attitude surveys. New York: Academic Press.Google Scholar
  82. Schwarz, N. (1999). Self-reports – how questions shape the answers. American Psychologist, 54, 93–105.CrossRefGoogle Scholar
  83. Schwarz, N., Hippler, H., Deutsch, B., & Strack, F. (1985). Response categories: effects on behavioral reports and comparative judgments. Public Opinion Quarterly, 49, 388–395.CrossRefGoogle Scholar
  84. Schwarz, N., Knäuper, B., Hippler, H., Noelle-Neumann, E., & Clark, F. (1991). Rating scales: numeric values may change the meaning of scale labels. Public Opinion Quarterly, 55, 618–630.Google Scholar
  85. Spector, P. (1994). Summated rating scale construction – an introduction. In M. Lewis-Beck (Hrsg.), Basic measurement (S. 229–300). London: SAGE.Google Scholar
  86. Strauss, M., & Smith, G. (2009). Construct validity: advances in theory and methodology. Annual Review of Clinical Psychology, 5, 1–25.CrossRefGoogle Scholar
  87. Sudman, S., & Blair, E. (1998). Marketing research – a problem solving approach. Boston: McGraw-Hill.Google Scholar
  88. Sudman, S., Bradburn, N., & Schwarz, N. (1996). Thinking about answers – the application of cognitive processes to survey methodology. San Francisco: Jossey-Bass.Google Scholar
  89. Temme, D., Paulssen, M., & Hildebrandt, L. (2009). Common method variance. Die Betriebswirtschaft DBW, 69, 123–146.Google Scholar
  90. Tourangeau, R., Rips, L., & Rasinski, K. (2000). The psychology of survey response. Cambridge: Cambridge University Press.CrossRefGoogle Scholar
  91. De Vaus, D. (2002). Analyzing social science data. London: SAGE.Google Scholar
  92. Viswanathan, M. (2005). Measurement error and research design. Thousand Oaks: SAGE.CrossRefGoogle Scholar
  93. Walsh, G. (2002). Konsumentenverwirrtheit als Marketingherausforderung. Wiesbaden: Gabler.CrossRefGoogle Scholar
  94. Weiber, R., & Kleinaltenkamp, M. (2013). Business- und Dienstleistungsmarketing. Stuttgart: Kohlhammer.Google Scholar
  95. Weiber, R., & Mühlhaus, D. (2010). Strukturgleichungsmodellierung. Heidelberg: Springer.Google Scholar
  96. Weisberg, H. (2005). The total survey error approach. Chicago: University of Chicago Press.CrossRefGoogle Scholar
  97. Zaichkowsky, J. (1985). Measuring the involvement construct. Journal of Consumer Research, 12, 341–352.CrossRefGoogle Scholar
  98. Zikmund, W. (1997). Exploring marketing research (6. Aufl.). Fort Worth: Dryden Press.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Freie Universität BerlinBerlinDeutschland
  2. 2.GfK-VereinNürnbergDeutschland
  3. 3.design akademie berlinSRH Hochschule für Kommunikation und DesignBerlinDeutschland

Personalised recommendations