Advertisement

Auszug

Im fünften Kapitel werden in drei Schritten die Ergebnisse der durchgeführten quantitativen Untersuchung vorgestellt. Zuerst wird im Hauptabschnitt 5.1 der Fragebogenrücklauf auf Repräsentativität und verzerite Antworten untersucht. Daran schließt sich im Hauptabschnitt 5.2 die Güteprüfung des Forschungsmodells an. Im verbleibenden Hauptabschnitt 5.3 werden dann abschließend die inhaltlichen Ergebnisse des Forschungsmodells dargestellt, die anschließend in Kapitel 6 dieser Arbeit diskutiert werden.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 935.
    Vgl. Cohen (1992). Das Signifikanzniveau („α“ oder „p“) ist die Wahrscheinlichkeit, eine Null-Hypothese eines statistischen Tests fälschlicherweise abzulehnen. In dieser Arbeit werden die Signifikanzniveaus analog den gängigen Konventionen wie folgt gekennzeichnet: schwache Signifikanz (p≤0,1) mit Symbol „#“; Signifikanz (p≤0,05) mit Symbol „*“; hohe Signifikanz (p≤0,01) mit Symbol „**“; höchste Signifikanz (p≤0,001) mit Symbol „***“, vgl. Cowles/Davis (1982); Bagozzi/Yi (1988), S. 77 und Bortz (2005), S. 113–114. Die „Statistical Power“ bzw. Teststärke (1-β) ist dagegen die Wahrscheinlichkeit, die Null-Hypothese eines statistischen Tests korrekterweise ablehnen zu können, vgl. Cohen (1988), S. 1–6. Siehe zur Relevanz der Statistical Power im Zusammenhang mit SEM als Auswertungsmethode Bagozzi/Yi (1988), S. 77–78 und Saris/Satorra (1993).Google Scholar
  2. 936.
    Vgl. Diskussion zur ausschließlichen Betrachtung von Signifikanzniveaus Nickerson (2000).Google Scholar
  3. 937.
    Vgl. Bortz (2005), S. 120–121.Google Scholar
  4. 938.
    Vgl. Cashen / Geiger (2004), S. 165 und Cohen (1988). Dabei sind insb. die Effektstärken-Kategorisierungen für Mittelwerte, Regressionen/Korrelationen und Goodness-of-Fit Indices relevant.Google Scholar
  5. 939.
    Vgl. Cohen (1992) und Sedlmeier/Gigerenzer (1989). Cashen & Geiger empfehlen sogar auf diesem Signifikanzniveau anzustrebende Statistical Power Niveaus von (1-β)≥0,95, vgl. Cashen/Geiger (2004), S. 163.Google Scholar
  6. 940.
    Grundlage der Ermittlung der Statistical Power stellt die frei verfügbare Software „G*Power“ dar, vgl. Erdfelder / Faul / Buchner (1996) und Faul et al. (2007). Die Software kann im Internet bezogen werden über die Adresse http://www.psycho.uni-duesseldorf.de/abteilungen/aap/gpower3/download-and-register, abgerufen am 02.07.2007.Google Scholar
  7. 941.
    Quelle: Eigene Darstellung.Google Scholar
  8. 942.
    Vgl. Cashen / Geiger (2004), S. 160.Google Scholar
  9. 943.
    Vgl. Schnell / Hill / Esser (2005), S. 304–306 und Bohrnstedt/Knoke (1994), S. 15–16.Google Scholar
  10. 944.
    Vgl. Little / Schenker (1995), S. 39 und Tsikriktsis (2005), S. 53 sowie die dort angegebenen Quellen.Google Scholar
  11. 945.
    Vgl. Little / Schenker (1995), S. 42. Unter den Begriff der „Unit Nonresponse“ fallen diejenigen Fragebögen, die vollständig unbeantwortet bleiben. „Item Nonresponse“ stellt dagegen inhaltlich auf unvollständig ausgefüllte Fragebögen ab. Siehe ergänzend Groves (1989), S. 135.Google Scholar
  12. 946.
    Vgl. Roth / Switzer / Switzer (1999), S. 215–216.Google Scholar
  13. 947.
    Vgl. Little / Schenker (1995).Google Scholar
  14. 948.
    Abschnitte 5.1.1 und 5.1.3.1 adressieren über Listwise Deletion und EM-Imputation sowie über die Untersuchung des Nonresponse-Bias den „Item Nonresponse“. Abschnitt 5.1.2.1 befasst sich über Stichprobenstrukturanalyse sowie Antwort-und Rücklaufquotenbetrachtung mit dem „Unit-Nonresponse“.Google Scholar
  15. 949.
    Vgl. Raaijmakers (1999), S. 727.Google Scholar
  16. 950.
    Vgl. Roth (1994), S. 538–539 und ergänzend Bortz (2005), S. 35–46; Newman (2003) und Roth/Switzer (1995).Google Scholar
  17. 951.
    Vgl. bspw. im Kontext Organisationsstruktur und Erfolg Richardson et al. (2002), S. 226.Google Scholar
  18. 952.
    Vgl. Little / Rubin (2002), S. 3–23. Diese ersetzenden Verfahren werden häufig auch als „Imputation Methods“ bezeichnet.Google Scholar
  19. 953.
    Vgl. Newman (2003), S. 329. Siehe auch Tsikriktsis, der besonders die Bedeutung des Verfahrens zum Umgang mit fehlenden Werten ab einem Anteil von 20% betont, vgl. Tsikriktsis (2005), S. 60.Google Scholar
  20. 954.
    Roth & Switzer zeigen dies in einer Monte-Carlo-Simulation mit 10%, 20% und 30% Anteil fehlender Werte am Beispiel von Standardfehlern der Parameterschätzung, die z.B. für die Ermittlung von Globalgütemaßen benötigt werden, vgl. Roth / Switzer (1995). Siehe zu Globalgütemaßen Abschnitt 5.2.2.3 (S. 176 ff.).Google Scholar
  21. 955.
    Dabei handelt es sich um den „Unit Nonresponse“.Google Scholar
  22. 956.
    Zur Anwendung kam: „Listwise Deletion“, vgl. Newman (2003), S. 330–331 und Malhotra (1987), S. 75.Google Scholar
  23. 957.
    In einer Metaanalyse im Operations Management Kontext findet Tsikriktsis, dass im Durchschnitt 13% fehlender Werte in empirischen Untersuchungen ausgewiesen wurden und dann mit statistischen Verfahren zur Bereinigung behandelt wurden, vgl. Tsikriktsis (2005).Google Scholar
  24. 958.
    Siehe Tabelle 82 für die deskriptiven Statistiken der in dieser Arbeit verwendeten manifesten Variablen im Anhang 1 (S. 274 ff.).Google Scholar
  25. 959.
    Siehe Abbildung 28 (S. 153).Google Scholar
  26. 960.
    So bemerken Little & Schenker: „[...] the rejection of incomplete cases seems an unnecessary waste of information: if the number of variables is large, then even a sparse pattern of missing [.. values (d.A.)] can result in a substantial number of incomplete cases. It seems reasonable to seek ways of incorporating the incomplete cases into the analysis. One approach is to drop [.. only those cases (d.A.)] with high levels of nonresponse [...]“, vgl. Little / Schenker (1995), S. 44.Google Scholar
  27. 961.
    Vgl. Little / Schenker (1995), S. 45–69. Die Imputation fehlender Werte erfolgte für Variablen auf Basis der Likert-Skala. Intervall-bzw. ratioskalierte Daten wie Alter und Mitarbeiterzahl wurden immer durch externe Quellen wie der Homepage des betreffenden Unternehmens ersetzt. Nominalskalierte, Daten wie bspw. der Funktion des Befragten im Unternehmen wurden prinzipiell nicht behandelt, da hier das Verzerrungspotenzial durch statistische Verfahren zum Ersetzen fehlender Werte zu schwer wiegt. Siehe zu Skalenniveaus Abschnitt 4.2.1.2 (S. 126 ff.).Google Scholar
  28. 962.
    Quelle: In Anlehnung an Tsikriktsis (2005), S. 57–58.Google Scholar
  29. 963.
    Vgl. bspw. Decker / Wagner / Temme (2000), S. 93 und Fichman/Cummings (2003).Google Scholar
  30. 964.
    Vgl. Fichman / Cummings (2003), S. 288 und Newman (2003), S. 357. Vgl. auch für eine detaillierte Beschreibung des zweistufigen, iterativen EM-Verfahrens Malhotra (1987) und Atkinson/Cheng (2000), S. 363–365.Google Scholar
  31. 965.
    Für ein Review der typischerweise erzielten Ergebnisse der SPSS-EM-Imputation siehe v. Hippel (2004), S. 162–164.Google Scholar
  32. 966.
    Vgl. Tiede / Voß (2000), S. 84 und Zentes/Swoboda (2001), S. 506.Google Scholar
  33. 967.
    Vgl. Berekoven / Eckert / Ellenrieder (2006), S. 51.Google Scholar
  34. 968.
    Vgl. Dillman (1991), S. 227.Google Scholar
  35. 969.
    Vgl. Zentes / Swoboda (2001), S. 474.Google Scholar
  36. 970.
    Vgl. bspw. Krosnick (1999), S. 539.Google Scholar
  37. 971.
    Kernunterscheidungsmerkmal ist der Bezug auf „returned questionnaires“ für die Ermittlung der Antwortquote bzw. „usable questionnaires“ für die Ermittlung der Rücklaufquote. Relevant für das externe Reporting empirischer Studien sind die „usable questionnaires“, mithin die Rücklaufquote, vgl. Baruch (1999), S. 424.Google Scholar
  38. 972.
    Die Rücklaufquote errechnet sich aus Anzahl auswertbarer Datensätze geteilt durch das relevante Sample, vgl. Chang / Chang / Paper (2003), S. 696 und Hanks/Chandler (1994), S. 29. Im Fall der Stichprobengröße von 5.330 Unternehmen: (580)/(5.330−240−143)=11,7%.Google Scholar
  39. 973.
    Die Antwortquote bzw. „Cooperation Rate“ errechnet sich aus der Anzahl Rückmeldungen geteilt durch die Anzahl erfolgreich versandter Einladungen, vgl. Groves (1989), S. 141 und Claas (2006), S. 172. Diese Größe charakterisiert den Erfolg eines Forschers, die geeigneten Befragungsobjekte für die Teilnahme an der Umfrage zu motivieren. Bezogen auf die relevante Stichprobengröße von 5.330 Unternehmen: (1.039+143) /(5.330−240)=23,2% Vgl. zu den Definitionen Churchill/Iacobucci (2002), S. 529–530.Google Scholar
  40. 974.
    Vgl. Baruch (1999), S. 424.Google Scholar
  41. 975.
    Vgl. Bourke / Fielder (2003) S. 16–17 und Klassen/Jacobs (2001), S. 720.Google Scholar
  42. 976.
    Auf Basis von Vergleichsstudien zu Online-/Offline-Umfragen kann davon ausgegangen werden, dass internetbasierte Umfragen gegenüber papierbasierten Umfragen eine bis zu 50% geringere Rücklaufquote implizieren, vgl. Klassen / Jacobs (2001), S. 720 und Schuldt/Totten (1994), S. 38.Google Scholar
  43. 977.
    Vgl. Bartholomew / Smith (2006), S. 85 und Baruch (1999), S. 431.Google Scholar
  44. 978.
    Vgl. für größere Firmen Hambrick / Geletkanycz / Fredrickson (1993), S. 407 und für kleinere Firmen Newby/Watson/Woodliff (2003), S. 166–168 und BarNir/Smith (2002), S. 224. Siehe ergänzend auch Homburg/Workman/Krohmer (1999), S. 6 und Bartholomew/Smith (2006), S. 85. Vgl. für eine Metaanalyse zu Rücklaufquoten von Umfragen, die an das Topmanagement von Unternehmen gerichtete waren Cycyota/Harrison (2006), S. 144–145.Google Scholar
  45. 979.
    Vgl. Westhead / Ucbasaran / Wright (2005), S. 399; Rutherford/Butler/McMullen (2003), S. 327; Lin/Germain (2003), S. 1140–1141; Claycomb/Germain/Dröge (2000), S. 225; Miles/Covin/Heeley (2000), S. 66 und Covin/Slevin (1988), S. 224.Google Scholar
  46. 980.
    Typischerweise beträgt bei papierbasierten Umfragen an Unternehmen die Rücklaufquote durchschnittlich 21%, vgl. Dillman (2000), S. 323.Google Scholar
  47. 981.
    Vgl. für das zweite Forschungsprojekt Voll (2008e).Google Scholar
  48. 982.
    Deutskens et al. fanden z.B. in einer Vergleichsstudie, dass die längere Online-Umfragen (≈37 min. Antwortzeit) gegenüber der kürzeren (≈22 Min. Antwortzeit) mit einem Rückgang der Rücklaufquote von 25% auf 17% einherging, vgl. Deutskens et al. (2004), S. 33. Siehe auch Dillman (2000), S. 22.Google Scholar
  49. 983.
    Sofern strukturelle Defizite zwischen Grundgesamtheit und der sie von der Zielsetzung her repräsentierenden Stichprobe bestehen, wird von einem „Coverage Error“ gesprochen, vgl. Groves (1989), S. 81–85. Daraus resultiert, dass die auf Basis der nichtrepräsentativen Stichprobe ermittelten Statistiken die Grundgesamtheit nur verzerrt, abbilden und ein „Bias“ entsteht, vgl. Groves (1989), S. 83.Google Scholar
  50. 984.
    Vgl. Sills / Song (2002), S. 23.Google Scholar
  51. 985.
    Postleitzahlen sind so konzipiert, dass die Logistik für die einzelnen Leitzahlbereiche effizient geregelt werden kann. Auf oberster Ebene (Zone) definieren sie sich über den zuständigen Verkehrsflughafen und sind nahezu gleich groß. Auf den unteren Ebenen sind sie über die entsprechenden Einwohnerzahlen abgebildet, vgl. http://de.wikipedia.org/wiki/Postleitzahl_(Deutschland), abgerufen 26.05.2007.Google Scholar
  52. 986.
    Quelle: Eigene Darstellung.Google Scholar
  53. 987.
    Quelle: Eigene Darstellung.Google Scholar
  54. 988.
    Quelle: Eigene Darstellung.Google Scholar
  55. 989.
    Quelle: Eigene Darstellung.Google Scholar
  56. 990.
    Siehe zur Signifikanzbewertung der Mittelwertdifferenzen zwischen Grundgesamtheit (GG) und Stichprobe die Spalte „Alpha“ mit den dort angegebenen Irrtumswahrscheinlichkeiten.Google Scholar
  57. 991.
    Vgl. bspw. Hiddemann (2007) und Heinemann (2007).Google Scholar
  58. 992.
    Eine Bereinigung der Grundgesamtheit um die steuerlichen Konstrukte würde eine manuelle Betrachtung aller 78.000 über die Markus-Datenbank identifizierten Unternehmen erfordern. Dies ist aus Effizienzgesichtspunkten nicht darstellbar, da allein die Qualitätssicherung der Zufallsstichprobe von 7.550 Unternehmen bei Einbindung beider an der Umfrage beteiligten Forscher einen Zeitraum von zwei Monaten beanspruchte. Siehe zu den beiden Forschungsprojekten auch Fußnote 922 Die Angaben beziehen sich ausschließlich auf das für diese Arbeit relevante Sample. Anmerkung: Die Befragung wurde gleichzeitig parallel für zwei Forschungsarbeiten mit unterschiedlichen Fragestellungen genutzt, wobei die zweite Forschungsarbeit keinen KMU-Bezug aufweist, vgl. Voll 2008e. Im Weiteren werden daher die Angaben immer um die Unternehmen mit Mitarbeiterzahlen von 250 und mehr bereinigt, die nicht für die vorliegende Arbeit relevant sind.(S. 146).Google Scholar
  59. 993.
    Vgl. bspw. zu Wear-Out-Effekten auf Basis wiederholter Botschaftssendung im Bereich der Werbung Singh / Cole (1993).Google Scholar
  60. 994.
    Vgl. Heckman (1979).Google Scholar
  61. 995.
    Siehe Anhang 3 (S. 279 ff.) für die Inhalte des Fragebogens (insb. Teil II: „Wachstumsambitionen“). Die drei Indikatoren sind hochsignifikant korreliert. Für die Ermittlung der Wachstumsorientierung wurde daher der ungewichtete Durchschnitt der drei Indikatoren herangezogen.Google Scholar
  62. 996.
    Quelle: Eigene Darstellung.Google Scholar
  63. 997.
    Vgl. Bortz (2005), S. 96–97.Google Scholar
  64. 998.
    Vgl. Dillman (1991), S. 227 und Krosnick (1999), S. 539.Google Scholar
  65. 999.
    Vgl. Armstrong / Overton (1977), S. 396.Google Scholar
  66. 1000.
    Vgl. zu den systematischen Ursachen für Nonresponse bei Unternehmensbefragungen und organisations-strukturbezogenen Fragestellungen Tomaskovic-Devey / Leiter / Thompson (1994), S. 445.Google Scholar
  67. 1001.
    Vgl. Armstrong / Overton (1977). Diese Methodik wurde bspw. angewandt von Olson/Slater/Hult (2005), S. 55; Forbes (2005), S. 609; Vickery/Dröge/Germain (1999), S. 382 und Kazanjian/Drazin (1989), S. 1494.Google Scholar
  68. 1002.
    Vgl. Armstrong / Overton (1977), S. 399–401.Google Scholar
  69. 1003.
    Vgl. Prater / Ghosh (2005), S. 159. Ähnlich, jedoch mit 25%-Grenze Vickery/Dröge/Germain (1999), S. 382.Google Scholar
  70. 1004.
    Vgl. Armstrong / Overton (1977), S. 399–400.Google Scholar
  71. 1005.
    Siehe detailliert zur Spezifikationsprüfung der Messmodelle als Grund des Ausschlusses des Konstrukts „subjektiver Unternehmenserfolg“ Abschnitt 5.2.3 (S. 185 ff.). Qualitativ wurde das Konstrukt als reflektiv spezifiziert, während die quantitative Validierung das Vorliegen eines, formativen Messmodells ergab.Google Scholar
  72. 1006.
    Verzerrt war jeweils ein Indikator des Konstrukts „Spezialisierungsgrad“ mit 5 Indikatoren, „interne Unsicherheit“ mit 9 Indikatoren und „externe Unsicherheit“ mit 18 Indikatoren.Google Scholar
  73. 1007.
    Vgl. Kumar / Stern / Anderson (1993), S. 1633–1635.Google Scholar
  74. 1008.
    Vgl. Bagozzi / Yi / Phillips (1991), S. 423–425.Google Scholar
  75. 1009.
    Vgl. Kumar / Stern / Anderson (1993), S. 1634.Google Scholar
  76. 1010.
    Vgl. Golden (1992), S. 855–857.Google Scholar
  77. 1011.
    Vgl. Kumar / Stern / Anderson (1993), S. 1633–1635.Google Scholar
  78. 1012.
    Vgl. Ernst (2003), S. 1255–1257.Google Scholar
  79. 1013.
    Siehe zum Umgang mit fehlenden Werten Abschnitt 5.1.1 (S. 151 ff.).Google Scholar
  80. 1014.
    Im Idealfall sollte das Fallzahl-Verhältnis bei varianzanalytischen Mittelwertdifferenztests ein Verhältnis von 1 zu 1,5 nicht überschreiten, vgl. Stevens (2002), S. 244.Google Scholar
  81. 1015.
    Siehe zu lokalen Gütemaßen Abschnitt 5.2.2.2 (S. 169).Google Scholar
  82. 1016.
    Vgl. Homburg / Klarmann (2006), S. 733.Google Scholar
  83. 1017.
    Vgl. Podsakoff / Organ (1986), S. 532–536. Diese durch die Methodik verursachte kritische Verzerrungs-Varianz wird auch als Common Method Variance bezeichnet, vgl. Podsakoff/Organ (1986), S. 533. Siehe ergänzend zu den Ursachen der Common Method Variance Podsakoff et al. (2003), S. 8882.Google Scholar
  84. 1018.
    Vgl. Homburg / Klarmann (2006), S. 733 und Podsakoff et al. (2003), S. 879.Google Scholar
  85. 1019.
    Vgl. Podsakoff / Organ (1986), S. 536, sowie Andersson/Bateman (1997), S. 465 für ein Anwendungsbeispiel.Google Scholar
  86. 1020.
    Vgl. Podsakoff / Organ (1986), S. 536; Podsakoff et al. (2003), S. 889 und Backhaus et al. (2006), S. 299–302.Google Scholar
  87. 1021.
    Vgl. Podsakoff et al. (2003), S. 889.Google Scholar
  88. 1022.
    Vgl. Olson / Slater / Hult (2005), S. 56.Google Scholar
  89. 1023.
    Als Faktorextraktionsverfahren kam die Hauptachsenanalyse zur Anwendung. Hintergrund ist, dass hier im Gegensatz zur Hauptkomponentenanalyse keine fehlerfreie Messung unterstellt wird, vgl. Backhaus et al. (2006), S. 291–292, was dem Konzept kovarianzbasierter SEM entspricht. Kovarianzbasierte SEM teilen die Gesamtvarianz in „wahre“ und Messfehler-Varianz auf, siehe Abschnitt 4.1.2.3 (S. 111 ff.). Dies dürfte eine deutlich höhere Realitätsnähe haben, als das Unterstellen einer vollständig fehlerfreien Messung.Google Scholar
  90. 1024.
    Quelle: Eigene Darstellung.Google Scholar
  91. 1025.
    Der Varianzerklärungsanteil im Ein-Faktor CFA-Modell beträgt 7,5% (EFA-Modell: 8,2%).Google Scholar
  92. 1026.
    Der Varianzerklärungsanteil des 8 Faktoren CFA-Modells beträgt 39,7%.Google Scholar
  93. 1027.
    Vgl. Homburg / Baumgartner (1995), S. 162–165.Google Scholar
  94. 1028.
    Vgl. MacKenzie / Podsakoff / Jarvis (2005), S. 728–729.Google Scholar
  95. 1029.
    Siehe Abschnitt 5.2.2.2 (S. 169 ff.).Google Scholar
  96. 1030.
    Vgl. Abbildung 19 (S. 108) und Groves (1989), S. 18–26.Google Scholar
  97. 1031.
    Vgl. Jöreskog (1993), S. 295–298.Google Scholar
  98. 1032.
    Siehe detailliert zur theoretischen Ursache der Teilgruppenbildung Abschnitt 3.2.2 (S. 87 ff.) sowie zur Hypothesenbildung Abschnitt 3.3.2 (S. 96 ff.).Google Scholar
  99. 1033.
    Quelle: Eigene Darstellung.Google Scholar
  100. 1034 „S“ steht dabei für die englische Konstruktbezeichnung „Size“ und „I“ für „Internal Uncertainty“.Google Scholar
  101. 1035.
    Bspw. repräsentiert die Teilgruppenbezeichnung „S1I0“ diejenigen Unternehmen, die zu den 50% der größten Unternehmen und gleichzeitig zu den 50% der Unternehmen mit der geringsten internen Unsicherheit gehören. Bezugsbasis ist immer die Gesamtstichprobe mit N=580 Datensätzen.Google Scholar
  102. 1036.
    Vgl. Homburg / Baumgartner (1995), S. 165.Google Scholar
  103. 1037.
    Vgl. Sharma et al. (2005), S. 935 und Homburg/Baumgartner (1995), S. 165.Google Scholar
  104. 1038.
    Vgl. Bollen / Ting (2000), S. 3–5 und Law/Wong (1999), S. 155–158.Google Scholar
  105. 1039.
    Quelle: Eigene Darstellung.Google Scholar
  106. 1040.
    Vgl. Jöreskog (1993), S. 302.Google Scholar
  107. 1041.
    Vgl. bspw. Churchill (1979), S. 67 und Rossiter (2002), S. 311.Google Scholar
  108. 1042.
    Vgl. bspw. Chin (1998), S. ix–x und Jarvis et al. (2003), S. 203. Diesem Ansatz wurde auch ex ante in dieser Arbeit bei der konzeptionellen Operationalisierung und Spezifikation des Forschungsmodells gefolgt. Siehe hierzu Fußnote 795 Vgl. für die qualitative ex ante Spezifikation von Messmodellen Jarvis et al. (2003), S. 126 und Abschnitt 4.2.1.3 (S. 129). Die Autoren führen vier Kriterien zur Einordnung eines Konstrukts in die formative bzw. reflektive Kategorie auf: 1. Kausalität, 2. Indikatoraustauschbarkeit, 3. Indikatorkovarianz und 4. Nomologie. Vgl. hierzu ergänzend MacKenzie/Podsakoff/Jarvis (2005), S. 712–713.Google Scholar
  109. 1043.
    Siehe bspw. Diamantopoulos, der zeigt, dass das inhaltsgleich definierte Konstrukt „export performance“ situationsabhängig sowohl formativ als auch reflektiv spezifiziert werden kann, vgl. Diamantopoulos (1999), S. 453–454.Google Scholar
  110. 1044.
    Churchill fordert, dass eine Konstruktinflation durch ständige Neuentwicklungen zu vermeiden ist und statt dessen auf die Literatur und die darin detaillierten bestehenden Konstrukte Rückgriff genommen werden sollte. Neuentwicklungen sind in ihrer Notwendigkeit zu begründen, vgl. Churchill (1979), S. 67. Dieser Forderung nach Rückgriff auf bestehende Konstrukte wurde in dieser Arbeit entsprochen, siehe hierzu Abschnitt 4.2.1.3 (S. 128).Google Scholar
  111. 1045.
    Bollen bemerkt dazu: “Most researchers in the social sciences assume that indicators are effect indicators. Cause indicators are neglected despite their appropriateness in many instances”, vgl. Bollen (1989), S. 65. Mit dem Rückgriff auf bestehende Konstrukte und deren Spezifikation in dieser Arbeit besteht daher die theoretische Möglichkeit einer ex ante Fehlspezifizierung der verwendeten Konstrukte, vgl. für ein Beispiel Fußnote 1043 Siehe bspw. Diamantopoulos, der zeigt, dass das inhaltsgleich definierte Konstrukt „export performance“ situationsabhängig sowohl formativ als auch reflektiv spezifiziert werden kann, vgl. Diamantopoulos (1999), (S. 167).Google Scholar
  112. 1046.
    Vgl. Bollen / Ting (1993).Google Scholar
  113. 1047.
    Vgl. zu den Eigenschaften reflektiver Messmodelle Abschnitt 4.2.1.1 (S. 123 f.).Google Scholar
  114. 1048.
    Vgl. Bollen / Ting (2000), S. 5–13.Google Scholar
  115. 1049.
    Diese Prämisse ist für die in dieser Arbeit verwendeten Konstrukte gegeben. Anmerkung: Bei Nutzung kovarianzbasierter SEM gibt es Lösungen auch für Konstrukte mit lediglich 2 oder 3 Indikatoren, vgl. Bollen / Ting (2000), S. 20–22.Google Scholar
  116. 1050.
    Vgl. Bollen / Ting (1993), S. 162–164 und Ting (1995), S. 167.Google Scholar
  117. 1051.
    Vgl. Bortz (2005), S. 204–207.Google Scholar
  118. 1052.
    So wird bei Brosius ein Korrelationskoeffizient ab σ=0,6 als indikativ für eine „starke“ Korrelation angesehen, wobei Bühl eine „hohe“ Korrelation erst ab einen Niveau von σ=0,9 anerkennt, vgl. Brosius (1998), S. 503 und Bühl (2006), S. 342. Da in den Sozialwissenschaften meist komplexe und nicht vollständig erfassbare Zusammenhänge vieler Variablen eine Untersuchung beeinflussen, werden tendenziell schwächere Zusammenhänge als beispielsweise in den Naturwissenschaften unter experimentellen Bedingungen ermittelt, vgl. Arminger (1995), S. 90 und Cohen (1988), S. 12–13. Diese Tatsache wird durch die Festlegung des „mittleren“ Schwellenniveaus für den Korrelationskoeffizienten von σ=±0,5 berücksichtigt. Das gewählte Niveau entspricht dem Mittelwert zwischen einer hohen Korrelation von σ=0,9 und einer geringen Korrelation von σ=0,1. Bezugsbasis ist die etablierte Sage Encyclopedia of Social Science Research Methods, vgl. Tacq (2004), S. 200.Google Scholar
  119. 1053.
    http://www.sas.com/software/sas9, abgerufen am 13.06.2007.Google Scholar
  120. 1054.
    Vgl. Ting (1995). Das Makro „CTA-SAS2.MAC“ ist über die Chinese University of Hongkong frei erhältlich unter: http://www.cuhk.edu.hk/soc/ting, abgerufen am 28.11.2006.Google Scholar
  121. 1055.
    Vgl. Churchill / Iacobucci (2002), S. 406–407.Google Scholar
  122. 1056.
    Vgl. Bagozzi / Yi / Phillips (1991), S. 421–422. Die Autoren benutzen die Begriffe „random error“ für den zufälligen und „systematic error“ für den systematischen Messfehler. Siehe ergänzend Peter/Churchill (1986), S. 4.Google Scholar
  123. 1057.
    Vgl. Churchill / Iacobucci (2002), S. 407 und Götz/Liehr-Gobbers (2004), S. 727.Google Scholar
  124. 1058.
    Vgl. Homburg / Giering (1996), S. 6 und Churchill/Iacobucci (2002), S. 413–414.Google Scholar
  125. 1059.
    Vgl. Homburg / Baumgartner (1995), S. 165.Google Scholar
  126. 1060.
    Vgl. Götz / Liehr-Gobbers (2004).Google Scholar
  127. 1061.
    Vgl. Bollen / Lennox (1991), S. 307.Google Scholar
  128. 1062.
    Vgl. Fassott / Eggert (2005), S. 38–39 und die Eigenschaftsbeschreibung der beiden Messmodellarten in Abschnitt 4.2.1.1 (S. 123 ff.).Google Scholar
  129. 1063.
    Vgl. Hulland (1999), S. 198.Google Scholar
  130. 1064.
    Vgl. Chin (1998), S. 325; Carmines/Zeller (1979), S. 27 und Fornell/Tellis/Zinkhan (1982). Da Indikatorladungen Korrelationen darstellen und Varianzen sich für den Fall standardisierter Variablen ausschließlich aus den quadrierten Korrelationen ergeben, vgl. Bohmstedt/Knoke (1994), S. 210–211, ist durch die Wahl des λi≥0,707-Niveaus sichergestellt, dass mindestens 50% der Indikatorvarianz durch das Konstrukt erklärt sind. Siehe auch für eine grafische Verdeutlichung Abbildung 24 (S. 123). In dieser Abbildung werden die λi als Regressionskoeffizienten bezeichnet. Diese Aussage gilt bei Verwendung standardisierter Variablen, vgl. Bentler/Chou (1987), S. 106, was für das zur Anwendung kommenden varianzbasierte SEM gegeben ist, vgl. Wold (2006), S. 5950. In diesem Fall gilt für das Verhältnis von Regression und Korrelation folgender Zusammenhang: λi=ρ(ξ;x) * [SD(ξ)/SD(x)]. Mit SD(ξ)=1 und SD(x)=1 für den standardisierten Fall gilt nun: λi=ρ(ξ;x).Google Scholar
  131. 1065.
    Vgl. Bagozzi / Yi (1988), S. 80 und Bagozzi/Baumgartner (1994), S. 401–402.Google Scholar
  132. 1066.
    Vgl. Anderson / Gerbing (1988), S. 414–415. Siehe auch ergänzend zur Unidimensionalität Segars (1997), S. 108–109 sowie Abschnitt 4.2.1.1 (S. 122 ff.).Google Scholar
  133. 1067.
    Vgl. Homburg / Giering (1996), S. 8 und Segars (1997), S. 116–117. Dabei kommt entweder eine Maximum-Likelihood Extraktion zur Anwendung, vgl. Anderson/Gerbing (1988), S. 412 oder die Hauptkomponenten-Extraktion. Letztere wird in der aktuellen Forschungspraxis häufiger angewendet und wird daher auch für die vorliegende Arbeit zur Anwendung kommen, vgl. Chen/Paulraj/Lado (2004), S. 513. Zur Sicherstellung einer größtmöglichen Unabhängigkeit der extrahierten Faktoren wird ergänzend eine orthogonale Rotation (Varimax-Rotation) durchgeführt, vgl. Tabachnick/Fidell (2006), S. 609 und Chen/Paulraj/Lado (2004), S. 513.Google Scholar
  134. 1068.
    Vgl. Chen / Paulraj / Lado (2004), S. 513. Als Richtwerte für „starke“ Faktorladungen (λFA) kann ein Wert von λFA≥0,4 angenommen werden. Als ausreichend diskriminant können Faktorladungsdifferenzen zwischen einzelnen Faktoren von ΔλFA≥0,2 angesehen werden, vgl. Nunnally/Bernstein (1994), zitiert nach Ahmad (2005), S. 81. Siehe ergänzend Homburg/Giering (1996), S. 8.Google Scholar
  135. 1069.
    Vgl. Bartlett (1950) und Kaiser (1974).Google Scholar
  136. 1070.
    Vgl. Jackson (1993), S. 2207. Der Autor notiert a.a.O.: “[...] if the null hypothesis is not rejected, it is pointless to interpret the PCA [Principal Component Analysis bzw. Hauptkomponentenanalyse (d.A.)]”.Google Scholar
  137. 1071.
    Vgl. Kaiser (1974), S. 35.Google Scholar
  138. 1072.
    Vgl. Homburg / Baumgartner (1995), S. 170.Google Scholar
  139. 1073.
    Vgl. Hulland (1999), S. 199–201 und Homburg/Baumgartner (1995), S. 170.Google Scholar
  140. 1074.
    Vgl. Churchill (1979), S. 68. Churchill bemerkt a.a.O.: “[...] if all the items in a measure are drawn from the domain of a single construct, responses to those items should be highly intercorrelated. Low interitem correlations [i.e. low internal consistency (d.A.)] in contrast, indicate that some items are not drawn from the appropriate domain and are producing error and unreliability”.Google Scholar
  141. 1075.
    Vgl. Cronbach (1951) und Cortina (1993). Dieses Standard-Konsistenzmaß wird auch als „Coefficient Alpha“ bezeichnet, vgl. Churchill (1979), S. 68–69 und Churchill/Iacobucci (2002), S. 416. Siehe auch Würdigung des Coefficient Alpha von Cronbach, vgl. Cronbach (2004).Google Scholar
  142. 1076.
    Vgl. Peterson (1994), S. 382 und Nunnally (1978), S. 245. Für eine Indikatorenanzahl von 2–3 kann diese Schwelle bis auf α≥0,4 gesenkt werden, vgl. Peter (1999), S. 180.Google Scholar
  143. 1077.
    Vgl. Werts / Linn / Jöreskog (1974). Die Faktorreliabilität wird auch als „Composite Reliability“ bezeichnet, vgl. Bagozzi/Yi (1988), S. 80. Chin bemerkt zur Faktorreliabilität: „In comparison to Cronbach’s alpha, this measure does not assume tau equivalency among the measures with its assumption that all indicators are equally weighted. [Tau-Äquivalenz ist die Bezeichnung für einen Zustand, in dem alle Indikatoren, die einen Faktor determinieren, eine exakt gleiche Ladung auf diesen Faktor aufweisen, vgl. McGartland (2005), S. 58. (d.A.)] Therefore, alpha tends to be a lower bound estimate of reliability, whereas ρc[Composite Reliability bzw. Faktorreliabilität (d.A.)] is a closer approximation under the assumption that the parameter estimates are accurate“, vgl. Chin (1998), S. 320.Google Scholar
  144. 1078.
    Vgl. Fornell / Larcker (1981), S. 45.Google Scholar
  145. 1079.
    Vgl. Götz / Liehr-Gobbers (2004), S. 728. Bagozzi & Yi akzeptieren bereits ρc≥0,6, vgl. Bagozzi/Yi (1988), S. 80.Google Scholar
  146. 1080.
    Die DEV wird in der Literatur auch als „AVE“ (Average Variance Extracted) bezeichnet, vgl. Fornell / Larcker (1981), S. 45–46.Google Scholar
  147. 1081.
    Vgl. Fornell / Larcker (1981).Google Scholar
  148. 1082.
    Vgl. Chin (1998), S. 321.Google Scholar
  149. 1083.
    Vgl. Bagozzi / Yi (1988), S. 80 und Fornell/Larcker (1981), S. 46.Google Scholar
  150. 1084.
    Vgl. Churchill / Iacobucci (2002), S. 408–413 und Peter (1981), S. 136–138.Google Scholar
  151. 1085.
    Vgl. zur Konvergenzvalidität die Ausführungen in diesem Abschnitt zu den lokalen Gütemaßen „Cronbach’s Alpha“ und „Faktorreliabilität“. Beide Gütemaße zielen auf eine hohe Korrelation der Indikatoren eines reflektiven Konstrukts ab, was der Konvergenzvalidität entspricht. Indikatoren, die Effekte eines Konstrukts sind, sollten sich auch alle gleich verhalten und damit hoch korreliert sein, vgl. Peter (1981), S. 136–137 und Bagozzi/Phillips (1982), S. 468.Google Scholar
  152. 1086.
    Vgl. Campbell / Fiske (1959).Google Scholar
  153. 1087.
    Vgl. Bagozzi / Phillips (1982), S. 469 und Churchill/Iacobucci (2002), S. 413. Bollen & Lennox bemerken hierzu: “When selecting indicators, researchers look for items which tend to ‘cluster together’. Specifically, some claim that the correlations of indicators of the same construct should exceed the correlations between indicators from different constructs”, vgl. Bollen/Lennox (1991), S. 308.Google Scholar
  154. 1088.
    Vgl. Fornell / Larcker (1981), S. 46.Google Scholar
  155. 1089.
    Die Faktorladungen bleiben nach der Modifikation unverändert und entsprechen somit den originären standardisierten Parameterschätzungen.Google Scholar
  156. 1090.
    Vgl. Hulland (1999), S. 200 und Herrmann/Huber/Kressmann (2006), S. 56.Google Scholar
  157. 1091.
    Vgl. Churchill / Iacobucci (2002), S. 408–409. Die Inhaltsvalidität wird auch als „Content Validity“ bzw. „Face Validity“ bezeichnet.Google Scholar
  158. 1092.
    Vgl. Churchill / Iacobucci (2002), S. 409 und Boudreau/Gefen/Straub (2001), S. 5.Google Scholar
  159. 1093.
    Vgl. Churchill (1979), S. 67–68.Google Scholar
  160. 1094.
    Es wurde auf bewährte, existierende Operationalisierungen zurückgegriffen. Diese wurden zusätzlich durch Expertengespräche überprüft, vgl. hierzu Abschnitt 4.2.1.3 (S. 129).Google Scholar
  161. 1095.
    Vgl. Homburg / Giering (1996), S. 7–8 und Peter (1981), S. 137–138.Google Scholar
  162. 1096.
    Vgl. Bagozzi (1981), S. 198–200.Google Scholar
  163. 1097.
    Vgl. Diamantopoulos / Winklhofer (2001), S. 271 und Bollen (1989), S. 222 sowie zu den Eigenschaften formativer Messmodelle Abschnitt 4.2.1.1 (S. 125 f.) und Abbildung 25 (S. 125).Google Scholar
  164. 1098.
    Vgl. Herrmann / Huber / Kressmann (2006), S. 57; Diamantopoulos/Winklhofer (2001), S. 272 und MacKenzie/Podsakoff/Jarvis (2005), S. 710–711. Homburg & Klarmann empfehlen daher-soweit möglich-den Rückgriff auf reflektive Messmodelle, vgl. Homburg/Klarmann (2006), S. 739.Google Scholar
  165. 1099.
    Vgl. bspw. Fassott / Eggert (2005), S. 39. Rossiter schlägt gar den Verzicht auf quantitative Bewertungen der Reliabilität und Validität vor. Er propagiert die ausschließliche Betrachtung der Inhaltsvalidität, vgl. Rossiter (2002), S. 308. Für eine kritische Reflexion dieses Vorschlags siehe Diamantopoulos (2005), S. 8–9. Den Fokus auf die Skalenentwicklung und nicht deren Validierung legen bei formativen Konstrukten auch Jarvis et al. (2003) und MacKenzie/Podsakoff/Jarvis (2005). Siehe ergänzend Götz/Liehr-Gobbers (2004), S. 728–730. Hulland betont die geringe Bedeutung der Untersuchung von Reliabilität und Validität formativer Konstrukte: „[...] discussions about reliability and validity for [...] formative indicator constructs [...] are less relevant“, vgl. Hulland (1999), S. 202.Google Scholar
  166. 1100.
    Siehe zu den Leitlinien der Operationalisierung Abschnitt 4.2.1.3 (S. 128 f.).Google Scholar
  167. 1101.
    Vgl. konzeptionell Hulland (1999), S. 201 und anwendungsbezogen Krafft (1999), S. 124. Im Gegensatz dazu erlauben reflektive Messmodelle normative Korrelationsaussagen, siehe zu den Eigenschaften reflektiver Messmodelle Abschnitt 4.2.1.1 (S. 123 f.).Google Scholar
  168. 1102.
    Vgl. Götz / Liehr-Gobbers (2004), S. 729–730; Cohen et al. (2003), S. 422–425; Hair et al. (1998), S. 192–193 und Belsley/Kuh/Welsh (1980), S. 92–112.Google Scholar
  169. 1103.
    Auf lokaler bzw. Messmodell-Ebene werden in SEM zur Parameterschätzung lineare Regressionen durchgeführt, vgl. Wold (2006), S. 5951–5952 und Edwards/Bagozzi (2000), S. 162. Die Exaktheit der ermittelten Parameterschätzer bedingt lineare Unabhängigkeit der Regressoren bzw. der Indikatoren des Messmodells. Für korrekte Parameterschätzer sollten lineare Abhängigkeiten der Regressoren, bzw. Multikollinearitäten, möglichst gering sein oder idealerweise gar nicht auftreten, vgl. Backhaus et al. (2006), S. 89–91; Bortz (2005), S. 453 und Belsley/Kuh/Welsh (1980), S. 114–117.Google Scholar
  170. 1104.
    Vgl. Hair et al. (1998), S. 220–221.Google Scholar
  171. 1105.
    Vgl. Backhaus et al. (2006), S. 91 und Belsley/Kuh/Welsh (1980), S. 92–112.Google Scholar
  172. 1106.
    Vgl. Cohen et al. (2003), S. 423–424; Myers (1990), S. 369 und Hair et al. (1998), S. 191–193.Google Scholar
  173. 1107.
    Vgl. Götz / Liehr-Gobbers (2004), S. 729. Problematisch ist die Indikatoreliminierung bei formativen Messmodellen, da sich automatisch mit Eliminierung der Konstruktinhalt ändert und sich ein solches Vorgehen daher eigentlich verbietet, vgl. Bollen/Lennox (1991), S. 308.Google Scholar
  174. 1108.
    Vgl. Bollen / Lennox (1991), S. 308.Google Scholar
  175. 1109.
    Vgl. Chin (1998), S. 307.Google Scholar
  176. 1110.
    Vgl. Hermann / Huber / Kressmann (2006), S. 57.Google Scholar
  177. 1111.
    Vgl. Bollen / Lennox (1991), S. 309. Gegenteilig schlagen Herrmann et al. als quantitatives Diskriminanzmaß für formative Konstrukte vor, die Korrelationskoeffizienten der Konstruktwerte für die Untersuchung der Diskriminanzvalidität zu heranzuziehen. Als akzeptables Güteniveau wird σ<0,9 empfohlen, vgl. Herrmann/Huber/Kressmann (2006), S. 57. Dieses lokale Gütemaß ist jedoch a) nur in varianzbasierten SEM anwendbar, da es vollständig determinierte Konstruktwerte erfordert und b) bisher nach Kenntnis des Autors dieser Arbeit von der Forschung nicht aufgegriffen worden, vgl. Scholderer/Balderjahn (2006), S. 60–61. Dieses Gütemaß wird informativ in den Tabellen 37 (S. 199) sowie 51–54 (S. 210) informativ ausgewiesen.Google Scholar
  178. 1112.
    Vgl. Götz / Liehr-Gobbers (2004), S. 728; Anderson/Gerbing (1991), S. 734 sowie Abschnitt 4.2.1.3 (S. 129 f.). Siehe auch die Ausführungen zur Inhaltsvalidität reflektiver Messmodelle in Abschnitt 5.2.2.2 (S. 173).Google Scholar
  179. 1113.
    Siehe zur nomologischen Validität die Ausführungen zur lokalen Gütebeurteilung reflektiver Messmodelle in Abschnitt 5.2.2.2 (S. 173) sowie zu globalen Gütemaßen Abschnitt 5.2.2.3 (S. 176 ff.).Google Scholar
  180. 1114.
    Quelle: Eigene Darstellung.Google Scholar
  181. 1115.
    Vgl. Homburg / Baumgartner (1995), S. 165.Google Scholar
  182. 1116.
    Vgl. Jöreskog (1993), S. 295–299.Google Scholar
  183. 1117.
    Vgl. Bagozzi / Yi (1988), S. 75 und Bagozzi (1981), S. 198.Google Scholar
  184. 1118.
    Siehe Abbildung 31 (S. 166).Google Scholar
  185. 1119.
    Die in diesem Abschnitt vertiefend dargestellten globalen Gütekriterien sind in Abbildung 33 (S. 177) mit dem Symbol „♣“ und nicht weiter vertiefte globale Gütemaße mit dem Symbol „ד gekennzeichnet.Google Scholar
  186. 1120.
    Vgl. Homburg / Baumgartner (1995), S. 166.Google Scholar
  187. 1121.
    Typischerweise werden zwei datenbezogene Referenzmodelle bereitgestellt. Zum einen wird ein perfekt die Datenbasis reproduzierendes Modell („saturated model“) generiert, das durch vollständige Freigabe aller modellbezogenen Schätzparameter ermittelt wird. Dieses Modell ist in Konsequenz zwingend das Ideal zur Datenbasis. Zum anderen wird ein Modell generiert, bei dem ex ante die Unkorreliertheit aller Parameter unterstellt wird. Dieses „Independence Model“ oder „Zero-bzw. Null-Model“ ist das Modell, das am Schlechtesten zur empiricchen Datenbasis passt. Somit sind zwei Referenzpunkte definiert, an denen das theoriebezogene Modell eines Forschers gemessen werden kann, vgl. Arbuckle (2005), S. 489; Beauducel/Wittmann (2005), S. 45 und Hu/Bentler (1995), S. 82.Google Scholar
  188. 1122.
    Beide Kategorien sind konzeptionell eng miteinander verwandt, da die Komplexität des Modells, d.h. die Anzahl der durch den Schätzalgorithmus zu ermittelnden Parameter in die Gütebeurteilung einfließt. Kernunterschied zwischen beiden Kategorien ist mit Ausnahme des PGFI die Modifikation eines inkrementellen Gütemaßes (bei modellkomplexitätsbezogene Gütemaßen) gegenüber einer Modifikation der klassischen χ2-Diskrepanzstatistik bzw. deren Minimum CMIN (für informationstheoretische Gütemaße), vgl. Arbuckle (2005), S. 497–500; Jöreskog (1993), S. 310–311 und Hair et al. (1998), S. 658–659.Google Scholar
  189. 1123.
    Vgl. Hu / Bentler (1995), S. 82 und Beauducel/Wittmann (2005), S. 45. Stand-Alone Gütekriterien bewerten die Differenz zwischen empirischer und der durch den Forscher über das Forschungsmodell hypothetisierten modelltheoretischen Kovarianzmatrix. Je geringer dieser absolute Unterschied, desto besser die globale Güte, vgl. Bollen (1989), S. 256.Google Scholar
  190. 1124.
    Vgl. zu den dargestellten Gütemaßen Tabachnick / Fidell (2006), S. 715–720; Arbuckle (2005), S. 489–509; Byrne (2001), S. 79–88; Hair et al. (1998), S. 653–661; Hu/Bentler (1995), S. 81–95; Homburg/Baumgartner (1995), S. 166–170; Bagozzi/Baumgartner (1994), S. 389–403; Gerbing/Anderson (1993); Bollen (1989) und Jöreskog (1993), S. 307–311. In diesen Quellen sind zudem zu jedem der Indizes weiterführende Verweise angegeben.Google Scholar
  191. 1125.
    Quelle: Eigene Darstellung.Google Scholar
  192. 1126.
    Vgl. Homburg / Klarmann (2006), S. 736. Siehe zur selektiven Auswahl von Globalgütemaßen für kovarianzbasierten SEM Beauducel/Wittmann (2005), S. 44–45. Die Autoren inkludieren in ihre Studie die Globalgütemaße TLI, CFI, IFI, RMSEA, SRMR, GFI sowie CMIN/DF und begründen dies wie folgt: „[...] this study was limited to those fit indexes that are generally regarded as important“, vgl. Beauducel/Wittmann (2005), S. 44. Hu & Bentler schlagen ebenfalls die Kombination (weniger) verschiedener Globalgütemaße vor, vgl. Hu/Bentler (1999), S. 16–28.Google Scholar
  193. 1127.
    Die aktuellsten Simulationsstudien umfassten dabei u.a. Beauducel / Wittmann (2005); Fan/Sivo (2005); Sharma et al. (2005) und Marsh (2004).Google Scholar
  194. 1128.
    Vgl. Homburg / Klarmann (2006), S. 736–737. Diese fünf primär für diese Arbeit herangezogenen Globalgütemaße kovarianzbasierter SEM sind in Abbildung 33 (S. 177) mit „♣“-Symbolen gekennzeichnet. In dieser Abbildung sind mit gleichem Symbol die beiden Stand-Alone Globalgütemaße varianzbasierter SEM markiert (cvQ2R und R2).Google Scholar
  195. 1129.
    Vgl. Homburg / Klarmann (2006), S. 736. Die beiden ergänzenden Globalgütemaße sind in Abbidung 33 (S. 176) mit dem „♣“-Symbol gekennzeichnet. Die beiden ergänzenden (älteren) Globalgütemaße empfehlen bspw. die Begründer der modemen Kausalanalyse Jöreskog & Sörbom, vgl. Jöreskog/Sörbom (1989), S. 43.Google Scholar
  196. 1130.
    Vgl. hierzu die Meta-Untersuchung zur Anwendung globaler Gütemaße in SEM bei Shah / Goldstein (2006), S. 158–159.Google Scholar
  197. 1131.
    Vgl. Bollen (1990). Analog bspw. aktuell Sharma et al., die bezogen auf GFI/AGFI zusammenfassen: “First, the performance of goodness-of-fit index is the worst, both with respect to how it is affected by sample size, numbers of indicators and detecting model misspecification. It is suggested that this index should not be used to evaluate model fit”, vgl. Sharma et al. (2005), S. 941. Diese Einschätzungen werden auch in dieser Untersuchung gestützt. Während in der Gesamtstichprobe bei insgesamt guter Globalgüte („Close Fit“) GFI und AGFI im Akzeptanzbereich sind, lehnen diese beiden Gütemaße z.B. das Teilgruppenmodell S1I0 trotz ebenfalls guter Globalgüte („Close Fit“) ab. Im Teilgruppenmodell S1I1 mit sogar exzellenter Globalgüte) („Exact Fit“) würde eine ausschließliche Berteilung des Strukturmodells auf Basis des AGFI noch immer zu einer Ablehnung dieses nomologisch korrekten Modells führen, vgl. Tabelle 61 (S. 218).Google Scholar
  198. 1132.
    Vgl. Tanaka (1993). Diese Fit-Dimensionen implizieren für die Globalgütebeurteilung den Einbezug von Gütemaßen mit Stichprobenbezug (SRMR), Grundgesamtheitsbezug (RMSEA), Einbezug der Modellkomplexität (CMIN/DF), Gütemaßen mit Stand-Alone (RMSEA) bzw. relativem, d.h. inkrementellem Charakter (CFI), Parameterschätzalgorithmen-Unabhängigkeit (CFI) und Stichprobengrößenunabhängigkeit (TLI). Siehe auch Ausführungen zu den einzelnen Globalgütemaßen in diesem Abschnitt (S. 180 ff.). Die Auswahl der herangezogenen Globalgütemaße ist vom Umfang her überdurchschnittlich. Gängige Praxis und Empfehlungen gehen typischerweise über die Kombination von zwei bis fünf Globalgütemaßen nicht hinaus. Dabei ist die Kombination von SRMR und RMSEA besonders geeignet, vgl. Hu/Bentler (1999), S. 27–28.Google Scholar
  199. 1133.
    Vgl. Chin (1998), S. 316–318 und Tenenhaus et al. (2005), S. 172–176.Google Scholar
  200. 1134.
    Den im Fall varianzbasierter SEM kritischen Punkt verdeutlichen Herrmann et al.: „Ein Wert zum globalen Modell-Fit lasst sich [bei varianzbasierten SEM (d.A.)] aufgrund mangelnder Simultanität der Parameterschätzung nicht abrufen. Es ist lediglich eine separate Begutachtung dieser Teilschätzungen möglich“, vgl. Herrmann / Huber / Kressmann (2006), S. 58. Vgl. zur Diskussion „globaler“ Gütekriterien varianzbasierter SEM beispielhaft auch Homburg/Klarmann (2006), S. 736–737; Chin (1998), S. 316–318 und Tenenhaus et al. (2005), S. 172–174. Siehe zum Umgang mit den fehlenden globalen Gütekriterien des in dieser Arbeit primär zur Anwendung kommenden varianzbasierten SEM Abschnitt 4.1.2.3 (S. 119).Google Scholar
  201. 1135.
    Vgl. Tenenhaus et al. (2005), S. 174 und Fornell/Bookstein (1982), S. 447–449. Das Cross-Validated Redundency-Q2 sollte nicht mit dem Communality-Q2 verwechselt werden. Letzteres befasst sich mit der Prognoserelevanz der Indikatoren einer latenten Variablen für deren Konstruktwert. Es handelt sich also tendenziell eher um ein lokales Gütemaß. Zu den verschiedenen Anwendungsformen des Stone-Geisser Q2 bemerkt Chin: “A cross-validated communality Q2 is obtained if prediction of the data points is made by underlying latent variable score, whereas a cross-validated redundancy is obtained if prediction is made by those LVs that predict the block in question. One would use the cross-validated redundancy measure to examine the predictive revelance of one’s theoretical/structural model”, vgl. Chin (1998), S. 318.Google Scholar
  202. 1136.
    Dieses Vorgehen wird auch als Cross-Validation bezeichnet, vgl. Fornell / Cha (1994).Google Scholar
  203. 1137.
    Vgl. Fornell / Bookstein (1982), S. 450 und Hermann/Huber/Kressmann (2006), S. 58.Google Scholar
  204. 1138.
    Vgl. Fornell / Cha (1994), S. 449.Google Scholar
  205. 1138.
    Vgl. Chin (1998), S. 318.Google Scholar
  206. 1140.
    Vgl. Stevens (2002), S. 89–90.Google Scholar
  207. 1141.
    Bohrnstedt / Knoke (1994), S. 306–208.Google Scholar
  208. 1142.
    Vgl. Myers (1990), S. 37.Google Scholar
  209. 1143.
    So kommentiert Thornhill das Ergebnis seiner Untersuchung (R2 zwischen 3% und 7%): “Although none of the models has R2 values greater than 0.10, it is important to consider the nature of the dependent variable. Revenue growth is influenced by a myriad of factors beyond the control of any single study. Chrisman et al. (1998) identified 196 variables affecting new venture performance. Given the scope of the present study it is not surprising that a great deal of variance remains to be explained”, vgl. Thornhill (2006), S. 698 und Chrisman/Bauerschmidt/Hofer (1998), S. 10–19. Vor dem Hintergrund von Organisations-strukturen wurden bspw. folgende Bestimmtheitsmaße in wissenschaftlichen Studien erzielt: R2≈0.2, vgl. Olson/Stater/Hult (2005), S. 59; R2≈0,25, vgl. Miller/Toulouse (1986), S. 1406–1408 und R2≈0,07, vgl. Covin/Prescott/Slevin (1990), S. 494.Google Scholar
  210. 1144.
    Vgl. Hair et al. (1998), S. 654 und Emrich (2004), S. 34.Google Scholar
  211. 1145.
    Vgl. Byrne (2001), S. 79.Google Scholar
  212. 1146.
    Vgl. Bollen (1989), S. 263. Somit wird inhaltlich ein Test auf „Exact Fit“ zwischen empirischer und theoretischer Kovarianzmatrix durchgeführt. Die sich auf Residuen beziehende Nullhypothese lautet dabei typischerweise H0: RMSEA=0, vgl. hierzu vertiefen Ausführungen zum RMSEA (S. 181 f.).Google Scholar
  213. 1147.
    Vgl. Byrne (2001), S. 79.Google Scholar
  214. 1148.
    Vgl. Hair et al. (1998), S. 654 und Schermelleh-Engel/Moosbrugger/Müller (2003), S. 31–35.Google Scholar
  215. 1149.
    Vgl. Hu/Bentler (1995), S. 77–78 und Bagozzi/Yi (1988), s. 77–78.Google Scholar
  216. 1150.
    Vgl. Emrich (2004), S. 35 und Arbuckle (2005), S. 492.Google Scholar
  217. 1151.
    Vgl. Wheaton et al. (1977), S. 99.Google Scholar
  218. 1152.
    Beispiele: CMIN/DF≤5, vgl. Wheaton et al. (1977), S. 99; CMIN/DF≤3, vgl. Carmines/McIver (1981), S. 80 und CMIN/DF≤2,5, vgl. Homburg/Baumgartner (1995), S. 168.Google Scholar
  219. 1153.
    Vgl. Carmines / McIver (1981), S. 80 und Homburg/Klarmann (2006), S. 737.Google Scholar
  220. 1154.
    Vgl. Browne / Cudeck (1993), S. 137–138.Google Scholar
  221. 1155.
    Vgl. Steiger (1990), S. 176. Das von Steiger als „RMS“ bezeichnete Globalgütemaß ist identisch zu dem von Browne & Cudeck „RMSEA“ genannten Maß. Die methodischen Grundlagen zur Ermittlung der Diskrepanzfunktion auf Basis der Grundgesamtheit anstatt auf Basis der Stichprobe sind ausführlich beschrieben bei Steiger & Lind. Dabei wird im Paper der Begriff „Sequential Likelihood Ratio Test“ bzw. „Sequential LRT“ genutzt, vgl. Steiger/Lind (1980). Vgl. hierzu auch ergänzend Arbuckle (2005), S. 494–496 und McDonald (1989).Google Scholar
  222. 1156.
    Vgl. Curran et al. (2003), S. 211–214; Homburg/Baumgartner (1995), S. 167 und Shah/Goldstein (2006), S. 159. RMSEA=0 impliziert einen perfekten Fit des theoretischen Modells an die empirische Datenbasis, vgl. Browne/Cudeck (1993), S. 144.Google Scholar
  223. 1157.
    Vgl. Browne / Cudeck (1993), S. 144 und MacCallum/Hong (1997), S. 193–194. Hu & Bentler setzten den Schwellenwert für hohe Globalgüte bei RMSEA≤0,06 an, da der RMSEA bei kleinen Stichproben dazu tendiert, zu häufig inhaltlich korrekte Modelle abzulehnen, vgl. Hu/Bentler (1999), S. 1.Google Scholar
  224. 1158.
    Vgl. Curran et al. (2003), S. 213.Google Scholar
  225. 1159.
    Vgl. Byrne (2001), S. 85. Der Test ermittelt die Wahrscheinlichkeit p, dass gemäß der „Close-Fit“-Definition von Browne & Cudeck (RMSEA≤0,05). Daher auch die gängige Bezeichnung „pCLOSE“. Siehe hierzu auch Abbildung 34 (S. 185).Google Scholar
  226. 1160.
    Vgl. Hair et al. (1998), S. 656; Jöreskog/Sörbom (1989), S. 44 und Bagozzi/Yi (1988), S. 79.Google Scholar
  227. 1161.
    Vgl. Emrich (2004), S. 36. Der (S)RMR entspricht dem durchschnittlichen Residuum zwischen theoretischer und empirischer Kovarianzmatrix-einer Logik, die inhaltlich dem Standardfehler einer Regression folgt.Google Scholar
  228. 1162.
    Vgl. Byrne (2001), S. 85 und Shah/Goldstein (2006), S. 159. Problematisch ist, dass im unstandardisierten Fall Kovarianzresiduen nicht studienübergreifend vergleichbar sind, da sie abhängig von den in einer Studie angewandten Skalen sind, die häufig variieren, vgl. Schermelleh-Engel/Moosbrugger/Müller (2003), S. 38.Google Scholar
  229. 1163.
    Vgl. Hu / Bentler (1999), S. 1 und Beauducel/Wittmann (2005), S. 51. Schermelleh-Engel et al. und Homburg & Klarmann vertreten Werte bis SRMR≤0,1, vgl. Schermelleh-Engel/Moosbrugger/Müller (2003), S. 38 und Homburg/Baumgartner (1995), S. 167.Google Scholar
  230. 1164.
    Dieses Gütemaß wird in diese Untersuchung auf Grund der weiten Verbreitung entgegen der Empfehlung von Homburg & Klarmann ergänzend inkludiert, vgl. Homburg / Klarmann (2006), S. 736. Siehe Fußnoten 1129 und 1130 Vgl. Homburg/Klarmann (2006), (S. 178). Die beiden ergänzenden Globalgütemaße sind in Abbidung 33 (S. 176) mit dem „♣“-Symbol gekennzeichnet. Die beiden ergänzenden (älteren) Globalgütemaße empfehlen bspw. die Begründer der modemen Kausalanalyse Jöreskog & Sörbom, vgl. Jöreskog/Sörbom (1989), S. 43. Vgl. hierzu die Meta-Untersuchung zur Anwendung globaler Gütemaße in SEM bei Shah/Goldstein (2006), S. 158–159.Google Scholar
  231. 1165.
    Vgl. Gerbing / Anderson (1993), S. 42; Tanaka (1993), S. 19; Mulaik et al. (1989), S. 435. Eine analoge Interpretation wird auch von Tanaka & Huba vorgeschlagen, vgl. Tanaka/Huba (1989).Google Scholar
  232. 1166.
    Vgl. Bollen (1989), S. 276–277.Google Scholar
  233. 1167.
    Vgl. MacCallum / Hong (1997), S. 200.Google Scholar
  234. 1168.
    Vgl. Hu / Bentler (1995), S. 85–86 und Bollen (1989), S. 276.Google Scholar
  235. 1169.
    Vgl. Tanaka (1993), S. 23. Weitere approximativ genormte Globalgütemaße sind TLI und AGFI.Google Scholar
  236. 1170.
    Vgl. Hu / Bentler (1995), S. 91–92 und Homburg/Baumgartner (1995), S. 167. Sowohl Hu & Bentler als auch Homburg & Baumgartner verweisen a.a.O. darauf hin, dass es unter bestimmten Umständen angemessen sein kann, die Güteschwellen konservativer anzusetzen. Da diese Diskussion noch nicht abgeschlossen ist, vgl. Marsh (2004), S. 320–323, wird in dieser Arbeit auf die etablierte Güteschwelle zurückgegriffen.Google Scholar
  237. 1171.
    Vgl. bspw. Sharma et al. (2005), S. 941 und Homburg/Klarmann (2006), S. 736. Siehe zu den Gründen der informativen Inkludierung des GFI in diese Untersuchung Fußnoten1129 und 1130 Vgl. Homburg/Klarmann (2006), (S. 178). Die beiden ergänzenden Globalgütemaße sind in Abbidung 33 (S.176) mit dem „♣“-Symbol gekennzeichnet. Die beiden ergänzenden (älteren) Globalgütemaße empfehlen bspw. die Begründer der modemen Kausalanalyse Jöreskog & Sörbom, vgl. Jöreskog/Sörbom (1989), S. 43. Vgl. hierzu die Meta-Untersuchung zur Anwendung globaler Gütemaße in SEM bei Shah/Goldstein (2006), S. 158–159.Google Scholar
  238. 1172.
    Die Bezeichung Nonnormed Fit Index wurde eingeführt, da der TLI analog zum GFI ein approximativ normiertes Globalgütemaß ist, d.h. er fällt typischerweise in ein [0; 1]-Intervall, kann jedoch in Ausnahmefällen auch außerhalb dieses Intervalls liegen, vgl. Tanaka (1993), S. 23.Google Scholar
  239. 1173.
    Vgl. Tucker / Lewis (1973), S. 5 zur Konzeption des ursprünglichen Reliabilitätskoeffizienten von Tucker & Lewis. Der aktuell in kovarianzbasierten SEM zur Anwendung kommende TLI bzw. NNFI wurde hauptsächlich von Bollen entwickelt, vgl. Bollen (1989).Google Scholar
  240. 1174.
    Vgl. zu den datenbezogenen Referenzmodellen Fußnote 1121 S. 177; Beauducel/Wittmann (2005), S. 45 und Hu/Bentler (1995), S. 82. sowie zur Berechnung des TLI bzw. NNFI Hu/Bentler (1995) und Tabachnick/Fidell (2006), S. 716.Google Scholar
  241. 1175.
    Vgl. Hu / Bentler (1995), S. 90 und Sharma et al. (2005), S. 942.Google Scholar
  242. 1176.
    Vgl. Hair et al. (1998), S. 657 und Homburg/Baumgartner (1995). Analog zum GFI wird von einigen Autoren ein konservativeres Güteniveau für den TLI propagiert, vgl. bspw. Marsh (2004), S. 323. Auf Grund der auch hier noch nicht abgeschlossenen Diskussion wird in dieser Arbeit auf das etablierte Güteniveau zurückgegriffen.Google Scholar
  243. 1177.
    Vgl. Tabachnick / Fidell (2006), S. 717. Siehe ergänzend zu den datenbezogenen Referenzmodellen Fußnote 1121 Typischerweise werden zwei datenbezogene Referenzmodelle bereitgestellt. Zum einen wird ein perfekt die Datenbasis reproduzierendes Modell („saturated model“) generiert, das durch vollständige Freigabe aller modellbezogenen Schätzparameter ermittelt wird. Dieses Modell ist in Konsequenz zwingend das Ideal zur Datenbasis. Zum anderen wird ein Modell generiert, bei dem ex ante die Unkorreliertheit aller Parameter unterstellt wird. Dieses „Independence Model“ oder „Zero-bzw. Null-Model“ ist das Modell, das am Schlechtesten zur empiricchen Datenbasis passt. Somit sind zwei Referenzpunkte definiert, an denen das theoriebezogene Modell eines Forschers gemessen werden kann, vgl. Arbuckle (2005), (S. 177); Beauducel/Wittmann (2005), S. 45 und Hu/Bentler (1995), S. 82 und die Ausführungen zum TLI (S. 183).Google Scholar
  244. 1178.
    Es sollte gelten: τi≪τe≈τd=0, vgl. Hu / Bentler (1995), S. 84–85.Google Scholar
  245. 1179.
    Vgl. Tanaka (1993), S. 27–29.Google Scholar
  246. 1180.
    Einer exakt gleichen Systematik folgt der Relative Noncentrality Index (RNI). Einziger Unterschied ist, dass der RNI nicht genormt ist, vgl. zum RNI Goffin (1993) und Hu/Bentler (1995), S. 85. Hu & Bentler nutzen dabei den ursprünglich von Bentler verwendeten Terminus „BFI“ (Bentler’s Fit Index) anstatt des aktuell verbreiteten RNI, vgl. Bentler (1990), S. 245.Google Scholar
  247. 1181.
    Vgl. Goffin (1993), S. 207–211.Google Scholar
  248. 1182.
    Vgl. Sharma et al. (2005), S. 936 und Homburg/Baumgartner (1995), S. 168. Einige Autoren weisen darauf hin, dass es angemessen sein kann, die Güteschwellen konservativer anzusetzen, vgl. bspw. Hu/Bentler (1999), S. 1. Auf Grund der in diesem Fall noch nicht abgeschlossenen Diskussion wird in dieser Arbeit analog zum Vorgehen bei GFI und TLI auf die etablierte Güteschwelle CFI≥0,9 Rückgriff genommen.Google Scholar
  249. 1183.
    Dieses Gütemaß wird in diese Untersuchung auf Grund der weiten Verbreitung und entgegen der Empfehlung von Homburg & Klarmann ergänzend inkludiert, vgl. Homburg / Klarmann (2006), S. 736. Siehe hierzu auch Fußnoten 1129 und 1130 Vgl. Homburg/Klarmann (2006), (S. 178). Die beiden ergänzenden Globalgütemaße sind in Abbidung 33 (S. 176) mit dem „♣“-Symbol gekennzeichnet. Die beiden ergänzenden (älteren) Globalgütemaße empfehlen bspw. die Begründer der modemen Kausalanalyse Jöreskog & Sörbom, vgl. Jöreskog/Sörbom (1989), S. 43. Vgl. hierzu die Meta-Untersuchung zur Anwendung globaler Gütemaße in SEM bei Shah/Goldstein (2006), S. 158–159.Google Scholar
  250. 1184.
    Vgl. Jöreskog / Sörbom (1989), S. 44. Siehe auch Ausführungen zum GFI (S. 183).Google Scholar
  251. 1185.
    Vgl. Bollen (1989), S. 276 und Bagozzi/Yi (1988), S. 79. Die Komplexität wird dabei durch die Anzahl zu schätzender Modellparameter bzw den resultierenden Freiheitsgraden gemessen, vgl. Hu/Bentler (1995), S. 85–86 und Arbuckle (2005), S. 506.Google Scholar
  252. 1186.
    Vgl. Hu / Bentler (1995), S. 86 und Homburg/Baumgartner (1995), S. 168. Vgl. auch Ausführungen zu den approximativ genormten Gütemaßen GFI und TLI (S. 183 f.).Google Scholar
  253. 1187.
    Vgl. Bagozzi / Yi (1988), S. 79; Homburg/Baumgartner (1995), S. 168 und Hair et al. (1998), S. 657.Google Scholar
  254. 1188.
    Quelle: Eigene Darstellung.Google Scholar
  255. 1189.
    Siehe zur ex ante Spezifikation der verwendeten Konstrukte die Abschnitte 4.2.2. bis 4.2.5 (S. 129 ff.), die sich mit der Operationalisierung des Forschungsmodells befassen.Google Scholar
  256. 1190.
    Quelle: Eigene Darstellung.Google Scholar
  257. 1191.
    Quelle: Eigene Darstellung.Google Scholar
  258. 1192.
    Siehe vergleichend, Tabelle 21 (S. 186) für eine homogene, hochsignifikante Korrelationsmatrix.Google Scholar
  259. 1193.
    Vgl. zur Hilfslösung für Konstrukte mit lediglich 2 oder 3 Indikatoren bei kovarianzbasierten SEM Bollen / Ting (2000), S. 20–22.Google Scholar
  260. 1194.
    Vgl. zur Zerlegung der Messvarianz eines Konstrukts in „echte“ Varianz und Fehlervarianz Abschnitt 4.1.2.3. (S. 115).Google Scholar
  261. 1195.
    Zur Anwendung kam analog der gängigen Wissenschaftspraxis der logarithmierte Wert der Mitarbeiteranzahl. Vgl. zur Operationalisierung des Konstrukts „Unternehmensgröße“ Abschnitt 4.2.3. (S. 135 f.).Google Scholar
  262. 1196.
    Vgl. zu verschiedenen Modifikationen des Pearson’schen Korrelationskoeffizienten und insb. zum partiellen Korrelationskoeffizienten Cohen et al. (2003), S. 69–75 und Baba/Shibata/Sibuya (2004).Google Scholar
  263. 1197.
    Es konnten 9 signifikante, d.h. nichtredundante „vanishing“ Tetraden identifiziert werden.Google Scholar
  264. 1198.
    Die Elemente des Konstrukts „interne Unsicherheit“ sind Dynamik und Komplexität des unternehmensinternen Umfelds, siehe Abschnitt 4.2.4 (S. 139 f.).Google Scholar
  265. 1199.
    Da das Konstrukt „objektiver Unternehmenserfolg“ zudem auf intersubjektiv nachvollziehbaren Erfolgsgrößen basiert, ist von einem gegenüber der ausschließlichen Verwendung des „subjektiven Unternehmenserfolgs“ geringerem Verzerrungspotenzial durch die Beantworter der Fragebögen auszugehen, siehe Abschnitt 4.2.5 (S. 140 ff.) für die Operationalisierung der Erfolgskonstrukte. Siehe insb. auch Fußnote 888 S. 140 zur Nutzung des objektiven Unternehmenserfolgs in Forschungsprojekten.Google Scholar
  266. 1200.
    Quelle: Eigene Darstellung.Google Scholar
  267. 1201.
    Im Hauptmodell werden neben den Kontrollvariablen bspw. die zur Bildung der Teilgruppenmodelle benötigten Konstrukte „interne Unsicherheit“ und „Unternehmensgröße“ berücksichtigt. Diese Variablen werden nicht in die Teilgruppenmodelle inkludiert, die lediglich aus den Konstrukten der formalen Organisationsstruktur und des objektiven Unternehmenserfolgs bestehen.Google Scholar
  268. 1202.
    Siehe zusammenfassend Abbildung 32 (S. 176).Google Scholar
  269. 1203.
    Siehe Abschnitt 5.2.2.2 (S. 170).Google Scholar
  270. 1204.
    Quelle: Eigene Darstellung.Google Scholar
  271. 1205.
    Quelle: Eigene Darstellung.Google Scholar
  272. 1206.
    Quelle: Eigene Darstellung.Google Scholar
  273. 1207.
    Quelle: Eigene Darstellung.Google Scholar
  274. 1208.
    Vgl. Tabelle 27 (S. 191).Google Scholar
  275. 1209.
    Dennoch wurde zusätzlich das Gesamtkonstrukt auch unter Einbezug des Indikators „OConf4“ auf Indikatorreliabilität geprüft. Auch in diesem Fall kann starke Multikollinearität ausgeschlossen werden.Google Scholar
  276. 1210.
    Quelle: Eigene Darstellung.Google Scholar
  277. 1211.
    Quelle: Eigene Darstellung.Google Scholar
  278. 1212.
    Quelle: Eigene Darstellung.Google Scholar
  279. 1213.
    Vgl. Hulland (1999), S. 198–199 und Birkinshaw/Morrison/Hulland (1995), S. 647.Google Scholar
  280. 1214.
    Vgl. hierzu bspw. Baum (1999), S. 73–76 sowie ausführlich Abschnitt 3.1.1.1 (S. 52 ff.) KMU können die interne Unsicherheit weniger klar in ihre Komponenten aufspalten, siehe Tabelle 34 (S. 196).Google Scholar
  281. 1215.
    Quelle: Eigene Darstellung.Google Scholar
  282. 1216.
    Quelle: Eigene Darstellung.Google Scholar
  283. 1217.
    Vgl. Ausführungen zur Indikatorreliabilitätsprüfung der Konstrukte „interne Unsicherheit (Dynamik)“ und „interne Unsicherheit (Komplexität)“ (S. 192 f.).Google Scholar
  284. 1218.
    Quelle: Eigene Darstellung.Google Scholar
  285. 1219.
    Siehe hierzu Abschnitt 4.2.1.1. (S. 125 ff.).Google Scholar
  286. 1220.
    Siehe Abschnitt 5.2.2.2. (S. 170).Google Scholar
  287. 1221.
    Siehe Abschnitte 4.2.2. bis 4.2.5. (S. 129 ff.).Google Scholar
  288. 1222.
    Paulraj / Lado (2004), Vgl. Fußnote 1068 S. 170. Als Richtwerte für „starke“ Faktorladungen (λFA) kann ein Wert von λFA≥0,4 angenommen werden. Als ausreichend diskriminant können Faktorladungsdifferenzen zwischen einzelnen Faktoren von ΔλFA≥0,2 angesehen werden, vgl. Nunnally/Bernstein (1994), zitiert nach Ahmad (2005), S. 81. Siehe ergänzend Homburg/Giering (1996), S. 8Google Scholar
  289. 1223.
    Quelle: Eigene Darstellung.Google Scholar
  290. 1224.
    Siehe Abschnitt 5.2.2.2 (S. 170 f.).Google Scholar
  291. 1225.
    Die explorative Faktoranalyse untersucht Kovarianzen (Kommunalitäten bzw „shared variance“), die die Indikatoren miteinander teilen, vgl. Tabachnick / Fidell (2006), S. 635. Dabei wird versucht, die Korrelationsmatrix mit möglichst wenig unabhängigen Faktoren zu erklären.Google Scholar
  292. 1226.
    Eine ähnliche konzeptionelle Diskussion ist bei Van de Ven & Ferry nachzulesen. Die Autoren weisen darauf hin, dass häufig synonym genutzte Spezialisierungskonzepte stärker getrennt werden sollten. So wird empfohlen „Job Interchangeability“ von „Level of Professionalism“ zu trennen. Es wird notiert: „It is important to recognize that the level of expertise, or professionalism is conceptually independent of personnel specialization“, vgl. Van de Ven / Ferry (1980), S. 164. Dass dieser Empfehlung Rechnung getragen werden sollte, konnte durch die Ergebnisse der explorativen Faktoranalyse bestätigt werden.Google Scholar
  293. 1227.
    Vgl. Chen / Paulraj / Lado (2004), S. 513. Die für diese Untersuchung definierte Konstruktanzahl beträgt acht.Google Scholar
  294. 1228.
    Der Aufbau entspricht Tabelle 33. Vgl. die entsprechenden Erläuterungen (S. 194).Google Scholar
  295. 1229.
    Quelle: Eigene Darstellung.Google Scholar
  296. 1230.
    Siehe Abschnitt 5.2.2.2 (S. 171 ff.).Google Scholar
  297. 1231.
    Vgl. hierzu Chin (1998), S. 320 und ergänzend Werts/Linn/Jöreskog (1974). Die Faktorreliabilität gewichtet individuell und situationsbezogen den Einfluss der Indikatoren. Das Cronbach’s Alpha unterstellt dagegen prinzipiell eine Gleichgewichtung aller Indikatoren. Damit einhergehend ist die Aussagekraft des Cronbach’s Alpha bzgl. der lokalen Güte eines Messmodells leicht durch Hinzufügen von Indikatoren zu reduzieren, da mit steigender Indikatoranzahl-unabhängig von deren tatsächlichen Güte-das Cronbach’s Alpha zunehmend höhere Werte ausweisen wird, vgl. Peterson (1994), S. 387.Google Scholar
  298. 1232.
    Vgl. Murphy / Davidshofer (1988), S. 89 und Chen/Paulraj/Lado (2004), S. 513.Google Scholar
  299. 1233.
    Quelle: Eigene Darstellung.Google Scholar
  300. 1234.
    Siehe Abschnitt 5.2.2.2 (S. 171 ff.).Google Scholar
  301. 1235.
    Quelle: Eigene Darstellung.Google Scholar
  302. 1236.
    Quelle: Eigene Darstellung.Google Scholar
  303. 1237.
    Siehe Abschnitt 5.2.2.2 (S. 169 ff.) und die Beschreibung der lokalen Güteprüfung des Gesamtmodells in Abschnitt 5.2.4.1 (S. 189 ff.).Google Scholar
  304. 1238.
    Vgl. zur Indikatoranzahl Abschnitt 4.2.1.3 (S. 128 f.) und zum Güteschwellenwert λi≥0,6 Abschnitt 5.2.4.1 (S. 192).Google Scholar
  305. 1239.
    Siehe zur inhaltlichen Vergleichbarkeit von Konstrukten im aktuellen Abschnitt (S. 211 f.).Google Scholar
  306. 1240.
    Dies betrifft die Indikatoren „OForm1“ (S1I1), „OForm5“ (S0I0) und „OSpec5“ (S1I1).Google Scholar
  307. 1241.
    Quelle: Eigene Darstellung.Google Scholar
  308. 1242.
    Quelle: Eigene Darstellung.Google Scholar
  309. 1243.
    Quelle: Eigene Darstellung.Google Scholar
  310. 1244.
    Quelle: Eigene Darstellung.Google Scholar
  311. 1245.
    Der Indikator „OConf4“ dient lediglich der Erhöhung des Detaillierungsgrads der Ergebnisreports für die Umfrage-Teilnehmer. Er doppelt „OConf3“ auf einer tieferen Hierarchieebene und ist kein Element des eigentlichen Messinstruments. Analog zum Vorgehen bei der Untersuchung der Indikatorreliabilität des Konstrukts „strukturelle Differenziertheit“ im Gesamtmodell wurde zusätzlich das Gesamtkonstrukt auch unter Einbezug des Indikators „OConf4“ in den vier Teilgruppenmodellen auf Multikollinearität geprüft. Starke Multikollinearität kann auch in diesem Fall verneint werden.Google Scholar
  312. 1246.
    Quelle: Eigene Darstellung.Google Scholar
  313. 1247.
    Vgl. dazu die Ausführungen in diesem Abschnitt (S. 199 f.).Google Scholar
  314. 1248.
    Quelle: Eigene Darstellung.Google Scholar
  315. 1249.
    Da der Prozess analog dem der Prüfung der Unidimensionaliät des Gesamtmodells entspricht, wird an dieser Stelle auf den entsprechenden Teil des Abschnitts 5.2.4.1 (S. 194 ff.) bzw. auf den die Methodik erläuternden Abschnitt 5.2.2.2 (S. 170) verwiesen.Google Scholar
  316. 1250.
    Siehe Abschnitt 5.2.2.2 (S. 170 f.).Google Scholar
  317. 1251.
    Paulraj / Lado (2004), Vgl. Fußnote 1068 S. 170. Als Richtwerte für „starke“ Faktorladungen (λFA) kann ein Wert von λFA≥0,4 angenommen werden. Als ausreichend diskriminant können Faktorladungsdifferenzen zwischen einzelnen Faktoren von ΔλFA≥0,2 angesehen werden, vgl. Nunnally/Bernstein (1994), zitiert nach Ahmad (2005), S. 81. Siehe ergänzend Homburg/Giering (1996), S. 8Google Scholar
  318. 1252.
    Die EFA für Teilgruppenmodell S0I1 extrahierte 9 Faktoren. Die Teilgruppenmodelle S0I0, S1I0 und S1I1 wiesen jeweils 8 extrahierte Faktoren auf.Google Scholar
  319. 1253.
    Vgl. Tabelle 33 (S. 194).Google Scholar
  320. 1254.
    Dies betrifft Faktor 8 (langfristige Erfolgsdimension) und Faktor 5 (kurzfristige Erfolgsdimension).Google Scholar
  321. 1255.
    Paulraj / Lado (2004), Vergleiche zum Schwellenwert für ausreichenden Diskriminanz von Faktorladungen innerhalb der EFA Fußnote 1068 S. 170. Als Richtwerte für „starke“ Faktorladungen λFA kann ein Wert von λFA≥0,4 angenommen werden. Als ausreichend diskriminant können Faktorladungsdifferenzen zwischen einzelnen Faktoren von ΔλFA≥0,2 angesehen werden, vgl. Nunnally/Bernstein (1994), zitiert nach Ahmad (2005), S. 81. Siehe ergänzend Homburg/Giering (1996), S. 8Google Scholar
  322. 1256.
    Quelle: Eigene Darstellung.Google Scholar
  323. 1257.
    Quelle: Eigene Darstellung.Google Scholar
  324. 1258.
    Quelle: Eigene Darstellung.Google Scholar
  325. 1259.
    Quelle: Eigene Darstellung.Google Scholar
  326. 1260.
    Siehe Abschnitt 5.2.2.2 (S. 171 ff.).Google Scholar
  327. 1261.
    Vgl. detaillierter zur Bewertung der methodischen Unterschiede zwischen Cronbach’s Alpha und Faktorreliabilität die Ausführungen zur lokalen Güteprüfung des Gesamtmodells in Abschnitt 5.2.4.1 (S. 197).Google Scholar
  328. 1262.
    Vgl. Murphy / Davidshofer (1988), S. 89 und Chen/Paulraj/Lado (2004), S. 513.Google Scholar
  329. 1263.
    Vgl. Nunnally (1967), S. 226.Google Scholar
  330. 1264.
    Quelle: Eigene Darstellung.Google Scholar
  331. 1265.
    Siehe Abschnitt 5.2.2.2 (S. 171 ff.).Google Scholar
  332. 1267.
    Quelle: Eigene Darstellung.Google Scholar
  333. 1268.
    Siehe konzeptionell zum Fornell-Larcker-Test Abschnitt 5.2.2.2 (S. 172).Google Scholar
  334. 1269.
    Quelle: Eigene Darstellung.Google Scholar
  335. 1270.
    Quelle: Eigene Darstellung.Google Scholar
  336. 1271.
    Quelle: Eigene Darstellung.Google Scholar
  337. 1272.
    Quelle: Eigene Darstellung.Google Scholar
  338. 1273.
    Vgl. Lorenzo-Seva / ten Berge (2006), S. 57.Google Scholar
  339. 1274.
    Vgl. Carte / Russell (2003), S. 493–494.Google Scholar
  340. 1275.
    Vgl. Guadagnoli / Velicer (1991).Google Scholar
  341. 1276.
    Vgl. Lorenzo-Seva / ten Berge (2006), S. 57 und Netemeyer/Durvasula/Lichtenstein (1991), S. 323–324. Zur Leistungsfähigkeit der Indizes vgl. Guadagnoli/Velicer (1991), S. 340–341. Die Autoren bemerken a.a.O.: “To summarize, the matching performance of c, s, and k when comparing corresponding and noncorresponding population components to sample components was essentially indistinguishable”.Google Scholar
  342. 1277.
    Vgl. Teel / Verran (1991), S. 69–70 und Lorenzo-Seva/ten Berge (2006), S. 61. Tucker, der den CC entwickelte vertritt dagegen für den CC einen Grenzwert von CC≥0,82, wobei folgende Interpretationen gelten: CC<0,68: „terrible“; 0,68≤CC<0,82: „poor“; 0,82≤CC<0,92: „borderline“; 0,92≤CC<0,98: „good“; CC≥0,98: „excellent“, vgl. Lorenzo-Seva/ten Berge (2006), S. 58.Google Scholar
  343. 1278.
    Die zur Kalkulation des CC notwendigen Inputmatrizen können Tabelle 36 (S. 198) für das Gesamtmodell bzw. Tabelle 49 (S. 208) und Tabelle 50 (S. 209) für die Teilgruppenmatrizen entnommen werden.Google Scholar
  344. 1279.
    Dabei handelt es sich um das Konstrukt Differenzierungsgrad (LVDiff) in Teilgruppe S0I1.Google Scholar
  345. 1280.
    Quelle: Eigene Darstellung.Google Scholar
  346. 1281.
    Siehe Abbildung 32 (S. 176) und zu den Globalgütemaßen Abschnitt 5.2.2.3 (S. 176 ff.).Google Scholar
  347. 1282.
    Siehe Abschnitt 4.1.2.3 (S. 119).Google Scholar
  348. 1283.
    Siehe Abschnitt 5.2.2.3 (S. 176 ff.) und für eine Übersicht über Globalgütemaße Abbildung 33 (S. 177). Die beiden Globalgütemaße varianzbasierter SEM (Cross-Validated Redundancy Q2 und R2) werden mit dem primär als Auswertungsverfahren herangezogenen varianzbasierten SEM „PLS-Graph 3“ ermittelt, siehe Ausführungen in Abschnitt 4.1.2.3 (S. 119 f.) und Fußnote 754 (S. 119).Google Scholar
  349. 1284.
    Siehe Abschnitt 4.1.2.3 (S. 119).Google Scholar
  350. 1285.
    Bei dieser Nachmodellierung sind die Besonderheiten varianzbasierter SEM zu berücksichtigen. So müssen bspw. die Beziehungen zwischen den Konstrukten im Strukturmodell des kovarianzbasierten SEM unrestringiert sein, siehe zu den Unterschieden von varianz-und kovarianzbasierten SEM Abschnitt 4.1.2.3 (S. 111 ff.). Um eine höchstmögliche Genauigkeit der Globalgüteprüfung zu ermöglichen und dabei gleichzeitig einen weiteren zentralen Nachteil varianzbasierter SEM (konfundierte Messungen) zu adressieren, wird die Annahme einer fehlerfreien Messung der varianzbasierten SEM aufgehoben, siehe Abschnitt 4.1.2.3 (S. 115 und S. 119). Dem kovarianzbasierten SEM wird damit die Möglichkeit gegeben, die erfasste Konstruktvarianz in Messfehlervarianz und „echte“ Faktorvarianz zu trennen. Es wurde dementsprechend dem Strukturmodell des kovarianzbasierten SEM keine Restriktion bezüglich der Fehlerfreiheit des Messmodells auferlegt. Somit wirken sich starke Messfehlervarianzen nun potenziell negativ auf die Globalgüte aus, was im Falle einer ausschließlichen Anwendung varianzbasierter SEM ohne Auswirkung bleiben würde.Google Scholar
  351. 1286.
    Diese Beziehungen zwischen den Konstrukten innerhalb eines Kausalmodells werden über die Pfadkoeffizienten (ψi) abgebildet und quantifiziert, vgl. Diamantopoulos (1999), S. 450; Germain/Dröge (1997), S. 627; Bentler/Dudgeon (1996), S. 563–567 und Shah/Goldstein (2006), S. 149–151.Google Scholar
  352. 1287.
    Dabei werden jeweils die einzelnen Pfadkoeffizienten eines vergleichbaren Struktumodellpaars auf signifikante Unterschiedlichkeit untersucht (z.B. ψForm→PerfOb im Teilmodell S0I0 zum einen auf Basis der PLS-Parameterschätzung und zum anderen auf Basis der AMOS-Parameterschätzung).Google Scholar
  353. 1288.
    Vgl. Keil et al. (2000), S. 312–315. Die dort angegebene inkorrekte Formel der Pooled Variance (Spooled) wurde anhand der ursprünglichen Dokumentation von Chin berichtigt. Die korrekte Formel lautet: Spooled=SQRT([(N1−1)2/(N1+N2−2)*SE12]+[(N2−1)2/(N1+N1−2)*SE22]), vgl. Chin, W. W. (2000) im Internet auf der Web-Seite http://disc-nt.cba.uh.edu/chin/plsfaq.htm, abgerufen am 20.06.2007.Google Scholar
  354. 1289.
    Formel: t=(PfadkoeffizientAMOS — PfadkoeffizientPLS)/(Spooled*SQRT [(1/N1+1/N2)]), vgl. Keil et al. (2000), S. 315. N1 und N2 entsprechen dabei den Stichprobengrößen der AMOS-bzw. PLS-Modelle. Für alle untersuchten Modelle gilt für diese Untersuchung N1=N2.Google Scholar
  355. 1290.
    Vgl. Efron / Tibshirani (1986) und Stine (1989). Damit wird ebenfalls Empfehlungen entsprochen, dieses Verfahren auch für kovarianzbasierte SEM unter Maximum-Likelihood-Estimation anzuwenden, vgl. West/Finch/Curran (1995), S. 66–67; Nevitt/Hancock (2001), S. 372–374 und Fußnote 758 (S. 119). In beiden SEM wurden jeweils 500 Bootstrap-Samples (B=500) zur Ermittlung der Standardfehler (SEn) generiert. Dies entspricht der gängigen Praxis und stellt einen Kompromiss zwischen dem theoretisch notwendigen unendlichen und einem praktisch sinnvollen B dar, vgl. Davidson/MacKinnon (2000).Google Scholar
  356. 1291.
    Quelle: Eigene Darstellung.Google Scholar
  357. 1292.
    Vgl. zu den Signifikanzniveaus dieser Untersuchung und der damit einhergehenden Statistical Power Kapitel 5 (S. 149 f.).Google Scholar
  358. 1293.
    Siehe Abschnitt 5.2.2.3 (S. 176 ff.).Google Scholar
  359. 1294.
    Anhand dieser Konstrukte werden die vier Teilgruppenmodelle gebildet. Siehe hierzu Hauptabschnitt 5.3 (S. 220 ff.).Google Scholar
  360. 1295.
    Vgl. zu den erforderlichen Globalgütewerten zusammenfassend Abbildung 34 (S. 185).Google Scholar
  361. 1296.
    Der Close-Fit-Test insignifikant mit pCLOSE=0,09 und nahe dem für eine sehr gute Globalgüte empfohlenen Wert von pCLOSE≥0,1.Google Scholar
  362. 1297.
    Lediglich der indikativ ergänzte AGFI liegt mit AGFI=0,899 minimal unter dem empfohlenen Wertebereich von AGFI≥0,9.Google Scholar
  363. 1298.
    Vgl. Hu / Bentler (1999), S. 26–27 und Schermelleh-Engel/Moosbrugger/Müller (2003), S. 52.Google Scholar
  364. 1299.
    Quelle: Eigene Darstellung.Google Scholar
  365. 1300.
    Close-Fit-Test insignifikant mit pCLOSE=0,51 und somit deutlich innerhalb des sehr gute Globalgüte repräsentierenden Wertebereichs von pCLOSE≥0,1.Google Scholar
  366. 1301.
    Vgl. zur Empfehlung der Nicht-Anwendung von GFI und AGFI Fußnote 1131 (S. 178). Analog bspw. aktuell Sharma et al., die bezogen auf GFI/AGFI zusammenfassen: “First, the performance of goodness-of-fit index is the worst, both with respect to how it is affected by sample size, numbers of indicators and detecting model misspecification. It is suggested that this index should not be used to evaluate model fit”, vgl. Sharma et al. (2005), S. 941. Diese Einschätzungen werden auch in dieser Untersuchung gestützt. Während in der Gesamtstichprobe bei insgesamt guter Globalgüte („Close Fit“) GFI und AGFI im Akzeptanzbereich sind, lehnen diese beiden Gütemaße z.B. das Teilgruppenmodell S1I0 trotz ebenfalls guter Globalgüte („Close Fit“) ab. Im Teilgruppenmodell S1I1 mit sogar exzellenter Globalgüte) („Exact Fit“) würde eine ausschließliche Berteilung des Strukturmodells auf Basis des AGFI noch immer zu einer Ablehnung dieses nomologisch korrekten Modells führen, vgl. Tabelle 61 (S. 218).Google Scholar
  367. 1302.
    Quelle: Eigene Darstellung.Google Scholar
  368. 1303.
    GFI und AGFI werden nicht bewertet, vgl. Fußnote 1131 (S. 178). Analog bspw. aktuell Sharma et al., die bezogen auf GFI/AGFI zusammenfassen: „First, the performance of goodness-of-fit index is the worst, both with respect to how it is affected by sample size, numbers of indicators and detecting model misspecification. It is suggested that this index should not be used to evaluate model fit“, vgl. Sharma et al. (2005), S. 941. Diese Einschätzungen werden auch in dieser Untersuchung gestützt. Während in der Gesamtstichprobe bei insgesamt guter Globalgüte („Close Fit“) GFI und AGFI im Akzeptanzbereich sind, lehnen diese beiden Gütemaße z.B. das Teilgruppenmodell S1I0 trotz ebenfalls guter Globalgüte („Close Fit“) ab. Im Teilgruppenmodell S1I1 mit sogar exzellenter Globalgüte) („Exact Fit“) würde eine ausschließliche Berteilung des Strukturmodells auf Basis des AGFI noch immer zu einer Ablehnung dieses nomologisch korrekten Modells führen, vgl. Tabelle 61 (S. 218).Google Scholar
  369. 1304.
    Quelle: Eigene Darstellung.Google Scholar
  370. 1305.
    Analog zu den Teilgruppenmodellen S0I0 und S0I1 werden GFI und AGFI auch für das Teilgruppenmodell S1I0 nicht interpretiert, vgl. Fußnote 1131 (S. 178). Analog bspw. aktuell Sharma et al., die bezogen auf GFI/AGFI zusammenfassen: “First, the performance of goodness-of-fit index is the worst, both with respect to how it is affected by sample size, numbers of indicators and detecting model misspecification. It is suggested that this index should not be used to evaluate model fit”, vgl. Sharma et al. (2005), S. 941. Diese Einschätzungen werden auch in dieser Untersuchung gestützt. Während in der Gesamtstichprobe bei insgesamt guter Globalgüte („Close Fit“) GFI und AGFI im Akzeptanzbereich sind, lehnen diese beiden Gütemaße z.B. das Teilgruppenmodell S1I0 trotz ebenfalls guter Globalgüte („Close Fit“) ab. Im Teilgruppenmodell S1I1 mit sogar exzellenter Globalgüte) („Exact Fit“) würde eine ausschließliche Berteilung des Strukturmodells auf Basis des AGFI noch immer zu einer Ablehnung dieses nomologisch korrekten Modells führen, vgl. Tabelle 61 (S. 218).Google Scholar
  371. 1306.
    Quelle: Eigene Darstellung.Google Scholar
  372. 1307.
    Der Exact Fit-Test ist mit pCMIN=0,16 insignifikant, siehe Abschnitt 5.2.2.3 (S. 181). Ein „Close Fit“ trifft sogar mit 95%-iger Wahrscheinlichkeit zu (pCLOSE=0,95).Google Scholar
  373. 1308.
    Vgl. Schermelleh-Engel / Moosbrugger / Müller (2003), S. 52.Google Scholar
  374. 1309.
    Quelle: Eigene Darstellung.Google Scholar
  375. 1310.
    Vgl. für die zentrale Bedeutung von SRMR und RMSEA zur globalen Gütebewertung MacCallum / Austin (2000), S. 219; Hu/Bentler (1998) und Hu/Bentler (1999), S. 26–28.Google Scholar
  376. 1311.
    Für die geringere globale Güteeinstufung des Teilgruppenmodells S0I1 sind die Gütewerte für CFI und TLI verantwortlich, die beide jeweils knapp unter dem empfohlenen Cut-Off-Wert von 0,9 liegen. Zudem impliziert der signifikante Close-Fit-Test für dieses Teilgruppenmodell, dass von einer „guten“ Anpassung des theoretischen Modells an die empirischen Daten nicht mehr ausgegangen werden kann. Abzulehnen ist dieses Teilgruppenmodell jedoch wegen der akzeptablen R2-, cvQ2R-, SRMR-, RMSEA-und CMIN/DF-Werte nicht.Google Scholar
  377. 1312.
    Vgl. zum Bestimmtheitsmaß (R2) die entsprechenden Ausführungen in Abschnitt 5.2.2.3 (S. 180).Google Scholar
  378. 1313.
    Vgl. hierzu Fußnote 1143 (S. 180) identified 196 variables affecting new venture performance. Given the scope of the present study it is not surprising that a great deal of variance remains to be explained“, vgl. Thornhill (2006), S. 698 und Chrisman/Bauerschmidt/Hofer (1998), S. 10–19. Vor dem Hintergrund von Organisations-strukturen wurden bspw. folgende Bestimmtheitsmaße in wissenschaftlichen Studien erzielt: R2≈0.2, vgl. Olson/Stater/Hult (2005), S. 59; R2≈0,25, vgl. Miller/Toulouse (1986), S. 1406–1408 und R2≈0,07, vgl. Covin/Prescott/Slevin (1990), S. 494.Google Scholar
  379. 1314.
    Quelle: Eigene Darstellung.Google Scholar
  380. 1315.
    Diese Tendenzaussage wird auch durch das kovarianzbasierte SEM untermauert, welches lediglich geringfügige absolute Abweichungen gegenüber den Ergebnissen des varianzbasierten SEM aufweist.Google Scholar
  381. 1316.
    Vgl. zur Bildung der Teilgruppen die Abschnitt 5.3.1 (S. 221 ff.).Google Scholar
  382. 1317.
    Das Hauptmodell entspricht im übertragenen Sinne einem „Durchschnittsmodell“. Das Deaveraging bzw. die Disaggregation des Hauptmodells in theoriegeleitete situative Teilmodelle führt zu einer deutlich höheren Varianzerklärung der abhängigen Erfolgsvariablen. Dies impliziert, dass die einzelnen Teilmodelle jeweils einer vom Gesamtdurchschnitt abweichenden eigenen Logik folgen. Diese Interpretation folgt der Segmentierungslogik im Marketing, bei der ein Gesamtmarkt in Segmente unterteilt wird, die sich über Unterschiedlichkeit entlang sachlicher, personeller, räumlicher oder zeitlicher Kriterien definieren. Segmentierung ist genau dann sinnvoll, wenn ein ökonomischer Mehrwert durch diese erhöhte Differenziertheit-verglichen mit der undifferenzierten Gesamtmarktbetrachtung-generiert werden kann, vgl. bspw. Meffert (1998), S. 177–212. Diese Unterschiedlichkeit zwischen Gesamt-und Teilgruppenmodellen wird auch durch die modellübergreifende subjektive Betrachtung der Pfadkoeffizientendifferenzen zum Gesamtmodell gestützt, vgl. Tabelle 56 (S. 214).Google Scholar
  383. 1318.
    Das Gesamtmodell dient der Ermittlung der Konstruktwerte der Dichotomisierungs-Variablen „Unternehmensgröße“ und „interne Unsicherheit“ und ist nicht unmittelbar für die Beantwortung der Forschungsfragen relevant.Google Scholar
  384. 1319.
    Siehe zur Zulässigkeit induktiver Statistik und Generalisierbarkeit der Ergebnisse Abschnitt 5.1.2 (S. 154 ff.) und Abbildung 19 (S. 108).Google Scholar
  385. 1320.
    Siehe zur typologischen Methode der Konfigurationsbildung Abschnitt 3.2.1.2 (S. 84 ff.).Google Scholar
  386. 1321.
    Siehe zum Konfigurationsansatz der Kontingenztheorie ausführlich Abschnitte 3.1.1.3 (S. 64 ff.) und 3.2.1.2 (S. 83 ff.). Durch die Nutzung etablierter, häufig in der Forschung angewandter theoriegeleiteter Strukturmodelle können allgemeingültige theoriegeleitete Aussagen abgeleitet werden, vgl. für datensatzspezifische Aussagen die taxonomische Konfigurationsbildung in Abschnitt 3.2.1.2 (S. 84 ff.). Vgl. ergänzend Fußnote 1323 auf dieser Seite.Google Scholar
  387. 1322.
    Siehe zur bürokratischen bzw. organischen Schule der klassischen Kontingenztheorie Abschnitt 3.2.1.1 (S. 75 ff.).Google Scholar
  388. 1323.
    A priori aufgestellte Hypothesen zu Kontext-Strukturbeziehungen und deren Erfolgswirkung sind auf Ebene der einzelnen Strukturdimensionen nur durch den theoriegeleiteten typologischen Ansatz auf Basis der Vorhersagen der klassischen Kontingenztheorie möglich. Taxonomisch aggregierende Verfahren zur Konfigurationsbildung erlauben dies nur eingeschränkt, da die Konfigurationen durch statistische Verfahren wie die Clusteranalyse generiert werden und streng datensatzspezifisch sind, siehe zur taxonomischen Konfigurationsbildung Abschnitt 3.2.1.2 (S. 84 ff.).Google Scholar
  389. 1324.
    Vgl. zu den relevanten Dimensionen der formalen Organisationsstruktur Abschnitt 4.2.2 (S. 129 ff.). Die Typologisierung erfolgt zur Erleichterung der Vergleichbarkeit der Ergebnisse dieser Studie im Kontext der Forschung zu formalen Organisationsstrukturen anhand der drei latenten Variablen Formalisierungsgrad, Dezentralisierungsgrad und Spezialisierungsgrad, da sie in nahezu allen organisationsstrukturbezogenen Studien herangezogen werden, vgl. metaanalytisch Donaldson (2001), S. 21–28 und Miller (1987), S. 316 und somit als primäre Strukturdimensionen angesehen werden, vgl. Reimann (1973), S. 471. Gleichzeit wird dadurch die Diskussion zwischen bürokratischer und organischer Schule der Kontingenztheorie aufgegriffen, siehe Abschnitt 3.2.1.1 (S. 75 ff.).Google Scholar
  390. 1325.
    Diese Standardisierung der Konstruktwerte führt dazu, dass im Gesamtmodell bzw. in jeder der vier gebildeten Teilgruppen der Mittelwert einer jeden Dimension der formalen Organisationsstruktur null ergibt sowie die Standardabweichung auf eins normiert ist.Google Scholar
  391. 1326.
    Siehe Abschnitt 2.1.2 (S. 32 ff.).Google Scholar
  392. 1327.
    Für den Fall, dass eine eindeutige Zuordnung anhand der typologischen Erfordernisse nicht möglich war, wurde die strukturelle Konfiguration des entsprechenden Datensatzes als „Hybridstruktur“ bezeichnet, um den Mischcharakter der resultierenden Konfiguration klar zu dokumentieren.Google Scholar
  393. 1328.
    Siehe hierzu Abbildung 14 (S. 82) sowie die entsprechenden Ausführungen in Abschnitt 3.2.1.1 (S. 75 ff.).Google Scholar
  394. 1329.
    Quelle: Eigene Darstellung.Google Scholar
  395. 1330.
    Quelle: Eigene Darstellung.Google Scholar
  396. 1331.
    Siehe zur theoriegeleiteten Bildung der Teilgruppenmodelle Abschnitt 5.2.1 (S. 164 f.).Google Scholar
  397. 1332.
    Quelle: Eigene Darstellung.Google Scholar
  398. 1333.
    Vgl. Ketchen / Shook (1996), S. 447.Google Scholar
  399. 1334.
    Vgl. Ketchen / Shook (1996), S. 449–450.Google Scholar
  400. 1335.
    Vgl. Stevens (2002), S. 210–212.Google Scholar
  401. 1336.
    H0: alle Mittelwerte der Strukturdimensionen stimmen über die vier Teilgruppenmodelle hinweg überein. Diese Nullhypothese kann höchstsignifikant abgelehnt werden.Google Scholar
  402. 1337.
    Siehe Abbildung 13 (S. 82) und ergänzend zu kontingenztheoretischen Fit-Konzepten Abbildung 13 (S. 67).Google Scholar
  403. 1338.
    Siehe zu den Ausprägungen der Strukturdimensionen etablierter struktureller Konfigurationen Abbildung 14 (S. 82).Google Scholar
  404. 1339.
    Quelle: Eigene Darstellung.Google Scholar
  405. 1340.
    Quelle: Eigene Darstellung.Google Scholar
  406. 1341.
    Diese Methodik hat sich im Forschungskontext des Equifinalitätsansatzes bewährt, vgl. Payne (2006), S. 762–764. Ob dabei auf ANOVA bzw. MANOVA zurückgegriffen wird, hängt vom Forschungskontext ab. Da in der vorliegenden Arbeit Konstrukte modelliert werden und ein SEM als multivariate Auswertungsmethode zur Anwendung kommt, werden Interdependenzen, d.h., der Kovarianzen zwischen den einbezogenen Variablen bereits innerhalb des SEM berücksichtigt, vgl. Bortz (2005), S. 592–594 sowie zu den methodischen Grundlagen von SEM Abschnitt 4.1.2.3 (insb. S. 120 f.). Die vertiefende Auswertung der Ergebnisse, d.h. der Konstruktwerte erfolgt in der vorliegenden Arbeit durch eine ANOVA.Google Scholar
  407. 1342.
    Vgl. Fox (1997), S. 155; Mueller/Schuessler/Costner (1977), S. 455 und Blalock (1960), S. 242. Die Methodik ist ebenfalls für Likert-Skalen geeignet, vgl. Iversen/Norpoth (1987), S. 6–7.Google Scholar
  408. 1343.
    Vgl. bspw. Kazanjian / Drazin (1990), S. 147.Google Scholar
  409. 1344.
    Neben vielen entwickelten Tests auf Varianzhomogenität ist die von Levine entwickelte Test-Statistik zugleich exakt und robust, vgl. Conover / Johnson / Johnson (1981), S. 360.Google Scholar
  410. 1345.
    Vgl. Roth (1983), S. 973–974. Robustheit besteht in diesem Fall bezüglich der in die ANOVA einbezogenen Variablen mit inhomogenen gruppeninternen Varianzen.Google Scholar
  411. 1346.
    Quelle: Eigene Darstellung.Google Scholar
  412. 1347.
    Vgl. Iversen / Norpoth (1987), S. 17–21.Google Scholar
  413. 1348.
    Quelle: Eigene Darstellung.Google Scholar
  414. 1349.
    Siehe zu Hypothesen bzgl. equifinaler Konfigurationen Abschnitt 3.3.2.2 (S. 99 ff.).Google Scholar
  415. 1350.
    Vgl. Bohrnstedt / Knoke (1994), S. 147.Google Scholar
  416. 1351.
    Vgl. zu Post-hoc Analysen der ANOVA (auch als a posteriori Tests bezeichnet) Kirk (1995), S. 118.Google Scholar
  417. 1352.
    Vgl. Fox (1997), S. 196–199 und Bortz (2005), S. 263–267.Google Scholar
  418. 1353.
    Vgl. Bortz (2005), S. 272–274.Google Scholar
  419. 1354.
    Siehe zu Mehrfachvergleichen und den entsprechenden Methoden Kirk (1995), S. 125–159 und Toothaker (2004), S. 686–690. In dieser Arbeit wird der Empfehlung gefolgt, bei Anwendung von Mehrfachvergleichen mehr als nur eine Post-Hoc Auswertungsmethodik anzuwenden, vgl. Cramer/Howitt (2004), S. 129.Google Scholar
  420. 1355.
    Die Post-hoc Analysen für die equifinalen Gruppen S0I0 und S1I1 sind nicht zwingend notwendig, da bereits auf Basis der globalen Varianzanalyse die Hypothesen ausreichend statistisch analysiert werden können. Dennoch erlauben die differenzierten Post-hoc Tests eine zusätzliche Untermauerung dieser globalen Ergebnisse, da nicht nur allgemein für ein Modell sondem auch für die einzelnen individuellen Unterschiede der strukturellen Konfigurationen Konfidenzintervalle ermittelt werden, die eine differenzierte Aussage über die Verlässlichkeit der ermittelten Equifinalität erlauben.Google Scholar
  421. 1356.
    Vgl. zum Scheffé-Test Scheffé (1953) und Toothaker (2004), S. 689, sowie zu dessen Leistungsspektrum ergänzend Cramer (2004), S. 1004–1005.Google Scholar
  422. 1357.
    Vgl. zum Turkey’s HSD-Test Toothaker (2004), S. 689 und Kirk (1995), S. 144–146.Google Scholar
  423. 1358.
    Vgl. zum Games-Howell-Test Toothaker (2004), S. 689–690; Kirk (1995), S. 147–148 und Howell (2007), S. 371–372. Dieser Test ist speziell für inhomogene Varianzen und für gleiche oder ungleiche Gruppengrößen geeignet.Google Scholar
  424. 1359.
    Quelle: Eigene Darstellung.Google Scholar
  425. 1360.
    Quelle: Eigene Darstellung.Google Scholar
  426. 1361.
    Vgl. zu Hypothesen bezogen auf ideale Konfigurationen Abschnitt 3.3.2.1 (S. 98 ff.).Google Scholar
  427. 1362.
    Vgl. zu Hypothesen bezogen auf ideale Konfigurationen Abschnitt 3.3.2.1 (S. 98 ff.).Google Scholar
  428. 1363.
    Quelle: Eigene Darstellung.Google Scholar
  429. 1364.
    Quelle: Eigene Darstellung.Google Scholar
  430. 1365.
    Es kann in dieser Arbeit durch den einen insignifikanten Kontrast nicht vollumfänglich ein wissenschaftlichen Beitrag zur Diskussion organische vs. bürokratische Schule der Kontingenztheorie geliefert werden, siehe Abschnitt 3.2.1.1 (S. 75 ff.). Daher bleibt nur zu vermuten, dass bei SME in stabilem Umfeld offensichtlich der geschilderte Konflikt bzgl. der Strukturdimension „Dezentralisierungsgrad“ nicht besteht.Google Scholar
  431. 1366.
    Vgl. Abschnitt 3.2.1.1 (S. 75 ff.).Google Scholar
  432. 1367.
    Vgl. Donaldson (2001), S. 55 und Abschnitt 3.2.1.1 (S. 80).Google Scholar
  433. 1368.
    Vgl. Payne (2006), S. 764. Da in dieser Untersuchung ein SEM als multivariate Auswertungsmethode zur Anwendung kommt und zusätzlich auf Konstrukte Rückgriff genommen wird, kann auf die in der zitierten Quelle angewandte MANOVA-Analyse verzichtet werden. Die von PAYNE aufgeführten Gründe zur Anwendung der MANOVA sind in der vorliegenden Untersuchung durch das SEM berücksichtigt.Google Scholar
  434. 1369.
    Das entsprechende Signifikanzniveau lag mit p=0,017 nahe an einem hochsignifikanten Niveau.Google Scholar
  435. 1370.
    Quelle: Eigene Darstellung.Google Scholar
  436. 1371.
    Vgl. Bohrnstedt / Knoke (1994), S. 234–235.Google Scholar
  437. 1372.
    Siehe Abschnitt 4.2.6 (S. 142 ff.).Google Scholar
  438. 1373.
    Vgl. zur Dichotomisierung der Kontrollvariablen Abschnitt 5.3.3 (S. 232 ff.).Google Scholar
  439. 1374.
    Vgl. Lilliefors (1967).Google Scholar
  440. 1375.
    Vgl. für den nicht-parametrischen Mann-Whitney-U Mittelwertdifferenztest Mann / Whitney (1947) und für den parametrischen t-Mittelwertdifferenztest Bortz (2005), S. 141. Parametrische Tests erfordern eine Normalverteilung der zu untersuchenden Variablen.Google Scholar
  441. 1376.
    Vgl. für die Methodik der dabei anzuwendenden Unterschiedlichkeitsanalyse der Pfadkoeffizienten Abschnitt 5.2.5 (S. 213).Google Scholar
  442. 1377.
    Siehe Abschnitt 4.2.6 (S. 142 ff.).Google Scholar
  443. 1378.
    Vgl. Chowdhury / Miles (2006), S. 123–125 und Benson/Saraph/Schroeder (1991), S. 1113.Google Scholar
  444. 1379.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Kolmogorov-Smimov-Tests (H0: Normalverteilung liegt vor) wurde p<-0,05 festgelegt.Google Scholar
  445. 1380.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Mann-Whitney-U-Tests (H0: Es existieren keine Unterschiede zwischen den verglichenen Variablen) wurde p<-0,05 festgelegt.Google Scholar
  446. 1381.
    Vgl. zur detaillierten Beschreibung der lokalen Gütemaße Abschnitt 5.2.2.2 (S. 169 ff.) und die Globalgütemaße betreffend Abschnitt 5.2.2.3 (S. 176 ff.).Google Scholar
  447. 1382.
    Quelle: Eigene Darstellung.Google Scholar
  448. 1383.
    Quelle: Eigene Darstellung.Google Scholar
  449. 1384.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Kolmogorov-Smimov-Tests (H0: Normalverteilung liegt vor) wurde p≤0,05 festgelegt.Google Scholar
  450. 1385.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Mann-Whitney-U-Tests (H0: Es existieren keine Unterschiede zwischen den verglichenen Variablen) wurde p≤0,05 festgelegt.Google Scholar
  451. 1386.
    Vgl. zur detaillierten Beschreibung der lokalen Gütemaße Abschnitt 5.2.2.2 (S. 169 ff.) und die Globalgütemaße betreffend Abschnitt 5.2.2.3 (S. 176 ff.).Google Scholar
  452. 1387.
    Das Vorliegen eines Close Fit musste auf dem 5%-Signifianzniveau sehr knapp abgelehnt werden (PCLOSE=0,046).Google Scholar
  453. 1388.
    Quelle: Eigene Darstellung.Google Scholar
  454. 1389.
    Effektstärke: f2=(Rinkl.2−Rexkl.2)/(1−Rinkl.2)=(0,11−0,08)/(1−0,11)=0,03; whobei Rinkl.2 das Bestimmtheitsmaß mit modelliertem Alters-Interaktionseffekt und Rexkl.2 das Bestimmtheitsmaß ohne Interaktionseffekte beinhaltet. Das f2 befindet sich klar am unteren Rand des Bereichs 0,02≤f2<0,15, der als schwache Effektstärke definiert ist, vgl. Cohen (1988), S. 413 und Chin (1998), S. 316–317.Google Scholar
  455. 1390.
    Quelle: Eigene Darstellung.Google Scholar
  456. 1391.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Kolmogorov-Smirnov-Tests (H0: Normalverteilung liegt vor) wurde p≤0,05 festgelegt.Google Scholar
  457. 1392.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Mann-Whitney-U-Tests (H0: Es existieren keine Unterschiede zwischen den verglichenen Variablen) wurde p≤0,05 festgelegt.Google Scholar
  458. 1393.
    Das Vorliegen eines Close Fit war höchstsignifikant abzulehnen (pCLOSE=0,000).Google Scholar
  459. 1394.
    Vgl. Variable Nr. 75 in Tabelle 82 (S. 274 f.) sowie zur Methodik des Umgangs mit fehlenden Werten Abschnitt 5.1.1 (S. 151 ff.).Google Scholar
  460. 1395.
    Quelle: Eigene Darstellung.Google Scholar
  461. 1396.
    Quelle: Eigene Darstellung.Google Scholar
  462. 1397.
    Quelle: Eigene Darstellung.Google Scholar
  463. 1398.
    Vgl. zu den mitgeführten Kontrollvariablen dieser Arbeit Abschnitt 4.2.6 (S. 142 ff.).Google Scholar
  464. 1399.
    Siehe Abschnitt 5.3.3.1 (S. 233 ff.).Google Scholar
  465. 1400.
    Für rund 90% der kardinalskalierten Variablen ist die Nullhypothese des Vorliegens einer Normalverteilung signifikant abzulehnen. Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Kolmogorov-Smirnov-Tests (H0: Normalverteilung liegt vor) wurde p≤0,05 festgelegt.Google Scholar
  466. 1401.
    Siehe Abschnitt 5.3.3.1 (S. 233 ff.).Google Scholar
  467. 1402.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Mann-Whitney-U-Tests (H0: Es existieren keine Unterschiede zwischen den verglichenen Variablen) wurde p≤0,05 festgelegt.Google Scholar
  468. 1403.
    Vgl. für die Ergebnisse des Strukturmodells Tabelle 77 (S. 242).Google Scholar
  469. 1404.
    Vgl. Spearman (1910) und Cronbach (1951), S. 298–303. Cronbach’s Coefficient Alpha (Cronbach’s Alpha) wird häufig als Mittelwert der Split-Half Reliabilitäts-Statistiken angesehen, vgl. Cortina (1993).Google Scholar
  470. 1405.
    Das Vorliegen eines Close Fit musste auf dem 5%-Signifianzniveau sehr abgelehnt werden (pCLOSE=0,032).Google Scholar
  471. 1406.
    Damit einhergehend ist auch die Unsicherheit bezüglich der Reliabiliät des Konstrukts „Spezialisierungsgrad“ (LVSpec) im Kontrollmodell „Management ohne Kontrollmehrheit“ ohne Bedeutung.Google Scholar
  472. 1407.
    Vgl. Variable Nr. 85 in Tabelle 82 (S. 274 f.) sowie zur Methodik des Umgangs mit fehlenden Werten Abschnitt 5.1.1 (S. 151 ff.).Google Scholar
  473. 1408.
    Quelle: Eigene Darstellung.Google Scholar
  474. 1409.
    Siehe hierzu Tabelle 76 (S. 241) und die entsprechenden Ausführungen im Text.Google Scholar
  475. 1410.
    Quelle: Eigene Darstellung.Google Scholar
  476. 1411.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Kolmogorov-Smimov-Tests (H0: Normalverteilung liegt vor) wurde p≤0,05 festgelegt.Google Scholar
  477. 1412.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Mann-Whitney-U-Tests (H0: Es existieren keine Unterschiede zwischen den verglichenen Variablen) wurde p≤0,05 festgelegt.Google Scholar
  478. 1413.
    Vgl. Variable Nr. 81 in Tabelle 82 (S. 274 f.) sowie zur Methodik des Umgangs mit fehlenden Werten Abschnitt 5.1.1 (S. 151 ff.).Google Scholar
  479. 1414.
    Quelle: Eigene Darstellung.Google Scholar
  480. 1415.
    Vgl. zu den beiden ergänzenden Lokalgütemaßen S. 240 f. in diesem Abschnitt.Google Scholar
  481. 1416.
    Drei von vier angewandten Lokalgütemaßen (ρc, γSH und DEV) stellen die Güte des Messmodells des Konstrukts „Dezentralisierungsgrad“ (LVDcent) für das Kontrollmodell „Management (Mit-)Gründer“ in Frage.Google Scholar
  482. 1417.
    Quelle: Eigene Darstellung.Google Scholar
  483. 1418.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Kolmogorov-Smirnov-Tests (H0: Normalverteilung liegt vor) wurde p≤0,05 festgelegt.Google Scholar
  484. 1419.
    Als kritisches Signifikanzniveau für die Ablehnung der Nullhypothese des Mann-Whitney-U-Tests (H0: Es existieren keine Unterschiede zwischen den verglichenen Variablen) wurde p≤0,05 festgelegt.Google Scholar
  485. 1420.
    Der Mann-Whitney-U-Test der Kontrollvariable „Branche“ identifizierte für 35% der Indikatoren signifikante Unterschiede in den Variablenausprägungen der Kontrollmodelle. Auf struktureller Ebene konnten jedoch keine signifikanten Pfadunterschiede aufgedeckt werden, siehe Abschnitt 5.3.3.1 (S. 233) und Tabelle 70 (S. 235).Google Scholar
  486. 1421.
    Quelle: Eigene Darstellung.Google Scholar
  487. 1422.
    Siehe lokale Güteprüfung der Kontrollvariablen „Eigenkapitalmehrheit des Managements“ (S. Error! Bookmark not defined. f.).Google Scholar
  488. 1423.
    Das Konstrukt „Formalisierungsgrad“ (LVForm) weist einerseits keine zweifelsfreie Reliabilität auf und andererseits bestehen unterschiedliche inhaltliche Bedeutungen des Konstrukts in den Kontrollgruppen „geringe externe Unsicherheit“ und „hohe externe Unsicherheit“.Google Scholar
  489. 1424.
    Quelle: Eigene Darstellung.Google Scholar

Copyright information

© Gabler | GWV Fachverlage GmbH, Wiesbaden 2009

Personalised recommendations