Auszug
Im Mittelpunkt des fünften Kapitels der Arbeit steht die empirische Analyse der in den vorangegangenen Kapiteln herausgearbeiteten Fragestellungen zu Tarifwahl und Tarifwahl-Biases sowie deren Ursachen im Kontext des Mobilfunktarifwahlverhaltens aus optionalen Volumentarifen im B-to-B-Bereich. Die Untersuchung erfolgt wie in der Einleitung definiert am Beispiel von Nachfragern aus dem Bereich KMU.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Diese Studie unterscheidet sich durch diese differenzierte Betrachtung von bislang durchgeführten Studien, die sich zumeist auf die Analyse von zwei, maximal drei Tarifen beschränken, vgl. bspw. Lambrecht, A./ Skiera, B. (2006a) und Schulze, T./ Gedenk, K. (2005).
Vgl. bspw. Aaker, D.A./ Kumar, V./ Day, G.S. (2003), S. 215.
Vgl. Hildebrandt, L. (1983), S. 6 f.
Vgl. Kroeber-Riel, W./ Weinberg, P. (2003), S. 189 ff.
Vgl. Churchill, G.A. (1979), S. 66.
Das theoriegeleitete Vorgehen zur Reduktion der Quellen von Common Method Biases orientiert sich an Podsakoff, P.M. et al. (2003).
Vgl. Diller, H. (2006), S. 616 u. Podsakoff, P.M. et al. (2003), S. 887. Durch die Integration der Beobachtungsdaten ist in Bezug auf das Nutzungsverhalten entsteht hier auch kein so genannter Informant Bias, vgl. Ernst, H. (2001), S. 87 ff.
Vgl. Aaker, D.A./ Kumar, V./ Day, G.S. (2003), S. 211 ff. u. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), S. 149 ff. Dabei handelt es sich allerdings nicht um eine klassische wissenschaftliche Beobachtung, bei der bestimmte Parameter systematisch variiert werden, sondern um die ausschließliche Erfassung tatsächlichen Verhaltens ohne Variation von Versuchsbedingungen, vgl. Raab, G./ Unger, A./ Unger, F. (2004), S. 128.
Vgl. bspw. Decker, R./ Wagner, R. (2002), S. 107. Diese Transaktionsdaten werden auch als unternehmensinterne Sekundärdaten bezeichnet, vgl. Malhotra, N.K./ Birks, D.F. (2007), S. 124.
CATI: Computer Assisted Telephone Interviewing, vgl. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), S. 109.
Vgl. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), S. 112, Langner, H. (2004), S. 334 u. Scheffler, H. (2000), S. 70. Internetbasierte Befragungsmethoden werden zwar immer beliebter und erfreuen sich einer steigenden Akzeptanz, die wenigen Untersuchungen zu Reliabilität und Validität von Internetbefragungen beziehen sich aber ausschließlich auf Befragungen von Endkunden. Vgl. bspw. die fehlenden Ausführungen in den bisher einzigen empirischen Vergleichen von telefonischen und Internet-basierten Befragungen von Braunsberger, K./ Wybenga, H./ Gates, R. (2007) u. Roster, C.A. et al. (2004).
Vgl. Malhotra, N.K./ Birks, D.F. (2007), S. 773 f.
Vgl. Lambrecht, A. (2005), S. 56 f.
In der weiteren Analyse der Ursachen des Tarifwahl-Bias in „Modell B: Tarifwahl-Bias“ ist zudem nur noch das Ausmaß der Tarifwahl-Bias relevant, bei dem die Grenzziehung nicht von Bedeutung ist. Die Problematik, dass festgelegt werden muss, ab wann vom Eintreten eines Zustands gesprochen werden muss, findet sich auch in anderen Kontexten. Ein Beispiel ist das Preiswissen von Konsumenten, bei dem die Definition von Preiswissensbändern erfolgt, vgl. bspw. Vanhuele, M./ Drèze, X. (2002), S. 76 u. Dickson, P.R./ Sawyer, A.G. (1990), S. 47. Ein anderes Beispiel findet sich im Kundenmanagement, wo der Kundenstatus definiert und nach potenziellen, aktuellen und ehemaligen Kunden differenziert wird. Ab wann von einem ehemaligen Kunden gesprochen wird, ist insbesondere bei nicht-vertraglichen Leistungen schwierig zu bestimmen. Aktuelle Arbeiten zum Kundenmanagement sind bspw. Hüppelshäuser, M. (2005) bei vertraglichen und Rutsatz, U. (2004) bei nicht-vertraglichen Leistungen. Allgemein vgl. Krafft, M. (2007). Bestünde die Notwendigkeit, Grenzen für das Vorliegen eines Tarifwahl-Biases zu definieren, könnte eine Orientierung an derartigen Arbeiten erfolgen.
Vgl. Backhaus, K. et al. (2006), S. 9.
Für einen Überblick vgl. Greene, W.H. (2003).
Für eine ausführliche Berücksichtigung hierarchischer Kundenstrukturen bei B-to-B-Kunden im Mobilfunkbereich vgl. Tecklenburg, T. (2008).
Vgl. bspw. Janssen, J./ Laatz, W. (2007b), S. 453 ff., O’Connell, A.A. (2006), Agresti, A. (2002), Kapitel 7.2 bis 7.4., Borooah, V.K. (2002), Menard, S. (2001), S. 97 ff., Hosmer, D.W./ Lemeshow, S. (2000), S. 288 ff., Tutz, G. (2000), Kapitel 6, Fahrmeir, L./ Hamerle, A./ Tutz, G. (1996) u. Clogg, C.C./ Shihadeh, E.S. (1994).
Analysemöglichkeiten für ordinale Daten bestehen aus: 1. Ignorieren der Ordnung der Daten und Analyse mit Methoden für nominale Daten (z. B. multinominale logistische Regression, Diskriminanzanalyse); 2. Analyse mit Methoden für echte ordinale Daten (z. B. kumuliertes Logit-Modell), 3. Interpretation der Ordinalskala als grobe Repräsentation einer Intervall-oder Verhältnisskala (z. B. WLS-Regression für polychorische Korrelationen), 4. Analyse als intervall-oder verhältnisskalierte Daten (z. B. OLS-Regression), vgl. Menard, S. (2001), S. 97 f.
Z. B. kumulatives logistisches Modell („proportional odds-Modell“), kumulatives Probit-Modell, kumulatives Extremwertmodell oder das kumulative lineare Modell. Die Varianten unterscheiden sich je nach zugrundeliegender Verteilungsfunktion, vgl. Gerpott, T.J./ Mahmudova, I. (2006), S. 497.
Zur ordinalen Logit-Regression vgl. bspw. O’Connell, A.A. (2006). Die Koeffizienten der ordinalen Logit und Probit-Regression unterscheiden sich etwa um den Faktor 1,7, sofern die unabhängige Variable keinen hohen Standardfehler aufweist, vgl. Janssen, J./ Laatz, W. (2007b), S. 462, Liao, T.F. (1994), S. 24 u. o.V. (o.J.).
Vgl. Borooah, V.K. (2002), S. 9, Long, J.S. (1997), S. 120 u. Liao, T.F. (1994), S. 24. Die Modelle beiden Modelle wurden in unterschiedlichen Disziplinen entwickelt: Das Probit-Modell in den Sozialwissenschaften (durch Mckelvey und Zavoina (1975)) und das Logit-Modell in der Biostatistik (durch Maccullagh (1980), vgl. MacCullagh, P. (1980)), vgl. Powers, D.A./ Xie, Y. (2000), S. 215.
Vgl. Janssen, J./ Laatz, W. (2007b), S. 463 u. Bühl, A. (2006), S. 398.
Vgl. Backhaus, K. et al. (2006), S. 11.
Vgl. Homburg, C./ Pflesser, C. (2000a), S. 415 u. Homburg, C./ Baumgartner, H. (1995b), S. 1092. Die konfirmatorische Faktorenanalyse wird teilweise auch als Spezialfall der Strukturgleichungs-oder Kausalanalyse bezeichnet, vgl. Backhaus, K. et al. (2006), S. 330. Zum Unterschied von konfirmatorischer und explorativer Faktorenanalyse vgl. bspw. Reinecke, J. (2005), S. 134 ff.
Vgl. Hair, J.F. et al. (2006), S. 153 ff.
Für den Einsatz eines einzelnen Indikators spricht die Einfachheit, für Mittelwerte die Vergleich-und Replizierbarkeit von Studien und für Faktorwerte der Wunsch nach Orthogonalität (d. h. Unabhängigkeit) der Werte, vgl. Hair, J.F. et al. (2006), S. 158. Die Faktorwerte und Mittelwerte für Versicherungs-, Bequemlichkeits-und Taxametereffekt sind jeweils perfekt korreliert, so dass im Ergebnis kein Unterschied besteht, vgl. Anhang 5.
Zum ein-und zweiseitigen t-Test vgl. Bortz, J. (2005), S. 116 ff.
Quelle: Eigene Darstellung in Anlehnung an Backhaus, K. et al. (2006), S. 808.
Vgl. Krafft, M. (1997), S. 633.
Vgl. Agresti, A. (2002), S. 11, Hosmer, D.W./ Lemeshow, S. (2000), S. 38 f. u. Tutz, G. (2000), S. 96.
Vgl. Cook, T.D./ Campbell, D.T. (1979), S. 37.
Vgl. Voeth, M. (2000), S. 226. Zu Objektivität, Reliabilität und Validität als Gütekriterien vgl. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), S. 87 ff.
Vgl. Müller-Hagedorn, L./ Sewing, E./ Toporowski, W. (1993), S. 126 f. Zu dieser Kategorisierung der Validität vgl. auch Brzoska, L. (2003), S. 46 ff.
Vgl. Brzoska, L. (2003), S. 48 f.
Zur kriterienbezogenen Validität vgl. ausführlich Lienert, G.A./ Raatz, U. (1998), S. 220 ff. u. Carmines, E.G./ Zeller, R.A. (1979), S. 17 ff.
Dies wird als interne oder externe Validität bezeichnet, vgl. Brzoska, L. (2003), S. 50.
Die Methode der Kreuzvalidierung wurde im Kontext der multiplen Regression entwickelt um sicherzustellen, dass Regressionsgleichungen, die für eine Stichprobe entwickelt wurden, auch in anderen Stichproben der selben Grundgesamtheit Gültigkeit besitzen, vgl. Mosier, C.I. (1951).
Vgl. Brzoska, L. (2003), S. 49 f.
Zur Überprüfung der Übereinstimmung von Ergebnissen wurden Indizes entwickelt. Für Indizes, die bei der Kreuzvalidierung von Kausalanalysen zur Modellselektion eingesetzt werden vgl. Whittaker, T.A./ Stapleton, L.M. (2006), S. 296 ff. Im Rahmen von Kausalanalysen kann eine Kreuzvalidierung auch durch ein Mehrgruppenkausalmodell durchgeführt werden, bei denen Unterschiede zwischen den Gruppen inferenzstatistisch getestet werden können. Von (Kreuz-)Validität kann ausgegangen werden, wenn die Modelle invariant sind, vgl. Byrne, B.M. (2001), S. 247 ff. Für einen Überblick verschiedener Kreuzvalidierungsverfahren in Kausalanalysen vgl. MacCallum, R.C. et al. (1994).
Eine Kreuzvalidierung durch zufällige Aufteilung des Datensatzes in Haupt-und Validierungsstichprobe wird bspw. von Völckner durchgeführt, vgl. Völckner, F. (2004), S. 9 u. Völckner, F. (2003), S. 170 f. u. S. 225 f.
Vgl. Müller-Hagedorn, L./ Sewing, E./ Toporowski, W. (1993), S. 127. Eine Validierung mit einem alternativen Auswertungsverfahren wird bspw. von Metzler durchgeführt, der die Ergebnisse eines varianzbasierten Kausalmodells mit der Regressionsanalyse validiert, vgl. Metzler, P. (2006), S. 143 ff. Ein anderes Beispiel findet sich bei Anderson, die die Ergebnisse einer logistischen Regression mit den Ergebnissen einer Diskriminanzanalyse validiert, vgl. Anderson, E. (1985), S. 249.
Vgl. Hildebrandt, L./ Temme, D. (2005), S. 49, Homburg, C./ Giering, A. (1996), S. 9 u. Homburg, C./ Baumgartner, H. (1995b), S. 1096.
Vgl. Hildebrandt, L./ Temme, D. (2005), S. 49, Homburg, C./ Baumgartner, H. (1995b), S. 1092. u. Bagozzi, R.P./ Fornell, C. (1982), S. 38. Diese Verfahren erheben den Anspruch, „strengere Tests formalisierter Theorien zu ermöglichen als die üblichen Verfahren der bi-und multivariaten Statistik zum Test von Beziehungen“, vgl. Homburg, C./ Hildebrandt, L. (1998), S. 17.
Vgl. Diller, H. (2006), S. 611 ff., Diller, H. (2004), S. 177 u. Hildebrandt, L./ Temme, D. (2005), S. 49. Albers/Hildebrandt empfehlen den Einsatz der Regressionsanalyse anstatt der Kausalanalyse bei der ausschließlichen Verwendung formativer Indikatoren, sofern die zu betrachtenden Beziehungen nicht über mehrere Pfade gehen, insbesondere aus dem Grund, dass in der Regressionsanalyse Nichtlinearitäten und Heterogenität abgebildet werden können, vgl. Albers, S./ Hildebrandt, L. (2006), S. 28 f. Für einen Überblick zu Situationen, in denen die Regressionsanalyse auch bei der Verwendung latenter Konstrukte zu empfehlen ist vgl. Gefen, D./ Straub, D.W./ Boudreau, M.-C. (2000), S. 37 f. u. S. 42. Ein Beispiel, in dem eine Regressionsanalyse trotz der Verwendung latenter Konstrukte durchgeführt wird, findet sich bei Reinartz, W./ Krafft, M./ Hoyer, W.D. (2004), S. 299.
Vgl. Lienert, G.A./ Raatz, U. (1998), S. 222 f. u. Carmines, E.G./ Zeller, R.A. (1979), S. 17 ff.
Varianzerklärende Strukturgleichungsanalyse wird auch als PLS-Ansatz bezeichnet und geht auf Wold zurück, vgl. Wold, H. (1974). Als Software für PLS stehen z. B. PLS-Graph, SmartPLS, PLS-GUI und SPADPLS zur Verfügung, vgl. Homburg, C./ Klarmann, M. (2006), S. 735.
Kovarianzerklärende Kausalanalyse wird teilweise auch als LISREL-Ansatz bezeichnet, vgl. Homburg, C./ Klarmann, M. (2006), S. 728. Als Software stehen z. B. LISREL, EQS, AMOS und Mplus zur Verfügung, vgl. Kline, R.B. (2005), S. 77 ff.
Vgl. Backhaus, K. et al. (2006), S. 340 ff.
Vgl. Herrmann, A./ Huber, F./ Kressmann, F. (2006), S. 37, Tenenhaus, M. et al. (2005), S. 166 u. Wold, H. (1974).
Vgl. Wold, H. (1982), S. 342. Für eine Übersicht zu kritischen Merkmalen sowie einen ausführlichen Vergleich der Eignung der Verfahren als Entscheidungshilfe vgl. Sabel, T. (2007), S. 149, Herrmann, A./ Huber, F./ Kressmann, F. (2006), S. 44, Homburg, C./ Klarmann, M. (2006), S. 735, Scholderer, J./ Balderjahn, I. (2006), S. 54 ff., Ringle, C.M. (2004), Gefen, D./ Straub, D.W./ Boudreau, M.-C. (2000), S. 36 ff. u. Chin, W.W./ Newsted, P.R. (1999), S. 314.
Vgl. Homburg, C./ Klarmann, M. (2006), S. 734 u. Scholderer, J./ Balderjahn, I. (2006) S. 67.
Vgl. Muthén, B.O./ du Toit, S.H.C./ Spisic, D. (im Druck), Xie, Y. (1989), S. 330 ff. u. Muthén, B.O. (1983).
Für eine umfangreiche Gesamtübersicht zur Regressionsanalyse vgl. bspw. Backhaus, K. et al. (2006), S. 46 ff., Hair, J.F. et al. (2006), S. 169 ff., Aaker, D.A./ Kumar, V./ Day, G.S. (2003), S. 509 ff., Greene, W.H. (2003), Skiera, B./ Albers, S. (2000), S. 205 ff. u. Draper, N.R./ Smith, H. (1998).
Vgl. Skiera, B./ Albers, S. (2000), S. 207.
Zu den Prämissen vgl. Backhaus, K. et al. (2006), S. 93.
Dies ist der Fall bei Stichproben mit weniger als 40 Beobachtungen, vgl. Backhaus, K. et al. (2006), S. 93.
Vgl. Skiera, B./ Albers, S. (2000), S. 229.
Vgl. Backhaus, K. et al. (2006), S. 86. Der empirische F-Wert muss bei gegebenem Signifikanzniveau und Freiheitsgraden kleiner oder gleich dem theoretischen F-Wert sein, damit von Homoskedastizität ausgegangen werden kann.
Der VIF soll einen Wert nahe 1 annehmen, vgl. Skiera, B./ Albers, S. (2000), S. 222. Als Grenzwert werden Werte von bis zu 20 angegeben, vgl. Greene, W.H. (2003), S. 58.
Zur linearen Regression mit SPSS vgl. Janssen, J./ Laatz, W. (2007b), S. 415 ff., Backhaus, K. et al. (2006), S. 45 ff., Brosius, F. (2006), S. 537 ff. u. Bühl, A. (2006), S. 353 ff. Zum Einsatz kam SPSS in der Version 14. Aktuelle Abkürzung SPSS: Statistical Product and Service Solutions, vgl. o.V. (2007c).
Vgl. zu dieser Motivation der ordinalen Probit-Regression und den formalen Ausführungen im Folgenden Janssen, J./ Laatz, W. (2007a), Janssen, J./ Laatz, W. (2007b), S. 480, Gerpott, T.J./ Mahmudova, I. (2006), S. 496, Hüppelshäuser, M. (2005), S. 150 ff., Muthén, B.O. (1998-2004), S. 2 ff., Agresti, A. (2002), S. 277 ff. u. S. 283, Borooah, V.K. (2002), S. 7 ff., Powers, D.A./ Xie, Y. (2000), S. 214 ff., Tutz, G. (2000), S. 209 ff., Long, J.S. (1997), S. 114 ff. u. Fahrmeir, L./ Hamerle, A./ Tutz, G. (1996), S. 271 ff.
Vgl. Gerpott, T.J./ Mahmudova, I. (2006), S. 496. Im Gegensatz zum Schwellenwertmodell geht das sequenzielle Modell davon aus, dass die Kategorien einer abhängigen Variablen nur sukzessiv erreichbar sind. Dieses Modell ist jedoch in marktgängigen Statistikprogrammen nicht implementiert. GREENE bezeichnet Modelle auf Basis dieser Motivation als index function models, vgl. Greene, W.H. (2003), S. 668.
Hierin liegt der Unterschied zum ordinalen kumulativen Logit-Modell: im Logit-Modell wird unterstellt, der Fehlerterm sei logistisch verteilt, vgl. Borooah, V.K. (2002), S. 9.
Vgl. Janssen, J./ Laatz, W. (2007a), S. 6 f. U. Janssen, J./ Laatz, W. (2007b), S. 458 f. u. Agresti, A. (2002), S. 279 u. S. 283. An diesem Punkt ist Vorsicht geboten, da einzelne Softwarepakte (z.B. SAS) die umgekehrte Parametrisierung zugrunde legen. Auch Tutz, G. (2000), S. 219 folgt der umgekehrten Parametrisierung. Zudem stellen Gerpott, T.J./ Mahmudova, I. (2006), S. 496 den Sachverhalt verdreht dar. Im Folgenden wird der Darstellung aus dem etablierten Werk von Agresti gefolgt.
Die Interpretation von Logit-Koeffizienten ist zwar ebenfalls schwierig, jedoch einfacher als für Probit-Koeffizienten, da Log Odds zur Verfügung stehen, vgl. Pampel, F.C. (2000), S. 19 u. S. 61. Dies ist einer der Gründe, weshalb auch im ordinalen Fall häufig die Logit-Regression vorgezogen wird, obwohl aus theoretischer Sicht beide Modelle gleich geeignet sind, vgl. Borooah, V.K. (2002), S. 9.
Vgl. Pampel, F.C. (2000), S. 60. Die Koeffizienten in der ML-Schätzung werden anhand der Wald-Teststatistik überprüft, die der WLS-Schätzung anhand der t-Statistik.
πs tan dardisiert = π × STAB(x) / STAB(y*); \( \pi _{s\tan dardisiert} = \pi \times \frac{{STAB(x)}}{{STAB(y*)}}; STAB(y*) = \sqrt {\pi ^2 V(x) + 1} \), mit STAB = Standardabweichung und V= Varianz, vgl. Muthén, B.O. (1998–2004), S. 3 u. Pampel, F.C. (2000), S. 61.
Weitere Möglichkeiten der Parameterinterpretationen bestehen in der Interpretation marginaler Effekte oder der Effekte auf vorhergesagte Wahrscheinlichkeiten, vgl. Pampel, F.C. (2000), S. 62 ff. u. Liao, T.F. (1994), S. 41 ff.
Vgl. O’Connell, A.A. (2006), S. 17 ff u. S. 87 f., Borooah, V.K. (2002), S. 19 ff. u. Hosmer, D.W./ Lemeshow, S. (2000), S. 305.
Zu den Gütekriterien vgl. bspw. Backhaus, K. et al. (2006), S. 445 ff., Krafft, M. (1997), S. 629 ff. u. Fahrmeir, L./ Hamerle, A./ Tutz, G. (1996), S. 279 ff. Zur Diagnose von Prämissenverletzungen vgl. ausführlich Menard, S. (2001), S. 67 ff. u. Hosmer, D.W./ Lemeshow, S. (2000), S. 167 ff.
Vgl. Krafft, M. (1997), S. 630.
Vgl. Backhaus, K. et al. (2006), S. 472. Zur Überprüfung werden die Kovariatenmuster und die abhängigen Variablenstufen gegenübergestellt.
Für die Formel der proportionalen Zufallswahrscheinlichkeit im ordinalen Fall vgl. Backhaus, K. et al. (2006), S. 478. Für weitere Gütemaße auf Basis der Klassifikationsstatistik vgl. O’Connell, A.A. (2006), S. 22 ff.
Vgl. Backhaus, K. et al. (2006), S. 478.
R2 = π2V(x / π2V(x+1, vgl. Muthén, B.O. (1998–2004), S. 3.
Die Prämissen sind annähernd identisch zu denen der ordinalen Logit-Regression. Für einen Überblick über die Diagnose von Prämissenverletzungen und mögliche Vorsichtsmaßnahmen vgl. Menard, S. (2001), S. 67 ff. u. Garson, G.D. (1998–2007).
Menard, S. (2001), S. 90.
Zur grundlegenden Diagnoseschritten vgl. Menard, S. (2001), S. 90.
Vgl. Menard, S. (2001), S. 79.
Vgl. Menard, S. (2001), S. 79 u. Hosmer, D.W./ Lemeshow, S. (2000), S. 136 f.
Das Pearson-Residuum ist auch die Basis für die Pearson’sche X2-Statistik. Für den binären Fall vgl. Menard, S. (2001), S. 82 ff., Hosmer, D.W./ Lemeshow, S. (2000), S. 145 u. Long, J.S. (1997), S. 98. Für den ordinalen Fall vgl. Janssen, J./ Laatz, W. (2007b), S. 474 f.
Vgl. Long, J.S. (1997), S. 99 f.
Vgl. Menard, S. (2001), S. 82.
Der Einfluss eines Falles kann bspw. anhand der Leverage-Statistik bestimmt werden, vgl. Long, J.S. (1997), S. 100 f. Diese ist in SPSS für den ordinalen Fall allerdings nicht implementiert.
Zur ordinalen Regression mit SPSS vgl. Janssen, J./ Laatz, W. (2007b), S. 464 ff. u. Bühl, A. (2006), S. 390 ff. Weitere Programme, die ordinale Probit-Regressionsmodelle schätzen können sind bspw. SAS, LIMDEP und STATA.
Version 3.11. Zum Programm vgl. http://www.statmodel.com. Das Programm geht wesentlich auf die Arbeiten von Linda und Bengt Muthén, Tihomir Asparouhov und Thuy Nguyen zurück und ermöglicht flexible Schätzungen verschiedener Modelle mit latenten Variablen, vgl. Muthén, L.K./ Muthén, B.O. (2004), Preface.
Quelle: Eigene Darstellung in teilweiser Anlehnung an Backhaus, K. et al. (2006), S. 456.
Vgl. ausführlich Götz, O./ Liehr-Gobbers, K. (2004), S. 7.
Vgl. Backhaus, K. et al. (2006), S. 349 u. Bollen, K.A./ Lennox, R. (1991), S. 306. Im Rahmen dieser Arbeit werden nur reflektive Messmodelle betrachtet. Während bei einer reflektiven Messung der Fehlerterm auf Indikatorniveau modelliert wird, ist dies bei formativen Messungen auf Konstruktebene der Fall, vgl. Jarvis, C.B./ MacKenzie, S.B./ Podsakoff, P.M. (2003), S. 201 ff. Formative Konstrukte können als Linearkombination ihrer Indikatoren ausgedrückt werden, da die Indikatoren in Summe das latente Konstrukt bilden, vgl. Bollen, K.A./ Lennox, R. (1991), S. 306. Zur Diskussion um reflektive und formative Messmodelle vgl. bspw. Albers, S./ Hildebrandt, L. (2006), S. 2 ff., Eberl, M. (2006), S. 651ff., Fassott, G. (2006), Eberl, M. (2004), Götz, O./ Liehr-Gobbers, K. (2004), S. 717 ff. u. Fornell, C./ Brookstein, F.L. (1982), S. 441 f.
Vgl. Kline, R.B. (2005), S. 165.
Vgl. Diller, H. (2006), S. 615. West/Finch/Curran adressieren bspw. Probleme, die aus nichtnormalverteilten und nicht-metrischen Daten entstehen, vgl. West, S.G./ Finch, J.F./ Curran, P.J. (1995), S. 56 ff. Backhaus/Blechschmidt/Eisenbeiß gehen zusätzlich auf weitere Probleme wie Common Method Bias, Stichprobengröße und Grad der Datenheterogenität ein, vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 713 f. Zu Problemen stichprobenimmanenter Heterogenität vgl. auch Krafft, M./ Litfin, T. (2002). Ein weiteres Problem ist die Möglichkeit nichtlinearer Beziehungen zwischen den Konstrukten, vgl. Scholderer, J./ Balderjahn, I./ Paulssen, M. (2006), S. 643 ff.
Vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 715 ff.
Quelle: In Anlehnung an Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 716.
Eine deutliche Abweichung der Werte von null zeigt die Nicht-Normalverteilung der einzelnen Variablen an. Als Schwellenwerte werden für Skewness |2| und für Kurtosis |7| angeführt, vgl. West, S.G./ Finch, J.F./ Curran, P.J. (1995), S. 74. Andere Quellen verweisen auf einen Schwellenwert von |1| für beide Werte, vgl. Muthén, B./ Kaplan, D. (1985), S. 187.
Ein Signifikanzwert von <0,05 führt zu einem Zurückweisen der Nullhypothese, die Daten seien normalverteilt, vgl. Brosius, F. (2006), S. 401.
Vgl. West, S.G./ Finch, J.F./ Curran, P.J. (1995), S. 60. Die Überprüfung auf multivariate Normalverteilung kann anhand des „Mardia-Koeffizienten der multivariaten Kurtosis“ geschehen, vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 715. Dieser darf ebenfalls nicht signifikant von null abweichen.
Vgl. bspw. Finney, S./ DiStefano, C. (2006).
Für eine Zusammenfassung von Empfehlungen zur Modellierung und Schätzung in allen drei Fällen vgl. Finney, S./ DiStefano, C. (2006), S. 298 f.
Vgl. bspw. Homburg, C./ Klarmann, M. (2006), S. 736.
Vgl. Homburg, C./ Klarmann, M. (2006), S. 736, Lei, M./ Lomax, R. (2005), Kline, R.B. (2005), S. 195. Für eine ausführliche Diskussion verschiedener Simulationsstudien, (Boomsma, A./ Hoogland, J.J. (2001), Muthén, B.O./ Kaplan, D. (1992), Muthén, B./ Kaplan, D. (1985), Boomsma, A. (1983)), die den Einsatz des ML-Schätzers bei nicht-normalverteilten Daten empfehlen, vgl. Staack, Y. (2004), S. 182.
Vgl. Bollen, K.A. (1989), S. 126, Bentler, P.M./ Chou, C.-P. (1987), S. 89 u. Muthén, B./ Kaplan, D. (1985), S. 182. Andere Schätzmethoden, die z. T. keine Normalverteilung der Daten voraussetzen (z.B. Unweighted Least Squares (ULS), Asymptotic Distribution Free Function (ADF), Generalized Least Squares (GLS), Weighted Least Squares (WLS) und seine Varianten), haben andere Schwächen. Sie setzen bspw. sehr große Stichprobenumfänge voraus oder lassen keine inferenzstatistischen Tests zu, vgl. Kline, R.B. (2005), S. 196 f. Olsson, U.H./ Howell, R.D. (1999) zeigen, dass mit GLS inkorrekte Modelle häufiger als mit ML akzeptiert werden und außerdem häufiger ungenaue Parameterschätzer erzielt werden.
Variablen mit mindestens fünf Kategorien werden als unproblematisch beurteilt, vgl. z. B. Finney, S./ DiStefano, C. (2006), S. 277 u. Muthén, B./ Kaplan, D. (1985), S. 171. Damit wird unterstellt, dass die Daten präziser gemessen wurden, als dies eigentlich geschah. In vielen Fällen, in denen unterstellt wird, dass es sich um eine ungenaue Messung einer in Wirklichkeit kontinuierlichen Variablen handelt (z. B. Einstellungen oder Präferenzen), kann die Annahme auch inhaltlich gerechtfertigt sein, vgl. Menard, S. (2001), S. 98.
Vgl. DiStefano, C. (2002), S. 341 u. West, S.G./ Finch, J.F./ Curran, P.J. (1995), S. 62 f.
Vgl. Kline, R.B. (2005), S. 115 u. Muthén, B./ Kaplan, D. (1985), S. 180.
Vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 717 u. Satorra, A./ Bentler, P.M. (1994), S. 410.
Vgl. Muthén, L.K./ Muthén, B.O. (2004), S. 368.
Zum Bootstrapping vgl. auch Kline, R.B. (2005), S. 197.
Vgl. Finney, S./ DiStefano, C. (2006), S. 274 ff. u. S. 281 ff. u. Xie, Y. (1989), S. 330. Das generelle Modell basiert auf den Arbeiten von Muthén, vgl. Muthén, B.O. (1984) u. Muthén, B.O. (1983), und ist in Mplus implementiert. Neben ordinalen Daten kann das Modell auch mit metrischen, zensierten, binären Daten sowie Zähldaten als abhängiger Variable in Kausalmodellen umgehen, vgl. Muthén, L.K./ Muthén, B.O. (2004), S. 4. Eine andere Option der Parameterschätzung bei ordinalen Daten auf Basis polychorischer bzw. polyserieller Korrelationskoeffizienten ist in LISREL implementiert, vgl. Reinecke, J. (2005), S. 257 u. Jöreskog, K.G. (1994).
Vgl. Dolan, C.V. (1994), Rigdon, E.E./ Ferguson, C.E. (1991), u. Babakus, E./ Ferguson, C.E./ Jöreskog, K.G. (1987)
Vgl. Browne, M.W. (1984) u. Muthén, B.O. (1984).
Vgl. Hutchinson, S.R./ Olmos, A. (1998), Dolan, C.V. (1994) u. Potthast, M.J. (1993).
Vgl. Muthén, B.O./ du Toit, S.H.C./ Spisic, D. (im Druck).
Vgl. Flora, D.B./ Curran, P.J. (2004), S. 488. Für eine Beschreibung des WLSMV-Schätzers vgl. auch Finney, S./ DiStefano, C. (2006), S. 292 ff. Insgesamt besteht allerdings noch Forschungsbedarf in Bezug auf Kausalmodelle mit ordinalen abhängigen Variablen und die Besonderheiten des WLSMV-Schätzers, vgl. bspw. Finney, S./ DiStefano, C. (2006), S. 300 f.
Vgl. bspw. Backhaus, K. et al. (2006), S. 337 ff., Hair, J.F. et al. (2006), S. 745 ff., Reinecke, J. (2005), Marsh, H.W./ Hau, K.-T./ Wen, Z. (2004), Zinnbauer, M./ Eberl, M. (2004), S. 21, Evanschitzky, H. (2003), S. 187 ff., Hu, L.-T./ Bentler, P.M. (1999), Maruyama, G.M. (1998), S. 234 ff., Homburg, C./ Giering, A. (1996), S. 13 ff., Fritz, W. (1995), S. 121 ff., Homburg, C./ Baumgartner, H. (1995a), S. 167 ff., Hoyle, R.H./ Panter, A.T. (1995), S. 158 ff., Hu, L.-T./ Bentler, P.M. (1995), S. 76 ff. u. Hildebrandt, L. (1984), S. 41 ff.
Vgl. Homburg, C./ Hildebrandt, L. (1998), S. 23. Zu Problemen, die bei der Skalenbereinigung bei reflektiven Konstrukten entstehen können, und Lösungsvorschlägen vgl. Hildebrandt, L./ Temme, D. (2006).
Vgl. Hildebrandt, L. (1984), S. 42.
Vgl. Hildebrandt, L. (1984), S. 43 ff.
Vgl. Ernst, H. (2001), S. 196 ff.
Vgl. Bagozzi, R.P./ Phillips, L.W. (1982), S. 468.
Vgl. Fornell, C./ Larcker, D.F. (1981), S. 40.
Vgl. Bagozzi, R.P. (1980), S. 114.
Vgl. Evanschitzky, H. (2003), S. 190.
Vgl. Hair, J.F. et al. (2006), S. 745.
Vgl. Homburg, C./ Baumgartner, H. (1995a), S. 166.
Für eine frühe Arbeit zum allgemeinen Vorgehen vgl. Muthén, B.O. (1993), S. 205 ff. Muthén wendet allerdings noch den ML-Schätzer an. Er betont, dass es besonders wichtig sei zu testen, in wieweit die Modelfamilie geeignet ist, die Daten zu reproduzieren. Dies geschieht im Rahmen dieser Arbeit bereits bei der der Überprüfung der Modellgüte der ordinalen Probit-Regression.
Vgl. Yu, C.-Y. (2002).
Vgl. Yu, C.-Y. (2002), S. 157 f.
Vgl. Yu, C.-Y. (2002), S. 160.
Zur Formel und zu Anforderungen vgl. Muthén, B.O. (1998–2004), S. 23.
Vgl. Yu, C.-Y. (2002), S. 158.
Vgl. Yu, C.-Y. (2002), S. 162.
Vgl. Finney, S./ DiStefano, C. (2006), S. 293.
Vgl. Homburg, C./ Pflesser, C. (2000b), S. 655.
Zur Standardisierung der Strukturkoeffizienten werden die Varianzen der latenten und der manifesten Variablen genutzt, vgl. Muthén, L.K./ Muthén, B.O. (2004), S. 439.
Vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 717 f.
Vgl. Kline, R.B. (2005), S. 197, Nevitt, J./ Hancock, G.R. (2001), S. 354 f. u. Yung, Y.-F./ Bentler, P.M. (1996), S. 195 ff.
Vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 718.
Vgl. Muthén, L.K./ Muthén, B.O. (2004), S. 377.
Vgl. Bollen, K.A./ Stine, R.A. (1992), S. 225 f. Zu den Schwächen des so genannten Bollen/Stine-Bootstrap-Tests, der eine Variante des Chi-Quadrat-Tests mit Boostrapping darstellt, vgl. Rauch, W./ Schermelleh-Engel, K./ Moosbrugger, H. (2004) u. Nevitt, J./ Hancock, G.R. (2001).
Ein saturiertes oder gesättigtes Modell ist ein Modell, in dem die Zahl der zu schätzenden Parameter der Zahl der Datenpunkte entspricht (d.h. Varianzen und Kovarianzen der beobachteten Variablen). Damit sind alle möglichen Parameter freigesetzt und das saturierte Modell ist weniger restringiert als das zu testende Modell, vgl. Byrne, B.M. (2001), S. 79. Das saturierte Modell wird als Referenz für einen perfekten Fit des Modells an die Daten verwendet, vgl. Backhaus, K. et al. (2006), S. 407.
AIC: Akaike’s Information Criterion. BIC: Bayesian Information Criterion. CAIC: Consistent Akaike Information Criterion. Zu den Informationskriterien vgl. Gensler, S. (2003), S. 123 f., Wedel, M./ Kamakura, W. (2000), S. 92 u. Bozdogan, H. (1987), S. 353.
Vgl. Gensler, S. (2003), S. 123 f.
Vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 718.
Allgemein zur Finite Mixture oder Latent Class Analyse vgl. McCutcheon, A.L. (1987). Zu Finite Mixture Kausalmodellen vgl. Muthén, B. (2001).
Vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 724 mit den Verweisen auf Jedidi, K./ Jagpal, H.S./ DeSarbo, W.S. (1997) u. Hildebrandt, L./ Görz, N. (1999).
Quelle: Eigene Darstellung. Zu den Kriterien und Schwellenwerten der traditionellen Gütebeurteilung im metrischen Kausalmodell vgl. auch Woisetschläger, D. (2006), S. 132 ff. sowie die dort angegebenen Quellen.
Dies wirkt sich auf die Relevanz der Ergebnisse positiv aus, vgl. Diller, H. (2006), S. 616.
Zu Klassen von Ausreißern und ihrer Bestimmung vgl Hair, J.F. et al. (2006), S. 73 ff. Als Standardregel hat sich durchgesetzt, Werte dann von der Analyse auszuschließen, wenn diese mehr als die dreifache Standardabweichung vom Mittelwert entfernt liegen, vgl. auch Kline, R.B. (2005), S. 51. Diese Fälle werden vollständig von der Analyse ausgeschlossen, so dass insgesamt kein Problem mit fehlenden Werten besteht. Die Schätzung mit fehlenden Werten stellt bei der Kausalanalyse einen eigenen Problembereich dar, vgl. Kline, R.B. (2005), S. 52 ff. u. Reinecke, J. (2005), S. 283 ff
Vgl. Homburg, C./ Giering, A. (1996), S. 12.
Vgl. Diller, H. (2006), S. 612 f. u. Diller, H. (2004), S. 177. Bruner/James/Hensel veröffentlichen aus diesem Grund bewährte Skalen in ihrem Marketing Scales Handbook, um den wiederholten Einsatz bewährter Skalen zu fördern, vgl. Bruner, G.C./ James, K.E./ Hensel, P.J. (2000).
Vgl. Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b) u. Lambrecht, A. (2005).
Zum Vorgehen der Bildung reflektiver Konstrukte vgl. Homburg, C./ Giering, A. (1996), S. 5 ff. Lambrecht/Skiera haben einen Pool von 84 Indikatoren für die drei Konstrukte auf Basis von Literaturrecherche, verwandter Skalen und Plausibilitätsüberlegungen generiert. Diese Indikatoren wurden von Experten auf Einfachheit, Verständlichkeit, Prägnanz und inhaltliche Relevanz überprüft und 16 Indikatoren eliminiert. Die verbleibenden Indikatoren wurden in einem Pretest mit 25 Probanden getestet, hinsichtlich Skalenmittelwert und Schwierigkeitsindex beurteilt und einer ersten Prüfung durch explorative Faktorenanalyse unterzogen. Darauf aufbauend wurden 49 Indikatoren für die erste Befragung von 241 Studenten ausgewählt. Ergebnis der explorativen und konfirmatorischen Faktorenanalyse waren Konstrukte mit je vier relevanten Indikatoren für den Taxameter-und Bequemlichkeitseffekt und zwei relevante Indikatoren für den Versicherungseffekt. Die Reliabilität und Validität der drei Konstrukte wurde in einer zweiten Befragung von 1078 Kunden eines Internetproviders überprüft und bestätigt, vgl. ausführlich Lambrecht, A. (2005), S. 106 ff. u. S. 138 ff. Hildebrandt/Temme schlagen weitere Maßnahmen zur Selektion von Indikatoren bei reflektiven Skalen vor, die in erster Linie die Sicherung der Inhaltsvalidität der Skalen in den Vordergrund stellen, vgl. Hildebrandt, L./Temme, D. (2006), S. 621 ff.
Zur inhaltlichen Beschreibung der Skalen bei LAMBRECHT/SKIERA vgl. Lambrecht, A. (2005), S. 106.
Zur sog. Translation/Backtranslation-Methode, die zur Übersetzung fremdsprachiger Skalen eingesetzt wird, vgl. Eschweiler, M. (2006), S. 150. Zu möglichen Konsequenzen der Übersetzung vgl. Maghrabi, A.S./Johnson, D.A. (1995), S. 49 u. Hulin, C.L./ Komocar, J./ Drasgow, F. (1982).
Vgl. Anhang 9. Das angetroffene Muster ist kein Anzeichen für Heteroskedastizität, vgl. Draper, N.R./ Smith, H. (1998), S. 64. In jedem Plot von standardisierten Residuen und standardisierten geschätzten Werten entstehen Geraden mit negativer Steigung von 1. Diese Linien sind also kein Anzeichen für Prämissenverletzungen, vgl. auch Searle, S.R. (1988), S. 211.
Zur Bestimmung des exakten theoretischen F-Werts vgl. Andreß, H.-J. (2003). Vergleich der F-Werte: \( F_{empirisch} = \frac{{17,8552^2 }}{{17,0740^2 }} = 1,094 < F_{theoretisch\left( {334 - 4 - 1 = 329; 333 - 4 - 1 = 328} \right)} = 1,2 \)
Eine Schätzung eines Zwei-Klassen-Finite Mixture-Strukturgleichungsmodells bestätigt diese Annahme: Das Entropie-Maß, das die Separation der Segmente angibt (Wertebereich im Intervall [0; 1]; zur Entropie vgl. Braun, C. (2006), S. 152), ist mit 0,991 zwar sehr gut, auch die durchschnittliche Wahrscheinlichkeit der korrekten Zuordnung zu den latenten Klassen ist mit 0,916 und 0,999 sehr hoch. Allerdings umfasst die erste Klasse lediglich 2% der Fälle, der zweiten Klasse werden 98 % der Fälle zugeordnet. Dies spricht dafür, dass die Daten sehr homogen sind. Die Strukturkoeffizienten der beiden Klassen sind außerdem in der Richtung identisch. Die erste Klasse (2% der Fälle) unterscheidet sich von der zweiten Klasse lediglich durch ein niedrigeres Niveau beim Versicherungseffekt (0,112 vs. 0,152) und ein höheres Niveau beim Fehleinschätzungseffekt (0,89 vs. 0,786).
Rights and permissions
Copyright information
© 2008 Betriebswirtschaftlicher Verlag Dr. Th. Gabler | GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
(2008). Empirische Analyse von Tarifwahl, Tarifwahl-Biases und deren Ursachen bei der Mobilfunktarifwahl im B-to-B-Bereich. In: Tarifwahlverhalten im Business-to-Business-Bereich. Gabler. https://doi.org/10.1007/978-3-8349-9799-9_5
Download citation
DOI: https://doi.org/10.1007/978-3-8349-9799-9_5
Publisher Name: Gabler
Print ISBN: 978-3-8349-1040-0
Online ISBN: 978-3-8349-9799-9
eBook Packages: Business and Economics (German Language)