Zusammenfassung
Bei der praktischen Durchführung von Kausalanalysen treten häufig A n wendungsprobleme auf, die im Wesentlichen auf den Prozess der Datengenerierung zurückzuführen sind und im Ergebnis vor allem zu verzerrten Schätzergebnissen und Beeinträchtigungen in den Aussagen der Schätzergebnisse führen. In Kap . 17 werden deshalb Ansätze aufgezeigt, mit deren Hilfe diese Problemfelder zum einen analysiert und zum anderen auch (weitgehend) neutralisiert oder zumindest relativiert werden können. Konkret werden folgende Problemkreise diskutiert, die bei praktischen Anwendungen besonders häufig relevant sind:
-
Existenz von Varianzanteilen, die nicht durch kausale Wirkbeziehungen erklärt werden können, sondern aus dem Einsatz der Erhebungsmethodik resultieren (sog. Common Method Variance) und damit zu Ergebnisverzerrungen (Common Method Bias) führen können.
-
Problem der Korrelation zwischen den unabhängigen Variablen (Prädikatoren) (sog. Multikollinearität), wodurch die gemessene Stärke kausaler Wirkbeziehungen verzerrt und die Annahme der Linearität nicht erfüllt ist.
-
Heterogenität der Erhebungsdaten, wodurch die geschätzten Wirkbeziehungen nur bedingte Gültigkeit für z. B. alle in einer Erhebung befragten Probanden besitzen.
-
Wirksamkeit von Interaktions- und Moderatoreffekten, die dazu führen, dass die Stärke der geschätzten Wirkbeziehungn in Abhängigkeit der Moderatoren variiert.
-
Prüfung, ob die Parameterschätzungen robust sind und damit eine hinreichende Stabilität für verallgemeinerbare Aussagen aufweisen.
-
Prüfung der Repräsentativität der Erhebungsdaten, die für die Verallgemeinerbarkeit der Schätzergebnisse unerlässlich ist.
Aufgrund ihrer besonderen Bedeutung werden in diesem Kapitel die Probleme der Common Method Variance und der Multikollinearität einer detaillerten Betrachtung unterzogen und hierzu auch zentrale Lösungsansätze zur Beherrschung dieser Problemfelder aufgezeigt. Demgegenüber werden die Problemkreise (3) bis (6) in Kap. 17.3 nur in ihrem Kern dargestellt, und es wird vor allem auf Lösungsvarianten in der Literatur hingewiesen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Zur Analyse mit SPSS müssen folgende Optionen in den Menüs der Faktorenanalyse gewählt werden: Extraktion → Methode „Hauptkomponenten“ → zu extrahierende Faktoren „hier muss die Anzahl an Variablen eingetragen werden“; Rotation → Varimax; Werte → als Variablen speichern; Methode: Regression.
- 2.
Die hier beschriebene Vorgehensweise weicht von der als Hauptkomponenten-Regression z. B. bei Schneider (2007, S. 194) dargestellten Methode ab. Um die in diesem Rahmen oft angeführten Interpretationsschwierigkeiten zu vermeiden, sollte – wie vorab dargestellt – eine orthogonale Rotation angewendet werden, die in einer Einfachstruktur im Sinne einer eindeutigen Faktor-Variablen Zuordnung mündet.
Literatur
Albers, S., & Hildebrandt, L. (2006). Methodische Probleme bei der Erfolgsfaktorenforschung – Messfehler, formative versus reflektive Indikatoren und die Wahl des Strukturgleichungs-Modells. zfbf, 58(1), 2–33.
Armstrong, J. S., & Overton, T. S. (1977). Estimating nonresponse bias in mail surveys. Journal of Marketing Research, 14, 396–402.
Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2011). Multivariate Analysemethoden (13. Aufl.). Berlin: Springer.
Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51, 1173–1182.
Belsley, D. A. (1991). A guide to using the collinearity diagnostics. Computational Economics, 4, 33–50.
Bentler, P. M., & Chou, C. P. (1987). Practical issues in structural modeling. Sociological Methods and Research, 16, 78–117.
Berry, W. D., & Feldman, S. (1985). Multiple regression in practice. Beverly Hills: Sage.
Bortz, J., & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Aufl.). Berlin: Springer.
Chin, W. W., Marcolin, B. L., & Newsted, P. R. (1996). A partial least squares latent variable modeling approach for measuring interaction effects, Proceedings of the 17th International Conference on Information Systems. Cleveland.
Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences. Mahwah: Lawrence Erlbaum Associates.
DeSarbo, W. S., & Cron, W. L. (1988). A maximum likelihood methodology for clusterwise linear regression. Journal of Classification, 5, 249–282.
DeSarbo, W. S., Jedidi, K., & Sinha, I. (2001). Customer value analysis in a heterogeneous market. Strategic Management Journal, 22, 845–857.
Diamantopoulos, A., & Siguaw, J. A. (2006). Formative versus reflective indicators in organizational measure development: A comparison and empirical Illustration. British Journal of Management, 17, 263–282.
Diamantopoulos, A., & Riefler, P. (2008). Formative Indikatoren: Einige Anmerkungen zu ihrer Art, Validität und Multikollinearität. Zeitschrift für Betriebswirtschaft, 78, 1184–1196.
Doty, D. H., & Glick, W. H. (1998). Common methods bias: Does common methods variance really bias results? Organizational Research Methods, 1, 374–406.
Farrar, D. E., & Glauber, R. R. (1967). Multicollinearity in regression analysis: The problem revised. Review of Economics and Statistics, 49, 92–107.
Füller, J. (2006). Why consumers engange in virtual new product developments initiated by producers. Advances in consumer research, 33, 639–646.
Gorsuch, R. L. (2003). Factor analysis. In I. B. Weiner, J. A. Schinka, & W. F. Velicer (Hrsg.), Research methods in psychology (Bd. 2, S. 143–164). New Jersey.
Grewal, R., Cote, J. A., & Baumgartner, H. (2004). Multicollinearity and measurement error in structural equation models: Implications for theory testing. Marketing Science, 23, 519–529.
Grömping, U. (2006). Relative importance for linear regression in R: The package relaimpo. Journal of Statistical Software, 17(1).
Grömping, U. (2009). Variable importance assessment in regression: Linear regression versus random forest. The American Statistician, 63, 308–319.
Gunst, R. F. (1983). Regression analysis with multicollinear predictor variables: Definition, detection, and effects. Communications in Statistics – Theory and Methods, 12, 2217–2260.
Hahn, C., Johnson, M. D., Herrmann, A., & Huber, F. (2002). Capturing customer heterogeneity using a finite mixture PLS approach. Schmalenbach Business Review, 54, 243–269.
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (2010). Multivariate data analysis (7. Aufl.). New Jersey: Prentice Hall.
Harrison, D. A., McLaughlin, M. E., & Coalter, T. M. (1996). Context, cognition and common method variance: Psychometric and verbal protocol evidence. Organizational Behavior and Human Decision Processes, 68, 246–261.
Homburg, C., & Klarmann, M. (2006). Die Kausalanalyse in der empirischen betriebswirtschaftlichen Forschung – Problemfelder und Anwendungsempfehlungen, Arbeitspapier. Mannheim.
Homburg, C., & Klarmann, M. (2009). Multi Informant-Designs in der empirischen betriebswirtschaftlichen Forschung. Die Betriebswirtschaft, 69, 147–171.
Homburg, C., Grozdanovic, M., & Klarmann, M. (2007). Responsiveness to customers and competitors: The role of affective and cognitive organizational systems. Journal of Marketing, 71, 18–38.
Homburg, C., Schilke, O., & Reimann, M. (2009). Triangulation von Umfragedaten in der Marketing - und Managementforschung. Die Betriebswirtschaft, 69, 173–193.
Hopwood, C. J. (2007). Moderation and mediation in structural equation modeling. Journal of Early Intervention, 29, 262–272.
Huber, F., Heitmann, M., & Herrmann, A. (2006). Ansätze zur Kausalmodellierung mit Interaktionseffekten. Die Betriebswirtschaft, 66(6), 696–710.
Jedidi, K., Jagpal, H. S., & De Sarbo, W. S. (1997). STEMM: A general finite mixture structural equation model. Journal of Classification, 14, 23–50.
Johnson, J. W. (2000). A heuristic method for estimating the relative weight of predictor variables in multiple regression. Multivariate Behavioral Research, 35, 1–19.
Johnson, J., & LeBreton, J. M. (2004). History and use of relative importance indices in organizational research. Organizational Research Methods, 7, 238–257.
Kline, T. J. B., Sulsky, L. M., & Rever-Moriyama, S. D. (2000). Common method variance and specification errors: A practical approach to detection. The Journal of Psychology, 134, 401–421.
Kruskal, W. (1987). Relative importance by averaging over orderings. The American Statistician, 41, 6–10.
Lahaut, V., Janse, H., van de Mheen, D., Garrretsen, H., Verdurmen, J., & van Dijk, A. (2003). Response bias in a survey on alcohol consumption. Alcohol & Alcoholism, 38, 128–134.
Larroque, B., Kaminski, M., Bouvier-Colle, M.-H., & Hollebecque, V. (1999). Participation in a mail survey: Role of repeated mailings and characteristics of nonrespondents among recent mothers. Paediatric and Perinatal Epidemiology, 13, 218–233.
Leisch, F. (2004). FlexMix: A general framework for finite mixture models and latent class regression in R. Journal of Statistical Software, 11.
Lindell, M. K., & Whitney, D. J. (2001). Accounting for common method variance in cross-sectional research designs. Journal of Applied Psychology, 86, 114–121.
Lipovetsky, S., & Conklin, M. (2001). Analysis of regression in game theory approach. Applied Stochastic Models in Business and Industry, 17, 319–330.
Mahajan, V., Jain, A. K., & Bergier, M. (1977). Parameter estimation in marketing models in the presence of multicollinearity: An application of ridge regression. Journal of Marketing Research, 14, 586–591.
Malhotra, N. K., Kim, S. S., & Patil, A. (2006). Common method variance in IS research: A comparison of alternative approaches and a reanalysis of past research. Management Science, 52, 1865–1883.
Malthouse, E. C. (1999). Ridge regression and direct marketing scoring models. Journal of Interactive Marketing, 13, 10–23.
Marsh, H. W., Hau, K. T., & Wen, Z. (2004). In search of golden rules: Comment on hypothesis testing approaches to setting cutoff values for fit indexes and dangers in over-generalizing Hu & Bentler’s (1999) findings. Structural Equation Modeling, 11, 320–341.
Meade, A. W., Watson, A. M., & Kroustalis, C. M. (2007). Assessing common methods bias in organizational research, Paper presented at the 22nd Annual Meeting of the Society for Industrial and Organizational Psychology. New York.
Podsakoff, P. M., & Organ, D. W. (1986). Self-reports in organizational research: Problems and prospects. Journal of Management, 12, 69–82.
Podsakoff, P. M., MacKenzie, S. B., Podsakoff, N. P., & Lee, J.-Y. (2003). Common method biasin behavioral research. Journal of Applied Psychology, 88, 879–903.
Sarstedt, M., Becker, J.-M., Ringle, C. M., & Schwaiger, M. (2011). Uncovering and treating unobserved heterogeneity with FIMIX-PLS: Which model selection criterion provides an appropriate number of segments? Schmalenbach Business Review, 63, 34–62.
Sauer, P. L., & Dick, A. (1993). Using moderator variables in structural equation models. Advances in Consumer Research, 20, 636–640
Schneider, H. (2007). Nachweis und Behandlung von Multikollinearität. In S. Albers, D. Klapper, U. Konradt, A. Walter, & J. Wolf (Hrsg.), Methodik der empirischen Forschung (2. Aufl., S. 183–198). Wiesbaden.
Schnell, R., Hill, P. B., & Esser, E. (2011). Methoden der empirischen Sozialforschung (9. Aufl.). München: Oldenbourg Verlag.
Scholderer, J., Balderjahn, I., & Paulssen, M. (2006). Kausalität, Linearität, Reliabilität: Drei Dinge, die Sie nie über Strukturgleichungsmodelle wissen wollten. Die Betriebswirtschaft, 66(6), 640–650.
Schröder, S., & Tien, M. (2007). Jenseits des geraden Wegs – Über den Sinn nicht-linearer Treiberanalysen. In W. J. Koschnick (Hrsg.), Focus Jahrbuch (S. 493–514).
Sharma, S., Durand, R. M., & Gur-Arie, O. (1981). Identification and analysis of moderator variables. Journal of Marketing Research, 18, 291–300.
Spector, P. E. (2006). Method variance in organizational research. Organizational Research Methods, 9, 221–232.
Steenkamp, J.-B., De Jong, M. G., & Baumgartner, H. (2010). Socially desirable response tendencies in survey research. Journal of Marketing Research, 47, 199–214.
Stein, P. (2000). Modelle zur Aufdeckung unbeobachteter Heterogenität bei der Erklärung von Lebenszufriedenheit. Zeitschrift für Soziologie, 29(2), 138–159.
Temme, D., Paulssen, M., & Hildebrandt, L. (2009). Common method variance. Die Betriebswirtschaft, 69, 123–146.
von Auer, L. (2011). Ökonometrie (5. Aufl.). Berlin.
Wedel, M. (1990). Clusterwise regression and market segmentation. Developments and applications, Doctoral thesis. Wageningen.
Weiber, R., Hörstrup, R., & Mühlhaus, D. (2011). Akzeptanz anbieterseitiger Integration in die Alltagsprozesse der Konsumenten: Erste empirische Ergebnisse. ZfB, 81(5), 111–145.
Williams, L. J., Cote, J. A., & Buckley, M. R. (1989). Lack of method variance in self-reported affect and perceptions at work: Reality or artifact? Journal of Applied Psychology, 74, 462–468.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2014 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Weiber, R., Mühlhaus, D. (2014). Zentrale Anwendungsprobleme der Kausalanalyse. In: Strukturgleichungsmodellierung. Springer-Lehrbuch. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-35012-2_17
Download citation
DOI: https://doi.org/10.1007/978-3-642-35012-2_17
Published:
Publisher Name: Springer Gabler, Berlin, Heidelberg
Print ISBN: 978-3-642-35011-5
Online ISBN: 978-3-642-35012-2
eBook Packages: Business and Economics (German Language)