Auszug
Das Ergebnis der bisherigen Ausführungen besteht in einem hypothesenbasierten Modell zu Distance Leadership, welches auf Basis vorhandener theoretischer Bausteine erstellt wurde. Eine Überprüfung des postulierten Modells sowie seiner durch Hypothesen zum Ausdruck gebrachten Zusammenhänge soll Gegenstand des Kapitels 4 sein. Die Ergebnisse der durchgeführten Studie sollen jedoch keinen Allgemeingültigkeitsanspruch aufweisen, da nicht auszuschließen ist, dass aus der Untersuchung einer anderen Population abweichende Ergebnisse resultieren können.432 Somit wird der Grundidee des kritischen Rationalismus von Popper gefolgt, wonach ein wissenschaftlicher Fortschritt nur aus der Elimination unzutreffender Theorievorstellungen entstehen kann (Falsifikationsprinzip) und somit nicht-falsifizierte Hypothesen lediglich als vorläufig „bestätigt“ anzusehen sind.433
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.
References
Bortz/Döring (2006), S. 18, schreiben dazu: „Die Verifikation allgemein gültiger Aussagen über Populationen ist anhand von Stichprobendaten logisch nicht möglich.“ Hintergrund ist die Unsicherheit darüber, „… ob nicht ein hypothesenkonformes Ergebnis in der untersuchten Stichprobe durch eine andere, nicht untersuchte Stichprobe in Frage gestellt werden konnte.“ (Bortz/Döring (2002), S. 22).
Vgl. Popper (1966), S. 14–21 sowie zusammenfassend Schmid (1996), S. 7–18.
Für die Überprüfung einer Modellvorstellung eignet sich primär ein quantitatives Instrumentarium. Punch (2005), S. 16, konstatiert hierzu: „Quantitative research has typically been more directed at theory verification, while qualitative research has typically been more concerned with theory generation.“
Bortz/Döring (2006), S. 63, definieren Operationalisierung wie folgt: „Eine operationale Definition standardisiert einen Begriff durch die Angabe der Operationen, die zur Erfassung des durch den Begriff bezeichneten Sachverhaltes notwendig sind oder durch die Angabe von messbaren Ereignissen, die das Vorliegen dieses Sachverhaltes anzeigen (Indikatoren).“
Vgl. hierzu und zum Folgenden ausführlich Kromrey (2002), S. 183–199. Die Begriffe „Item“ und „Indikator“ werden in dieser Arbeit synonym verwendet.
In diesen Fällen wurde der Empfehlung DeVellis (1991), S. 75–76, gefolgt, eigens entwickelte Items zunächst von mehreren Experten einschätzen zu lassen.
Für dieses als „Back Translation durch Bilinguals“ genannte Verfahren sprechen sich Palmer/Barnett (1984), S. 132–133, aus.
Häufig werden in der Literatur auch siebenstufige Skalen angegeben. Eine Studie von Matell/Jacoby (1971), S. 666, ergab jedoch, dass die Güte eines Tests nicht davon beeinflusst wird, ob fünf-oder siebenstufige Skalen verwendet werden. Um die Befragungsteilnehmer mit einem zu ausgeprägten Differenzierungsgrad nicht zu überfordern, wurden einheitlich fünfstufige Skalen für den Fragebogen verwendet. Vgl. dazu auch Bühner (2004), S. 51.
Vgl. Howell/Neufeld/Avolio (2005), S. 273–277. Folgende Ausprägungen der Skala wurden angewendet: „gleicher Ort; gleiches Land; unterschiedlicher Ort; Orte in Nachbarländern; Orte in unterschiedlichen Ländern auf dem gleichen Kontinent; Orte auf unterschiedlichen Kontinenten“.
Vgl. Brockner et al. (1997), S. 563, zu den Items VER1_TRU1 bis VER3_TRU3.
Vgl. Graen/Uhl-Bien (1995), S. 237, zu den Items VER4_LMX1 bis VER10_LMX7.
Vgl. dazu Schyns (2002), S. 245.
Vgl. zu den Items SIM1_IJS bis SIM5_IJS Byrne (1971), S. 426–427. Auf das Item zur Messung von angepasstem/unangepasstem Verhalten wurde mangels themebezogener Relevanz verzichtet.
Vgl. zu den Items KOO1_GEF1 bis KOO11_GEF11 (Selbsteinschätzung des Geführten) sowie KOO12_FUR1 bis KOO22_FUR11 (Einschätzung der Führungsperson durch den Geführten Gudykunst et al. (1996), S. 510–543.
Vgl. zu den Items PDI1 bis PDI4 Carl/Gupta/Javidan (2004), S. 537.
Für die Items STR1 bis STR10 sowie CON1 bis CON10 vgl. Stogdill (1963). Die Items CON9 und CON10 sind hierbei „reverse“ kodiert.
Vgl. zu den Items ANR1 bis ANR9 ausführlich die Explikation der Variable in Abschnitt 3.4.3 sowie Steinle (2005), S. 596.
Vgl. zu den Items MED1 bis MED8 ebenfalls die Variablenexplikation in Abschnitt 3.4.4 dieser Arbeit sowie Rice (1992), Daft/Lengel (1984) sowie Daft/Lengel (1986).
Vgl. zur Explikation der Variable Abschnitt 3.4.5 dieser Arbeit sowie für den MLQ als Basis der FE-Items Bass/Avolio (2000), S. 56.
Vgl. hierzu ausführlich Felfe/Goihl (2002) sowie Felfe (2006).
Vgl. Atteslander (2006), S. 134. Standardisierte Interviews verwenden Fragestellungen, deren Antwortkategorien vorgegeben sind. Geschlossene Fragen zeigen dem Probanden sämtliche Antwortalternativen auf, aus denen eine Auswahl zu treffen ist.
Vgl. hierzu Schwenk (1985), S. 499.
Vgl. auch Arnold/Feldmann (1981), S. 378.
Vgl. für eine ausführliche Diskussion ethischer Fragestellungen bei Online-Erhebungen Dzeyk (2001), S. 13–23.
Vgl. ausführlich die Ausführungen zur Datenerhebung im nachfolgenden Abschnitt. Vgl. dazu auch Welker/Werner/Scholz (2005), S. 80–81. Die Autoren geben weiterhin geringe Kosten zur Durchführung, leichte Realisation mehrerer Sprachversionen sowie Laufzeit-und Fehlerkontrollen als Vorteile von Online-Befragungen an. Als nachteilig betrachten sie u. a. die geringeren Antwortraten. Unterschiede in der Datenqualität zwischen internet-und papierbasierten Befragungen bestehen nach Batinic (2003), S. 143–160, nicht.
Die Teilnehmer wurden auf den Zeitaufwand zum Ausfüllen (ca. 20 Minuten) zu Beginn der Befragung aufmerksam gemacht. Dieser Zeitaufwand liegt in dem Bereich, der als zumutbar für freiwillige Teilnahmen an Online-Befragungen von Bosnjak/Batinic (1999), S. 149–150, angegeben wird.
Schnell/Hill/Esser (1995), S. 383, geben entsprechende Hinweise zur sinnvollen Gestaltung von internetgestützten Befragungen. Bandilla/Bosnjak (2000), S. 19, weisen darauf hin, dass bei der Verwendung von Online-Fragebögen von der Gestaltungslogik eines gedruckten Fragebogens abzuweichen ist.
Vgl. zur Diskussion um Vermeidung von „Item-Nonresponse“ und „Drop-Out“-Raten auch Engel et al. (2004), S. 143.
Vgl. zu den Anforderungen an so genannte „Pretests“ Atteslander (2006), S. 277–281.
Vgl. hierzu und zum Folgenden Schnell/Hill/Esser (1995), S. 294. Die Autoren geben an, dass bei einem Anteil der Zielpopulation von weniger als 1% bis 5% an der Gesamtbevölkerung eine „seltene“ Population vorliegt.
Vgl. hierzu und zum Folgenden Hauptmanns (1999), S. 24–29.
Hauptmanns (1999), S. 22, konstatiert, dass die Ziehung einer echten Zufallsstichprobe im Rahmen von Onlinebefragungen grundsätzlich nicht möglich ist. Welker/Werner/Scholz (2005), S. 39, führen hingegen an, dass eine selbstselektive Auswahl kein ausschließliches Phänomen von Online-Befragungen ist, sondern auch bei „Offline“-Befragungen auftritt.
Vgl. hierzu auch Engel et al. (2004), S. 132–133 sowie Schnell/Hill/Esser (1995), S. 294–297, die für Erhebungssituationen mit unvollständig bekannter Zielpopulation „Screening“-Verfahren zur Auswahl der Befragungsteilnehmer vorschlagen.
Tuten (1997), S. 7–9, gibt an, dass das Interesse am Thema ein wesentlicher Einflussfaktor für die Teilnahme an Online-Studien darstellt.
Bosnjak/Batinic (1999), S. 151–155, stellen fest, dass die Bereitschaft zur Teilnahme an unaufgefordert zugestellten Befragungsaufrufen bei wissenschaftlichen Untersuchungen höher ist als bei kommerziellen Befragungen.
Bosnjak/Batinic (1999), S. 155–156, weisen darauf hin, dass neben dem themenspezifischen Interesse auch die Bereitschaft, einen Beitrag zum wissenschaftlichen Fortschritt zu leisten, ein wesentlicher Grund zur Teilnahme an einer Online-Befragung darstellt.
Vgl. hierzu und zum Folgenden Bortz/Döring (2006), S. 195–202.
Vgl. hierzu Bühner (2004), S. 28–29 sowie zur Durchführungsobjektivität die Ausführungen in Abschnitt 4.3.1 dieser Arbeit.
Vgl. Schnell/Hill/Esser (1995), S. 145 sowie Kromrey (2002), S. 174.
Vgl. Bühner (2004), S. 30–31.
Vgl. Bortz/Döring (2006), S. 200–201. Situationen, in denen kein objektives Außenkriterium bestimmbar ist, sind in der Forschung häufiger vorzufinden, weswegen der Kriteriumsvalidität eine geringe Aussagekraft zugeschrieben wird.
Vgl. Schnell/Hill/Esser (1995), S. 143.
Vgl. Heidenreich (1987), S. 365.
Vgl. Cronbach (1951), S. 297–334.
Vgl. Bortz/Döring (2006), S. 198–199.
Vgl. ausführlicher Bühner (2004), S. 151. Unter einem Faktor ist eine latente Dimension zu verstehen. Latente Variablen bezeichnen abstrakte Inhalte, welche sich einer direkten Beobachtung bzw. Messbarkeit entziehen. Vgl. dazu Backhaus et al. (2006), S. 339.
Vgl. hierzu auch Backhaus et al. (2006), S. 260. Die explorative Faktorenanalyse trägt demnach zum Entdeckungszusammenhang bei.
Vgl. hierzu und zum Folgenden Cronbach (1951), S. 297–334; DeVellis (1991), S. 25–30; Pallant (2005), S. 90; Tabachnick/Fidell (2001), S. 613 sowie Hair et al. (2006), S. 137.
Vgl. hierzu und zum Folgenden Bühner (2004), S. 87–94. Bei sehr niedrigen Item-Trennschärfen sinkt also die Messgenauigkeit einer Skala, sofern das Item in der Skala enthalten bleibt.
Vgl. Bortz/Döring (2006), S. 219. Als Mindestanforderung an die korrigierte Trennschärfe wird von Högl (1998), S. 122, ein Wert von 0,30 empfohlen. Niedrige Trennschärfekoeffizienten ermöglichen auch den Ausschluss des betreffenden Items.
Vgl. Hair et al. (2006), S. 129. Die Ladung eines Items auf einen Faktor bezeichnet den Grad der „Repräsentation“ eines Faktors durch ein Item. Vgl. dazu Bühner (2004), S. 153. In diesem Kontext wird konstatiert, dass Faktorladungen nur dann Berücksichtigung in der Betrachtung finden, wenn sie mehr als 10% gemeinsame Varianz aufweisen. Vgl. dazu Bühner (2004), S. 177.
Vgl. Hair et al. (2006), S. 115. Dieser Test kennzeichnet, dass ausreichende Korrelationen zwischen den Items existieren.
Vgl. Hair et al. (2006), S. 113.
Unter Ergebnisvariable ist die Zusammenfassung der Items zu einem Wert zu verstehen. Dieser Prozess wird Indexbildung genannt. Vgl. dazu Bühl/Zöfel (2005), S. 180–181.
Vgl. zur Hauptkomponentenanalyse ausführlich Borg/Staufenbiel (1997), S. 112–120.
Pallant (2005), S. 182. Der Kaiser-Meyer-Olkin-Wert „… zeigt an, in welchem Umfang die Ausgangsvariablen zusammengehören und dient somit als Indikator dafür, ob eine Faktorenanalyse sinnvoll erscheint oder nicht. [… Sein] Wertebereich liegt zwischen 0 und 1.“ (Backhaus et al. (2006), S. 276). Bei der Verwendung des Kaiser-Kriteriums werden nur diejenigen Komponenten betrachtet, die einen Eigenwert von 1 oder höher aufweisen. Vgl. auch Tabachnick/Fidell (2001), S. 589 sowie S. 633.
Ziel der Hauptkomponentenanalyse ist eine möglichst vollständige Erklärung der Varianz durch die Extraktion von Faktoren. Vgl. ausfuhrlicher Backhaus et al. (2006), S. 291–292.
Vgl. zur Akzeptanz von Werten, die minimal unter empfohlenen Richtwerten liegen, auch Walsh (2002), S. 222.
Pallant (2005), S. 40, empfiehlt, grundsätzlich eine derartige Plausibilitäts-und Konsistenzprüfung durchzuführen.
Backhaus/Blechschmidt/Eisenbeiß (2006), S. 714, empfehlen eine Untersuchung von Datensätzen auf mögliche Gruppenunterschiede.
Mittels eines T-Tests lassen sich zwei unterschiedliche Gruppen gegeneinander vergleichen, indem das Signifikanzniveau der Mittelwertunterschieden zwischen den Teilstichproben berechnet wird. Vgl. Pallant (2005), S. 195–213 sowie Hair et al. (2006), S. 388–390.
Eine Kontrollvariable interessiert in einem Hypothesengerüst nicht direkt und ist somit nicht Teil der postulierten Modellzusammenhänge. Sie beeinflusst die betrachteten Zusammenhänge aber dennoch in einer Art, dass sie kontrolliert werden sollte. Vgl. hierzu Bortz/Döring (2006), S. 544–545. Die Eingangsvermutung, dass es kein deskriptives Item mit signifikantem Einfluss gibt, wurde durch eine dementsprechende Analyse des Datensatzes gestützt.
Vgl. Pallant (2005), S. 50–62. Schiefe gibt als Maß der Symmetrie die Rechts-oder Linksteiligkeit einer Verteilung an. Exzess ist ein Maß für die Schmal-oder Breitgipfligkeit einer Verteilung. Vgl. auch Bühner (2004), S. 72–75. Tabachnick/Fidell (2001), S. 74, weisen darauf hin, dass bei größeren Datensätzen der Einfluss von Schiefe und Exzess auf das Analyseergebnis deutlich reduziert ist und Schiefe gerade im Bereich sozialwissenschaftlicher Konstrukte zum Teil auch theoretisch begründbar ist. Als zusätzlicher Wert zur Einschätzung der Normalverteilung kann auf den Kolmogorov-Smirnov-Wert zurückgegriffen werden, der einen Wert von größer 0,05 annehmen sollte, was jedoch bei großen Datensätzen seltener der Fall und damit weniger kritisch einzustufen ist. Eine Prüfung der Normalverteilung kann ebenfalls durch die Analyse der Q-Q-Diagramme erfolgen, welche den beobachteten Wert ins Verhältnis zum erwarteten Normalwert setzen. Vgl. dazu auch Pallant (2005), S. 57–58.
Vgl. auch Abschnitt 4.4.2.1 dieser Arbeit sowie zur Vorgehensweise Schnell/Hill/Esser (1995), S. 171–172. Durch die einheitliche Verwendung einer fünfstufigen Messskala wird die Anforderung an die Gleichheit des Wertebereiches berücksichtigt.
Vgl. Tabachnick/Fidell (2001), S. 74, welche eine aus derartigem Antwortverhalten geprägte Schiefe als nicht ungewöhnlich einstufen.
Vgl. hierzu Elmes/Kantowitz/Roediger (1998), S. 86. Der Korrelationskoeffizient kann Werte zwischen −1,00 und +1,00 annehmen. Der Wert gibt dabei die Stärke des Zusammenhangs der betrachteten beiden Variablen an, das Vorzeichen gibt Aufschluss über die Richtung der Beziehung. Folgende Interpretationen der Beträge von r sind zu Grunde gelegt: r<0,3: niedrige Korrelation, 0,3≤r<0,5: mittlere Korrelation sowie r≥0,5: hohe Korrelation. Vgl. dazu Pallant (2005), S. 126.In der Literatur existieren ebenfalls noch verfeinerte Abstufungen, wie etwa Bühner (2004), S. 266, sie angibt. Die ebenfalls angegeben Signifikanzmaße werden von einigen Autoren hinsichtlich ihrer Aussagefähigkeit als sehr kritisch eingestuft. Mit zunehmender Größe des Datensatzes (n>100) können auch geringe Korrelationen statistische Signifikanz aufweisen. Vgl. dazu Pallant (2005), S. 127.
Hair et al. (2006), S. 103, definieren Multikollinearität als „Extent to which a variable can be explained by the other variables in the analysis.“
Vgl. hierzu und zum Folgenden Backhaus et al. (2006), S. 89–91. Die Autoren weisen zudem darauf hin, dass Multikollinearität bis zu einem gewissen Grad nicht ungewöhnlich ist und nicht zwangsläufig problematisch sein muss.
Vgl. etwa Pallant (2005), S. 150 oder Hair et al. (2006), S. 230.
Vgl. hierzu und zum Folgenden grundlegend Hair et al. (2006), S. 176.
Vgl. hierzu Backhaus et al. (2006), S. 47.
Vgl. Hair et al. (2006), S. 196–197. Bühner (2004), S. 209, erachtet bereits ein Verhältnis von 10:1 als angemessen.
Vgl. hierzu und zum Folgenden Backhaus et al. (2006), S. 54–57 sowie Tabachnick/Fidell (2001), S. 54–55.
Vgl. dazu etwa Hair et al. (2006), S. 170 sowie Punch (2005), S. 121. Der Wertebereich der standardisierten Regressionskoeffizienten liegt zwischen −1 und +1.
Vgl. Backhaus et al. (2006), S. 56–58, sowie für nachfolgende Erläuterungen ebenfalls S. 77–93. Auf Basis der Residuen ergeben sich weitere Prämissen einer Regressionsanalyse: So müssen die Residuen die Merkmale der Normalverteilung, Linearität und Homoskedastizität (konstante Streuung der Residuen über die prognostizierte abhängige Variable) aufweisen. Diese Prämissen sind im Rahmen der durchgeführten Regressionsanalysen jeweils über eine visuelle Prüfung der von SPSS erzeugten Residualstreudiagramme (hier wird eine möglichst rechteckige Verteilung erwartet) und der P-P-Diagramme (diese geben das Verhältnis zwischen beobachtetem und erwarteten Wert an und sollten idealerweise auf der Winkelhalbierenden liegen) überprüft worden. Vgl. zur Vorgehensweise auch Pallant (2005), S. 143–151.
Vgl. Backhaus et al. (2006), S. 63–68. Das Bestimmtheitsmaß ist auf einen Wertebereich zwischen 0 und 1 normiert. Für R2=1 gilt, dass eine Regressionsfunktion die gesamte Streuung erklärt.
Backhaus et al. (2006), S. 67.
Vgl. auch Pallant (2005), S. 153–157.
Vgl. Backhaus et al. (2006), S. 97.
Vgl. Berekoven/Eckert/Ellenrieder (1999), S. 208, sowie Backhaus et al. (2006), S. 68–73. Die Prüfung der Signifikanz erfolgt über die Formulierung der Nullhypothese, dass alle Regressionskoeffizienten den Wert Null annehmen. Je nach spezifizierter Irrtumswahrscheinlichkeit wird bei Überschreiten eines in F-Tabellen ablesbaren F-Wertes die Nullhypothese verworfen und damit der postulierte Zusammenhang zwischen Regressoren und Regressand als signifikant eingestuft. Vgl. dazu auch Bortz/Döring (2006), S. 494–496. Die Signifikanz des F-Wertes wird in SPSS jedoch unmittelbar errechnet, so dass ein Ablesen von Tabellenwerten nicht mehr notwendig ist.
Vgl. Baron/Kenny (1986), S. 1176.
Vgl. dazu grundlegend Baron/Kenny (1986), S. 1176; Hair et al. (2006), S. 866–869; Frazier/Tix/Barron (2004), S. 125–130 sowie Preacher/Hayes (2004), S. 718. Vgl. für analoge Vorgehensweisen Edmondson (1999), S. 367; Bruch (2003), S. 221–227 sowie Vogel (2003), S. 196–202.
Vgl. Hair et al. (2006), S. 209–212, welche diese Methode als die populärste Vorgehensweise deklarieren.
Vgl. zur grundsätzlichen Einschränkung multipler Regressionsanalysen gegenüber Strukturgleichungsmodellen Schumacker/Lomax (2004), S. 7; Hair et al. (2006), S. 705–706 sowie Hoyle (1995), S. 3 und S. 15. Somit erfolgte bisher lediglich eine Untersuchung von Ausschnitten des entwickelten Distance Leadership-Modells.
Vgl. Byrne (2001), S. 3–4 sowie Kline (2005), S. 11–12.
Vgl. Backhaus et al. (2006), S. 340–342 sowie Hair et al. (2006), S. 843.
Vgl. Hair et al. (2006), S. 711; Schumacker/Lomax (2004), S. 2 und S. 7.
Für eine Übersicht verfügbarer Computerprogramme zur Durchführung von Strukturgleichungsanalysen vgl. Schumacker/Lomax (2004), S. 8–10 sowie Kline (2005), S. 6–8. Im Rahmen dieser Untersuchung wurde das Programm AMOS 5.0 angewandt.
Vgl. zu den Potenzialen von Strukturgleichungsanalysen in der Führungsforschung Antonakis et al. (2004), S. 66–68 sowie exemplarisch zur Anwendung Bruch (2003), S. 227–238, Vogel (2003), S. 204–213; Politis (2001), S. 359–361; Piccolo/Colquitt (2006), S. 327–338 sowie auch Shook et al. (2004), S. 397–404.
Vgl. hierzu und zum Folgenden etwa Byrne (2001), S. 12–13.
Vgl. auch Backhaus et al. (2006), S. 339–342.
Vgl. hierzu ausführlich Hair et al. (2006), S. 740–742.
Vgl. Bühner (2004), S. 200–201 sowie Hair et al. (2006), S. 741. Die „Maximum Likelihood Estimation“-Methode ist bereits ab einer Stichprobengröße von n>50 einsetzbar. Sie beschreibt „… die Wahrscheinlichkeit der beobachteten Testdaten unter der Bedingung des angenommenen Testmodells als Funktion der Modellparameter.“ (Rost (1996), S. 294).
Vgl. zu einer ähnlichen Zielformulierung Vogel (2003), S. 206.
Vgl. Hair et al. (2006), S. 770 und S. 774. Auch im Rahmen von CFAs kann die „Maximum Likelihood Estimation“-Methode angewendet werden. Vgl. etwa Walsh/Dinnie/Wiedmann (2006), S. 415.
Byrne (2001), S. 6, führt dazu aus: „In contrast to EFA [Explorative Faktorenanalyse; Anm. d. Verf.], confirmatory factor analysis (CFA) is appropriately used when the researcher has some knowledge about the underlying latent variable structure.“
Vgl. hierzu und zum Folgenden anschaulich Bühner (2004), S. 200 sowie Schumacker/Lomax (2004), S. 171–181 und S. 200–205.
Unter einem freien Parameter ist ein Parameter zu verstehen, dessen Wert nicht bekannt ist und damit aus den empirischen Daten geschätzt werden muss. Vgl. dazu Backhaus et al. (2006), S. 365–367.
Vgl. auch Hoyle (1995), S. 5–6.
Vgl. Hoyle (1995), S. 6.
Vgl. Kline (2005), S. 133–134. Es lassen sich absolute und inkrementale Fit-Indizes differenzieren. Erstere geben die Anpassung des Modells an die vorliegenden Daten an, letztere zeigen, wie gut sich das Modell im Vergleich zu einem restriktiveren Modell, wie etwa einem „Null-Modell“ (ein Modell ohne Korrelationen zwischen den beobachteten Variablen) an die empirischen Daten anpasst. Weiterhin lassen sich so genannte „Goodness-of-Fit“-und „Badness-of-Fit“-Indizes unterscheiden. Vgl. dazu Hair et al. (2006), S. 746–749.
Vgl. Bühner (2004), S. 204. Als Folge kann eine fehlerbehaftete Einschätzung der Fit-Indizes zu einer ungerechtfertigten Annahme oder Ablehnung eines Modells führen. Vgl. Bühner (2004), S. 203.
Vgl. für eine Zusammenfassung der Diskussion etwa Hair et al. (2006), S. 745–754. Ein stets richtiger Grenzwert scheint nicht zu existieren. Vielmehr ist die Angemessenheit des Grenzwertes vor dem Hintergrund der Rahmenbedingungen, wie etwa Stichprobengröße oder Anzahl der beobachteten Variablen zu überprüfen, wobei stets ein gewisser Spielraum eingeräumt wird. Vgl. etwa Hu/Bentler (1995), S. 97–99.
Zu vermeiden ist eine willkürliche Auswahl derjenigen Indizes, die im Rahmen der Untersuchung „zufallig“ die besten passenden Werte aufweisen. Vgl. Hair et al. (2006), S. 752.
Vgl. hierzu und zur folgenden Darstellung der Fit-Indizes Kline (2005), S. 134; Hair et al. (2006), S. 753; Bühner (2004), S. 204–206.
Freiheitsgrade ergeben sich im Rahmen von Strukturgleichungsmodellen aus der Anzahl der nicht redundanten Kovarianzen oder Korrelationen der Eingabematrix abzüglich der Anzahl geschätzter Parameter. Vgl. hierzu und zum Folgenden Hair et al. (2006), S. 707 sowie S. 745–746.
Vgl. Backhaus et al. (2006), S. 379.
Vgl. Hair et al. (2006), S. 749 sowie Bühner (2004), S. 205.
Vgl. etwa Tabachnick/Fidell (2001), S. 699 sowie Bühner (2004), S. 205. Zum Teil werden in anderen Quellen bereits Werte ab 0,90 akzeptiert. Vgl. Hu/Bentler (1995), S. 95.
Vgl. Homburg/Klarmann (2006), S. 733, die den RMSEA insbesondere zur Überprüfung der Teststärke der Stichprobengröße empfehlen. Vgl. auch Hair et al. (2006), S. 748 sowie Browne/Cudeck (1993), S. 137–138.
Vgl. Hair et al. (2006), S. 748.
Vgl. Bühner (2004), S. 205; Hair et al. (2006), S. 753; Tabachnick/Fidell (2001), S. 699–700 sowie Byrne (2001), S. 85. Einige Autoren (vgl. etwa Backhaus et al. (2006), S. 382) empfehlen ebenfalls die Angabe der Signifikanz. Dies ist in der Literatur jedoch unheitlich gehandhabt und wird somit im Rahmen dieser Arbeit nicht ausgewertet.
Vgl. Hair et al. (2006), S. 747–748 sowie Kline (2005), S. 141.
Vgl. Hair et al. (2006), S. 753. Andere Autoren diskutieren weniger strenge Werte. Vgl. etwa Bühner (2004), S. 205, der einen Grenzwert von ≤0,11 empfiehlt oder Kline (2005), S. 141, welcher einen SRMR≤0,10 als angemessen ansieht.
Vgl. Bagozzi (1981), S. 380.
Vgl. zu einer ähnlichen Vorgehensweise Politis (2001), S. 358, welcher sich auf Empfehlungen von Joreskog/Sorborm (1989), Holmes-Smith (1999) sowie Sommer/Bae/Luthans (1995) bezieht. Durch diese Vorgehensweise liegt jedem latenten Konstrukt nur noch eine Messskala sowie ein Residualwert zu Grunde, so dass die Anzahl der freien Parameter im Modell deutlich reduziert ist.
Eine ähnliche Vorgehensweise wählen Bruch (2003), S. 214 und S. 227–238 sowie Vogel (2003), S. 189 und S. 206–214.
Vgl. Hu/Bentler (1995), S. 95.
Vgl. hierzu und zum Folgenden Backhaus et al. (2006), S. 405–406.
Unabhängige Variablen werden durch ein ξ (Xi), abhängige Variablen durch ein η (Eta) gekennzeichnet. Regressionskoeffizienten zwischen einer unabhängigen und einer abhängigen Variable werden mit einem γ (Gamma) zum Ausdruck gebracht, während Regressionskoeffizienten zwischen zwei abhängigen Variablen mit einem β (Beta) angegeben werden. Die Residualvariablen sind durch ein ζ (Zeta) gekennzeichnet. Vgl. dazu etwa Hair et al. (2006), S. 766.
Vgl. Hair et al. (2006), S. 868–869 sowie Kline (2005), S. 128–131.
Dieser Wert kann der Squared Multiple Correlations Tabelle aus dem AMOS-Analyseergebnis entnommen werden. Vgl. dazu Backhaus et al. (2006), S. 405–406.
Rights and permissions
Copyright information
© 2007 Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
(2007). Quantitative Untersuchung des Distance Leadership-Modells: Einzelhypothesen- und Gesamtmodellprüfung. In: Distance Leadership. DUV. https://doi.org/10.1007/978-3-8350-5421-9_4
Download citation
DOI: https://doi.org/10.1007/978-3-8350-5421-9_4
Publisher Name: DUV
Print ISBN: 978-3-8350-0821-2
Online ISBN: 978-3-8350-5421-9
eBook Packages: Business and Economics (German Language)