Advertisement

Einfluss von Eigenschaften des Empfehlungsgebers auf die Kaufrelevanz der Weiterempfehlung

Auszug

Wie in Kapitel B1.4 hergeleitet, liegt die Vermutung nahe, dass verschiedene Personengruppen unterschiedliche Typen von Empfehlungsgebern bevorzugen. Mit Hilfe einer Clusteranalyse sollen aus diesem Grunde zunächst die untersuchten Weiterempfehlungsempfänger zu Gruppen zusammengefasst werden, die ähnliche Eigenschaften bei Weiterempfehlungsgebern bevorzugen. Bei der Erhebung der Eigenschaften der Weiterempfehlungsgeber wurde davon ausgegangen, dass diese drei übergeordnete Eigenschaften des Empfehlungsgebers repräsentieren.462

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 463.
    Diese Vorgehensweise findet sich auch bei Cha et al. (1995), ebenfalls für eine Fragestellung aus dem Bereich des Tourismus.Google Scholar
  2. 464.
    Vgl. Backhaus et al. (2006), S. 295.Google Scholar
  3. 465.
    KMO-Kriterium: Kaiser-Meyer-Olkin-Kriterium, ursprünglich bezeichnet als MSA (measure of sampling adequacy). Es dient als Gütekriterium für die Eignung der Variablenauswahl für die Durchführung einer Faktorenanalyse (Hauptkomponentenanalyse). Vgl. Backhaus et al. (2006), S. 276. Werte über 0,8 werden als gut eingestuft, darunter liegende Werte bis etwas 0,5 werden noch als akzeptabel angesehen. Eine genauere Abstufung der MSA-Werte wird von Kaiser/Rice (1974), S. 111 ff. vorgeschlagen.Google Scholar
  4. 466.
    Vgl. Böhler (2004), S. 232.Google Scholar
  5. 467.
    Für einen Überblick über diverse Fusionierungsalgorithmen vgl. Backhaus et al. (2006), S. 510ff.Google Scholar
  6. 468.
    Hierbei können entweder zwei Objekte, ein Objekt mit einer bereits gebildeten Klasse oder zwei Klassen zusammengefasst werden. Vgl. Böhler (2004), S. 233f.Google Scholar
  7. 469.
    Vgl. Backhaus et al. (2006), S. 520.Google Scholar
  8. 470.
    Vgl. Böhler (2004), S. 234.Google Scholar
  9. 471.
    Vgl. Backhaus et al. (2006), S. 520f.Google Scholar
  10. 472.
    Vgl. Backhaus et al. (2006), S. 522.Google Scholar
  11. 473.
    Vgl. Backhaus et al. (2006), S. 522.Google Scholar
  12. 474.
    Zur Berechnung der Fehlerquadratsumme siehe Backhaus et al. (2006), S. 523.Google Scholar
  13. 475.
    Vgl. Backhaus (2006), S. 534.Google Scholar
  14. 476.
    Vgl. Böhler (2004), S. 231.Google Scholar
  15. 477.
    Vgl. Bortz (1999), S. 560.Google Scholar
  16. 478.
    Vgl. Bortz (1999). S. 560.Google Scholar
  17. 479.
    Im Gegensatz zur hierarchischen Clusteranalyse entfällt bei der k-means-Methode der aufwändige paarweise Vergleich zur Ermittlung der Distanzen. Stattdessen wird jedes Objekt dem Cluster zugeordnet, zu dessen Clusterzentrum es die geringste Distanz aufweist. Vgl. Brosius (2004), S. 686.Google Scholar
  18. 480.
    Vgl. Bühl (2006), S. 543f.Google Scholar
  19. 481.
    Die gewählte Kombination aus dem hierarchischen Ward-Verfahren sowie der nicht-hierarchischen k-Means-Methode ist ein häufig praktiziertes Vorgehen bei der Durchführung einer Clusteranalyse und wurde auch bereits auf andere Fragestellungen aus dem Bereich des Tourismus angewendet. Vgl. bspw. Bieger/ Laesser (2002), S. 69; Woratschek et al. (2007), S. 6f.Google Scholar
  20. 482.
    Der F-Wert berechnet sich nach der Formel: \( F = \frac{{Varianz der Variable j in Cluster c}} {{Varianz der Variable j in der Erhebungsgesamtheit}} \) Vgl. Backhaus et al. (2006), S. 545.Google Scholar
  21. 483.
    Der t-Wert berechnet sich nach der Formel: \( t = \frac{{Mittelwert der Variable j in Cluster c - Mittelwert der Variable j in der Erhebungsgesamtheit}} {{Standardabweichung der Variable j in der Erhebungsgesamtheit}} \) Vgl. Backhaus et al. (2006), S. 546.Google Scholar
  22. 484.
    Vgl. Backhaus et al. (2006), S. 534.Google Scholar
  23. 489.
    Vgl. Böhler (2004), S. 236.Google Scholar
  24. 491.
    Scheffè-Post-Hoc-Tests zeigen zusätzlich zum größten Teil (bis auf zwei Paare) statistisch signifikante paarweise Unterschiede zwischen den Faktormittelwerten der Gruppen auf. Beim Scheffé-Test handelt es sich um ein relativ konservatives Verfahren, bei dem multiple Vergleichstests zwischen den Gruppen auf Basis der F-Verteilung durchgeführt werden. Vgl. Brosius (2004), S. 513f.Google Scholar
  25. 492.
    Der Vergleich der Mittelwerte von Merkmalen zwischen den Clustern erfolgte mit Hilfe der Prozedur der einfaktoriellen ANOVA. Vgl. Brosius (2004), S. 501ff.Google Scholar
  26. 493.
    Mittels des X2-Tests lässt sich überprüfen, ob Unterschiede zwischen den Clustern in den Verteilungen von Variablen zufällig zustande gekommen sind. Vgl. Brosius (2004), S. 415.Google Scholar
  27. 508.
    Ringle et al. (2005).Google Scholar
  28. 509.
    Vgl. Krafft et al. (2005), S. 83.Google Scholar
  29. 510.
    Vgl. Krafft et al. (2005), S. 72.Google Scholar
  30. 511.
    Vgl. Churchill (1979), S. 65; Homburg/Giering (1996), S. 5; Peter (1979), S. 6f.Google Scholar
  31. 512.
    Vgl. Fassott/ Eggert (2005), S. 36.Google Scholar
  32. 513.
    Vgl. Homburg/ Giering (1996), S. 6.Google Scholar
  33. 514.
    Vgl. Ringle (2004), S. 331.Google Scholar
  34. 515.
    Vgl. Krafft et al. (2005), S. 73.Google Scholar
  35. 516.
    Vgl. Krafft et al. (2005), S. 73.Google Scholar
  36. 517.
    Vgl. Völckner (2003), S. 179.Google Scholar
  37. 518.
    Vgl. Bagozzi/ Yi (1988), S. 82.Google Scholar
  38. 519.
    Vgl. Chin/ Newstad (2000), S. 328; Henseler (2005), S. 74.Google Scholar
  39. 521.
    Vgl. Homburg/ Giering (1996), S. 8f. Im Allgemeinen wird empfohlen, Indikatorvariablen mit Ladungen < 0,4 (bzw. < 0,5) aus den Messmodellen zu eliminieren. Vgl. Hulland (1999), S. 198.Google Scholar
  40. 522.
    Vgl. Fassott/ Eggert (2005), S. 37.Google Scholar
  41. 523.
    Vgl. Fornell/ Larcker (1981), S. 45; Hulland (1999), S. 199. Weitere in der Literatur gebräuchliche Bezeichnungen für die interne Konsistenz sind Konvergenzvalidität, Faktorreliabilität, Composite Reliability und Jöreskogs rho. Vgl. Krafft et al. (2005), S. 74.Google Scholar
  42. 524.
    Vgl. Nunnally (1978), S. 245.Google Scholar
  43. 525.
    Vgl. Chin (1998), S. 321.Google Scholar
  44. 526.
    Vgl. Hulland (1999), S. 195.Google Scholar
  45. 527.
    Vgl. Fornell/ Larcker, (1981), S. 46.Google Scholar
  46. 528.
    Vgl. Dibbern/ Chin (2005), S. 148f. Die Kreuzladungsmatrix findet sich im Anhang 5.Google Scholar
  47. 529.
    Vgl. Chin (1998), S. 316; Ringle (2004), S. 328.Google Scholar
  48. 530.
    Vgl. Chin (1998), S. 323.Google Scholar
  49. 531.
    Vgl. Cohen (1988), S. 410. Die Berechnung der Effektgröße erfolgt anhand der Formel: \( f^2 = \frac{{R_{incl}^2 - R_{excl}^2 }} {{1 - R_{incl}^2 }} \).Google Scholar
  50. 532.
    Vgl. Cohen (1988), S. 413f.Google Scholar
  51. 533.
    Vgl. Krafft et al. (2005), S. 84f.; Ringle et al. (2006), S. 86f.Google Scholar
  52. 534.
    Vgl. Ringle et al. (2006), S. 86f. Die Berechnung der Prognoserelevanz erfolgt gemäß der Formel: \( q^2 = \frac{{Q_{incl}^2 - Q_{excl}^2 }} {{1 - Q_{incl}^2 }} \)Google Scholar
  53. 535.
    Hulland (1999), S. 198.Google Scholar
  54. 536.
    Vgl. Chin (1998), S. 320. Im Gegensatz zu Cronbach’s α liegt der Berechnung des Reliabilitätskoeffizienten ρc nicht die Annahme der Gleichgewichtung aller Indikatoren zu Grunde.Google Scholar
  55. 538.
    Vgl. Chin (1998), S. 323.Google Scholar
  56. 539.
    Dies ist auch nicht zu erwarten, da die Indikatoren bei reflektiven Messmodellen ohnehin eine hohe Korrelation untereinander aufweisen und als „austauschbare“ Messungen der latenten Variablen angesehen werden können. Vgl. Fassott/ Eggert (2005), S. 37.Google Scholar
  57. 540.
    Hulland (1999), S. 198.Google Scholar
  58. 541.
    Vgl. Chin (1998), S. 320.Google Scholar
  59. 543.
    Vgl. Chin (1998), S. 323.Google Scholar
  60. 544.
    Vgl. Cohen (1988), S. 413f.Google Scholar
  61. 546.
    Vgl. Hulland (1999), S. 198.Google Scholar
  62. 547.
    Vgl. Chin (1998), S. 325.Google Scholar
  63. 548.
    Vgl. Nunnally (1978), S. 245.Google Scholar

Copyright information

© Gabler | GWV Fachverlage GmbH, Wiesbaden 2008

Personalised recommendations