Skip to main content
SpringerLink
Log in

Empirische Überprüfung des Kundenbindungsmodells

  • Chapter
Kundenbindung in jungen, innovativen Unternehmen

  • 3596 Accesses

Auszug

Im vierten Kapitel wurden die zu untersuchenden Konzepte inhaitlich hergeleitet, ihr Definitionsbereich festgelegt sowie Hypothesen bezüglich ihrer Wirkungsbeziehungen entwickelt. Damit wurden die Grundlagen für Kapitel 5 gelegt, das die aufgestellten Hypothesen anhand einer geeigneten Methodik empirisch überprüft. Hierzu wird in Abschnitt 5.1 eine adäquate empirisehe Untersuchung konzipiert, deren Durchführung in Absehnitt 5.2 näher beschrieben wird. Abschnitt 5.3 widmet sich der Auswertung der empirischen Ergebnisse.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 69.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 89.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Vgl. Robson (2002), S. 58.

    Google Scholar 

  2. Vgl. Homburg / Baumgartner (1995b), S. 1092.

    Google Scholar 

  3. Vgl. Homburg / Hildebrandt (1998), S. 17.

    Google Scholar 

  4. Vgl. Homburg / Baumgartner (1995a), S. 162. Zur Verbreitung der Kausalanalyse siehe auch Homburg/ Baumgartner (1995b), S. 1095–1096.

    Google Scholar 

  5. Vgl. Fornell (1982), S. 2; Fornell (1987), S. 408–409.

    Google Scholar 

  6. Vgl. Chin (1998b), S. 297, Betzin/Henseler (2005), S. 20.

    Google Scholar 

  7. Vgl. Herrmann / Huber / Kressmann (2006), S. 35.

    Google Scholar 

  8. Vgl. Fassott (2005), S. 20; Scholderer/Balderjahn (2005), S. 88.

    Google Scholar 

  9. Siehe z. B. Jöreskog (1970); Jöreskog (1973); Jöreskog (1981); Jöreskog (1982); Jöreskog/Sörbom (2002); Bentler/Weeks (1980).

    Google Scholar 

  10. Vgl. Betzin / Henseler (2005), S. 50.

    Google Scholar 

  11. Vgl. Jöreskog / Sörbom (2001); Jöreskog/Sörbom (2002).

    Google Scholar 

  12. Vgl. Arbuckle (1999); Arbuckle/Wottke (2003).

    Google Scholar 

  13. Vgl. Bentler (1995); Mueller (1996).

    Google Scholar 

  14. Vgl. Hildebrandt (2004), S. 542.

    Google Scholar 

  15. Vgl. World (1966); World (1980); World (1982a); World (1982b).

    Google Scholar 

  16. Vgl. Götz / Liehr-Gobbers (2004), S. 715.

    Google Scholar 

  17. Vgl. Fassott (2005), S. 21. Ein umfassender Überblick über die verfügbaren PLS-Softwarepakete sowie eine Bewertung ihres Leistungsvermögens findet sich bei Temme/Kreis (2005).

    Google Scholar 

  18. Edwards und Bagozzi (2000) definieren eine latente Variable als „conceptual term used to describe a phenomenon of theoretical interest“ sowie die dazugehörigen manifesten Variablen als „an observed score gathered through self-report, interview, observation or some other means“. Vgl. Edwards/Bagozzi (2000), S. 156.

    Google Scholar 

  19. Vgl. Betzin / Henseler (2005), S. 50; Bentler (1982b), S. 123–124.

    Google Scholar 

  20. Der Begriff „Konstrukt“ wird in dieser Arbeit parallel zu der Bezeichnung „latente Variable“ geführt. In der Literatur findet man zusätzlich auch den Begriff „Faktor“. Vgl. Homburg / Baumgartner (1995a), S. 163.

    Google Scholar 

  21. Vgl. Diamantopoulos (1994), S. 108; Bentler (1982a), S. 104.

    Google Scholar 

  22. Vgl. Götz / Liehr-Gobbers (2004), S. 716.

    Google Scholar 

  23. Vgl. z. B. Jöreskog/Sörbom (1982), S. 404. Für diese und die folgenden mathematischen Spezifikationen des Struktur-und Messmodells siehe auch Götz/Liehr-Gobbers (2004), S. 717–720 sowie Homburg/ Baumgartner (1995a), S. 163.

    Google Scholar 

  24. Vgl. Götz / Liehr-Gobbers (2004), S. 718. Für eine ausführliche Behandlung verschiedener Arten von Messfehlern auf Indikatorebene und ihre Bedeutung siehe auch Gerbing/Anderson (1984), S. 573–576, sowie allgemeiner Nunnally (1978), S. 190–224.

    Google Scholar 

  25. Vgl. Götz / Liehr-Gobbers (2004), S. 718.

    Google Scholar 

  26. Vgl. Diamantopoulos (1994), S. 112.

    Google Scholar 

  27. Vgl. Chin (1998b), S. 303; Betzin/Henseler (2005), S. 50.

    Google Scholar 

  28. Vgl. Herrmann / Huber / Kressmann (2006), S. 35; Scholderer/Balderjahn (2005), S. 88.

    Google Scholar 

  29. Vgl. Götz / Liehr-Gobbers (2004), S. 721.

    Google Scholar 

  30. Vgl. Herrmann / Huber / Kressmann (2006), S. 39; Yuan/Bentler (1998), S. 365. Zur Relation zwischen PLS-Mechanismen und Maximum-Likelihood-Schätzungen siehe Bookstein (1980), S. 89–90.

    Google Scholar 

  31. Vgl. Dijkstra (1983), S. 76; Scholderer/Balderjahn (2005), S. 91.

    Google Scholar 

  32. Vgl. Chin (1998b), S. 316; World (1980), S. 48; Fornell/Bookstein (1982), S. 443; Barclay/Higgins/ Thompson (1995), S. 290.

    Google Scholar 

  33. Dies impliziert allerdings auch weniger umfassende inferenzstatistische Möglichkeiten als Verfahren, die von einer Normalverteilung der Daten ausgehen. Vgl. Scholderer / Balderjahn (2005), S. 91.

    Google Scholar 

  34. Vgl. Fassott (2005), S. 26.

    Google Scholar 

  35. Vgl. Hulland (1999), S. 202.

    Google Scholar 

  36. Vgl. Fornell / Larcker (1981), S. 40; Götz/Liehr-Gobbers (2004), S. 721.

    Google Scholar 

  37. Vgl. Fassott (2005), S. 27.

    Google Scholar 

  38. Vgl. Chin / Newsted (1999), S. 312; Fornell (1987), S. 425; World (1982b), S. 342.

    Google Scholar 

  39. Vgl. Fornell / Bookstein (1982), S. 443.

    Google Scholar 

  40. Vgl. Chin (1998b), S. 301; Fassott (2005), S. 26.

    Google Scholar 

  41. Vgl. Bagozzi / Yi (1994), S. 19; Herrmann/Huber/Kressmann (2006), S. 41; Chin (1995), S. 317.

    Google Scholar 

  42. Für Gütekriterien zur Beurteilung von Struktur-und Messmodellen mit PLS siehe auch Abschnitt 5.3.1.1 (Vorgehensweise zur Beurteilung eines Messmodells) sowie Abschnitt 5.3.2.1 (Vorgehensweise zur Beurteilung eines Strukturmodells).

    Google Scholar 

  43. Vgl. Götz / Liehr-Gobbers (2004), S. 721; ähnlich auch Chin (1995), S. 319.

    Google Scholar 

  44. Für eine der seltenen (konzeptionellen) Anwendungen siehe Starr / MacMillan (1990).

    Google Scholar 

  45. Siehe auch Abschnitt 4.4 (Moderierende Effekte und die Berücksichtigung von Kontrollvariablen).

    Google Scholar 

  46. Vgl. Avolio / Howell / Sosik (1999), S. 222.

    Google Scholar 

  47. Vgl. Chin / Marcolin / Newsted (2003), S. 197; Smith/Barclay (1997), S. 8.

    Google Scholar 

  48. Vgl. Chin / Newsted (1999), S. 314.

    Google Scholar 

  49. Vgl. Barclay / Higgins / Thompson (1995), S. 303.

    Google Scholar 

  50. Der Stichprobenumfang sollte mindestens das Zehnfache der Anzahl der Indikatoren des umfangreichsten formativen Konstruktes erreichen sowie zehnmal so großsein wie die größte Zahl unabhängiger Variablen, die auf eine endogene Variable laden. Vgl. Chin (1998b), S. 311.

    Google Scholar 

  51. Vgl. Baumgartner / Homburg (1996), S. 146; Hulland (1999), S. 195. Für Anforderungen an die Größe der Stichprobe im Rahmen einer kovarianzbasierten Messung siehe Bentler/Chou (1987), S. 91.

    Google Scholar 

  52. Vgl. Baumgartner / Homburg (1996), S. 149; Herrmann/Huber/Kressmann (2006), S. 39.

    Google Scholar 

  53. Vgl. Hu / Bentler (1999), S. 28.

    Google Scholar 

  54. Vgl. Diamantopoulos (1994), S. 108; Chin (1998a), S. ix; Temme/Kreis (2005), S. 195.

    Google Scholar 

  55. Vgl. Scholderer / Balderjahn (2005), S. 95.

    Google Scholar 

  56. So werden häufig die einzelnen Indikatoren mittels verschiedener mathematischer Operationen zu einer Indexvariablen zusammengefasst und gehen nicht mehr einzeln in die Modellierung ein. Vgl. Fassott (2005), S. 25.

    Google Scholar 

  57. Vgl. MacCallum / Browne (1993), S. 540.

    Google Scholar 

  58. Vgl. MacCallum / Browne (1993), S. 540.

    Google Scholar 

  59. Vgl. Albers / Hildebrandt (2006), S. 16; Diamantopoulos/Winklhofer (2001), S. 274.

    Google Scholar 

  60. Vgl. Albers / Hildebrandt (2006), S. 15; Bookstein (1982), S. 349. Zur Thematik der globalen Optimierung im Zusammenhang mit PLS siehe auch McDonald (1996).

    Google Scholar 

  61. Vgl. Götz / Liehr-Gobbers (2004), S. 721; World (1980), S. 67. Siehe hierzu auch die Ergebnisse der Monte-Carlo-Simulationen von Chin (2003), die für PLS verbesserte Schätzungen mit wachsender Indikatorenzahl nachweisen, nicht aber durch Erhöhungen des Stichprobenumfangs. Vgl. Chin/Marcolin/Newsted (20030, S. 203 und 205. Zur „Consistency at large“-Eigenschaft von PLS siehe auch Hui/World (1982).

    Google Scholar 

  62. Vgl. Scholderer / Balderjahn (2005), S. 91.

    Google Scholar 

  63. Vgl. Fornell / Bookstein (1982), S. 450.

    Google Scholar 

  64. Zu Bedeutung und Funktionen von Messungen im Rahmen des Theorietests siehe auführlich Bagozzi (1982).

    Google Scholar 

  65. Vgl. Homburg / Giering (1996), S. 5; Götz/Liehr-Gobbers (2004), S. 717.

    Google Scholar 

  66. Obwohl sich die in der Literatur empfohlenen Vorgehensweisen entweder auf reflektive oder formative Konstruktentwicklungen beziehen, lässt sich bei beiden Methoden ein ähnliches Grundschema feststellen. Vgl. Abbildung 22: Vorgehensweise zur Erstellung eines Messinstruments.

    Google Scholar 

  67. Vgl. Bagozzi (1981b), S. 378; Fornell/Bookstein (1982), S. 441–442.

    Google Scholar 

  68. Vgl. z. B. Helm (2005a); Reinartz/Krafft/Hoyer (2004).

    Google Scholar 

  69. Derartige Analysen finden sich z. B. bei Jarvis / MacKenzie / Podsakoff (2003), Fassott/Eggert (2005) sowie Fassott (2006). Jarvis/MacKenzie/Podsakoff (2003) kommen in ihrer Revision renommierter internationaler Marketingzeitschriften beispielsweise zu dem Schluss, dass nahezu ein Drittel der publizierten Messmodelle fehlspezifiziert ist. Vgl. Jarvis/MacKenzie/Podsakoff (2003), S. 216.

    Google Scholar 

  70. Vgl. insbesondere Jarvis / MacKenzie / Podsakoff (2003).

    Google Scholar 

  71. Vgl. hierzu und im Folgenden Jarvis/MacKenzie / Podsakoff (2003), S. 203.

    Google Scholar 

  72. Vgl. auch Albers / Hildebrandt (2006), S. 11, mit den dargestellten Beispielen.

    Google Scholar 

  73. Vgl. Jarvis / MacKenzie / Podsakoff (2003), S. 203; MacCallum/Browne (1993), S. 533.

    Google Scholar 

  74. Vgl. Herrmann / Huber / Kressmann (2006), S. 47.

    Google Scholar 

  75. Edwards / Bagozzi (2000) zeigen auf, dass der Kausalitätsbegriff zur Bestimmung der Richtung der Beziehung zwischen Konstrukt und Indikatoren in der Literatur nicht einheitlich verwendet wird und die genaue Definition häufig vage bleibt. Die Forscher leiten aus der Philosophie vier Bedingungen der Kausalität her, um den Begriff im Zusammenhang der Konstruktspezifikation besser zu determinieren. Vgl. Edwards/Bagozzi (2000), S. 157–160.

    Google Scholar 

  76. Vgl. Fassott (2006), S. 84.

    Google Scholar 

  77. Siehe auch Abschnitt 5.1.2 (Erstellung des Messinstruments).

    Google Scholar 

  78. Vgl. Herrmann / Huber / Kressmann (2006), S. 48.

    Google Scholar 

  79. Vgl. Churchill (1979), S. 66; Nunnally (1978), S. 257–265. Für Anwendungen und Weiterentwicklungen siehe z. B. Saxe/Weitz (1982), S. 344; Homburg/Giering (1996), S. 12. Alternative Vorgehensweisen z. B. De Vellis (2003), S. 60–101, Spector (1992), S. 12–68.

    Google Scholar 

  80. Vgl. Diamantopoulos / Winklhofer (2001), S. 269; Herrmann/Huber/Kressmann (2006), S. 50.

    Google Scholar 

  81. In Anlehnung an Churchill (1979), S. 66, sowie Diamantopoulos/Winklhofer (2001), S. 269.

    Google Scholar 

  82. Vgl. Churchill (1979), S. 66; Bohrnstedt (1970), S. 92.

    Google Scholar 

  83. Vgl. Fassott / Eggert (2005), S. 40.

    Google Scholar 

  84. Vgl. Nunnally / Bernstein (1994), S. 484.

    Google Scholar 

  85. Vgl. Götz / Liehr-Gobbers (2004), S. 719.

    Google Scholar 

  86. Vgl. Fassott (2005), S. 40.

    Google Scholar 

  87. Vgl. Herrmann / Huber / Kressmann (2006), S. 50; De Vellis (2003), S. 63–64.

    Google Scholar 

  88. Vgl. Churchill (1979), S. 66.

    Google Scholar 

  89. Vgl. Diamantopoulos / Winklhofer (2001), S. 272.

    Google Scholar 

  90. Siehe Abschnitt 5.1.2.2 (Pre-Test).

    Google Scholar 

  91. Vgl. De Vellis (2003), S. 64.

    Google Scholar 

  92. Siehe Abschnitt 5.1.2.3 (Operationalisierung der Kundenbindungs-Konstrukte).

    Google Scholar 

  93. Vgl. Churchill (1979), S. 68.

    Google Scholar 

  94. Vgl. Little / Lindenberger / Nesselroade (1999), S. 197.

    Google Scholar 

  95. Vgl. Bentler und Chou (1987) halten auch zwei Indikatoren für problematisch, Baumgartner und Homburg (1996) empfehlen die Verwendung von mindestens drei bis vier Indikatoren jelatenter Variable. Vgl. Bentler/Chou (1987), S. 82–83; Baumgartner/Homburg (1996), S. 144.

    Google Scholar 

  96. Vgl. Herrmann / Huber / Kressmann (2006), S. 50.

    Google Scholar 

  97. Zur „Consistency at large“-Eigenschaft von PLS siehe auch Abschnitt 5.1.1.2 (Varianzbasierte Messung mit PLS).

    Google Scholar 

  98. Vgl. Bollen / Lennox (1991), S. 308; Diamantopoulos (1999), S. 447.

    Google Scholar 

  99. Vgl. Götz / Liehr-Gobbers (2004), S. 717.

    Google Scholar 

  100. Siehe auch Abschnitt 5.1.2.2 (Pre-Test).

    Google Scholar 

  101. Vgl. Diamantopoulos / Winklhofer (2001), S. 272.

    Google Scholar 

  102. Vgl. Herrmann / Huber / Kressmann (2006), S. 49; Homburg/Giering (1996), S. 20.

    Google Scholar 

  103. Vgl. Rossiter (2002), S. 326; Rossiter (2005), S. 24.

    Google Scholar 

  104. Insbesondere für formative Indikatoren ist dieser Prozesschritt nicht überschneidungsfreit mit der Selektion der Indikatoren, die ebenfalls nach inhaltlichen Überlegungen erfolgt.

    Google Scholar 

  105. Vgl. Churchill (1979), S. 68.

    Google Scholar 

  106. Vgl. Homburg / Giering (1996), S. 11–12.

    Google Scholar 

  107. Vgl. hierzu und im Folgenden die ausführliche Beschreibung statistischer Gütetests des Messmodells in Abschnitt 5.3.1.1 (Vorgehensweise zur Beurteilung eines Messmodells).

    Google Scholar 

  108. Vgl. Churchill (1979), S. 68.

    Google Scholar 

  109. Als Grenzwert gilt ein Cronbachsches Alpha von mindestens 0,7. Siehe auch Abschnitt 5.3.1.1 (Vorgehensweise zur Beurteilung eines Messmodells).

    Google Scholar 

  110. Vgl. Götz / Liehr-Gobbers (2004), S. 12.

    Google Scholar 

  111. Vgl. Bollen / Lennox (1991), S. 307.

    Google Scholar 

  112. Vgl. Kleinbaum et al. (1998), S. 241.

    Google Scholar 

  113. Diamantopoulos / Winklhofer (2001) weisen daraufhin, dass in der Literatur keine Einigkeit besteht, obund unter welchen Bedingungen formative Indikatoren überhaupt aus einem Index entfernt werden dürfen. Vgl. Diamantopoulos/Winklhofer (2001), S. 272.

    Google Scholar 

  114. Siehe hierzu im Detail Abschnitt 5.3.1.1 (Vorgehensweise zur Beurteilung eines Messmodells).

    Google Scholar 

  115. Churchill weist in diesem Zusammenhang darauf hin, dass eine Faktorenanalyse erst nach Beurteilung der Konstrukt-bzw. Indikatorreliabilität und der damit einhergehenden Indikatorelimination erfolgen sollte. Vgl. Churchill (1979), S. 69.

    Google Scholar 

  116. Auch Rossiter, der sich ansonsten für eine hauptsächlich inhaltlich begründete Konstruktoperationalisierung ausspricht, empfiehlt für reflektive Konstrukte mit abstrakten Attributen eine zusätzliche Faktoranalyse. Vgl. Rossiter (2002), S. 322.

    Google Scholar 

  117. Vgl. Reinartz / Krafft / Hoyer (2004), S. 298; Diamantopoulos/Winklhofer (2001), S. 272; Herrmann/Huber/Kressmann (2006), S. 51.

    Google Scholar 

  118. Vgl. Fassott / Eggert (2005), S. 41.

    Google Scholar 

  119. Vgl. Herrmann / Huber / Kressmann (2006), S. 51; Gerbing/Anderson (1988), S. 191.

    Google Scholar 

  120. Vgl. Götz / Liehr-Gobbers (2004), S. 730.

    Google Scholar 

  121. Vgl. Hunt / Sparkman Jr. / Wilcox (1982), S. 270; Fassott/Eggert (2005), S. 41.

    Google Scholar 

  122. Vgl. Churchill (1979), S. 67.

    Google Scholar 

  123. Gespräche wurden mit Angestellten verschiedener Unternehmensberatungen mit den Spezialgebieten CRM (Customer-Relationship-Management), High-Tech-Marketing, Marketing-Controlling, Mittelstand und Familienunternehmen sowie Technology & Communication geführt}.

    Google Scholar 

  124. Am Pre-Test nahmen wissenschaftliche Mitarbeiter unterschiedlicher deutscher Lehrstühle der Forschungsbereiche Wirtschaftswissenschaften, Entrepreneurship, Innovationsmanagement sowie Wirtschaftsinformatik und Neue Medien teil.

    Google Scholar 

  125. Vgl. Moorman / Zaltman / Deshpandé (1992), S. 319.

    Google Scholar 

  126. Churchill empfiehlt, vor der Eingrenzung der Indikatoren im Rahmen des Pre-Tests bewusst zusätzliche und leicht abweichende Aspekte in den Itempool aufzunehmen. Vgl. Churchill (1979), S. 68.

    Google Scholar 

  127. Bisherige Messungen erfolgten zum Großteil entweder aus Kundensicht oder nur anhand einzelner Kennzahlen. Vgl. hierzu ausführlich Abschnitt 5.1.2.3 (Operationalisierung der Kundenbindungs-Konstrukte).

    Google Scholar 

  128. Vgl. Anderson / Gerbing (1991), S. 734; Göt z/Liehr-Gobbers (2004), S. 719; Moorman/Zaltman/Deshpandé (1992), S. 320.

    Google Scholar 

  129. Vgl. Backhaus et al. (2006) S. 330.

    Google Scholar 

  130. So z. B. Fassott/Eggert (2005), S. 41; Götz/Liehr-Gobbers (2004), S. 719. Moorman/Zaltman/Deshpandé (1992) dagegen bezeichnen den Zuordnungstestals Möglichkeit einer ersten Abschätzung der Diskriminanz-und Konvergenzvalidität. Vgl. Moorman/Zaltman/Deshpandé (1992), S. 320.

    Google Scholar 

  131. Zur Inhaltsvalidität siehe Abschnitt 5.3.1.1 (Vorgehensweise zur Beurteilung eines Messmodells).

    Google Scholar 

  132. Vgl. zu dieser Vorgehensweise Saxe / Weitz (1982), S. 344–345. Ähnlich auch Gatignon et al. (2002), S. 1108, sowie Bearden/Netemeyer/Teel (1989), S. 475.

    Google Scholar 

  133. Damit liegen die beibehaltenen Indikatoren bezüglich ihrer Relevanz deutlich über den von Saxe und Weitz geforderten Werten. Die Autoren setzen als Kriteriuman, dass alle beibehaltenen Indikatoren von mindestens 50% der Befragten als stark repräsentativ eingeschätzt werden sollten. Vgl. Saxe / Weitz (1982), S. 345.

    Google Scholar 

  134. Vgl. Gatignon et al. (2002), S. 1108 Siehe auch Abschnitt 5.1.2.1 (Vorgehensweise zur Erstellung eines Messinstruments).

    Google Scholar 

  135. Vgl. Churchill (1979), S. 68.

    Google Scholar 

  136. Es wurden insgesamt 24 Indikatoren eliminiert oder verdichtet und ein zusätzlicher Aspekt aufgenommen.

    Google Scholar 

  137. So z. B. bei einer Vielzahl von Untersuchungen, die im Rahmen ihrer Analyse Kundendaten eines einzelnen Unternehmens auswerten. Aufgrund der Vielzahl und Heterogenität der zu befragenden Unternehmen erscheinen absolute Kennzahlen jedoch für das Untersuchungsdesign der vorlieg enden Arbeit wenig geeignet.

    Google Scholar 

  138. Vgl. Bagozzi (1994a), S. 39.

    Google Scholar 

  139. Vgl. Jarvis / MacKenzie / Podsakoff (2003), S. 203. Siehe auch Abschnitt 5.1.2.1 (Vorgehensweise zur Erstellung eines Messinstruments).

    Google Scholar 

  140. Vgl. Verhoef (2003), S. 31; ähnlich Reinecke (2004), S. 191–192.

    Google Scholar 

  141. Vgl. Verhoef (2003), S. 31; Sharp/Sharp (1997), S. 476.

    Google Scholar 

  142. Vgl. Bolton (1998), S. 45.

    Google Scholar 

  143. Die Operationalisierung bei Coviello, Winklhofer und Hamilton erfolgt als subjektive Einschätzung relativ zu den Erwartungen. Vgl. Coviello / Winklhofer / Hamilton (2006), S. 45.

    Google Scholar 

  144. Siehe hierzu auch Sapienza / Smith / Gannon (1988), S. 46.

    Google Scholar 

  145. So z. B. Größen auf relativ hohem Detailniveau, die erst im Rahmen eines professionellen Controllings erfasst werden, oder Angaben, die präzise Informationen über den Wettbewerb erfordern.

    Google Scholar 

  146. Vgl. Verhoef / Franses / Hoekstra (2002), S. 209.

    Google Scholar 

  147. Vgl. Provan (1984), S. 818–819; Eggert (1999), S. 175.

    Google Scholar 

  148. Vgl. Wright / Nancarrow (2001), S. 121.

    Google Scholar 

  149. Vgl. Provan (1984), S. 819.

    Google Scholar 

  150. Vgl. Bettencourt (1997), S. 395.

    Google Scholar 

  151. Siehe Abschnitt 4.1.3 (Konzeptualisierung für junge, innovative Unternehmen).

    Google Scholar 

  152. Der Begriff Loyalität wird bei Bettencourt im Sinne von Weiterempfehlung verwendet. Vgl. Bettencourt (1997), S. 385.

    Google Scholar 

  153. Vgl. Bettencourt (1997), S. 386–387.

    Google Scholar 

  154. Vgl. Schoenbachler / Gordon (2002), S. 9.

    Google Scholar 

  155. Siehe Abschnitt 4.3.2.1 (Interaktion: Konzeptualisierung für junge, innovative Unternehmen).

    Google Scholar 

  156. Vgl. Crosby / Stephens (1987), S. 409; Crosby/Evans/Cowles (1990), S. 78.

    Google Scholar 

  157. Des Weiteren wurde die Skalierung an die in dieser Arbeit mehrheitlich verwendete siebenstufige Likert-Skala angepasst mit den Extremwerten „trifft gar nich zu“ bzw. „trifft voll zu“. Die ursprüngliche Skalierung als absolute Anzahl aktiver Kundenkontakte ist aufgrund der Branchenunterschiede innerhalb der Zielgruppe weniger aussagekräftig.

    Google Scholar 

  158. Vgl. Noordewier / John / Nevin (1990), S. 92; Cannon/Homburg (2001), S. 41; Subramani/Venkatraman (2003), S. 60.

    Google Scholar 

  159. Vgl. Heide / John (1992), S. 37.

    Google Scholar 

  160. Die Korrelation allein stellt kein hinreichendes Kriterium für eine reflektive Spezifikation dar, da auch formative Indikatoren miteinander korrelieren können (aber nicht müssen). Vgl. Jarvis / MacKenzie / Podsakoff (2003), S. 203.

    Google Scholar 

  161. Vgl. Brady / Cronin (2001), S. 46.

    Google Scholar 

  162. Die abgedeckten Aspekte sind „Operational Competence“, „Operational Benevolence“ und „Problem-Solving Orientation“. Vgl. Sirdeshmukh / Singh / Sabol (2002), S. 34.

    Google Scholar 

  163. Vgl. Homburg / Schäfer (2002), S. 23. Die Autoren beziehen sich ihrerseits auf die von Saxe und Weitz entwickelte „SOSO“-Skala. Vgl. Saxe/Weitz (1982), S. 345–346.

    Google Scholar 

  164. Vgl. Homburg / Giering (1996), S. 21.

    Google Scholar 

  165. Vgl. Tomczak / Rudolf-Sipötz (2003), S. 142–143; Timmons/Spinelli (2003), S. 192.

    Google Scholar 

  166. Vgl. Homburg / Giering (1996), S. 21.

    Google Scholar 

  167. Vgl. Selnes / Sallis (2003), S. 92.

    Google Scholar 

  168. Siehe auch Abschnitt 4.3.3.1 (Integration: Konzeptualisierung für junge, innovative Unternehmen).

    Google Scholar 

  169. Vgl. Goodwin (1996), S. 409. Der Beitrag befasst sich mit der Herleitung einer geeigneten Operationalisierung des Konstruktes, testet diese aber nicht empirisch.

    Google Scholar 

  170. Vgl. Oliver (1999), S. 39–40.

    Google Scholar 

  171. Vgl. Albers / Hildebrandt (2006), S. 11; Fassott (2006), S. 84.

    Google Scholar 

  172. Vgl. Homburg / Giering (1996), S. 16.

    Google Scholar 

  173. Vgl. Eggert / Fassott (2003), S. 20. Der Beitrag ist 2006 gekürzt erschienen in der zfbf. Vgl. Fassott (2006). Auch Albers und Hildebrandt kritisieren die Spezifikation einiger Konstrukte der Homburg/Giering-Studie als Fehlspezifikationen. Vgl. Albers/Hildebrandt (2006), S. 11.

    Google Scholar 

  174. Siehe Abschnitt 4.3.4.1 (Individualisierung: Konzeptualisierung für junge, innovative Unternehmen).

    Google Scholar 

  175. Vgl. Imhoff / Loftis / Geiger (2001), S. 374 und 467.

    Google Scholar 

  176. Die revidierte Zuordnung wird im Rahmen der empirischen Analyse durch statistische Tests der Diskriminanzvalidität bestätigt, siehe Abschnitt 5.3.1.2 (Gütebeurteilung der reflektiven Messmodelle).

    Google Scholar 

  177. Vgl. Homburg / Schäfer (2002), S. 23.

    Google Scholar 

  178. Vgl. Skaggs / Huffman (2003), S. 786.

    Google Scholar 

  179. Vgl. Knecht (2002), S. 107; Schefczyk (2000), S. 125 und 134.

    Google Scholar 

  180. Im Zusammenhang mit Kundenbindu ng vgl. z. B. Coviello/Winklhofer / Hamilton (2006), S. 45, für die Verwendung subjektiver Erfolgsmaße relativ zu Erwartungen bzw. Reinartz/Krafft/Hoyer (2004), S. 304, für eine subjektive Erfassung relativ zum Wettbewerb.

    Google Scholar 

  181. Vgl. z. B. Rossiter (2005), S. 24.

    Google Scholar 

  182. Vgl. Delmar / Davidsson / Gartner (2003), S. 194.

    Google Scholar 

  183. Vgl. Laker / Pohl / Dahlhoff (2000), S. 136.

    Google Scholar 

  184. Vgl. Chrisman / Bauerschmidt / Hofer (1998), S. 7.

    Google Scholar 

  185. Vgl. Greiner (1972), S. 45.

    Google Scholar 

  186. Siehe Abschnitt 5.2.1 (Bildung der Stichprobe).

    Google Scholar 

  187. Vgl. Delmar / Davidsson / Gartner (2003), S. 193.

    Google Scholar 

  188. Vgl. Sapienza / Smith / Gannon (1988), S. 46.

    Google Scholar 

  189. Vgl. Covin / Slevin (1989), S. 80.

    Google Scholar 

  190. Vgl. z. B. Chandler/Hanks (1993), S. 404–405; Brush/Vanderwerf (1992), S. 168.

    Google Scholar 

  191. Vgl. Smith / Barclay (1997), S. 4; Coviello/Wink Ihofer/Hamilton (2006), S. 45; Reinartz/Krafft/Hoyer (2004), S. 297; Bucklin/Sengupta (1993), S. 33; Anderson/Narus (1990), S. 51.

    Google Scholar 

  192. Vgl. Dess / Robinson (1984), S. 269; Chandler/Hanks (1993), S. 404.

    Google Scholar 

  193. Vgl. Pelham (1999), S. 34; Deshpandé/Farley/Webster (1993), S. 35. Siehe auch Pelham/Wilson (1996), S. 39.

    Google Scholar 

  194. Zur Herleitung der moderierenden Variablen siehe Abschnitt 4.4 (Moderierende Effekte und die Berücksichtigung von Kontrollvariablen).

    Google Scholar 

  195. Vgl. Gatignon et al. (2002), S. 1112.

    Google Scholar 

  196. Vgl. Kazanjian (1988), S. 279.

    Google Scholar 

  197. Vgl. Claas (2006), S. 169.

    Google Scholar 

  198. Vgl. Claas (2006), S. 167–168.

    Google Scholar 

  199. Vgl. Galbraith (1982), S. 74.

    Google Scholar 

  200. Zur Herleitung der Kontrollvariablen siehe Abschnitt 4.4.3 (Berücksichtigung von Kontrollvariablen).

    Google Scholar 

  201. Bei paralleler Existenz beider Industrie-oder Geschäftsarten wurden die Befragten gebeten, sich jeweils auf den dominanten Teil zu beschränken.

    Google Scholar 

  202. Dieses Skalierungsverfahren wurde 1932 von Rensis Likert vorgeschlagen. Siehe hierzu auch Likert (1970).

    Google Scholar 

  203. Vgl. Stier (1999), S. 80.

    Google Scholar 

  204. Vgl. Bagozzi (1981a), S. 200.

    Google Scholar 

  205. Bentler / Chou (1987), S. 80.

    Google Scholar 

  206. Siehe auch Abschnitt 2.1.2 (Junge, innovative Unternehmen: Begriffsverständnis und Abgrenzung).

    Google Scholar 

  207. Vgl. Grupp et al. (2000), S. 81.

    Google Scholar 

  208. Da der Eintrag ins Handelsregister für fast alle Unternehmensformen verpflichtend ist, sind Verzerrungen durch die Nutzung dieser Quelle unwahrscheinlich. Nicht eintragungspflichtig sind GbRs und Partnerschaftsgesellschaften, die allerdings als nicht-kaufmännische Gesellschaften keine Firmen im eigentlichen Sinne darstellen. Vgl. z. B. Gustavus/Böhringer / Melchior (2005).

    Google Scholar 

  209. Die Zuordnung der Firmen zu wissens-und technologieintensiven Wirtschaftszweigen war anhand der entsprechenden WZ-Codes in der verwendeten Datenbank möglich.

    Google Scholar 

  210. Siehe Abschnitt 2.1.2 (Junge, innovative Unternehmen: Begriffsverständnis und Abgrenzung). Vgl. auch Heger (2005), S. 2.

    Google Scholar 

  211. Vgl. Dillman (2000), S. 11.

    Google Scholar 

  212. Siehe Abschnitt 5.2.4.1 (Beurteilung der Datengrundlage: Verwertbarkeit).

    Google Scholar 

  213. Vgl. Berekoven / Eckert / Ellenrieder (2001), S. 112.

    Google Scholar 

  214. So können z. B. bei Verwendung der Software SuperMailer versionsabhängig 500–5000 personalisierte E-Mails in wenigen Minuten versendet werden. Vgl. http://supermailer.de.

    Google Scholar 

  215. Vgl. Granello / Wheaton (2004), S. 388.

    Google Scholar 

  216. Vgl. Schonlau / Fricker / Elliott (2002), S. 18.

    Google Scholar 

  217. Für diese Online-Befragung wurde das Programm PHP-Surveyor verwendet.

    Google Scholar 

  218. Vgl. Dillman / Bowker (2001), S. 160.

    Google Scholar 

  219. Vgl. Berekoven / Eckert / Ellenrieder (2001), S. 112.

    Google Scholar 

  220. Für systematische Verzerrungen siehe auch 5.2.4.2 (Beurteilung der Datengrundlage: Repräsentativität).

    Google Scholar 

  221. Vgl. Robson (2002), S. 233.

    Google Scholar 

  222. Diese Analyse findet sich im Abschnitt 5.2.4.2 (Beurteilung der Datengrundlage: Repräsentativität).

    Google Scholar 

  223. Vgl. Lütters (2004), S. 128; Dördrechter (2006), S. 183.

    Google Scholar 

  224. Dies wurde auch im Pre-Test deutlich. Hier wurde angesichts des Programmieraufwands und der ausstehenden Änderungen bewusst noch keine Online-Version eingesetzt. Mehrere Teilnehmer merkten deshalban, dass sie für die finale Erhebung anstelle der verwendeten Printformate eine Online-Version aufgrund der besseren Handhabbarkeit empfehlen würden.

    Google Scholar 

  225. Auch Grether stellt bei einem Vergleich von Studien verschiedener Erhebungsmethoden fest, dass Teilnehmer elektronischer Befragungen eine höhere Zufriedenheit aufweisen. Vgl. Grether (2003), S. 212–215.

    Google Scholar 

  226. Vgl. Diamantopoulos / Schlegelmilch (1996), S. 505; Berekoven/Eckert/Ellenrieder (2001), S. 113.

    Google Scholar 

  227. Vgl. Robson (2002), S. 249–250.

    Google Scholar 

  228. Vgl. Diamantopoulos / Schlegelmilch (1996), S. 505.

    Google Scholar 

  229. Vgl. Laatz (1993), S. 149.

    Google Scholar 

  230. Vgl. Esser (1986), S. 43.

    Google Scholar 

  231. Vgl. Saunders / Lewis / Thornhill (2003), S. 305.

    Google Scholar 

  232. Eingeleitet wurde das Anschreiben mit der Frage „Wollten Sie nicht schon immer wissen, wie Sie durch Kundenbindung Ihren Unternehmenserfolg steigern können? Und welche Maßnahmen hierfür besonders geeignet sind?“.

    Google Scholar 

  233. Vgl. Berekoven / Eckert / Ellenrieder (2001), S. 115.

    Google Scholar 

  234. Vgl. Diamantopoulos / Schlegelmilch (1996), S. 521.

    Google Scholar 

  235. Vgl. Lütters (2004), S. 148–151.

    Google Scholar 

  236. Vgl. Lütters (2004), S. 159–160.

    Google Scholar 

  237. Jobber und O’Reilly beziffern den Effekt von Nachfassaktionen auf eine um bis zu 12% verbesserte Rücklaufquote. Vgl. Jobber / O’Reilly (1996), S. 32.

    Google Scholar 

  238. Vgl. Robson (2002), S. 250; Berekoven/Eckert/Ellenrieder (2001), S. 116–117; Mitchell/Brown (1997), S. 862; Diamantopoulos/Schlegelmilch (1996), S. 522.

    Google Scholar 

  239. Vgl. Berekoven / Eckert / Ellenrieder (2001), S. 117. Robson (2002) sowie Saunders, Lewis und Thornhill (2003) empfehlen demgegenüber drei Erinnerungsschreiben. Vgl. Robson (2002), S. 250; Saunders/Lewis/ Thornhill (2003), S. 312.

    Google Scholar 

  240. Hierbei wurde stärker als vorher an die Kooperationsbereitschaft der Unternehmen und ihre zentrale Rolle für den Erfolg der Studie appelliert.

    Google Scholar 

  241. Der Fragebogen ist in Anhang 2 beigefügt.

    Google Scholar 

  242. Vgl. Schonlau / Fricker / Elliott (2002), S. 51–52.

    Google Scholar 

  243. Damit werden verschiedene Antwortmuster und Gewohnheiten im Internet-Umgang abgedeckt, so dass die Wahrscheinlichkeit der Entdeckung möglicher Fehlprogrammierungen größer ist als bei Eigentests. Robson empfiehlt, in Testläufe von schriftlichen Fragebögen neben Testern aus dem privaten Umfeld auch Probanden der Zielgruppe einzubeziehen. Vgl. Robson (2002), S. 254.

    Google Scholar 

  244. Vgl. Laatz (1993), S. 214.

    Google Scholar 

  245. Vgl. Deutskens / Ruyter / Wetzels (2004), S. 29–30; Dillman/Tortora (1998), S. 1. Kritisch hierzu Saunders/ Lewis/Thornhill (2003), S. 304.

    Google Scholar 

  246. Vgl. Laatz (1993), S. 149.

    Google Scholar 

  247. Vgl. Schonlau / Fricker / Elliott (2002), S. 45.

    Google Scholar 

  248. Vgl. Robson (2002), S. 396; Diamantopoulos/Schlegelmilch (1996), S. 505. Siehe hierzu auch Abschnitt 5.2.4.1 (Beurteilung der Datengrundlage: Verwertbarkeit).

    Google Scholar 

  249. Vgl. Diamantopoulos / Schlegelmilch (1996), S. 505.

    Google Scholar 

  250. Vgl. Fowler (1995), S. 13.

    Google Scholar 

  251. Eine Ausnahme stellthier die Branchenzugehörigkeit dar, bei der Mehrfachantworten bewusst möglich waren.

    Google Scholar 

  252. Vgl. Haenlein (2004), S. 77; Becker (1999), S. 63.

    Google Scholar 

  253. Auch nach Erhalt des Reports äußerten sich zahlreiche Geschäftsführer sehr positiv und betonten den praktischen Wert der individuell aufbereiteten Daten sowie daraus abgeleiteter Handlungsempfehlungen für ihr Unternehmen.

    Google Scholar 

  254. Siehe Abschnitt 5.2.1 (Bildung der Stichprobe).

    Google Scholar 

  255. Vgl. Fowler (1995), S. 141–142; Schonlau/Fricker/Elliott (2002), S. 31.

    Google Scholar 

  256. Vgl. Bankhofer (1995), S. 89. Für eine Übersicht der einzelnen Verfahren und ihrer Ausprägungsformen siehe auch Hiddemann (2007), S. 93–95.

    Google Scholar 

  257. Vgl. Roth / Switzer III (1995), S. 1010; Schnell/Hill/Esser (2005), S. 468.

    Google Scholar 

  258. Vgl. Schnell / Hill / Esser (2005), S. 468.

    Google Scholar 

  259. Diejenigen eliminierten Datensätze, die bei einem weniger strengen Grenzwert von 30% noch in die Untersuchung eingegangen wären, weisen zudem gehäuft oder gänzlich fehlende Werte bei zentralen abhängigen Variablen (Kundenbindungskonstrukten) auf.

    Google Scholar 

  260. Davon jeweils vier mit fehlenden Werten >30%, >20% und > 10%.

    Google Scholar 

  261. Vgl. Schnell / Hill / Esser (2005), S. 468. Gemessen nach der Elimination von Fragebögen, die insgesamt >10% fehlende Werte aufweisen.

    Google Scholar 

  262. Vgl. Bankhofer (1995), S. 104.

    Google Scholar 

  263. Vgl. Allison (2002), S. 11–12; Bankhofer (1995), S. 104–111; Schafer/Olsen (1998), S. 546–547. Für ein Anwendungsbeispiel im Bereich der Konsumentenverhaltensforschung siehe Noh/Kwak/Han (2004).

    Google Scholar 

  264. Vgl. Bankhofer / Praxmarer (1998), S. 115–116; Bankhofer (1995), S. 155–167.

    Google Scholar 

  265. Vgl. Allison (2002), S. 19–20; Decker/Wagner/Temme (2000), S. 93.

    Google Scholar 

  266. Vgl. Kristensen (2005); Peters/Enders (2002), S. 93.

    Google Scholar 

  267. Vgl. Allison (2002), S. 19. Der EM-Algorithmus ist standardmäßig in dem Softwarepaket SPSS enthalten.

    Google Scholar 

  268. Dies ergibt sich aus 249 fehlenden Datenpunkten der 172 auszuwertenden Fragebögen mit je 92 Indikatoren. Nicht einbezogen wurden Angaben zu Wachstumsphase, Unternehmensdaten und-profil.

    Google Scholar 

  269. Berekoven / Eckert / Ellenrieder (2001), S. 50.

    Google Scholar 

  270. Informationen über andere Merkmale wie z. B. die Verteilung von B2B-und B2C-Unternehmen oder Dienstleistungsunternehmen und herstellender Industrie waren nur für die Stichprobe in ausreichender Qualität vorhanden, da sie im Rahmen der Befragung erhoben wurden.

    Google Scholar 

  271. Die Erhebungsgesamtheit (auch Auswahlgesamtheit, engl. „frame population“ bzw. „survey population“) umfasst alle Elemente, die eine Chance haben, in die Stichprobe zu gelangen. Vgl. Schnell / Hill / Esser (2005), S. 271; Schumann (2006), S. 85.

    Google Scholar 

  272. Siehe hierzu Abschnitt 5.2.1 (Bildung der Stichprobe).

    Google Scholar 

  273. Trotz der zusätzlichen Qualitätsprüfung durch Internetrecherche erfüllten auch von den teilnehmenden Unternehmen 19% nicht die Kriterien der Zielgruppe und wurden nicht in die Auswertung einbezogen. Auch der Vergleich von Erhebungsgesamtheit und Stichprobe ist daher wahrscheinlich teilweise fehlerbehaftet.

    Google Scholar 

  274. Die WZ-Codes definieren sich wie folgt: 29—Herstellung von Geräten der Elektrizitätserzeugung. Elektrizitätsverteilung u. ä.; 32—Rundfunk-, Fernseh-und Nachrichtentechnik; 33—Medizin-, Mess-, Steuer-und Regelungstechnik, Optik; 51—Handelsvermittlung und Großhandel; 70—Grundstücks-und Wohnungswesen; 72—Datenverarbeitung und Datenbanken; 73—Forschung und Entwicklung; 74—Erbringung von Dienstleistungen überwiegend für Unternehmen.

    Google Scholar 

  275. Vgl. Robson (2002), S. 266–267.

    Google Scholar 

  276. Vgl. Fowler (2002), S. 41.

    Google Scholar 

  277. Vgl. Berekoven / Eckert / Ellenrieder (2001), S. 67–68.

    Google Scholar 

  278. Vgl. Armstrong / Overton (1977), S. 397; Moorman/Zaltman/Deshpandé (1992), S. 319.

    Google Scholar 

  279. In einem ersten Schritt ist mittels F-Test (Levene’s Test) zu untersuchen, ob für die zu vergleichenden Werte gleiche Varianzen angenommen werden können. In Abhängigkeit davon werden dann diet-Werte der Mittelwertunterschiede beurteilt (Independent Samples t-Tests for differences in mean values). Vgl. Robson (2002), S. 439–440.

    Google Scholar 

  280. Zweiseitiger t-Test, Signifikanzniveau 0,1.

    Google Scholar 

  281. Zudem wird die Gefahr eines Non-Response Bias primär darin gesehen, dass weniger erfolgreiche Unternehmen mit geringerer Wahrscheinlichkeit teilnehmen. Die Abweichungen dieser Arbeit weisen aber in entgegengesetzte Richtung (niedrigere Durchschnittswerte der frühen Antworten).

    Google Scholar 

  282. Zweiseitiger t-Text, Signifikanzniveau 0,1.

    Google Scholar 

  283. Vgl. Bagozzi / Yi / Phillips (1991), S. 423–424.

    Google Scholar 

  284. Vgl. Anderson / Narus (1990), S. 55.

    Google Scholar 

  285. Vgl. Ernst (2003), S. 1267.

    Google Scholar 

  286. Es handelt sich damit um sog. Key Informant Reports, bei denen Informanten aufgrund eines bestimmten Status oder Wissens bewusst ausgewählt werden, um auf aggregierter Ebene Auskunft über Eigenschaften der Organisation zu geben. Siehe hierzu ausführlich Phillips (1982).

    Google Scholar 

  287. Zweiseitiger t-Test, Signifikanzniveau 0,1.

    Google Scholar 

  288. Vgl. Dillman / Bowker (2001), S. 160.

    Google Scholar 

  289. Auch Schonlau, Fricker und Elliott weisen darauf hin, dass duale Antwort-Modi Verzerrungen minimieren können. Vgl. Schonlau / Fricker / Elliott (2002), S. 29.

    Google Scholar 

  290. 24% der Untenehmen wählten die schriftliche Form der Befragung.

    Google Scholar 

  291. Zweiseitiger t-Test, Signifikanzniveau 0,1.

    Google Scholar 

  292. Da die Angaben im Mittel positiver ausfielen wäre eine Überschätzung der Ist-Daten die Folge gewesen.

    Google Scholar 

  293. Dies schließt allerdings theoretisch mögliche Verzerrungen nicht aus, die durch Nicht-Anwendung anderer Erhebungsmethoden verursacht sein könnten, z. B. Interviewtechnik.

    Google Scholar 

  294. Fowler empfiehlt zur Verbesserung der Rücklaufquote, ein alternatives Antwortmedium anzubieten. Vgl. Fowler (2002), S. 50.

    Google Scholar 

  295. Vgl. Robson (2002), S. 266–267.

    Google Scholar 

  296. Vgl. Homburg / Baumgartner (1995a), S. 165.

    Google Scholar 

  297. Vgl. Homburg / Baumgartner (1995a), S. 170.

    Google Scholar 

  298. Vgl. Bagozzi / Yi / Phillips (1991), S. 421.

    Google Scholar 

  299. Vgl. hierzu und im Folgenden Götz / Liehr-Gobbers (2004), S. 727–730.

    Google Scholar 

  300. Vgl. Churchill (1987), S. 65; Homburg/Giering (1996), S. 6–7.

    Google Scholar 

  301. Vgl. Krafft / Götz / Liehr-Gobbers (2005), S. 75; Herrmann/Huber/Kressmann (2006), S. 49; Homburg/Giering (1996), S. 7.

    Google Scholar 

  302. Vgl. Homburg / Baumgartner (1995a), S. 170.

    Google Scholar 

  303. Vgl. Homburg / Giering (1996), S. 8.

    Google Scholar 

  304. Vgl. Homburg / Baumgartner (1995a), S. 170; ebenso Homburg (2000), S. 91 und Balderjahn (1985), S. 257.

    Google Scholar 

  305. Vgl. Hulland (1999), S. 198; Götz/Liehr-Gobbers (2004), S. 727.

    Google Scholar 

  306. Vgl. Carmines / Zeller (1979), S. 27; Hulland (1999), S. 198; Barclay/Higgins/Thompson (1995), S. 295.

    Google Scholar 

  307. Vgl. Götz / Liehr-Gobbers (2004), S. 728.

    Google Scholar 

  308. Vgl. Chin (1998b), S. 307.

    Google Scholar 

  309. Vgl. Krafft / Götz / Liehr-Gobbers (2005), S. 77; Götz/Liehr-Gobbers (2004), S. 728.

    Google Scholar 

  310. Vgl. Götz / Liehr-Gobbers (2004), S. 729; Krafft/Götz/Liehr-Gobbers (2005), S. 78.

    Google Scholar 

  311. Vgl. Jarvis / MacKenzie / Podsakoff (2003), S. 202; Bollen/Lennox (1991), S. 308; Edwards/Bagozzi (2000), S. 155–156.

    Google Scholar 

  312. Vgl. Hulland (1999), S. 199.

    Google Scholar 

  313. Vgl. Cronbach (1951), S. 331.

    Google Scholar 

  314. Vgl. Carmines / Zeller (1979), S. 45; Homburg/Giering (1996), S. 8; Stier (1999), S. 55.

    Google Scholar 

  315. Das Maßgeht im Vergleich zu Cronbachs Alpha nicht von einer Gleichgewiehtung der Indikatoren aus, sondern verwendet hierfür die Indikatorladungen des nomologischen Netzes. Sind die Schätzparameter korrekt, stellt es daher eine bessere Approximation dar. Vgl. Chin (1998b), S. 320; Bollen/Lennox (1991), S. 307; Barclay/Higgins/Thompson (1995), S. 297.

    Google Scholar 

  316. Als alternative Bezeichnungen der Faktorreliabilität (engl. Composite Reliability) finden sich auch die Begriffe modifiziertes Cronbachs Alpha oder Interne Konsistenz.

    Google Scholar 

  317. Vgl. Nunnally (1978); Homburg/Giering (1996), S. 8. Teilweise wird auch 0,6 als Grenzwert empfohlen, vgl. z. B. Homburg/Baumgartner (1995a), S. 170.

    Google Scholar 

  318. Vgl. Fornell / Larcker (1981), S. 46.

    Google Scholar 

  319. Vgl. Chin (1998b), S. 321.

    Google Scholar 

  320. Vgl. Fornell / Larcker (1981), S. 46; Homburg/Baumgartner (1995a), S. 170.

    Google Scholar 

  321. Vgl. Churchill (1979), S. 68; Homburg/Giering (1996).

    Google Scholar 

  322. Vgl. Bollen / Lennox (1991), S. 307; Fassott/Eggert (2005), S. 38–39.

    Google Scholar 

  323. Eine Elimination reduziert in diesem Fall die konzeptionelle Bedeutung des Konstruktes nicht, da redundante Informationen entfernt werden.

    Google Scholar 

  324. Vgl. Diamantopoulos / Winklhofer (2001), S. 272; Bollen/Lennox (1991), S. 307.

    Google Scholar 

  325. Vgl. Götz / Liehr-Gobbers (2004), S. 729.

    Google Scholar 

  326. Vgl. Backhaus et al. (2006), S. 91; Krafft/Götz/Liehr-Gobbers (2005), S. 79.

    Google Scholar 

  327. Vgl. Marquardt (1970), S. 606; Krafft/Götz/Liehr-Gobbers (2005), S. 79.

    Google Scholar 

  328. Bagozzi (1994b), S. 333.

    Google Scholar 

  329. Vgl. Reinartz / Krafft / Hoyer (2004), S. 298.

    Google Scholar 

  330. Vgl. Götz / Liehr-Gobbers (2004), S. 729–730; Krafft/Götz/Liehr-Gobbers (2005), S. 82; Diamantopoulos/ Winklhofer (2001), S. 272.

    Google Scholar 

  331. Vgl. Bohrnstedt (1970), S. 92.

    Google Scholar 

  332. Der Begriff „Faktor“ wird in der Literatur parallel zu den in dieser Arbeit verwendeten Bezeichnungen „Konstrukt“ und „latente Variable“ gebraucht. Vgl. Homburg / Baumgartner (1995a), S. 163.

    Google Scholar 

  333. Vgl. Homburg / Giering (1996), S. 12; Gerbing/Anderson (1988), S. 189.

    Google Scholar 

  334. Auch Backhaus et al. (2006) empfehlen die exploratorische Faktoranalyse für „Entdeckungszusammenhänge“, in denen keine konkreten Vorstellungen über den Zusammenhang von Indikatoren und Variablen bestehen.

    Google Scholar 

  335. Bagozzi / Yi / Phillips (1991), S. 421.

    Google Scholar 

  336. Vgl. Parasuraman / Zeithaml / Berry (1988), S. 28; Stier (1999), S. 57.

    Google Scholar 

  337. Rossiter (2002), S. 308. Vgl. hierzu auch den Folgebeitrag Rossiter, (2005).

    Google Scholar 

  338. Vgl. Krafft / Götz / Liehr-Gobbers (2005), S. 76; Götz/Liehr-Gobbers (2004), S. 728.

    Google Scholar 

  339. Vgl. z. B. Krafft/Götz/ Liehr-Gobbers (2005), S. 76.

    Google Scholar 

  340. Vgl. Anderson / Gerbing (1991), S. 734.

    Google Scholar 

  341. Vgl. Nunnally / Bernstein 1994, S. 484; Diamantopoulos/Winklhofer (2001), S. 271.

    Google Scholar 

  342. Es besteht das Risiko, dass Indikatoren dem Konstrukt zugeordnet werden, das am ehesten in Frage kommt, auch wenn sie es nicht vollständig abbilden.

    Google Scholar 

  343. Vgl. Götz / Liehr-Gobbers (2004), S. 728; Diamantopoulos/Winklhofer, (2001), S. 272.

    Google Scholar 

  344. Vgl. Bagozzi / Phillips (1982), S. 468.

    Google Scholar 

  345. Vgl. Churchill (1979), S. 70.

    Google Scholar 

  346. Vgl. Homburg / Giering (1996), S. 7.

    Google Scholar 

  347. So ordnet Hulland Cronbachs Alpha und die interne Konsistenz als Gütemaße der Konvergenzvalidität ein; Herrmann, Huber und Kressmann spezifizieren Konvergenzvalidität über DEV und Konstruktreliabilität. Vgl. Hulland (1999), S. 199; Herrmann/Huber/Kressmann (2006), S. 49.

    Google Scholar 

  348. Bagozzi / Yi / Phillips (1991), S. 434.

    Google Scholar 

  349. Vgl. Homburg / Giering (1996), S. 11.

    Google Scholar 

  350. Vgl. Herrmann / Huber / Kressmann (2006), S. 59.

    Google Scholar 

  351. Bootstrapping und Jackknifing produzieren Unterstichproben durch mehrmaliges zufälliges Ziehen und Zurücklegen von Datensätzen der Originalstichprobe. Die auf diese Weise generierten Gruppen enthalten jeweils die gleiche Anzahl Elemente wie die Originalstichprobe und werden zu einer Quasi-Grundgesamtheit zusammengefasst, für die sich Signifikanzwerte berechnen lassen. Vgl. Herrmann / Huber / Kressmann (2006), S. 40. Eine kritische Voraussetzung hierfür ist die Repräsentativität der Originalstichprobe, die für die vorliegende Stichprobe angenommen werden kann. Vgl. Mooney/Duval (1993), S. 6, sowie zur Repräsentativitätsanalyse dieser Stichprobe Abschnitt 5.2.4.2 (Beurteilung der Datengrundlage: Repräsentativität).

    Google Scholar 

  352. Vgl. Barclay / Higgins / Thompson (1995), S. 298.

    Google Scholar 

  353. Vgl. Chin (1998b), S. 320.

    Google Scholar 

  354. Die Bestimmung des kritischen Signifikanzniveaus von 0,1 erfolgte über die Analyse der Teststärke. Siehe hierzu aus führlich Abschnitt 5.3.2.1 (Vorgehensweise zur Beurteilung eines Strukturmodells). Da Ladungen nicht negativ sein können, wurde ein einseitiger Test verwendet.

    Google Scholar 

  355. Hier gilt die gleiche Argumentation wie in den Ausführungen zur Konstruktreliabilität.

    Google Scholar 

  356. Auch dies erfolgt unter Anwendung des Bootstrapping-Verfahrens.

    Google Scholar 

  357. Vgl. Hulland (1999), S. 199; Bagozzi/Phillips (1982), S. 469; Little/Lindenberger/Nesselroade (1999), S. 196.

    Google Scholar 

  358. Vgl. Chin (1998b), S. 326–327.

    Google Scholar 

  359. Diese sog. Cross-Loading-Analyse ist ein der Faktoranalyse ähnliches Verfahren.

    Google Scholar 

  360. Dieses Gütekriterium wird daher auch als Fornell-Larcker-Kriterium bezeichnet.

    Google Scholar 

  361. Vgl. Fornell / Larcker (1981), S. 46; Krafft/Götz/Liehr-Gobbers (2005), S. 75.

    Google Scholar 

  362. Diese Darstellung ist identisch mit dem Vergleich der DEV und den quadrierten Korrelationen.

    Google Scholar 

  363. Vgl. Hulland (1999), S. 200.

    Google Scholar 

  364. Für eine ausführliche Beschreibung der Vorgehensweise und der angelegten Kriterien zur Selektion der finalen Indikatoren siehe Abschnitt 5.1.2.2. (Pre-Test).

    Google Scholar 

  365. Vgl. Krafft / Götz / Liehr-Gobbers (2005), S. 77.

    Google Scholar 

  366. Grundsätzlich hätte auch die Anwendung eines Grenzwertes der Indikatorreliabilität von 0,4 argumentiert werden können, dies hätte nicht zu einem Ausschluss von Indikatoren geführt. Da einerseits auch nach der Elimination ausreichend Indikatoren zur Verfügung stehen und andererseits die Konstrukte der Kundenbindung im Zentrum des Forschungsmodells stehen, wurden hier im Sinne der Güte der Konstrukte die strikteren Kriterien angewendet.

    Google Scholar 

  367. Vgl. Götz / Liehr-Gobbers (2004), S. 729.

    Google Scholar 

  368. Siehe Abschnitt 5.1.2.2 (Pre-Test).

    Google Scholar 

  369. Vgl. Homburg / Giering (1996), S. 21. Siehe auch Abschnitt 5.1.2.4 (Operationalisierung der Konstrukte des Beziehungsmanagements).

    Google Scholar 

  370. Vgl. Chin (1998b), S. 327.

    Google Scholar 

  371. Siehe Abschnitt 4.4 (Moderierende Effekte und die Berücksichtigung von Kontrollvariablen).

    Google Scholar 

  372. Siehe Tabelle 54 und 55 in Anhang 3 sowie Tabelle 70 und 71 in Anhang 4.

    Google Scholar 

  373. Die Unterschiedlichkeit der formativen Konstrukte in den Untergruppen bedeutet gleichzeitig, dass sie nur eingeschränkt vergleichbar sind. Hierauf geht Abschnitt 5.3.3 (Analyse moderierender Effekte) ein.

    Google Scholar 

  374. Vgl. Baumgartner / Homburg (1996), S. 144.

    Google Scholar 

  375. Vgl. Götz / Liehr-Gobbers (2004), S. 730.

    Google Scholar 

  376. Vgl. Chin (1998b), S. 316.

    Google Scholar 

  377. Vgl. Chin (1998b), S. 316–317.

    Google Scholar 

  378. Vgl. Backhaus et al. (2006), S. 64; Barclay/Higgins/Thompson (1995), S. 299.

    Google Scholar 

  379. Vgl. Geisser (1975); Stone (1974).

    Google Scholar 

  380. Vgl. Fornell / Cha (1994), S. 72.

    Google Scholar 

  381. Vgl. Krafft / Götz / Liehr-Gobbers (2005), S. 85.

    Google Scholar 

  382. Vgl. Fornell / Cha (1994), S. 71.

    Google Scholar 

  383. Vgl. Hermann / Huber / Kressmann (2006), S. 57.

    Google Scholar 

  384. Vgl. Herrmann / Huber / Kressmann (2006), S. 58.

    Google Scholar 

  385. Bagozzi (1982), S. 14.

    Google Scholar 

  386. Vgl. Götz / Liehr-Gobbers (2004), S. 730.

    Google Scholar 

  387. Vgl. Gerbing / Anderson (1988), S. 191; Homburg/Giering (1996), S. 7–8.

    Google Scholar 

  388. Die nomologische Validität wird dabei insbesondere zur nachträglichen Güteprüfung formativer Konstrukte empfohlen, da diese sich „harten“ Gütemaßen stärker entziehen., Siehe hierzu Abschnitt 5.3.1.1 (Vorgehensweise zur Beurteilung eines Messmodells).

    Google Scholar 

  389. Zur Erläuterung dieser Vorgehensweise siehe Abschnitt 5.3.2.1 (Vorgehensweise zur Beurteilung eines Strukturmodells).

    Google Scholar 

  390. Vgl. Cohen (1987), S. 14.

    Google Scholar 

  391. Vgl. Baroudi / Orlikowski (1989), S. 88.

    Google Scholar 

  392. Vgl. Schlittgen (1996), S. 333.

    Google Scholar 

  393. Sie beziehen sich damit auf frühe Forschungsstadien, in denen Fehler zweiter Ordnung zu einer Einstellung der Forschungstätigkeit führen können. Vgl. Baroudi / Orlikowski (1989), S. 88–89.

    Google Scholar 

  394. Vgl. Bagozzi / Baumgartner (1994), S. 404.

    Google Scholar 

  395. Vgl. Cohen (1987), S. 1.

    Google Scholar 

  396. Vgl. Cohen (1987), S. 5.

    Google Scholar 

  397. Vgl. Chin / Marcolin / Newsted (2003), S. 195; Baroudi/Orlikowski (1989), S. 90.

    Google Scholar 

  398. Vgl. z. B. Ferguson/Ketchen Jr. (1999), S. 390.

    Google Scholar 

  399. Vgl. z. B. Baroudi/Orlikowski (1989), S. 91; Haenlein (2004), S. 102.

    Google Scholar 

  400. Vgl. Erdfelder (1984), S. 27–29.

    Google Scholar 

  401. Vgl. Cohen (1987), S. 14; Erdfelder (1984), S. 27.

    Google Scholar 

  402. Vgl. Jain (1994), S. 168.

    Google Scholar 

  403. Vgl. z. B. Wangenheim (2003); Hennig-Thurau et al. (2004); Brown et al. (2005).

    Google Scholar 

  404. Reinartz, Krafft und Hoyer (2004) können in ihrer CRM-Studie 24% der Varianz des subjektiven Unternehmenserfolgs auf Kundenbeziehungsmanagement zurückführen. Reinartz/Krafft/Hoyer (2004), S. 299.

    Google Scholar 

  405. Vgl. Erdfelder / Faul / Buchner (1996).

    Google Scholar 

  406. Dieser Wert ist als gut zu bezeichnen, üblicherweise wird eine Teststärke von 80% gefordert. Vgl. Fassott (2005), S. 28.

    Google Scholar 

  407. Da gerichtete Hypothesen formuliert wurden, ist ein einseitiger Test durchzuführen.

    Google Scholar 

  408. Für die Teilmodelle ergeben sich abweichende Werte, diese sind an entsprechender Stelle separat ausgewiesen. Siehe Abschnitt 5.3.2.3 (Gütebeurteilung der Teilmodelle).

    Google Scholar 

  409. Die Gütebeurteilung der jeweiligen Messmodelle findet sich in Anhang 3 und 4.

    Google Scholar 

  410. Es ergibt sich ein Median von 4,04. Die (vergleichsweise) weniger innovative Unternehmensgruppe weist damit durchschnittliche Innovationsgrade von 1,00 bis einschließlich 4,00 auf, die Werte der stärker innovativen Gruppe reichen von 4,09 bis 7,00. Die schiefe Verteilung ist plausibel da die Zielgruppe insgesamt aus eher innovativen Firmen besteht.

    Google Scholar 

  411. Das Signifikanzniveau von 0,01 wird nicht ausgewiesen, da es aufgrund einer Power <50% als statistisch nicht verlässlich angesehen wird.

    Google Scholar 

  412. Siehe Abschnitt 4.4 (Moderierende Effekte und die Berücksichtigung von Kontrollvariablen).

    Google Scholar 

  413. Vgl. Eggert / Fassott / Helm (2005), S. 104–105.

    Google Scholar 

  414. Vgl. Chin / Marcolin / Newsted (2003), S. 193.

    Google Scholar 

  415. Vgl. Götz / Liehr-Gobbers (2004), S. 725.

    Google Scholar 

  416. Vgl. Chin / Marcolin / Newsted (2003), S. 199.

    Google Scholar 

  417. Vgl. Eggert / Fassott / Helm (2005), S. 108; Götz/Liehr-Gobbers (2004), S. 725–726.

    Google Scholar 

  418. Dies kommt in der Effektstärke f2 zum Ausdruck mit f2=[R2 (Interaktionsmodell)−R2 (Basismodell)]/ [1-R2 (Basismodell)]. Vgl. Chin / Marcolin / Newsted (2003), S. 211.

    Google Scholar 

  419. Vgl. z. B. Eggert/Fassott / Helm (2005), S. 109; Götz/Liehr-Gobbers (2004), S. 727.

    Google Scholar 

  420. Vgl. Carte / Russell (2003), S. 482–485.

    Google Scholar 

  421. Vgl. Eggert / Fassott / Helm (2005), S. 110.

    Google Scholar 

  422. Vgl. z. B. Keil et al. (2000); Venkatesh (2000); Venkatesh/Morris (2000).

    Google Scholar 

  423. Vgl. Avolio / Howell / Sosik (1999), S. 222.

    Google Scholar 

  424. Ein ähnlicher Umfang der Gruppen stellt eine Voraussetzung für die folgenden Signifikanztests der Unterschiedlichkeit der Subpopulationen dar.

    Google Scholar 

  425. Da nicht wie bei Interaktionstermen Indikatorprodukte gebildet werden, können auch univariate Größen einer Analyse unterzogen werden.

    Google Scholar 

  426. Vgl. Carte / Russell (2003), S. 493.

    Google Scholar 

  427. Vgl. Chin (2000).

    Google Scholar 

  428. Vgl. Stevens (2002), S. 244.

    Google Scholar 

  429. Maximale Anzahl der Wirkungsbeziehungen auf ein endogenes Konstrukt oder Anzahl der Indikatoren des größten formativen Konstruktes multipliziert mit 10. Vgl. Chin (1998b), S. 311.

    Google Scholar 

  430. Vgl. Carte / Russell (2003), S. 493.

    Google Scholar 

  431. Vgl. Teel / Verran (1991), S. 69.

    Google Scholar 

  432. Vgl. Pinneau / Newhouse (1964), S. 275.

    Google Scholar 

  433. Vgl. Tucker (1951).

    Google Scholar 

  434. Vgl. Teel / Verran (1991), S. 70.

    Google Scholar 

  435. Siehe hierzu auch die ergebnislose Beispielkalkulation von Eggert, Fassott und Helm sowie das breite Spektrum möglicher Erklärungen. Vgl. Eggert / Fassott / Helm (2005), S. 111–114.

    Google Scholar 

  436. Maximale Anzahl der Wirkungsbeziehungen auf ein endogenes Konstrukt (= 7) oder Anzahl der Indikatoren des größten formativen Konstruktes (= 7) multipliziert mit 10. Vgl. Chin (1998b), S. 311.

    Google Scholar 

  437. Für ihre Herleitung siehe Abschnitt 4.4.3 (Berücksichtigung von Kontrollvariablen).

    Google Scholar 

  438. Es wurden 6.3% signifikante Unterschiede der Indikatoren von B2B vs. B2C nachgewiesen sowie 4,8% signifikante Unterschiede der Indikatoren von Service-vs. Produktgeschäft (zweiseitiger t-Test, Signifikanzniveau 0,1). Siehe Abschnitt 5.2.4.2 (Beurteilung der Datengrundlage: Repräsentativität).

    Google Scholar 

  439. Ein paarweiser Vergleich der einzelnen Branchen war aufgrund der geringen Gruppengröße je Branche nicht möglich. Als Voraussetzung für die Anwendbarkeit des t-Tests müssen die Stichprobenmittelwerte eine Normalverteilung aufweisen. Diese wird bei hinreichender Stichprobengröße allgemein angenommen, und zwar ab einem Grenzwert von N=30 bzw. N1+N2=50 bei zwei zu vergleichenden Stichproben. Im paarweisen Branchenvergleich konnten diese Grenzwerte nicht erreicht werden. Vgl. Bortz (1999), S. 135 und 138.

    Google Scholar 

  440. Im Einzelnen ergaben sich für die Branchen folgende Prozentwerte signifikant unterschiedlicher Indikatoren: Life Sciences 6,3%, Kommunikation, Medien & Entertainment 6,3%, Internet 4,8%, IT-Services 12,7%, Software 0% sowie Hochtechnologie 6,3%.

    Google Scholar 

  441. In den Teilmodellen wurde eine höhere Anzahl von Indikatoren eliminiert, da aus Vergleichbarkeitsgründen auch „gute“ Indikatoren eines Modells entfernt wurden, wenn sie in einem anderen Teilmodell den Grenzwert unterschritten.

    Google Scholar 

Download references

Rights and permissions

Reprints and permissions

Copyright information

© 2008 Gabler | GWV Fachverlage GmbH, Wiesbaden

About this chapter

Cite this chapter

(2008). Empirische Überprüfung des Kundenbindungsmodells. In: Kundenbindung in jungen, innovativen Unternehmen. Gabler. https://doi.org/10.1007/978-3-8349-8125-7_5

Download citation

Publish with us

Policies and ethics

Search

Navigation