Skip to main content
SpringerLink
Log in

Methodische Grundlagen der Modellschätzung

  • Chapter
Markterfolg radikaler Innovationen

  • 1661 Accesses

Auszug

Ob das erarbeitete Modell die Realität tatsächlich abbildet, kann durch eine empirische Überprüfung offen gelegt werden. Dazu ist eine Auswahl geeigneter mathematisch-statistischer Verfahren nötig, die den spezifischen Problemen der jeweiligen Aufgabenstellung Rechnung tragen.521 Nach Ohlwein existieren vier Kriterien zur Überprüfung der Eignung eines Schätzverfahrens zur Analyse eines Hypothesengefuges bestehend aus latenten Variablen.522

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 79.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 69.99
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.

References

  1. Vgl. Homburg/ Pflesser (2000), S. 635.

    Google Scholar 

  2. Vgl. Ohlwein (1999), S. 218 ff.; Peter (2001), S. 128 ff.

    Google Scholar 

  3. Vgl. Bagozzi (1994), S. 26f

    Google Scholar 

  4. Vgl. Peter (2001), S. 128 ff.

    Google Scholar 

  5. Vgl. Ohlwein (1999), S. 220.

    Google Scholar 

  6. Vgl. Ohlwein (1999), S. 220.

    Google Scholar 

  7. Vgl. Homburg (1992), S. 499f

    Google Scholar 

  8. Vgl. Herrmann (1992), S. 146 ff.; Krafft (1997), S. 628.

    Google Scholar 

  9. Vgl. Agresti (1996), S. 150.

    Google Scholar 

  10. Vgl. Homburg (1992), S. 499 f

    Google Scholar 

  11. Nach Homburg und Pflesser ist der Begriff der Kausalanalyse insofern irreführend, da dieser Ansatz weniger Kausalitäten, sondern vielmehr Kovarianz-und Varianzstrukturen analysiert. Vgl. Homburg/ Pflesser (2000), S. 633 ff.

    Google Scholar 

  12. Vgl. Homburg/ Pflesser (2000), S. 636.

    Google Scholar 

  13. Vgl. Ohlwein (1999), S. 222.

    Google Scholar 

  14. Vgl. Steenkamp/ Baumgartner (2000), S. 199.

    Google Scholar 

  15. Das Strukturmodell stellt die vermuteten Beziehungen zwischen den hypothetischen Konstrukten dar. Vgl. Götz/ Liehr-Gobbers (2004), S. 716.

    Google Scholar 

  16. Vgl. Bollen (1989), S. 13 ff.

    Google Scholar 

  17. Vgl. Bollen (1989), S. 13 f.

    Google Scholar 

  18. Die irrtümlich formative Spezifikation eines Konstrukts wüirde zu einer Nichtbeachtung der für reflektive Indikatoren wichtigen Gütemaße führen. Dies verringert aufgrund der Beibehaltung nichtreliabler Indikatoren die interne Konsistenz des Messmodells. Demgegenüber könnte die irrtümlich reflektive Spezifikation zur Anwendung eines Skalenbereinigungsprozesses fiihren, welcher bei formativen Konstrukten eine Veränderung der Konstruktbreite bewirkt. Vgl. Eberl (2004), S. 12 ff.

    Google Scholar 

  19. Vgl. Eggert/ Fassot (2003), S. 17.

    Google Scholar 

  20. Vgl. Eberl (2004), S. 6.

    Google Scholar 

  21. Vgl. Eggert/ Fassot (2003), S. 6.

    Google Scholar 

  22. Vgl. Lohmöller (1989), S. 25 ff.; Chin/Newsted (1999), S. 323.

    Google Scholar 

  23. Vgl. Jarvis/ MacKenzie/ Podsakoff (2003), S. 200.

    Google Scholar 

  24. Vgl. Jarvis/ MacKenzie/ Podsakoff (2003), S. 200 f.

    Google Scholar 

  25. Vgl. Eggert/ Fassot (2003), S. 4 f.

    Google Scholar 

  26. Vgl. Bollen (1989), S. 16 ff.

    Google Scholar 

  27. Vgl. Backhaus et al. (2000), S. 412 ff.; Eggert/Fassot (2003), S. 5.

    Google Scholar 

  28. Vgl. Eberl (2004), S. 3 ff.

    Google Scholar 

  29. In Anlehnung an Jarvis/ MacKenzie/ Podsakoff (2003), S. 203.

    Google Scholar 

  30. Vgl. Diamantopoulos/ Winklhofer (2001), S. 274; Fornell/Cha (1994), S. 61; Jarvis/MacKenzie/ Podsakoff (2003), S. 213.

    Google Scholar 

  31. Vgl. Homburg/ Baumgartner (1995), S. 1095 ff.

    Google Scholar 

  32. Vgl. Jöreskog (1970), S. 293 ff.

    Google Scholar 

  33. Vgl. Wold (1980), S. 47 ff.; Wold (1985), S. 581 ff.

    Google Scholar 

  34. Vgl. Rigdon (1998), S. 252 f.

    Google Scholar 

  35. Vgl. Krafft/ Haase/ Siegel (2003), S. 95 f.; Homburg/Baumgartner (1995), S. 1095.

    Google Scholar 

  36. Vgl. Backhaus et al. (2000), S.412 ff.

    Google Scholar 

  37. Vgl. Götz/ Liehr-Gobbers (2004), S. 1.

    Google Scholar 

  38. Vgl. Arnett/ Laverie/ Meiers (2003), S. 162.

    Google Scholar 

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

    Google Scholar 

  40. Als „Heywood Case“ bezeichnet man das Auftreten einer negativen Varianz bei einer der Modellvariablen. Dies macht eine weitere Schätzung der Parameter folglich nicht möglich. Vgl. Dillon/ Kumar/ Mulani (1987), S. 126.

    Google Scholar 

  41. Vgl. Gerbing/ Anderson(1984); MacCallum (1986); Hu/Bentler (1999); Bollen (1989), S. 112.

    Google Scholar 

  42. Vgl. Chin/ Newsted (1999), S. 335 f.

    Google Scholar 

  43. Vgl. Chin/ Newsted (1999), S. 337; Gefen/Straub/Boudreau (2000), S. 26 ff.

    Google Scholar 

  44. Vgl. Chin/ Newsted (1999), S. 335 f.

    Google Scholar 

  45. MIMIC = Multiple Indicators Multiple Causes. Vgl. Fornell/ Bookstein (1982), S. 441 f.; Winklhofer/ Diamantopoulos (2002), S. 152 ft; Jöreskog/Goldberger (1975), S. 331 ff.

    Google Scholar 

  46. In Anlehnung an Hahn (2002), S. 107; Bliemel et al. (2005), S. 11; Chin/Newsted (1999), S. 314.

    Google Scholar 

  47. Vgl. Jarvis/ MacKenzie/ Podsakoff (2003), S. 213 ff.; MacCallum/Browne (1993).

    Google Scholar 

  48. Vgl. Eggert/ Fassott (2003), S. 13 f.

    Google Scholar 

  49. Vgl. Temme/ Kreis (2005), S. 193 ff.

    Google Scholar 

  50. Vgl. Chin/ Newsted (1999), S. 337; Gefen/Straub/Boudreau (2000), S. 26 f.

    Google Scholar 

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

    Google Scholar 

  52. Vgl. Fornell/ Cha(1994), S.62.

    Google Scholar 

  53. Vgl. Hahn (2002), S. 107.

    Google Scholar 

  54. Vgl. Fornell/ Cha (1994), S. 64 ff.; Cassel/Hackl/Westlund (1999), S. 438; Lohmöller (1989), S. 29 f.

    Google Scholar 

  55. Vgl. Götz/ Liehr-Gobbers (2004), S. 5.

    Google Scholar 

  56. Vgl. Noonan/ Wold(1982), S. 77 ff.

    Google Scholar 

  57. Das Messmodell bildet die Beziehungen zwischen den beobachtbaren Variablen und den ihnen zugrunde liegenden Konstrukten ab. Vgl. hierzu Götz/ Liehr-Gobbers (2004), S. 717.

    Google Scholar 

  58. Vgl. Chin/ Newsted (1999), S. 318.

    Google Scholar 

  59. Vgl. Götz/ Liehr-Gobbers (2004), S. 722.

    Google Scholar 

  60. Vgl. Hahn (2002), S. 103.

    Google Scholar 

  61. Statistisch sind sie nicht konsistent, sondern lediglich „consistent at large“. Vgl. Albers/ Hildebrandt (2006), S. 18.

    Google Scholar 

  62. Vgl. Fornell/ Cha(1994), S. 66.

    Google Scholar 

  63. Vgl. Areskoug (1982), S. 104.

    Google Scholar 

  64. Vgl. Fornell/ Cha(1994), S.66.

    Google Scholar 

  65. Vgl. Hammann/ Erichson (2000), S. 93.

    Google Scholar 

  66. Vgl. Hulland(1999), S. 198.

    Google Scholar 

  67. Vgl. Chin (1998a), S. 13.

    Google Scholar 

  68. Beim „Jacknifing“ wird aus alien Datensätzen eine festgelegte Anzahl zu unterdruckender Fälle nach einem bestimmten Schema bestimmt. Darauf aufbauend wird das Modell für jedes Subsample geschatzt. Beim „Bootstrappingv“ erfolgt diese Schätzung auf Basis zufällig ausgewählter Fälle. „Jacknifing“ benötigt daher weniger Zeit zur Ergebnisberechnung, was aber zu Lasten der Qualität der Resultate geht. Vgl. Chin (1998b), S. 295 ff.

    Google Scholar 

  69. Vgl. Hahn (2002), S. 105.

    Google Scholar 

  70. Vgl. Fornell/ Cha(1994), S.69.

    Google Scholar 

  71. Vgl. Homburg/ Baumgartner (1995), S. 1091 ff.

    Google Scholar 

  72. Vgl. Bagozzi/ Yi(1988), S. 74 ff.

    Google Scholar 

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

    Google Scholar 

  74. Vgl. Cronbach (1951), S. 297 ff.

    Google Scholar 

  75. Vgl. Fornell/ Cha(1994), S. 73.

    Google Scholar 

  76. Vgl. Segars (1997), S. 115 ff.

    Google Scholar 

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

    Google Scholar 

  78. Vgl. Backhaus et al. (2003), S. 73 f.

    Google Scholar 

  79. Vgl. Jarvis/ MacKenzie/ Podsakoff (2003), S. 202.

    Google Scholar 

  80. Vgl. Fritz (1995), S. 136.

    Google Scholar 

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

    Google Scholar 

  82. Vgl. Backhaus et al. (2003), S. 88.

    Google Scholar 

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

    Google Scholar 

  84. Vgl. Gujarati (2003), S. 362.

    Google Scholar 

  85. Vgl. Gujarati (2003), S. 362; Backhaus et al. (2003), S. 90 f.

    Google Scholar 

  86. In Anlehnung an Herrmann/ Huber/ Kressmann (2006), S. 64.

    Google Scholar 

  87. Vgl. Krafft/ Götz/ Liehr-Gobbers (2005), S. 83.

    Google Scholar 

  88. Vgl. Krafft/ Götz/ Liehr-Gobbers (2005), S. 83.

    Google Scholar 

  89. Vgl. Götz/ Liehr-Gobbers (2004), S. 24.

    Google Scholar 

  90. Vgl. Fritz/ Möllenberg/ Dees (2005), S. 269.

    Google Scholar 

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

    Google Scholar 

  92. Vgl. Backhaus et al. (2003), S. 96; Chin (1998), S. 323.

    Google Scholar 

  93. Vgl. Chin (1998b), S. 323.

    Google Scholar 

  94. Vgl. Fornell/ Cha(1994), S.72 f

    Google Scholar 

  95. Auch auf Strukturmodellebene indiziert ein Wert über 10 eine hohe Multikollinearität. Vgl. Gujarati (2003), S. 362. Solch ein hoher Wert würde sich bereits in den Regressionskoeffizienten widerspiegeln und nicht signifikante Ergebnisse liefern. Daher soll dieses Kriterium auf Strukturmodell ebene keine Anwendung finden. Vgl. Kressmann (2007), S. 123.

    Google Scholar 

  96. Vgl. Herrmann/ Huber/ Kressmann (2006), S. 61; Hulland (1999), S. 202.

    Google Scholar 

  97. In Anlehnung an Herrmann/ Huber/ Kressmann (2006), S. 64.

    Google Scholar 

  98. Vgl. Hildebrandt (2000), S. 40.

    Google Scholar 

Download references

Rights and permissions

Reprints and permissions

Copyright information

© 2007 Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden

About this chapter

Cite this chapter

(2007). Methodische Grundlagen der Modellschätzung. In: Markterfolg radikaler Innovationen. DUV. https://doi.org/10.1007/978-3-8350-5415-8_9

Download citation

Publish with us

Policies and ethics

Search

Navigation