Skip to main content
SpringerLink
Log in

Zentrale Anwendungsprobleme der Kausalanalyse

  • Chapter
  • First Online:
Strukturgleichungsmodellierung

Part of the book series: Springer-Lehrbuch ((SLB))

  • 22k Accesses

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.

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 29.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 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. 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.

    Google Scholar 

  • Armstrong, J. S., & Overton, T. S. (1977). Estimating nonresponse bias in mail surveys. Journal of Marketing Research, 14, 396–402.

    Article  Google Scholar 

  • Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2011). Multivariate Analysemethoden (13. Aufl.). Berlin: Springer.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Belsley, D. A. (1991). A guide to using the collinearity diagnostics. Computational Economics, 4, 33–50.

    Google Scholar 

  • Bentler, P. M., & Chou, C. P. (1987). Practical issues in structural modeling. Sociological Methods and Research, 16, 78–117.

    Article  Google Scholar 

  • Berry, W. D., & Feldman, S. (1985). Multiple regression in practice. Beverly Hills: Sage.

    Google Scholar 

  • Bortz, J., & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Aufl.). Berlin: Springer.

    Google Scholar 

  • 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.

    Google Scholar 

  • Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences. Mahwah: Lawrence Erlbaum Associates.

    Google Scholar 

  • DeSarbo, W. S., & Cron, W. L. (1988). A maximum likelihood methodology for clusterwise linear regression. Journal of Classification, 5, 249–282.

    Article  Google Scholar 

  • DeSarbo, W. S., Jedidi, K., & Sinha, I. (2001). Customer value analysis in a heterogeneous market. Strategic Management Journal, 22, 845–857.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Diamantopoulos, A., & Riefler, P. (2008). Formative Indikatoren: Einige Anmerkungen zu ihrer Art, Validität und Multikollinearität. Zeitschrift für Betriebswirtschaft, 78, 1184–1196.

    Article  Google Scholar 

  • Doty, D. H., & Glick, W. H. (1998). Common methods bias: Does common methods variance really bias results? Organizational Research Methods, 1, 374–406.

    Article  Google Scholar 

  • Farrar, D. E., & Glauber, R. R. (1967). Multicollinearity in regression analysis: The problem revised. Review of Economics and Statistics, 49, 92–107.

    Article  Google Scholar 

  • Füller, J. (2006). Why consumers engange in virtual new product developments initiated by producers. Advances in consumer research, 33, 639–646.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Grömping, U. (2006). Relative importance for linear regression in R: The package relaimpo. Journal of Statistical Software, 17(1).

    Google Scholar 

  • Grömping, U. (2009). Variable importance assessment in regression: Linear regression versus random forest. The American Statistician, 63, 308–319.

    Article  Google Scholar 

  • Gunst, R. F. (1983). Regression analysis with multicollinear predictor variables: Definition, detection, and effects. Communications in Statistics – Theory and Methods, 12, 2217–2260.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (2010). Multivariate data analysis (7. Aufl.). New Jersey: Prentice Hall.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Homburg, C., & Klarmann, M. (2006). Die Kausalanalyse in der empirischen betriebswirtschaftlichen Forschung – Problemfelder und Anwendungsempfehlungen, Arbeitspapier. Mannheim.

    Google Scholar 

  • Homburg, C., & Klarmann, M. (2009). Multi Informant-Designs in der empirischen betriebswirtschaftlichen Forschung. Die Betriebswirtschaft, 69, 147–171.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Homburg, C., Schilke, O., & Reimann, M. (2009). Triangulation von Umfragedaten in der Marketing - und Managementforschung. Die Betriebswirtschaft, 69, 173–193.

    Google Scholar 

  • Hopwood, C. J. (2007). Moderation and mediation in structural equation modeling. Journal of Early Intervention, 29, 262–272.

    Article  Google Scholar 

  • Huber, F., Heitmann, M., & Herrmann, A. (2006). Ansätze zur Kausalmodellierung mit Interaktionseffekten. Die Betriebswirtschaft, 66(6), 696–710.

    Google Scholar 

  • Jedidi, K., Jagpal, H. S., & De Sarbo, W. S. (1997). STEMM: A general finite mixture structural equation model. Journal of Classification, 14, 23–50.

    Article  Google Scholar 

  • Johnson, J. W. (2000). A heuristic method for estimating the relative weight of predictor variables in multiple regression. Multivariate Behavioral Research, 35, 1–19.

    Article  Google Scholar 

  • Johnson, J., & LeBreton, J. M. (2004). History and use of relative importance indices in organizational research. Organizational Research Methods, 7, 238–257.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Kruskal, W. (1987). Relative importance by averaging over orderings. The American Statistician, 41, 6–10.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Leisch, F. (2004). FlexMix: A general framework for finite mixture models and latent class regression in R. Journal of Statistical Software, 11.

    Google Scholar 

  • Lindell, M. K., & Whitney, D. J. (2001). Accounting for common method variance in cross-sectional research designs. Journal of Applied Psychology, 86, 114–121.

    Article  Google Scholar 

  • Lipovetsky, S., & Conklin, M. (2001). Analysis of regression in game theory approach. Applied Stochastic Models in Business and Industry, 17, 319–330.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Malthouse, E. C. (1999). Ridge regression and direct marketing scoring models. Journal of Interactive Marketing, 13, 10–23.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Podsakoff, P. M., & Organ, D. W. (1986). Self-reports in organizational research: Problems and prospects. Journal of Management, 12, 69–82.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Sauer, P. L., & Dick, A. (1993). Using moderator variables in structural equation models. Advances in Consumer Research, 20, 636–640

    Google Scholar 

  • 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.

    Google Scholar 

  • Schnell, R., Hill, P. B., & Esser, E. (2011). Methoden der empirischen Sozialforschung (9. Aufl.). München: Oldenbourg Verlag.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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).

    Google Scholar 

  • Sharma, S., Durand, R. M., & Gur-Arie, O. (1981). Identification and analysis of moderator variables. Journal of Marketing Research, 18, 291–300.

    Article  Google Scholar 

  • Spector, P. E. (2006). Method variance in organizational research. Organizational Research Methods, 9, 221–232.

    Article  Google Scholar 

  • Steenkamp, J.-B., De Jong, M. G., & Baumgartner, H. (2010). Socially desirable response tendencies in survey research. Journal of Marketing Research, 47, 199–214.

    Article  Google Scholar 

  • Stein, P. (2000). Modelle zur Aufdeckung unbeobachteter Heterogenität bei der Erklärung von Lebenszufriedenheit. Zeitschrift für Soziologie, 29(2), 138–159.

    Google Scholar 

  • Temme, D., Paulssen, M., & Hildebrandt, L. (2009). Common method variance. Die Betriebswirtschaft, 69, 123–146.

    Google Scholar 

  • von Auer, L. (2011). Ökonometrie (5. Aufl.). Berlin.

    Google Scholar 

  • Wedel, M. (1990). Clusterwise regression and market segmentation. Developments and applications, Doctoral thesis. Wageningen.

    Google Scholar 

  • Weiber, R., Hörstrup, R., & Mühlhaus, D. (2011). Akzeptanz anbieterseitiger Integration in die Alltagsprozesse der Konsumenten: Erste empirische Ergebnisse. ZfB, 81(5), 111–145.

    Google Scholar 

  • 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.

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Professur für Marketing Innovation und E-Business, Universität Trier, Trier, Deutschland

    Prof. Dr. Rolf Weiber & Dr. Daniel Mühlhaus

Authors
  1. Prof. Dr. Rolf Weiber
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Dr. Daniel Mühlhaus
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Rolf Weiber .

Rights and permissions

Reprints 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)

Publish with us

Policies and ethics

Search

Navigation