Advertisement

Empirische Validierung des Modells imagebasierter Marketingplanung

  • Alexander W. Wehr
Part of the DUV Wirtschaftswissenschaft book series (EBS, volume 31)

Zusammenfassung

Das zentrale Anliegen dieser Arbeit besteht in der theoretischen Entwicklung und empirischen Überprüfung eines Modells imagebasierter Marketingplanung: Das Attribut „imagebasiert“ kennzeichnet in diesem Zusammenhang ein auf Imagegrößen aufbauendes Zielsystem. Die strategische Marketingplanung gibt den zu dessen Gestaltung notwendigen Managementprozess vor. Dieser Prozess beginnt idealiter mit einer Situationsanalyse, die den gegenwärtigen Zustand des Zielsystems beschreibt. Aus den gewonnenen Erkenntnissen kann das Management das Zielsystem für die sich anschließende Periode ausplanen (Zielplanung) und entsprechende Maßnahmen zur Planerfüllung festlegen (Maßnahmenplanung). Dabei sind die Erkenntnisse der Situationsanalyse als Rahmenbedingungen zu berücksichtigen, da diese bei ceteris paribus gleichem Mitteleinsatz den Zielerreichungsgrad determinieren. M.a.W. hängt der Erfolg einer strategischen Marketingplanung von situativen Einflüssen des Entscheidungsproblems ab. Diesem Umstand wurde mit der Auswahl des situativen Forschungsansatzes Rechnung getragen: Mit der Verknüpfung konzeptioneller Grundlagen der strategischen Marketingplanung einerseits sowie des situativen Forschungsansatzes andererseits wurde der theoretische Bezugsrahmen dieser Arbeit inhaltlich und methodisch strukturiert (Kapitel 3). Dabei wurden die Kontext-, Erfolgs- und Gestaltungsvariablen des situativen Ansatzes für den Anwendungsfall spezifiziert und als Anforderungen an eine imagebasierte Marketingplanung definiert (Struktur). Sie wurden in der Folge der Situationsanalyse, Ziel- und Maßnahmenplanung der strategischen Marketingplanung zugrunde gelegt (Prozess). Aus dieser Integration konnten in Kapitel 4 ein deskriptives Modell (MIMP) und eine präskriptive Heuristik (HIMP) imagebasierter Marketingplanung entwickelt werden. Sowohl das deskriptive MIMP als auch die präskriptive HIMP besitzen dem theoretischen Bezugsrahmen entsprechend eine Drei-Ebenen-Ordnung: Mittels der inhaltlich spezifizierten Kontextvariablen (Ebene der Rahmenbedingungen) kann eine Situationsanalyse vollzogen werden.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Referenzen

  1. 859.
    Kent (1986), S. 5.Google Scholar
  2. 860.
    Im Rahmen der Operationalisierung werden die theoretischen Definitionen der IMI-Zielgrößen (Realdefinitionen) in operationale Definitionen (Nominaldefinitionen) überführt; sie ermöglichen die Messung der relevanten Sachverhalte. Vgl. Green/Tull (1982), S. 151.Google Scholar
  3. 861.
    Das „Forschungsobjekt“ steht als Oberbegriff für die Termini „Erfahrungsobjekt“ und „Erkenntnisobjekt“. Vgl. Thommen (1983), S. 31.Google Scholar
  4. 862.
    In einem Experiment wird die Auswirkung der Veränderung einer Größe unter Konstanz der übrigen Größen studiert: „An experiment involves the manipulation of one or more variables by an experimenter in order to determine the effect of this manipulation on another variable.“ Kirk (1982), S. 3 [Hervorhebung im Original]. Zu experimentellen Designs in der Marktforschung vgl. Schäfer/Knoblich (1978), S. 321–324; Winner (1989), S. 125–127; Kirk (1982); Keppel (1991); Mattmüller (2000), S. 113–117.Google Scholar
  5. 863.
    Vgl. Greyser/Klein (1990) bzw. Ferris et al. (1986).Google Scholar
  6. 864.
    Vgl. Grochla (1978), S. 68f.Google Scholar
  7. 865.
    Zum induktiv-empiristischen Erkenntnisweg vgl. Eberhard (1987), S. 32. Zu einer Gegenüberstellung des Deduktivismus und Induktivismus vgl. Popper (1994), S. 6–32.Google Scholar
  8. 866.
    Vgl. Popper (1994), S. 9; Schreyögg/Steinmann (1980), Sp. 2397.Google Scholar
  9. 867.
    Zu den Aussagentypen einer empirischen Forschungsstrategie vgl. Grochla (1978), S. 78–80.Google Scholar
  10. 868.
    „Die Analytische Wissenschaftstheorie hat ihre Wurzeln im Positivismus; sie teilt mit den,naiven` Induktivisten [...] die Auffassung, daß [!] sich (real-)wissenschaftliche Aussagen an der Realität als,wahr` zu erweisen haben [...].“ Schreyögg/Steinmann (1980), Sp. 2397 [Hervorhebungen im Original]. Zu den Ansätzen der Analytischen Wissenschaftstheorie zählen bspw. der Logische Empirismus und der Kritische Rationalismus.Google Scholar
  11. 869.
    „Die empirische Übberprüfung von Aussagen mittels Falsifizierung ihrer Inhalte ist Gegenstand des kritischen Rationalismus. Dieser stellt den gegenwärtig verbreitetsten wissenschaftstheoretisch-methodischen Ansatz betriebswirtschaftlicher Forschung dar. Im angelsächsischen Bereich geht der kritische Rationalismus insbesondere auf Popper, im deutschsprachigen Raum maßgeblich auf Albert zurück. Im Zentrum dieses Ansatzes steht ein iterativer Erkenntnisprozess, der sich auf die Spekulation empirisch gehaltvoller (informativer) wissenschaftlicher Aussagen und deren empirische (meist statistische) Überprüfung stützt.“ Grochla (1978), S. 60f. Zum Kritischen Rationalismus siehe auch Andersson (1991), S. 22–30. Zur Methode der empirischen Falsifikation vgl. Popper (1994), S. 432–436.Google Scholar
  12. 870.
    Die Reliabilität sagt etwas über die Zuverlässigkeit eines Messinstruments aus. Es liefert dann reliable (zuverlässige) Ergebnisse, wenn es bei wiederholten Messungen an denselben oder hinsichtlich des zu messenden Tatbestands vergleichbaren Personen jeweils unter identischen Bedingungen keine systematischen Fehler liefert. Vgl. Green/Tull (1982), S. 185; Churchill (1979), S. 65f.; Scharf (1994), S. 355; Berekoven et al. (1991), S. 86; Gierl (1995), S. 29f. Die Validität betrifft schließlich die Frage, ob das Messinstrumentarium auch tatsächlich das misst, was es zu messen vorgibt. Ein Messinstrumentarium ist demnach vollkommen valide, wenn die Resultate, die es liefert, unmittelbar und fehlerfrei Rückschluss auf jenen Tatbestand zulassen, dessen Ausprägung Gegenstand der Messung ist. Vgl. Lienert (1969), S. 16; Churchill (1979), S. 65f.; Atteslander (1993), S. 333. Mit der Reliabilitäts- und Validitätsprüfung wird jenem grundlegenden Postulat der Wissenschaftstheorie Rechnung getragen, dass alle erfahrungswissenschaftlichen Aussagen intersubjektiv nachprüfbar sein müssen. Vgl. Popper (1973), S. 18–21.Google Scholar
  13. 871.
    Die Befragung stellt „[...] die am häufigsten angewandte und wichtigste Erhebungsmethode im Rahmen der Primärforschung [...]“ dar. Berekoven et al. (1991), S. 89. Vgl. auch Kroeber-Riel/Weinberg (1996), S. 190f.Google Scholar
  14. 872.
    „Grundsätzlich können Marketing-Modelle verbal, grafisch und mathematisch dargestellt werden. In der Regel bildet ein verbales und/oder grafisches Modell die Grundlage zur mathematischen Formulierung. Erst in einer zweiten Phase erfolgt die Transformation in mathematische Gleichungen und Ungleichungen. Zweck der Modellbildung ist die Wirkungsprognose und/oder Entscheidungsfindung.“ Rüfenacht (1979), S. 16.Google Scholar
  15. 873.
    Das geschilderte Vorgehen entspricht in seinen Grundzügen einem idealtypischen Ablauf einer Marktuntersuchung. Vgl. hierzu u.a. Kuß/Tomczak (1998), S. 40.Google Scholar
  16. 874.
    Technische Anforderungen, die durch die Wahl (multivariater) statistischer Analyseverfahren vorgegeben werden, sollen an dieser Stelle nicht explizit behandelt werden. Sie werden im Rahmen der Beschreibung methodischer Grundlagen bzw. der Anwendung statistischer Methoden hinreichend diskutiert.Google Scholar
  17. 875.
    Im Sinne der vorliegenden Arbeit definieren staatsrechtliche Landesgrenzen eigenständige Kulturräume. Eine identische Abgrenzung nimmt bspw. Beuttel vor. Vgl. Beuttel (1981), S. 36.Google Scholar
  18. 876.
    Der Index „n“ markiert in diesem Zusammenhang die Anzahl zu berücksichtigender Studien, der Index „m“ die Anzahl zu berücksichtigender Länder.Google Scholar
  19. 877.
    Vgl. Bleymüller et al. (1998), S. 2.Google Scholar
  20. 878.
    Multivariate Verfahren sind dadurch gekennzeichnet, dass die gegenseitigen Beziehungen von mindestens drei Variablen untersucht werden. Vgl. Hartung/Elpelt (1984), S. 2f.Google Scholar
  21. 879.
    Als Grundgesamtheit wird in diesem Zusammenhang mit der Summe aller PKW-Besitzer bzw. -nutzer die „autofahrende“ Bevölkerung eines Landes verstanden. Die Untersuchung fokussiert damit auf die Verwender des Produktes „Automobil“, unabhängig davon, wer die Kaufentscheidung getroffen und den Kauf letztlich getätigt hat.Google Scholar
  22. 880.
    Vgl. Meyer/Mattmüller (1999), S. 824.Google Scholar
  23. 881.
    Als Stichprobe wird die Anzahl der Merkmalsträger bezeichnet, die aus der Grundgesamtheit zum Untersuchungszweck (zufällig oder nicht zufällig) ausgewählt wurden. Das Merkmal selbst ist dabei diejenige charakteristische Eigenschaft, die es zu beschreiben gilt. Zu einer Darstellung und Bewertung unterschiedlicher Verfahren zur Auswahl einer (repräsentativen) Stichprobe vgl. bspw. Mattmüller (2000), S. 98–102.Google Scholar
  24. 882.
    „Die Instrumente der Primärerhebung (field research) ermöglichen eine erstmalige Informationsgewinnung. Von einer Sekundärerhebung (desk research) ist die Rede, wenn auf bestehendes Datenmaterial zurückgegriffen wird.“ Schreiner (1992), S. 80 [Hervorhebungen im Original]. Vgl. auch Meffert (1986b), S. 185. „Während Markteintrittsentscheidungen und die entsprechende Strategiewahl in erster Linie aufgrund von Sekundäranalysen getroffen werden, kommt die Primärforschung bei der Auswahl von Marktbearbeitungsstrategien zum Zuge.“ Meissner (1988), S. 99. Vgl. auch derselbe (1980), S. 104.Google Scholar
  25. 883.
    Entsprechend der Themenstellung und der im Branchenspiegel der Automobilindustrie verbreiteten Markenstrategie der Firmendachmarkierung vertreibt auch das in die Untersuchung eingebundene Herstellerunternehmen sämtliche Produkte des Kerngeschäftsfeldes „Personenkraftwagen“ (PKW) unter einer Firmendachmarke. Sie gehört dem Premiumsegment des Weltautomobilmarktes an und wird aus Vertraulichkeitsgründen im Folgenden als „Marke-1“ bezeichnet.Google Scholar
  26. 884.
    Image- und Positionierungsstudien werden in der Unternehmenspraxis terminologisch häufig synonym verwendet; dem soll in der vorliegenden Arbeit gefolgt werden.Google Scholar
  27. 885.
    Vgl. Wind (1982), S. 94.Google Scholar
  28. 886.
    „Mit dem Begriff akquisitorisches Potenzial wird eine Bedingungskonstellation erfasst, bei der eine Unternehmung ihre Leistungen prinzipiell unter horizontalen Konkurrenzbedingungen offeriert, aber durch das Anbieten echter Leistungsvorteile über ein „Privatmonopol“ verfügt.“ Kuß/Tomczak (1998), S. 107 [Hervorhebungen im Original]. Vgl. auch Gutenberg (1976), S. 246f. und Simon (1992), S. 74–77.Google Scholar
  29. 887.
    Vgl. Trommsdorff (1995), Sp. 2067; Sattler (1997), S. 289.Google Scholar
  30. 888.
    So sind die mit einer empirischen Primärerhebung in Entwicklungsländern verbundenen Kosten erheblich höher als in Industrienationen. Vgl. Jain (1996), S. 337.Google Scholar
  31. 889.
    Zu den Erhebungsinhalten vgl. Kapitel 5.1.4.Google Scholar
  32. 890.
    Zu diesen Forderungen vgl. Punnett/Shenkar (1996), S. 44. Die Standardisierung der Befragung (Durchführungsobjektivität) in Verbindung mit genau festgelegten Regeln der Auswertung (Auswertungsobjektivität) erfüllt die Kriterien an ein objektives Messinstrumentarium. Vgl. hierzu Lienert (1969), S. 13; Gierl (1995), S. 30; Scheuch (1989), S. 234; Berekoven et al. (1991), S. 84f.Google Scholar
  33. 891.
    Zu den sog. Äquivalenzbedingungen länderbezogener Datensätze bei multinationaler Marketingforschung vgl. Dülfer (1996), S. 422–424.Google Scholar
  34. 892.
    Zur Operationalisierung der Erhebungsinhalte vgl. Kapitel 5.1.4.Google Scholar
  35. 893.
    Vgl. Trommsdorff (1995), Sp. 2060.Google Scholar
  36. 894.
    Vermutlich dürfte kein Markt hinsichtlich der Realgrößen eine so hohe Markttransparenz bieten wie der Weltautomobilmarkt. Vgl. Graumann (1993), S. 142–146.Google Scholar
  37. 895.
    Scharf bemerkt treffend: „Beiquantitativen Größen wie etwa dem q [...] Alter eines Abnehmers ist die Formulierung eines operationalen Maßstabs, [...], unproblematisch. Als äußerst schwierig erweist sich jedoch die Operationalisierung qualitativer, nicht-beobachtbarer Merkmale, sog. hypothetischer Konstrukte wie Einstellung, Image, Lebensstil usw.“ Scharf (1994), S. 350. Um auch für letztgenannte Größen Messwerte zu erhalten, müssen entsprechende Indikatoren herangezogen werden. Vgl. Bruhn (1990), S. 91; Gierl (1995), S. 27.Google Scholar
  38. 896.
    Vgl. Punnett/Shenkar (1996), S. 44; Ronen (1986), S. 52. Die Semantik als Teilgebiet der Linguistik (Sprachwissenschaft) ist die Lehre von den Bedeutungen sprachlicher Zeichen und Zeichenfolgen, während die Semiotik als zweite Disziplin der Sprachwissenschaft die Lehre vom Ausdruck meint. Vgl. Wissenschaftlicher Rat der Dudenredaktion (1997). Auf die Notwendigkeit einer „semiotisch orientierten Marktforschung“ weist Meissner hin. Vgl. Meissner (1994), S. 680.Google Scholar
  39. 897.
    Vgl. Dülfer (1996), S. 432f.Google Scholar
  40. 898.
    „Das Vortesten von Fragebögen stellt eine grundlegende Notwendigkeit dar. [...]Das Pretesting setzt fast immer schon ein, wenn die vorgesehenen Fragen Mitarbeitern vorgelegt werden.“ Green/Tull (1982), S. 119.Google Scholar
  41. 899.
    Die Itemselektion im Rahmen qualitativer Vorstudien mit Hilfe einer Stichprobenerhebung vorzunehmen, wird von Trommsdorff vorgeschlagen. Vgl. Trommsdorff (1975), S. 99–102.Google Scholar
  42. 900.
    Zur Methodik empirischer Image-Analysen vgl. Freitag (1975), S. 185–196.Google Scholar
  43. 901.
    Vgl. Barich/Srinivasan (1991), S. 4; Punnett/Shenkar (1996), S. 40–44. Zur (organisatorischen) Erhebungspra-xis internationaler Marktforschungsstudien vgl. bspw. Keegan (1995), S. 250f.; Jain (1996), S. 338–362.Google Scholar
  44. 902.
    Dieses Vorgehen zur Beibehaltung semiotischer und semantischer Besonderheiten wird von Trommsdorff postuliert. Vgl. Trommsdorff (1975), S. 110–112; vgl. auch Diilfer (1996), S. 432. Zur sprachlichen Gestaltung von Fragebögen internationaler Marktforschungsstudien vgl. Punnett/Shenkar (1996), S. 45–47.Google Scholar
  45. 903.
    Zu unterschiedlichen Erhebungsmethoden internationaler Marktforschung vgl. bspw. ebenda, S. 38–145.Google Scholar
  46. 904.
    Zu den in die Untersuchung eingehenden Statements (Image-Items) vgl. Kapitel 5.1.4 dieser Arbeit.Google Scholar
  47. 905.
    Vgl. Schreiner (1992), S. 81.Google Scholar
  48. 906.
    Vgl. De Chernatony (1996), S. 17. Die Definition der Angebotsseite des relevanten Marktes spielt im Rahmen der vorliegenden Arbeit insofern keine Rolle, als ausschließlich die Images des Unternehmens, der Dachmarke und der unter ihr angebotenen Modelle des auftraggebenden Herstellers untersucht werden sollen; Wettbewerber werden bei der Intra-Marken-Betrachtung bewusst ausgegrenzt.Google Scholar
  49. 907.
    Die zur Zielgruppenabgrenzung bzw. Marktsegmentierung herangezogenen Kriterien können von einem Unternehmen frei gewählt werden. Jedoch wird es dabei bestrebt sein, solche Zielgruppen bzw. Marktanteile zusammenzufassen, die sich durch ein möglichst homogenes Verhalten bezüglich der Produkt-MarktLeistung des Unternehmens auszeichnen. Vgl. Becker (1988), S. 227. Zur Segmentierung im Automobilmarkt vgl. Freter/ Barzen (1988), S. 87–92.Google Scholar
  50. 908.
    Vgl. Heidrich (1981), S. 123. Die vorgenommene Klasseneinteilung orientiert sich an der Segmentierung des PKW-Marktes von Smith. Vgl. Smith (1988), S. 45. Eine ähnliche Klassifizierung nimmt Evans vor; er unterscheidet zwischen „subcompact“ (UKL), „compact“ (KKL),,,intermediate“ (MKL) und „full size or standard“ (GKL). Vgl. Evans (1983), S. 7. Zu einer aktuelleren Segmentierung des globalen Automobilmarktes vgl. stellvertretend für andere Barton (1999), S. 12.Google Scholar
  51. 909.
    Ein „Roadster“ ist ein offenes, zweisitziges und höhergradig motorisiertes Automobil mit einer relativ langen Front (Motorhaube), einer relativ niedrigen, in Richtung Hinterachse zurückversetzten Sitzposition und einem relativ einfachen Verdeckprinzip. Vgl. Leif (1996), S. V3/1; Seifert (1987), S. 1.Google Scholar
  52. 910.
    Unter einer disproportional angelegten Stichprobe werden die Konzeption und Durchführung einer empirischen Teilerhebung verstanden, die in ihrer Struktur absichtlich nicht den Gegebenheiten der Grundgesamtheit entspricht. In der Praxis werden (Teil-) Stichprobenumfänge durch Quotenvorgaben insbesondere für solche Produkte bzw. Segmente festgelegt, die für das auftraggebende Unternehmen von besonderem Interesse sind; zumeist liegt der Stichprobenanteil dieser Produkte bzw. Segmente über dem Anteil in der Grundgesamtheit. In diesem Zusammenhang wird auch von „boosted samples“ gesprochen.Google Scholar
  53. 911.
    „A quota sample is designed by taking known characteristics of the universe and including respondents in the sample in the same proportion as they occur in the known characteristic universe.“ Keegan (1995), S. 243. Zu Problemen der Stichprobenauswahl im Rahmen internationaler Marktforschungsstudien vgl. Punnett/Shenkar (1996), S. 47–50.Google Scholar
  54. 912.
    Zur Proportionalisierung der Stichprobe vgl. Kapitel 5.1.4 dieser Arbeit.Google Scholar
  55. 913.
    Es wird davon ausgegangen, dass ausschließlich zwischen den Produkten bzw. Marken des evoked set kaufrelevanter Wettbewerb besteht. Vgl. Kroeber-Riel/Weinberg (1996), S. 223.Google Scholar
  56. 914.
    Zur Berücksichtigung und Lösung dieser Problematik vgl. Kapitel 5.2 dieser Arbeit.Google Scholar
  57. 915.
    Nichtsdestotrotz soll im Folgenden vom PKW-Gesamtmarkt i.S.v. „relevantem PKW-Markt“ aus Sicht des auftraggebenden Herstellerunternehmens gesprochen werden.Google Scholar
  58. 916.
    Gemäß der Klassifikation von Atteslander handelt es sich im vorliegenden Fall demnach um ein mündliches, stark strukturiertes Einzelinterview mit einem standardisierten Fragebogen, der hauptsächlich (hier: ausschließlich) geschlossene Fragen enthält. Vgl. Atteslander (1993), S. 153–155.Google Scholar
  59. 917.
    Die Bezeichnungen der Produkte orientieren sich im weiteren Verlauf der Arbeit an den entsprechenden Klassenbezeichnungen.Google Scholar
  60. 918.
    Im Ergebnis verblieben 5.710 Fälle nach Ausschluss der ungültigen Fragebögen.Google Scholar
  61. 919.
    Zu den Quotierungskriterien vgl. Kapitel 5.1.4 dieser Arbeit.Google Scholar
  62. 920.
    Keegan (1995), S. 242.Google Scholar
  63. 921.
    „Die für die Marktforschung zentrale Forderung nach Repräsentativität ist immer dann erfüllt, wenn die Verteilung der relevanten Merkmale in der zahlenmäßig kleineren Stichprobe mit denen in der größeren Grundgesamtheit übereinstimmt.“ Meyer/Mattmüller (1999), S. 825.Google Scholar
  64. 922.
    Sofern sich mehrere Fahrzeuge zum Zeitpunkt der Erhebung im Besitz des Interviewten befanden, waren Marke und Modell des Fahrzeugs maßgeblich, das vom Probanden zeitlich überwiegend genutzt wurde.Google Scholar
  65. 923.
    Eine repräsentative Stichprobe wird hergestellt, wenn alle relevanten statistischen Merkmale der Stichprobe den Gegebenheiten in der Grundgesamtheit entsprechen. Vgl. Schäfer/Knoblich (1978), S. 250f.Google Scholar
  66. 924.
    Analog hierzu wird ein weiterer Gewichtungsfaktor eingeführt, der eine Proportionalisierung auf Studienebene bewirkt: Die berücksichtigten Länder werden unter Beibehaltung ihrer inneren Struktur (G) entsprechend ihrem Anteil an den amtlichen Zulassungszahlen „Europa“ 2014 verstanden als Aggregation der fünf Märkte Deutschland, Frankreich, Spanien, Italien und Großbritannien 2014 proportionalisiert. Dieser zweite Gewichtungsfaktor wird über die Verknüpfung (Multiplikation) des Intra-Länder-Gewichtungsfaktors (Gi) und des Anteils eines Landes an den europäischen Zulassungszahlen eines Erhebungszeitraums bestimmt. Die Einführung dieses zweiten Gewichtungsfaktors ermöglicht einen gesamthaften „Europa-Vergleich“ zwischen den beiden Studien 1992 und 1997.Google Scholar
  67. 925.
    Stehe hierzu Tab. 5–6 und die Klassen GKL und RKL mit Fallzahlen bis zu 1 in Frankreich 1997 (RKL).Google Scholar
  68. 926.
    Vgl. Schreiner (1992), S. 80f. Die Marktforschung liefert grundsätzlich zwei alternative Testverfahren für Primärerhebungen, die sich durch die Form der Fragestellung - offen vs. geschlossen 2014 unterscheiden. Im Gegensatz zu offenen Fragen, bei denen der Befragte frei assoziieren und antworten kann, sind bei geschlossenen Fragen Qualität (Ausprägung bzw. verbale Formulierung) und Quantität (Anzahl) der Antwortmöglichkeiten strikt vorgegeben. Vgl. Hammann/Erichson (1990), S. 83–86.Google Scholar
  69. 927.
    In der Folge werden ausschließlich die Fragestellungen erläutert, die im Rahmen der vorliegenden Arbeit Verwendung finden.Google Scholar
  70. 928.
    Vgl. das Untersuchungsdesign dieser Empirie (Kapitel 5.1.5).Google Scholar
  71. 929.
    „In most cases, there will be a primary group of competitors and one or more secondary competitors.“ Aaker/ Shansby (1982), S. 59.Google Scholar
  72. 930.
    Während die Gruppierung eines diskreten Merkmals dann sinnvoll ist, wenn viele Merkmalsträger unterschiedliche, sich jeweils wiederholende Merkmalsausprägungen aufweisen, sollte eine Klassierung immer dann vorgenommen werden, wenn sehr viele Merkmalsträger eine große Anzahl unterschiedlicher Merkmalsausprägungen annehmen, die ihrerseits jedoch nicht oder nur in wenigen Fällen identisch sind; zudem reduziert die Bildung von Klassen die Variablenausprägungen und damit die Komplexität dergestalt, dass (internationale) Vergleiche auch dann möglich werden, wenn unterschiedliche Merkmalsausprägungen bspw. in verschiedenen bändern (Beruf, Einkommen) auftreten. Bei einer Untersuchung des (diskreten) Merkmals „Alter“ oder „Beruf“ kann erwartungsgemäß davon ausgegangen werden, dass sich die verschiedenen Merkmalsausprägungen relativ ähnlich sind und daher Mehrfachnennungen auftreten. In solchen Fällen erweist es sich als sinnvoll, anstelle von Gruppen Klassen zu bilden, innerhalb derer sich die Merkmalsausprägungen zwischen bestimmten Intervallgrenzen bewegen. Bezüglich dieser Klassen ist ebenfalls ein Ordnungskriterium (hier: Alter, Berufsstellung und Höhe des verfügbaren Nettohaushaltseinkommen) vonnöten, anhand dessen eine Klassifizierung vorzunehmen ist. Vgl. Bleymüller et al. (1998), S. 9.Google Scholar
  73. 931.
    Zur Schätzung des repräsentativen künstlichen Klassenmittelwertes einer nichtmetrischen Variablen vgl. ebenda, S. 9.Google Scholar
  74. 932.
    Da sich einerseits die Niveaus der Nominaleinkünfte im Zeitraum von 1992 bis 1997 veränderten und sich andererseits die Kaufkraft im Ländervergleich stark unterscheidet, wurde in den berücksichtigten Ländern und Zeitpunkten der Erhebung jeweils eine standardisierte Lorenzkurve der Einkommensverteilung zugrunde gelegt und die einheitlich abgefragten neun Einkommensklassen in Landeswährung so aufgeteilt, dass die unteren drei Einkommensschichten jeweils der Klasse der niedrigen Einkommen, die mittleren vier Einkommensschichten jeweils der Klasse der mittleren Einkommen und die obersten zwei Einkommensklassen jeweils der hohen Einkommensgruppe zugeschlüsselt wurden.Google Scholar
  75. 933.
    Die Abfrage der Wettbewerbermodelle wird hier nur der Vollständigkeit halber erwähnt; sie bleiben bei der Intra-Marken-Betrachtung der Herstellermarke des Studienauftraggebers unberücksichtigt.Google Scholar
  76. 934.
    Ob eine einpolige (unipolare) oder zweipolige (bipolare) Skala zu verwenden ist, wird grundsätzlich durch die zu messende Variable bestimmt. So lassen sich Variablen, die durch Ablehnung bzw. Zustimmung diametral ausgeprägt sein können, mittels zweipoliger Skalen messen. Vgl. Sixtl (1982), S. 145–147; Green/Tull (1982), S. 162f. Um die Gefahr eines bevorzugten Ankreuzens der Mittelkategorie bei einer ungeraden Abstufungszahl von vornherein auszuschalten, soll hier eine gerade Zahl verwendet werden; in Anlehnung an Heemeyer soll die Abstufungszahl sechs betragen. Vgl. Heemeyer (1981), S. 179. Streng genommen ist im Falle der entwickelten Skala die Forderung nach Äquidistanz zwischen den Skalenstufen nicht aufrechtzuerhalten; die mittels „rating“ gewonnenen Daten besitzen lediglich ordinales Skalenniveau. Arithmetische Operationen, wie sie für alle gängigen statistischen Analysemethoden durchzuführen sind, verlangen jedoch zumindest intervall-skalierte Messergebnisse, d.h., die Distanzen zwischen den Skalenstufen müssen gleich sein. Werden die mittels „rating“ gewonnenen Daten wie intervall-skalierte Messergebnisse behandelt, so müssen die Abstufungsdistanzen von den Versuchspersonen zumindest als äquidistant empfunden werden. Eine Möglichkeit hierzu stellt die verbale Verankerung der Skala an den Extrema dar. Vgl. Wettschureck (1974), S. 296. Dabei ist eine Kombination der sachlichen und wertenden (emotionalen) Dimension notwendig, um von einer Beurteilung sprechen zu können. Die ausschließliche Berücksichtigung sachlicher Eindrücke liefert demgegenüber eine bloße Beschreibung des Gegenstandsbereiches. Vgl. Kroeber-Riel/Weinberg (1996), S. 306.Google Scholar
  77. 935.
    Mit dieser Erhebungsmethodik werden die Anforderungen an die Skalierung der Daten für die Verwendung im Rahmen kausalanalytischer Verfahren nicht erfüllt. Vgl. hierzu Kapitel 5.1.5 dieser Arbeit.Google Scholar
  78. 936.
    Für den weiteren Verlauf der Untersuchung - analog zur Ermittlung der Produktimages 2014 wird ausschließlich die Beurteilung des auftraggebenden Automobilherstellers berücksichtigt. Da es sich um eine Intra-Marken-Betrachtung handelt, wird auch hier der Wettbewerb bewusst ausgeschlossen. Eine Übersicht über die Skalenniveaus der Untersuchungsvariablen findet sich in der Tabelle A-16 im Anhang.Google Scholar
  79. 937.
    Zu einer grafischen Darstellung der Verteilung der nicht-metrischen Variablen siehe Abbildung A-10 im Anhang. Hierbei finden sich neben den jeweiligen Merkmalsausprägungen in Klammern die absoluten Häufigkeiten, darunter die gerundeten relativen Häufigkeiten in %.Google Scholar
  80. 938.
    Parametrische Tests dienen der Überpriifung von Hypothesen, die bezüglich der Merkmale einer statistischen Grundgesamtheit aufgestellt wurden. Nicht-parametrische Testverfahren prüfen hingegen bspw. die Verteilung einer Stichprobe (Verteilungshypothesen). Vgl. Bleymüller et al. (1998), S. 127.Google Scholar
  81. 939.
    Vgl. ebenda, S. 130–132. Zu Kreuztabellen und dem Chi-Quadrat-Unabhängigkeitstest vgl. bspw. Brosius/Brosius (1996), S. 347–376.Google Scholar
  82. 940.
    Vgl. BrosiusBrosius (1996), S. 354f. 941 Der im Rahmen des Chi-Quadrat-Unabhängigkeitstests berücksichtigte dichotome Variablenfall findet sich auch in der Errechnung bivariater Korrelationskoeffizienten wieder; bei Vorliegen einer statistischen Abhängigkeit der Variablen nach Pearson wird sich über den Korrelationskoeffizienten eine signifikante Korrelation zwischen den Variablen ableiten lassen. Vgl. ebenda, S. 356f.Google Scholar
  83. 942.
    Aufgrund der ermittelten Abhängigkeiten zwischen den nicht-metrischen Merkmalen muss eine Verzerrung der Schätzergebnisse der folgenden erklärenden multivariaten Analyseschritte in Kauf genommen werden; die Ergebnisse lassen sich deshalb nicht als ideal, dennoch als u.E. brauchbar bezeichnen. Aus den errechneten Abhängigkeiten zwischen den Segmentierungsvariablen wurden zu Interpretationszwecken jeweils eine Stichprobenzusammensetzung nach dem Fahrzeugbesitz und den Sozio-Demografika der Befragten tabellarisch zusammengestellt; sie finden sich in den Tabellen A-17 bis A-19 im Anhang.Google Scholar
  84. 943.
    Unter Beibehaltung der Defaulteinstellungen des statistischen Programmsystems SPSS® Base 9.0, das im Rahmen dieser Untersuchung Anwendung findet, werden Befragte, die nicht sämtliche Image-Statements beurteilt haben (578 Fälle weisen fehlende Werte auf), aus den Analysen zu Marken- und Produktimages ausgeschlossen (listenweiser Fallausschluss).Google Scholar
  85. 944.
    Vgl. Bleymüller et al. (1998), S. 60.Google Scholar
  86. 945.
    Zum Kolmogorov-Smirnov-Test vgl. u.a. Bleymüller et al. (1998), S. 133–135; Brosius/Brosius (1996), S. 517519.Google Scholar
  87. 946.
    Bleymüller et al. (1998), S. 124.Google Scholar
  88. 947.
    Um eine Annäherung (Approximation) an die Gausssche Normalverteilungsform zu erreichen, werden an späterer Stelle solche Extremwerte jeder metrischen Variable aus dem Datensatz entfernt, die die Verteilungsfunktion unnötig verzerren (outlier detection). Vgl. hierzu Kapitel 5.2 dieser Arbeit.Google Scholar
  89. 948.
    „Für die Positionierungsanalyse sind fast alle Multivariatenanalyseverfahren nützlich. Mit der Clusteranalyse können Zielkunden oder Marken zusammengefaßt [!] werden, mit der Faktorenanalyse und der Diskriminanzanalyse können Image-Items zu Dimensionen verdichtet werden, mit der Mehrdimensionalen Skalierung und der Korrespondenzanalyse können Ähnlichkeits- oder Präferenzdaten in Dimensionswerte Überführt werden, mit der Regressionsanalyse und der Kausalanalyse können multivariate Beziehungen zwischen Image-, Einstellungs- und Verhaltenswerten quantifiziert werden. Conjoint Measurement kann vielfaltig genutzt werden, u.a. zur experimentellen Untersuchung der Beziehung zwischen kategorialen Imageausprägungen und Einstellungsoder Präferenzwerten.“ Trommsdorff (1995), Sp. 2063.Google Scholar
  90. 949.
    Vgl. derselbe (1992b), S. 322.Google Scholar
  91. 950.
    In Abbildung 5–8 werden die geplanten Untersuchungsschritte bereits ausgewählten Verfahren zugeordnet.Google Scholar
  92. 951.
    Eine Übersicht der Skalenniveaus der Untersuchungsvariablen findet sich in der Tabelle A-16 im Anhang.Google Scholar
  93. 952.
    Vgl. Backhaus et al. (1996), S. XXI.Google Scholar
  94. 953.
    Vgl. Überla (1971), S. 2.Google Scholar
  95. 954.
    Vgl. Backhaus et al. (1996), S. 195.Google Scholar
  96. 955.
    Vgl. Backhaus et al. (1996), S. XVIIIf.Google Scholar
  97. 956.
    Zu einer vertiefenden Auseinandersetzung mit den genannten Methoden sei der Leser auf einschlägige Literatur verwiesen: Zur Faktorenanalyse vgl. Backhaus et al. (1996), S. 189–260; BrosiusBrosius (1996), S. 815–846; Aaker (1981), S. 161–182; Überla (1971) und jeweils die dort angegebene Literatur. Zur Regressionsanalyse vgl. Backhaus et al. (1996), S. 1–55; BrosiusBrosius (1996), S. 471–504 und S. 921–928; Bleymüller et al. (1998), S. 139–180; Aaker (1981), S. 5–30 und jeweils die dort angegebene Literatur. Zur Varianzanalyse vgl. Backhaus et al. (1996), S. 56–89; Brosius/Brosius (1996), S. 417–448; Bleymüller et al. (1998), S. 119–126 und jeweils die dort angegebene Literatur.Google Scholar
  98. 957.
    Zu den korrigierten Fallzahlen der (Teil-) Stichproben nach Proportionalisierung vgl. Kapitel 5.1 dieser Arbeit.Google Scholar
  99. 958.
    Zur faktoranalytischen Operationalisierung der Produktimages vgl. das nachfolgende Kapitel.Google Scholar
  100. 959.
    Obwohl des Weiteren zwei Fahrzeugmodelle des designierten Segmentwettbewerbs und mehrere konkurrierende Automobilanbieter abgefragt wurden, sollen im weiteren Verlauf der Arbeit ausschließlich Marke-l-Produkte und das auftraggebende Herstellerunternehmen selbst Berücksichtigung finden.Google Scholar
  101. 960.
    Die Struktur der Datenbasis und die abgefragten Marktsegmente je Länderstichprobe finden sich in Kapitel 5.1.Google Scholar
  102. 961.
    Vgl. Backhaus et al. (1996), S. XVIIIf. Weitere (technische) Prämissen des linearen Regressionsmodells umfassen die Normalverteilung der Residuen, die Linearität zwischen der abhängigen und der/den unabhängigen Variablen, keine Multikollinearität zwischen den unabhängigen Variablen, keine Autokorrelation zwischen den Residuen, keine Korrelation zwischen unabhängiger Variablen und der Streuung der Residuen. Vgl. Schneeweiß (1990), S. 134–148; Kmenta (1986), S. 292–298 u. S. 352–355; Fri%lichBecker (1972), S. 480–482.Google Scholar
  103. 962.
    Vgl. Backhaus et al. (1996), S. 3.Google Scholar
  104. 963.
    Vgl. hierzu Kapitel 4.1 dieser Arbeit.Google Scholar
  105. 964.
    Vgl. Backhaus et al. (1996), S. 3.Google Scholar
  106. 965.
    Vgl. Asher (1983), S. 64.Google Scholar
  107. 966.
    Bei der Analyse zur Identifikation der relevanten Einflussgrößen auf die interessierenden Imagevariablen PI, MI und UI hingegen wird das Einkommen der Befragten als erklärende Größe der Vollständigkeit halber Berücksichtigung finden.Google Scholar
  108. 967.
    Vgl. Backhaus et al. (1996), S. 2. Die Forderung nach metrisch skalierten abhängigen wln unabhängigen Variablen stellt das zentrale Abgrenzungskriterium gegenüber der Varianz-, Diskriminanz- und Kontingenzanalyse dar. Vgl. ebenda, S. XIX.Google Scholar
  109. 968.
    Vgl. Ebenda, S. 1f. Bei der Transformation von ordinal-skalierten Variablen (z.B. der Einkommensvariable) in Dummy-Variablen ist zu beachten, dass die Tranformation nur unter Informationsverlust der Rangfolge der einzelnen Ausprägungen durchgeführt werden kann.Google Scholar
  110. 969.
    Vgl. Opp/Schmidt (1976), S. 23.Google Scholar
  111. 970.
    Zur Binärtransformation (Dichotomisierung) vgl. bspw. Backhaus et al. (1996), S. 279f.Google Scholar
  112. 971.
    Vgl. Backhaus et al. (1996), S. 45–47. Statistisches Kriterium fir die Aufnahme exogener Variablen in die Regressionsgleichung ist im vorliegenden Fall ein F-Wert < 0,05, Kriterium für den Variablenausschluss ein FWert >_ 0,10; dies entspricht den Standardeinstellungen des Programmsystems SPSS® 9.0.Google Scholar
  113. 972.
    Dieses Vorgehen ist im Rahmen der empirischen Forschungspraxis weit verbreitet. Vgl. bspw. Brown/Dacin (1997), S. 68–84.Google Scholar
  114. 973.
    Vgl. Backhaus et al. (1996), S. 13.Google Scholar
  115. 974.
    Mindestanforderungen an die Höhe des Bestimmtheitsmaßes (R2 ) können nicht allgemein gültig aufgestellt werden. Vgl. ebenda, S. 39.Google Scholar
  116. 975.
    Vgl. ebenda, S. 25.Google Scholar
  117. 976.
    Zum Overfitting vgl. ebenda, S. 31.Google Scholar
  118. 977.
    Eine sog. Nullhypothese (Ho) unterstellt, dass realiter in der Grundgesamtheit kein systematischer Zusammenhang zwischen den vermeintlichen Einflussgrößen (Regressoren) und der zu erklärenden Variablen (Regressand) besteht, obwohl die Ergebnisse der Stichprobenuntersuchung einen solchen über das ermittelte R2 nahe legen. In diesem Fall sind sowohl die in der Stichprobe identifizierten Zusammenhänge als auch das Bestimmtheitsmaß rein zufällig. Die Aufgabe des F-Tests ist die Überprüfung der Nullhypothese: Eine im Vorhinein festgelegte Irrtumswahrscheinlichkeit, die das Vertrauen des Forschers in die Verlässlichkeit seiner Testergebnisse zum Ausdruck bringen soll, gibt Aufschluss darüber, mit wie viel prozentiger Wahrscheinlichkeit davon ausgegangen werden kann, dass die Ablehnung der Nullhypothese zu Recht erfolgt. Üblicherweise werden in diesem Zusammenhang Vertrauens- bzw. Irrtumswahrscheinlichkeiten von 95 oder 99% bzw. 5 oder 1% angenommen; im vorliegenden Fall wurden die Standardeinstellungen des Programmsystems SPSS® 9.0 einer 95%-igen Vertrauens- bzw. 5%-igen Irrtumswahrscheinlichkeit beibehalten. Aus dem Vergleich eines empirisch ermittelten mit einem tabellierten, theoretischen F-Wert errechnet die Teststatistik mit der vorgegebenen Irrtumswahrscheinlichkeit einen F-Signifikanzwert. Ist dieser kleiner als die Irrtumswahrscheinlichkeit, kann die Nullhypothese verworfen werden, d.h., es kann angenommen werden, dass zumindest eine der erklärenden Variablen einen Einfluss auf die abhängige Größe ausübt. Vgl. Backhaus et al. (1996), S. 25f.Google Scholar
  119. 978.
    Die regressionsanalytisch ermittelten Image-Item-Ausprägungen werden mit Hilfe Rundung der in Kapitel 5.1 vorgestellten diskreten Skalierung dieser Merkmale angepasst.Google Scholar
  120. 979.
    Vgl. Backhaus et al. (1996), S. 192f.Google Scholar
  121. 980.
    Vgl. Keon (1983), S. 380f. Auf die Verwendung der anderen Verfahren soll an dieser Stelle nicht näher eingegangen und der Leser auf einschlägige Fachliteratur verwiesen werden. Vgl. bspw. ebenda, S. 380f. und die dort angegebene Literatur.Google Scholar
  122. 981.
    Vgl. hierzu Kapitel 5.1 dieser Arbeit. Zum Einsatz des semantischen Differenzials im Rahmen von empirischen Positionierungsanalysen vgl. bspw. Aaker (1981), S. 173–176.Google Scholar
  123. 982.
    Da das Marke-1-Markenimage (MI) nicht skaliert erhoben wurde, wird an späterer Stelle auch dieses über die 15 abgefragten Image-Items operationalisiert. Die Berechnung einer ganzheitlichen eindimensionalen Produktbeurteilung aus einzelnen Eindrücken (Teilurteilen) ist Gegenstand der sog. „kognitiven Algebra“. Entsprechende Modelle werden als Multi-Attribut-Modelle bezeichnet. Vgl. bspw. Kroeber-Riel/Weinberg (1996), S. 292 und S. 305–311. Ein Vergleich unterschiedlicher Ansätze der algebraischen Verrechnung findet sich bei Bettman et al. (1975), S. 151–164.Google Scholar
  124. 983.
    Vgl. Uberla (1971), S. 2f.; Backhaus et al. (1996), S. XXI und S. 190.Google Scholar
  125. 984.
    Vgl. Böhler (1977), S. 210; Backhaus et al. (1996), S. 190.Google Scholar
  126. 985.
    Vgl. ebenda, S. 190. Die Abhängigkeiten zwischen den zu untersuchenden Ausgangsgrößen werden über Korrelationen erfasst. Voraussetzung für die Bestimmung des Korrelationskoeffizienten (r) als Maß für die Abhän–gigkeit sind mindestens intervall-skalierte Ausgangsvariablen. Vgl. Backhaus et al. (1996), S. 194f. und S. 235. Diese Forderung wird von den zu untersuchenden Produktimage-Items erfüllt. Durch die Berechnung des Korrelationskoeffizienten kann die Stärke eines Beobachtungszusammenhangs zwischen zwei Variablen xl und x2 beurteilt werden. Tendiert r dabei gegen +1, wird von hoher positiver Korrelation gesprochen, d.h., hohen (niedrigen) Werten von xl stehen hohe (niedrige) Werte von x2 gegenüber. Ein Korrelationskoeffizient von -1 deutet demhingegen auf eine enge gegenläufige Beziehung hin. Bewegt sich r gegen null, besteht kein Zusammenhang zwischen den Variablen. Vgl. ebenda, S. 331.Google Scholar
  127. 986.
    Selbst wenn bei den genannten Beispielen über Kausalitäten argumentiert wurde, soll dies bei der Untersuchung möglicher Abhängigkeiten zwischen den Ausgangsvariablen nicht geschehen; der Korrelationskoeffizient berücksichtigt keine Ursache-Wirkungsbeziehungen zwischen den relevanten Größen.Google Scholar
  128. 987.
    Vgl. Backhaus et al. (1996), S. 195.Google Scholar
  129. 988.
    Vgl. Lilien et al. (1992), S. 86f.; Backhaus et al. (1996), S. 252f.Google Scholar
  130. 989.
    Zu den Eignungskriterien im Einzelnen vgl. ebenda, S. 202–207.Google Scholar
  131. 990.
    Die Berechnung der Korrelationsmatrix erfolgt i.d.R. nach dem Bravais-Pearson`schen Korrelationskoeffizienten. Vgl. Bleymüller et al. (1985), S. 145f.Google Scholar
  132. 991.
    Vgl. Backhaus et al. (1996), S. 203. Zur Durchführung von Signifikanztests vgl. Hüttner (1989), S. 129.Google Scholar
  133. 992.
    Vgl. Backhaus et al. (1996), S. 204.Google Scholar
  134. 993.
    Vgl. ebenda, S. 204f.Google Scholar
  135. 994.
    Vgl. ebenda, S. 205f.Google Scholar
  136. 995.
    Vgl. Backhaus et al. (1996), S. 206.Google Scholar
  137. 996.
    Die Aufgabe der Faktorextraktion besteht darin, die Faktoren so auszuwählen, dass der von ihnen erklärte Varianzanteil maximal wird. Vgl. Schreiner (1992), S. 97.Google Scholar
  138. 997.
    Vgl. Backhaus et al. (1996), S. 223. Zum Fundamentaltheorem und zur grafischen Interpretation der Faktorenanalyse vgl. bspw. ebenda, S. 208–219.Google Scholar
  139. 998.
    Vgl. ebenda, S. 223.Google Scholar
  140. 999.
    Die Problematik der Verfahrenswahl stellt sich im vorliegenden Untersuchungsfall insofern nur bedingt, dass Green/Tull gezeigt haben, dass sich beide Verfahren in ihren Ergebnissen dann tendenziell angleichen, wenn die Anzahl der zugrunde gelegten Variablen ca. 15 übersteigt. Vgl. Green/Tull (1982), S. 408.Google Scholar
  141. 1000.
    Der Cosinus des 90°-Winkels markiert hierbei einen Korrelationskoeffizienten von null.Google Scholar
  142. 1001.
    Zur grafischen Darstellung des (Rotations-) Prinzips der Faktorenanalyse siehe Abbildung A-11 im Anhang.Google Scholar
  143. 1002.
    Vgl. Backhaus et al. (1996), S. 229f. Zum Rotationsproblem der Faktorenanalyse vgl. bspw. Oberla (1971), S. 167–237.Google Scholar
  144. 1003.
    Vgl. Schreiner (1992), S. 103. Trommsdorff/Zellerhoff bezeichnen voneinander unabhängige Faktoren (für die Positionierung) als Idealfall. Vgl. Trommsdorff/Zellerhoff (1994), S. 361.Google Scholar
  145. 1004.
    Zu einer Ubersicht der Kriterien vgl. bspw. Backhaus et al. (1996), S. 242.Google Scholar
  146. 1005.
    Vgl. Schreiner (1992), S. 100.Google Scholar
  147. 1006.
    Vgl. Backhaus et al. (1996), S. 229.Google Scholar
  148. 1007.
    Inhaltsanalytische Untersuchungen zeigen, dass auch in anderen Branchen bzw. Produktkategorien zumeist nicht mehr als sechs Positionierungs-Dimensionen belegt werden. Vgl. Diller (1998), S. 359. Darüber hinaus stimmen die ermittelten Faktoren mit den faktorenanalytischen Ergebnissen einer vergleichbaren Untersuchung des EMNID-Institutes überein. Drei von vier der von EMNID ermittelten Faktoren (Qualität, Fahrleistung bzw. Dynamik und Repräsentativität/Prestige bzw. Exklusivität) stimmen inhaltlich mit den in dieser Arbeit abgeleiteten Komponenten überein. Vgl. Borg (1974), S. 147–149. Sieben Faktoren identifiziert Sabel an einem Automobilbeispiel. Vgl. Sabel (1990), S. 755.Google Scholar
  149. 1008.
    Vgl. Backhaus et al. (1996), S. 196, 202 und S. 220–222.Google Scholar
  150. 1009.
    Vgl. Schreiner (1992), S. 104; Backhaus et al. (1996), S. 197 und S. 232–234.Google Scholar
  151. 1010.
    toto Zum Zwecke der Interpretations- und Rechenerleichterung wurde die Ausgangsdatenmatrix standardisiert: Die Differenz zwischen den Beobachtungswerten und dem arithmetischen Mittelwert einer Variablen wird durch die Standardabweichung dividiert. Durch diese „Normierung“ ergibt sich ein Mittelwert von null und eine Standardabweichung von eins. Die Werte der standardisierten Datenmatrix werden in der Folge deshalb nicht mehr mit x bzw. y, sondern mit z bezeichnet.Google Scholar
  152. 1011.
    Vgl. Backhaus et al. (1996), S. 232f.Google Scholar
  153. 1012.
    Vgl. ebenda, S. 197. Eine Darstellung der Untersuchungsobjekte (Marke-1-Modelle) nach Faktorwerten in einem mehrdimensionalen Merkmalsraum (Positionierungsmodell) unterbleibt in diesem Fall, da sich der dazu notwendige sechs-dimensionale Raum grafisch nicht darstellen lässt. Eine entsprechende Positionierungsbetrachtung der Marke–1-Modelle wird im weiteren Verlauf als Untersuchungsziel (1) adressiert.Google Scholar
  154. 1013.
    Unter einer Kreuzvalidierung wird die zusätzliche Absicherung empirischer Untersuchungsergebnisse mit Hilfe einer weiteren Stichprobe oder einer Aufsplittung und separaten Analyse der bestehenden Stichprobe verstanden. Vgl. Diller (1992), S. 1179. Da aus forschungsökonomischen Gründen die Überprüfung eines Modells anhand einer neuen Stichprobe häufig nicht möglich ist, wird die Kreuzvalidierung i.d.R. auf eine Teilung der Stichprobe beschränkt, sofern der Stichprobenumfang dies erlaubt. Vgl. Homburg (1989), S. 53.Google Scholar
  155. 1014.
    Faktisch bedeutet dies, dass dem Preis-/Leistungsverhältnis die überragende Auswirkung auf den Wahrnehmungsprozess zukommt, wobei sich die Leistung nur durch den technischen Stand der Produkte, der abstrakt als ein Qualitätsindikator zu interpretieren ist, ausdrückt. Vgl. Kroeber-Riel/Weinberg (1996), S. 376f.; Müller (1981), S. 42.Google Scholar
  156. 1015.
    Zu Summenskalen in der Psychologie vgl. Lienert (1969), Likert (1932), Fishbein (1967), Summers (1970) und Hamman/Erichson (1994).Google Scholar
  157. 1016.
    Das Cronbach Alpha (CA) ist ein Maß für die Eignung von Indikatoren zur Operationalisierung einer hypothetischen Größe und liefert mit einem Maß für die interne Konsistenz ein Indiz dafür, wie gut die berücksichtigten Indikatoren zusammenpassen, um die gesuchte Größe abzubilden. Der Wertebereich des CA liegt zwischen 0 und 1,0. Werte größer als 0,5 stellen ein verlässliches Maß der Eignung dar: „[...] reliabilities of.50 to.60 suffice [...]“, „[...] increasing reliabilities beyond.80 is probably wasteful.“ Churchill (1979), S. 68, FN 1. Auf Faktorenebene durchgeführte Summenbildungen der entsprechenden Image-Items liefern Cronbach-Alphas von 0,8518 für den Faktor Qualität, 0,7085 fr den Faktor Dynamik, 0,6383 fr den Faktor Design sowie 0,5295 fr den Faktor Raumangebot; für die Faktoren V und VI, die aus jeweils nur einem Image-Item bestehen, kann keine Reliabilitätsanalyse berechnet werden.Google Scholar
  158. 1017.
    Die Schichtungsvariable „PKW-Klasse“ hat im Rahmen der Produktimage-Untersuchung per definitionem keine Bedeutung, da die Produktimages jeweils auf Grundlage der tatsächlich abgegebenen Image-Statement-Beurteilungen der Angehörigen einer Klasse für die Probanden der jeweils anderen PKW-Segmente regressionsanalytisch geschätzt wurden. Damit würde die Variable „PKW-Klasse“ nur eine Merkmalsausprägung je Produktimage aufweisen; ein Mittelwertvergleich würde unmöglich und die Varianzanalyse redundant.Google Scholar
  159. 1018.
    Vgl. Backhaus et al. (1996), S. 56. Darüber hinaus bietet die Varianzanalyse die Möglichkeit, mehrere abhängige Variablen simultan zu untersuchen; auf eine Darstellung des Algorithmus der sog. mehrdimensionalen Varianzanalyse soll an dieser Stelle jedoch verzichtet werden. Vgl. hierzu bspw. AhrenslLäuter (1981).Google Scholar
  160. 1019.
    Bleymüller et al. (1998), S. 119.Google Scholar
  161. 1020.
    Vgl. Brosius/Brosius (1996), S. 435.Google Scholar
  162. 1021.
    Vgl. Bleymüller et al. (1998), S. 119.Google Scholar
  163. 1022.
    Vgl. Brosius/Brosius (1996), S. 442.Google Scholar
  164. 1023.
    Vgl. Backhaus et al. (1996), S. 59f.Google Scholar
  165. 1024.
    Vgl. ebenda, S. 56.Google Scholar
  166. 1025.
    Vgl. Bleymüller et al. (1998), S. 119; Brosius/Brosius (1996), S. 435–437.Google Scholar
  167. 1026.
    Bleymiiller et al. (1998), S. 124.Google Scholar
  168. 1027.
    Vgl. ebenda, S. 124.Google Scholar
  169. 1028.
    Vgl. Backhaus et al. (1996), S. 59.Google Scholar
  170. 1029.
    Vgl. ebenda, S. 60.Google Scholar
  171. 1030.
    Vgl. B leymiiller (1998), S. 121f.Google Scholar
  172. 1031.
    Vgl. ebenda, S. 121. Die Gesamtmittelwerte der Faktoren „Studie“ und „Land“ je untersuchter PKW-Klasse sind in der Tabelle 5–13 nicht eingetragen; sie ergeben sich aus der rechnerischen Mittlung der Faktorstufen der Variable „Studie“ über Spalten bzw. der Variablen „Land“ über Zeilen jeweils eines Produktimages (PI-Klasse) unter Berücksichtigung der Proportionalisierung mittels des Gewichtungsfaktors (G;).Google Scholar
  173. 1032.
    Vgl. Backhaus et al. (1996), S. 62–66. Zur rechentechnischen Ableitung der Werte SST, SSB und SSW vgl. stellvertretend für andere Bleymüller et al. (1998), S. 119–124.Google Scholar
  174. 1033.
    Die ermittelten sum of squares geben lediglich einen Hinweis auf die relative Einflussstärke eines Faktors, die Effekte einzelner Faktorstufen können in ihrer Stärke nicht quantifiziert werden. Vgl. ebenda, S. 124.Google Scholar
  175. 1034.
    Vgl. Backhaus et al. (1996), S. 2.Google Scholar
  176. 1035.
    Zur Binartransformation (Dichotomisierung) vgl. bspw. Backhaus et al. (1996), S. 279f.Google Scholar
  177. 1036.
    Vgl. Bleymüller et al. (1998), S. 85f.Google Scholar
  178. 1037.
    Zum Konfidenzintervall für das arithmetische Mittel vgl. ebenda, S. 85–88.Google Scholar
  179. 1038.
    Da das Produktimage des Marke-1-Modells der UKL 1992 nicht erhoben wurde, kann nur ein Inter-Ländervergleich des Jahres 1997 angestellt werden.Google Scholar
  180. 1039.
    Zeitliche Veränderungen werden im Rahmen des Inter–Studienvergleichs behandelt.Google Scholar
  181. 1040.
    Da das Produktimage des Marke-1-Modells der RKL 1992 nicht erhoben wurde, kann nur ein Inter-Ländervergleich des Jahres 1997 angestellt werden.Google Scholar
  182. 1041.
    Die Interpretation der Ergebnisse des ersten Studienzeitraums bleibt an dieser Stelle dem Leser überlassen.Google Scholar
  183. 1042.
    Der künstlich geschaffene Gesamtmarkt „Europa“ (EU) soll bei dieser Betrachtung unberücksichtigt bleiben, da er sich aus der Aggregation der fünf geografischen Erhebungsräume (D, F, E, I und G) definiert und bei der Spaltenanalyse nach Faktoren doppelt „gezählt“ würde.Google Scholar
  184. 1043.
    Die Darstellung folgt dabei der üblichen Notation der Faktorenanalyse, wonach gerichtete Pfeile von dem zu operationalisierenden hypothetischen Konstrukt auf die zu dessen Messung eingesetzten Indikatoren zeigen.Google Scholar
  185. 1044.
    Vgl. hierzu Kapitel 5.1 dieser Arbeit.Google Scholar
  186. 1045.
    Der künstlich geschaffene Gesamtmarkt „Europa“ (EU) soll bei dieser Betrachtung außen vor bleiben, da er sich aus der Aggregation der fünf geografischen Erhebungsräume (D, F, E, I und G) definiert und bei der Spal-tenanalyse doppelt „gezählt“ würde.Google Scholar
  187. 1046.
    Sobol et al. (1992), S. 19 [Ergänzungen durch den Verfasser].Google Scholar
  188. 1047.
    Dowling (1986), S. 112. Zu einer Auswahl relevanter Unternehmensimage-Dimensionen vgl. ebenda, S. 113.Google Scholar
  189. 1048.
    Zu einer entsprechenden Übersicht vgl. Barich/Kotler (1991), S. 97.Google Scholar
  190. 1049.
    Vgl. Sobol et al. (1992), S. 12.Google Scholar
  191. 1050.
    Vgl. ebenda, S. 27f.Google Scholar
  192. 1051.
    Zu den Einflussgrößen des Unternehmensimages im Allgemeinen vgl. bspw. Fritschle/Frey (1996).Google Scholar
  193. 1052.
    Zum Structural Equation Modeling vgl. bspw. Aaker (1981), S. 31–70 und die Grundlagen in Johnston (1972) und Pindyck/Rubinfeld (1998).Google Scholar
  194. 1053.
    Zu konkurrierenden Kausalitätskonzeptionen vgl. Muliak/James (1995), S. 118–137; Hodapp (1984), S. 10–12; Bagozzi (1980), S. 10–54.Google Scholar
  195. 1054.
    Vgl. Kenny (1979), S. 3f.; Hildebrandt (1983), S. 21f.Google Scholar
  196. 1055.
    Zur Ableitung des Bezugsrahmens vgl. Kapitel 3.1 dieser Arbeit.Google Scholar
  197. 1056.
    Vgl. Fornell (1986), S. 3.Google Scholar
  198. 1057.
    Vgl. Opp/Schmidt (1976), S. 91–93.Google Scholar
  199. 1058.
    Vgl. Asher (1983), S. 13.Google Scholar
  200. 1059.
    Vgl. Blalock (1962), S. 25.Google Scholar
  201. 1060.
    Vgl. Backhaus et al. (1996), S. 330.Google Scholar
  202. 1061.
    Vgl. ebenda, S. 330.Google Scholar
  203. 1062.
    Auf die Abbildung bi-kausaler Variablenbeziehungen wird im Zusammenhang mit nichtrekursiven Kausalmo-dellen gesondert eingegangen.Google Scholar
  204. 1063.
    Der partielle Korrelationskoeffizient gibt die Korrelation zwischen zwei Variablen unter der Bedingung an, dass der Einfluss von Drittvariablen konstant gehalten wird. Vgl. Backhaus et al. (1996), S. 332.Google Scholar
  205. 1064.
    Zur Berechnung des partiellen Korrelationskoeffizienten vgl. ebenda, S. 332.Google Scholar
  206. 1065.
    Vgl. ebenda, S. 335.Google Scholar
  207. 1066.
    Vgl. Hildebrandt (1983), S. 22.Google Scholar
  208. 1067.
    Vgl. ebenda, S. 22.Google Scholar
  209. 1068.
    Vgl. Saris/Stronkhorst (1984), S. 18f.Google Scholar
  210. 1069.
    Vgl. Hildebrandt (1983), S. 22.Google Scholar
  211. 1070.
    Vgl. ebenda, S. 22.Google Scholar
  212. 1071.
    Vgl. Berry (1984), S. 14.Google Scholar
  213. 1072.
    Ein Panel stellt eine regelmäßig wiederholte Messung derselben Variablen bei denselben Erhebungseinheiten dar. ()bliche Formen sind Haushalts- und Handelspanels.Google Scholar
  214. 1073.
    Picot (1972), S. 86–90; Kirk (1982), S. 20–23.Google Scholar
  215. 1074.
    Zur idealtypischen Vorgehensweise der Kausalanalyse vgl. bspw. Homburg (1992b), S. 507.Google Scholar
  216. 1075.
    Vgl. Blalock (1963), S. 53–62.Google Scholar
  217. 1076.
    Vgl. Cliff (1983), S. 117f; Bollen (1989), S. 67–72.Google Scholar
  218. 1077.
    Zur Pfadanalyse vgl. Hermann (1984), S. 12–15 und die dort angegebene Literaturübersicht.Google Scholar
  219. 1078.
    Vgl. Backhaus et al. (1996), S. 323. In diesem Zusammenhang sollte allerdings berücksichtigt werden, dass selbst bei Einklang der empirischen Validierung mit dem ihr zugrunde liegenden theoretischen Modell nicht ei-ne positive Bestätigung, sondern allenfalls eine Nichtablehnung der Theorie geschlussfolgert werden darf. Vgl. Cliff (1983), S. 117f.Google Scholar
  220. 1079.
    Vgl. Hildebrandt (1983), S. 44–58; Homburg (1989), S. 13–17; Bollen (1989), S. 4–9.Google Scholar
  221. 1080.
    Aus diesem Grund wird die Kausalanalyse auch als Kovarianzstrukturanalyse bezeichnet. Vgl. Backhaus et al. (1996), S. 326f.Google Scholar
  222. 1081.
    Vgl. Blalock (1963), S. 53–62.Google Scholar
  223. 1082.
    Manifeste Größen werden in der üblichen Notation der Kausalanalyse als rechteckige Objekte mit lateinischer Kleinbuchstabenbezeichnung, latente Variablen als ovale Objekte mit griechischer Kleinbuchstabenbezeich-nung dargestellt. Vgl. Backhaus et al. (1996), S. 324f. und Wottawa (1980), S. 199.Google Scholar
  224. 1083.
    Kroeber-Riel (1992), S. 28, zitiert nach Backhaus et al. (1996), S. 325.Google Scholar
  225. 1084.
    Vgl. Bruhn (1990), S. 91; Gierl (1995), S. 27. Zur Operationalisierung hypothetischer Marketingkonstrukte vgl. bspw. Churchill (1979).Google Scholar
  226. 1085.
    Kroeber-Riel (1992), S. 28, zitiert nach Backhaus et al. (1996), S. 325.Google Scholar
  227. 1086.
    Vgl. Kline (1998), S. 343–364.Google Scholar
  228. 1087.
    Vgl. Hildebrandt (1983), S. 44–58.Google Scholar
  229. 1088.
    Vgl. Strotz/Wold (1985), S. 125–136; Duncan (1975), S. 25–50 und S. 67–80. Nichtrekursive Kausalmodelle werden auch als nichthierarchische Modelle, Feedback- oder Simultan-Modelle bezeichnet. Vgl. Kenny (1979), S. 96.Google Scholar
  230. 1089.
    Vgl. Baumgartner/Homburg (1996), S. 139–161.Google Scholar
  231. 1090.
    Vgl. dazu die Literaturangaben bei Berry (1984), S. 9.Google Scholar
  232. 1091.
    Vgl. Hildebrandt (1983), S. 25f.Google Scholar
  233. 1092.
    Vgl. Berry (1984), S. 14.Google Scholar
  234. 1093.
    Zur LISREL-Kausalanalyse vgl. stellvertretend für andere Backhaus et al. (1996), S. 322–430; zur Bezeichnung und Bedeutung der Variablen eines vollständigen LISREL-Kausalmodells vgl. ebenda, S. 345.Google Scholar
  235. 1094.
    Da die latente Größe als für die Merkmalsausprägungen der Indikatoren verursachend verstanden wird und nicht umgekehrt, zeigen die gerichteten Pfeile von dem latenten hypothetischen Konstrukt auf die Messgröße und nicht umgekehrt. Vgl. Backhaus et al. (1996), S. 347.Google Scholar
  236. 1095.
    Vgl. Wottawa (1980), S. 199.Google Scholar
  237. 1096.
    Die Symbolisierung des gekrümmten Doppelpfeils und die Parameterbezeichung (sprich: phi) sind bei Korrelationsbeziehungen zwischen endogenen Variablen identisch; ist der Zusammenhang zwischen den endogenen Größen ferner kausal interpretierbar, wird der entsprechende Pfadkoeffizient mit ß (sprich: beta) bezeichnet.Google Scholar
  238. 1097.
    Bei der Messung einer latenten Größe durch mehrere Indikatorvariablen werden Messfehler einzelner Indikatoren minimiert.Google Scholar
  239. 1098.
    Parameter, die Beziehungen zwischen zwei Variablen bezeichnen, werden doppelt indiziert: Der erste Index entspricht der Variablen, bei der der Pfeil ankommt (determinierte Variable), und der zweite Index entspricht jener Variablen, von der der Pfeil ausgeht (determinierende Variable). Vgl. Homburg (1992a), S. 542.Google Scholar
  240. 1099.
    Vgl. bspw. Backhaus et al. (1996), S. 322–430; Hayduk (1987); Pfeifer/Schmidt (1987); Long (1983).Google Scholar
  241. 1100.
    Zu Vorteilen der grafischen Darstellung vgl. Backhaus et al. (1996), S. 334.Google Scholar
  242. 1101.
    Zur Z-Standardisierung von Variablen vgl. Backhaus et al. (1996), S. 335f. Durch die Standardisierung der Modellvariablen entfällt das absolute Glied der Regressionsgleichung; dies vereinfacht einerseits die Schätzung, andererseits wird die (Güte der) Schätzung dadurch nicht beeinträchtigt. Vgl. Asher (1983), S. 15. Ferner ergibt sich aus der Standardisierung eine Entsprechung von Kovarianz und Korrelation.Google Scholar
  243. 1102.
    Vgl. Berry (1984), S. 14.Google Scholar
  244. 1103.
    Zur Üb erführung der Modellbeziehung(en) in eine lineare Strukturgleichung/ein Strukturgleichungssystem sind genau so viele Strukturgleichungen zu formulieren, wie endogene Variablen in das Modell aufgenommen werden. Die Indices der - ebenfalls standardisierten 2014 Pfadkoeffizienten (p) einer Strukturgleichung geben an erster Stelle den Index der wirkenden, an zweiter Stelle den Index der verursachenden Variablen an. Vgl. Backhaus et al. (1996), S. 334.Google Scholar
  245. 1104.
    Bei einer regressionsanalytischen Schätzung unter Verwendung der Kleinste-Quadrate-Methode sind neben allgemeinen Voraussetzungen insbesondere die Annahmen über die Verteilung der Residualgrößen zu beachten. Den Bedingungen der Regressionsanalyse über die Variablenverteilungen wird an gegebener Stelle der anwen dungsbezogenen Kausalstruktur Rechnung getragen. Zur Regressionsanalyse und den ihr zugrunde liegenden Annahmen vgl. Kapitel 5.2.1 dieser Arbeit und Backhaus et al. (1996), S. 32–36. Zum Fundamentaltheorem der Pfadanalyse vgl. derselbe, S. 335–341 und Uberla (1971), S. 50–54.Google Scholar
  246. 1105.
    Vgl. Backhaus et al. (1996), S. 338.Google Scholar
  247. 1106.
    Vgl. Asher (1983), S. 64.Google Scholar
  248. 1107.
    Vgl. Hildebrandt (1983), S. 37; Asher (1983), S. 27.Google Scholar
  249. 1108.
    Vgl. ebenda, S. 53. Zur inhaltlichen Interpretation der Identifikation vgl. Pearal (1997), S. 29f.Google Scholar
  250. 1109.
    Zur Prüfung eines (nichtrekursiven) Strukturgleichungssystems vgl. stellvertretend für andere: Berry (1984), S. 62–65. Auf die ausführliche Darstellung der Identifikationsmethodik soll an dieser Stelle mit Rücksicht auf Anspruch und Umfang dieser Arbeit verzichtet werden; nichtsdestotrotz wird im Rahmen der empirischen Validierung des anwendungsbezogenen Kausalmodells der Identifikation Rechnung getragen.Google Scholar
  251. 1110.
    Vgl. Asher (1983), S. 54. Zu den Annahmen der KQS vgl. Backhaus et al. (1996), S. 31–36.Google Scholar
  252. 1111.
    Korrelationen und Kovarianzen sind bei Verwendung standardisierter Variablen identisch. Vgl. Backhaus et al. (1996), S. 338.Google Scholar
  253. 1112.
    Vgl. Jöreskog/Sörbom (1995).Google Scholar
  254. 1113.
    Vgl. Arbuckle (1997), S. 1. Vgl. auch die ausführlichen Darstellungen bei Jöreskog/Sörbom (1989), S. 17–24.Google Scholar
  255. 1114.
    Die Auswahl eines geeigneten Schätzverfahrens für die vorliegende Untersuchung wird an späterer Stelle ausführlich diskutiert und einzelfallspezifisch entschieden.Google Scholar
  256. 1115.
    Vgl. Homburg (1992b), S. 504.Google Scholar
  257. 1116.
    Vgl. Jöreskog/Sörbom (1993), S. 120–131.Google Scholar
  258. 1117.
    Vgl. Backhaus et al. (1996), S. 393. Zu Gründen für das Auftreten von Fehlspezifikationen in Kausalmodellen vgl. Bagozzi (1980), S. 96.Google Scholar
  259. 1118.
    Zum Chi-Quadrat-Test („CHI2“) vgl. Hildebrandt (1983), S. 95–105; Backhaus et al. (1996), S. 398; Bagozzi (1980), S. 105; Jöreskog/Sörbom (1989), S. 28; Homburg (1989), S. 48; BrosiusBrosius (1996), S. 507–510. Zum Root-Mean-Square-Residual-Index („RMR“) vgl. bspw. Fritz (1992), S. 126; HuBentler (1995), S. 98.Google Scholar
  260. 1119.
    Vgl. bspw. Homburg/Baumgartner (1995b), S. 166.Google Scholar
  261. 1120.
    Vgl. Balderjahn (1986b), S. 9; HuBentler (1995), S. 92.Google Scholar
  262. 1121.
    Vgl. Homburg (1992b), S. 504.Google Scholar
  263. 1122.
    Zur Indikatorreliabilität vgl. stellvertretend für andere Hildebrandt (1984), S. 47; Fritz (1992), S. 131; HornburgBaumgartner (1995b), S. 170; Balderjahn (1986a), S. 117. Zur durchschnittlich erklärten Varianz vgl. bspw. Bagozzi/Baumgartner (1994), S. 402; Balderjahn (1986a), S. 118; Homburg/Baumgartner (1995b), S. 170 und die jeweils angegebene Literatur. Zur Konstruktreliabilität vgl. u.a. Fritz (1992), S. 134; Homburg/ Baumgartner (1995b), S. 170; Churchill (1979), S. 70. Balderjahn halt dagegen bereits ein Konstruktreliabilitätssmaß >_ 0,3 für akzeptabel. Vgl. Balderjahn (1986a), S. 118. Vgl. auch Lücking (1995), S. 78; Homburg/ Giering (1996), S. 11. Zur Diskriminanzvalidität vgl. bspw. Balderjahn (1986a), S. 171; Fritz (1992), S. 137f.; Fornel l/Larcker (1981), S. 46; Lucking (1995), S. 80; Homburg/Giering (1996), S. 11; Churchill (1979), S. 7072.Google Scholar
  264. 1123.
    Vgl. Homburg/Baumgartner (1995b), S. 170.Google Scholar
  265. 1124.
    Vgl. dazu die Beispiele bei Backhaus et al. (1996), S. 390 und Bollen (1989), S. 36–39.Google Scholar
  266. 1125.
    Eine ausführliche Darstellung der Berechnung totaler Effekte in nichtrekursiven Kausalmodellen findet sich bei Hayduk (1987), S. 247–264 sowie Bollen (1989), S. 376–382.Google Scholar
  267. 1126.
    Vgl. Jöreskog/Sörbom (1989), S. 33.Google Scholar
  268. 1127.
    Vgl. bspw. Bagozzi (1980), Hildebrandt (1983), Förster (1983), Balderjahn (1986b), Homburg (1989), Baumgartner/Homburg (1996) und Fritz (1992).Google Scholar
  269. 1128.
    Vgl. Homburg/Sütterlin (1990), S. 181.Google Scholar
  270. 1129.
    Der LISREL Ansatz der Kausalanalyse liegt als PC-Software, mittlerweile in der Version 9 vor. Vgl. Jöreskog/ Sörbom (1998).Google Scholar
  271. 1130.
    Zum AMOS-Ansatz der Kausalanalyse vgl. bspw. Arbuckle (1997).Google Scholar
  272. 1131.
    Zum EQS-Ansatz (EQuations based Structural program) vgl. Bentler (1985). Ein Vergleich zwischen LISREL und EQS findet sich bei Homburg/Sütterlin (1990), S. 181–191.Google Scholar
  273. 1132.
    Zum PLS-Ansatz Ceartial Least square) vgl. Wold (1982).Google Scholar
  274. 1133.
    Vgl. Kline (1998), S. 343–364.Google Scholar
  275. 1134.
    Vgl. bspw. Backhaus et al. (1996), S. 322–430; Hayduk (1987); Pfeifer/Schmidt (1987); Long (1983).Google Scholar
  276. 1135.
    Wie in den vorangegangenen empirischen Untersuchungen sollen auch im Rahmen der sich anschließenden Kausalanalysen ausschließlich Produkte, Marke und Unternehmen des die Feldstudien in Auftrag gebenden Au-tomobilherstellers berücksichtigt werden; diese werden wie bisher durch die Bezeichnung „Marke-1“ kenntlich gemacht.Google Scholar
  277. 1136.
    Zur Operationalisierung des Produktimages vgl. Kapitel 5.2.1 dieser Arbeit.Google Scholar
  278. 1137.
    Zur Operationalisierung des Markenimages vgl. Kapitel 5.2.1 dieser Arbeit.Google Scholar
  279. 1138.
    Zur Operationalisierung des Unternehmensimages vgl. Kapitel 5.2.1 dieser Arbeit.Google Scholar
  280. 1139.
    Mit den nachfolgend spezifizierten Partialmodellen I bis IV wird diesem Umstand Rechnung getragen.Google Scholar
  281. 1140.
    Die Einschränkung wird im weiteren Verlauf der Arbeit ausführlich argumentiert.Google Scholar
  282. 1141.
    Zur Zuordnung der Faktoren I bis VI zu den Indikatoren (Image-Items) vgl. Kapitel 5.2.1 dieser Arbeit.Google Scholar
  283. 1142.
    Dieses Vorgehen entspricht dem Vorschlag von Schneeweiß, die Konstruktion insbesondere quantitativer (Entscheidungs-) Modelle in zwei Stufen zu vollziehen: In einem ersten Schritt („Abstraktion“) wird ein sog. Realmodell (master model), in diesem Fall das Totalmodell, konstruiert. Im Rahmen der sog. „Relaxation“ wird das Realmodell (Obermodell) zu Vereinfachungs- und Operationalisierungzwecken in Untermodelle, in diesem Fall in die Partialmodelle I bis IV, aufgespalten. Vgl. Schneeweiß (1984 und 1987).Google Scholar
  284. 1143.
    Zu den Operationalisierungsalternativen der Markenbekanntheit (brand awareness) und der Beziehung zwischen ihnen vgl. Laurent et al. (1995), S. G170–G179.Google Scholar
  285. 1144.
    Zur Einflussstruktur der (sozial-) statistischen Erklärungsvariablen vgl. Kapitel 5.2.1 dieser Arbeit.Google Scholar
  286. 1145.
    Vgl. Diller (1992), S. 1179.Google Scholar
  287. 1146.
    Zur Einflussstruktur der (sozial-) statistischen Erklärungsvariablen vgl. Kapitel 5.2.1 dieser Arbeit.Google Scholar
  288. 1147.
    Zur Einflussstruktur der (sozial-) statistischen Erklärungsvariablen vgl. Kapitel 5.2.1 dieser Arbeit.Google Scholar
  289. 1148.
    Zur Einflussstruktur der (sozial-) statistischen Erklärungsvariablen vgl. Kapitel 5.2.1 dieser Arbeit.Google Scholar
  290. 1149.
    Korrelationen und Kovarianzen sind bei Verwendung standardisierter Variablen identisch. Vgl. Backhaus et al. (1996), S. 338.Google Scholar
  291. 1150.
    Vgl. Jöreskog/Sörbom (1995).Google Scholar
  292. 1151.
    Vgl. Backhaus et al. (1996), S. 335f.Google Scholar
  293. 1152.
    Zu den (allgemeinen) Bedingungen der Kleinste-Quadrate-Schatzung (KQS) vgl. ebenda, S. 32–36.Google Scholar
  294. 1153.
    Zu den Bedingungen einer OLS-Schätzung an die Residualgrößen vgl. Asher (1983), S. 26.Google Scholar
  295. 1154.
    Ebenda, S. 27. Vgl. auch Long (1983), S. 35 und Hildebrandt (1983), S. 37.Google Scholar
  296. 1155.
    Vgl. Arbuckle (1997), S. 1.Google Scholar
  297. 1156.
    Vgl. HomburgBaumgartner (1995a), S. 1102.Google Scholar
  298. 1157.
    Zur Vorteilhaftigkeit der ML-Schätzung gegenüber anderen Verfahren vgl. Hildebrandt (1983), S. 88.Google Scholar
  299. 1158.
    Vgl. Boomsma (1983), S. 191.Google Scholar
  300. 1159.
    Vgl. ebenda, S. 113. Außerhalb des LISREL-Ansatzes wird bei ML-Schätzungen eine Stichprobengröße von n = 60 als ausreichend erachtet, damit die vorteilhaften Eigenschaften vorliegen. Vgl. Eliason (1993), S. 8 und S. 83.Google Scholar
  301. 1160.
    Zu Grundlagen der ML-Schätzung vgl. Kmenta (1986), S. 175–183.Google Scholar
  302. 1161.
    Mit der „Critical Ratio“ (C.R.) weist AMOS den Wert der Prüfgröße t aus. Werte kleiner als 1,96 bedeuten dabei einen Fehler von größer als 5% (95%iges Signifikanzniveau) und zeigen einen insignifikanten Regressionskoeffizienten an.Google Scholar
  303. 1162.
    Der iterative Schätzprozess wird in AMOS in der sog. „Minimization History“ protokolliert.Google Scholar
  304. 1163.
    Die Bestimmung der totalen Beeinflussungseffekte der Partialmodelle I bis IV erfolgt im Rahmen der Modellinterpretation.Google Scholar
  305. 1164.
    Die Tabelle A-72 im Anhang fasst sämtliche Ausprägungen der gewählten formalen Kriterien zur Modellbeurteilung (Spalten) nach Partialmodellen und Studie-Land-Kombinationen (Zeilen) zusammen.Google Scholar
  306. 1165.
    Vgl. dazu die Beispiele bei Backhaus et al. (1996), S. 390 und Bollen (1989), S. 36–39.Google Scholar
  307. 1166.
    Die totalen Effekte der Partialmodelle I bis IV finden sich in den Tabellen A-73 bis A-81 im Anhang.Google Scholar
  308. 1167.
    Siehe hierzu die Tabellen A-73 und A-74 im Anhang mit den totalen Effekten des Partialmodells I.Google Scholar
  309. 1168.
    Zum t-Test bzw. t-Wert vgl. bspw. BrosiusBrosius (1996), S. 401–416.Google Scholar
  310. 1169.
    Siehe hierzu die Tabellen A-75 und A-76 im Anhang mit den totalen Effekten des Partialmodells II.Google Scholar
  311. 1170.
    Siehe hierzu die Tabellen A-77 und A-78 im Anhang mit den totalen Effekten des Partialmodells III.Google Scholar
  312. 1171.
    Siehe hierzu die Tabellen A-79 bis A-81 im Anhang mit den totalen Effekten des Partialmodells IV.Google Scholar
  313. 1176.
    Zum Inter-Studienvergleich vgl. die Ausführungen in Kapitel 5.2.1 dieser Arbeit. In diesem Abschnitt wurden ferner die ermittelten zeitlichen Veränderungen der Produktimagedimensionen und Markenwerte dargestellt.Google Scholar
  314. 1177.
    Vgl. hierzu die Ausführungen in Kapitel 5.2.2 dieser Arbeit.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2001

Authors and Affiliations

  • Alexander W. Wehr

There are no affiliations available

Personalised recommendations