Zusammenfassung
Für die Überprüfung des in Kapitel 2 entwickelten Untersuchungsmodells wurde die Methode der Online-Befragung gewählt. Diese Methode wurde gewählt, da für die Überprüfung des Untersuchungsmodells nicht auf bestehende Daten zurückgegriffen werden konnte. Eine Primärdatenerhebung war daher erforderlich.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Primärdaten sind Daten, die speziell für die Fragestellung der zu Grunde liegenden Studie erhoben werden. Primärdaten weisen im Vergleich zu bereits existierenden Daten (Sekundärdaten) eine zumeist deutlich höhere Aussagekraft hinsichtlich der zu beantwortenden Fragestellung auf. Gängige Verfahren zur Gewinnung von Primärdaten sind Befragungen und Beobachtungen, vgl. Homburg (2017), S. 67 ff.
- 2.
Vgl. z. B. Kuß/Wildner/Kreis (2018), S. 119.
- 3.
Vgl. Dierks (2017), S. 205; Meffert et al. (2019), S. 195.
- 4.
Vgl. Kuß/Wildner/Kreis (2018), S. 315 ff.; Podsakoff et al. (2003), S. 881. Soziale Erwünschtheit bezeichnet das Phänomen, dass Individuen die Tendenz haben, sich selbst in ein gutes, sozial erwünschtes Licht zu rücken. Bei Befragungen besteht dadurch die Gefahr, dass Teilnehmer eher vermeintlich erwünschte Antworten geben, um soziale Ablehnung durch den Durchführenden zu vermeiden, vgl. Podsakoff et al. (2003), S. 881 f.
- 5.
Vgl. z. B. Geuens/De Pelsmacker (2017), S. 88 ff.; Homburg (2017), S. 79 ff.; Kuß/Wildner/Kreis (2018), S. 82 ff. Der Fragebogen ist in Anhang B im elektronischen Zusatzmaterial dargestellt.
- 6.
Vgl. Podsakoff et al. (2003), S. 888. Laut Podsakoff et al. ist die Zusicherung und Wahrung der Anonymität der Befragungsteilnehmer eine der wichtigsten Maßnahmen zur Reduktion des „Common Method Bias“. Durch den Common Method Bias entsteht Varianz, die eher der Messmethode zuzuschreiben ist als den Konstrukten, die die Messungen repräsentieren sollen, vgl. Podsakoff et al. (2003), S. 879.
- 7.
Vgl. z. B. Geuens/De Pelsmacker (2017), S. 88 ff.; Homburg (2017), S. 82 f. Geuens/De Pelsmacker empfehlen, den Fragebogen mit einem Einleitungstext zu beginnen. Es folgen die abhängigen und unabhängigen Variablen sowie die Mediator-/Moderatorvariablen. Einfach zu beantwortende Kontrollvariablen sollten gegen Ende des Fragebogens behandelt werden, da diese weniger Konzentration vom Befragten erfordern. Sensible demographische Daten der Befragten sollten an den Schluss des Fragebogens gestellt werden, vgl. Geuens/De Pelsmacker (2017), S. 88 ff.
- 8.
Vgl. BVDW (2019), S. 6; Destatis (2019), S. 16.
- 9.
In der Online-Befragung wurde die im alltäglichen Sprachgebrauch üblichere Kurzform „Influencer“ (anstatt „Social Media Influencer“) verwendet. Der Begriff wurde für die Probanden definiert als: „Influencer sind Personen, die mit ihren Beiträgen in Social Media mindestens 1.000 Follower erreichen. Sie posten regelmäßig Beiträge und bewerben darin hin und wieder Produkte oder Marken. Auch Sportler, Musiker, Prominente etc., die in Social Media sehr präsent sind und dort Produkte oder Marken bewerben, zählen als Influencer.“
- 10.
Da im nachfolgenden Fragebogenverlauf genauere Angaben zu mindestens zwei abonnierten SMIs gemacht werden sollten, war es notwendig, dass die Probanden zwei oder mehr SMIs folgen.
- 11.
Vgl. A. M. Rubin/Perse/Powell (1985), S. 156.
- 12.
Vgl. Ki et al. (2020), S. 6; Ki/Kim (2019), S. 7.
- 13.
Vgl. Thomson (2006), S. 107.
- 14.
Um dem Fragebogen-Gestaltungsprinzip der Eindeutigkeit nachzukommen, wurden die Interaktionslevel und -arten genau erläutert: „Bitte nennen Sie eine(n) Influencer(in), mit dem/die Sie häufig interagieren (d. h. mindestens mehrmals wöchentlich, z. B. durch „Likes“, Kommentare, private Nachrichten, etc. Das passive Ansehen von Beiträgen zählt nicht dazu.)“. Die Frage wurde für jeden der drei SMIs mit angepasster Häufigkeitsangabe wiederholt (mittelmäßig häufige Interaktion: „mehrmals monatlich“, seltene/keine Interaktion: „seltener als einmal im Monat oder nie“), vgl. Homburg (2017), S. 82 f. Die Abstufungen in den Interaktionsleveln leiteten sich aus den Erkenntnissen der qualitativen Voruntersuchung ab, vgl. Abschnitt 2.4.4.
- 15.
Zur Qualitätssicherung wurde für alle Freitextfelder im Fragebogen eine umfangreiche Wörter-Sperrliste mit über 100 Einträgen hinterlegt (diese enthielt bspw. die Begriffe „Influencer“, „xyz“, „123“). Wurde einer der Begriffe eingetragen, erschien die Fehlermeldung, dass die Eingaben nicht gültig seien.
- 16.
Vgl. Homburg (2017), S. 83 ff.
- 17.
Vgl. Homburg (2017), S. 82.
- 18.
Für die subjektive Validierung der genannten SMI-Marken-Kombinationen wurden analog zur qualitativen Voruntersuchung die Variablen „Ease-of-Retrieval“ und „Confidence-in-Answer“ erhoben, siehe ausführlich dazu Abschnitt 2.4.2.2.
- 19.
Vgl. Geuens/De Pelsmacker (2017), S. 95; Rohrmann (1978), S. 230.
- 20.
Vgl. Podsakoff et al. (2003), S. 884.
- 21.
Vgl. Homburg (2017), S. 82
- 22.
Vgl. Kuß/Wildner/Kreis (2018), S. 83 f. Darüber hinaus sollte durch das offene Frageformat vermieden werden, dass die Befragten das Gefühl bekommen „zu wenigen“/„zu vielen“ SMIs zu folgen bzw. SMIs seit „zu kurzer Zeit“/„zu langer Zeit“ zu folgen. Bradburn/Sudman/Wansink zeigten in ihrer Studie zum Bierkonsum, dass Probanden sich bei vorgegebenen Antwortkategorien oftmals aus sozialer Erwünschtheit nicht zur niedrigsten bzw. höchsten Kategorie bekennen, vgl. Bradburn/Sudman/ Wansink (2004), S. 14 ff.; Kuß/Wildner/Kreis (2018), S. 83.
- 23.
Vgl. Kuß/Wildner/Kreis (2018), S. 136 f.
- 24.
Die Inhaltsvalidität bezieht sich auf die „Eignung und Vollständigkeit des Messinstruments im Hinblick auf das zu messende Konzept“, Kuß/Wildner/Kreis (2018), S. 113. Diese Überprüfung erfolgt üblicherweise durch Experten, die die logische Eignung der Indikatoren für das definierte Konzept einstufen, vgl. Kuß/Wildner/Kreis (2018), S. 133 f.
- 25.
Siehe weiterführend zum Prozess der Datenbereinigung und -aufbereitung Abschnitt 3.1.2.
- 26.
Bspw. wurde die Dauer der Beziehung zum SMI im Pretest in Monaten abgefragt. Es stellte sich heraus, dass ein Großteil der Befragten den genannten SMIs deutlich länger als ein Jahr folgte. Die Umrechnung in Monate wurde von den Pretest-Kandidaten insbesondere bei einer langen Beziehungsdauer als zu aufwendig empfunden. Um die Beantwortung der Frage zu vereinfachen, wurde die Beziehungsdauer in der Hauptuntersuchung daraufhin in Jahren abgefragt.
- 27.
Respondi AG, Köln.
- 28.
Davon gaben 221 Befragte an, keinem SMI zu folgen, 31 Befragte gaben an, nur einem SMI zu folgen.
- 29.
Vgl. Kuß/Wildner/Kreis (2018), S. 83 f.
- 30.
Vgl. Kanitz (2013), S. 163.
- 31.
Vgl. Kuß/Wildner/Kreis (2018), S. 145.
- 32.
Darüber hinaus wurden insbesondere auch ein umgekehrt formuliertes Item untersucht, welches eingebaut wurden, um die Aufmerksamkeit der Probanden zu überprüfen, vgl. Geuens/De Pelsmacker (2017), S. 93.
- 33.
Die Datenbereinigung wurde auf Basis der SMI-Marken-Kombinationen durchgeführt. Von einigen Probanden wurden beide bewerteten SMI-Marken-Kombinationen eliminiert (n = 41 mit m = 82 SMI-Marken-Kombinationen). Von anderen Probanden wurde jeweils nur eine der zwei bewerteten SMI-Marken-Kombinationen eliminiert.
- 34.
Die Befragten in der empirischen Studie von Ki/Kim sollten ihren Lieblings-SMI namentlich benennen. Von 591 vollständig ausgefüllten Fragebögen mussten die Autoren 196 Fragebögen aufgrund ungültiger Eingaben im Freitextfeld eliminieren (33,1 %). Die Daten wurden über ein Marktforschungspanel mit einer monetären Incentivierung der Teilnehmer generiert, vgl. Ki/Kim (2019), S. 7 f.
- 35.
Vgl. Wirtz (2004), S. 110 f.
- 36.
Vgl. Schaefer (2006), S. 117 f. Anhand der MICOM-Prozedur wurde analysiert, ob vollständige Messinvarianz zwischen den jeweils als Erstes und als Zweites bewerteten SMI-Marken-Kombinationen vorliegt. Es konnten keine konfiguralen und kompositionellen Unterschiede festgestellt werden, auch die Mittelwerte und Varianzen der Composite-Variablen unterschieden sich nicht signifikant, vgl. Henseler/Ringle/Sarstedt (2016), S. 412 ff. Eine aggregierte Analyse ist somit möglich. Die Ergebnisse der MICOM-Schritte werden in Abschnitt 3.3.2.6 genauer dargelegt.
- 37.
Bspw. wurden die Schreibweisen der Marke „Mermaid and me“, „Mermaid + me“, „Mermaidandme“, und „Mermaid & me“ zu „Mermaid & me“ vereinheitlicht.
- 38.
Bspw. wurde die auf Tee spezialisierte Marke Fitvia von 11 Probanden zur Kategorie „Food/Ernährung“ zugeordnet und von einem Probanden zur Kategorie „Lifestyle“. Nach dem Mehrheitsprinzip wurde die Marke im Rahmen der Datenaufbereitung bei allen Probanden der Kategorie „Food/Ernährung“ zugeordnet.
- 39.
Vgl. Weiber/Mühlhaus (2014), S. 3. Dabei gilt es zu beachten, dass bei Strukturgleichungsmodellen in der Regel keine Kausalitäten, d. h. Ursache-Wirkungsbeziehungen, nachgewiesen werden können, sondern die Beziehung zwischen Variablen überprüft wird, vgl. Kuß/Wildner/Kreis (2018), S. 299.
- 40.
Vgl. Weiber/Mühlhaus (2014), S. 3.
- 41.
Vgl. Homburg/Giering (1996), S. 6.
- 42.
Vgl. Weiber/Mühlhaus (2014), S. 24.
- 43.
Vgl. Weiber/Mühlhaus (2014), S. 11.
- 44.
Vgl. Hair et al. (2017), S. 6 ff.; Weiber/Mühlhaus (2014), S. 36 f.
- 45.
Vgl. Diamantopoulos/Winklhofer (2001), S. 269–271; Hair et al. (2017), S. 40 ff.
- 46.
Vgl. Weiber/Mühlhaus (2014), S. 43. In der Literatur werden detaillierte Entscheidungskriterien aufgeführt, die bei der Festlegung ob es sich um ein reflektives oder formatives Messmodel handelt herangezogen wurden, vgl. z. B. Jarvis/MacKenzie/Podsakoff (2003), S. 203. Die Entscheidung kann laut Weiber/Mühlhaus auch auf eine Kernfrage kondensiert werden: „Bewirkt die Veränderung in der Ausprägung einer Messvariablen eine Veränderung in der Ausprägung der latenten Variablen (=formativ) oder bewirkt die Veränderung in der Ausprägung der latenten Variablen eine Veränderung in der Ausprägung der Messvariablen (=reflektiv)?“, Weiber/Mühlhaus (2014), S. 43.
- 47.
Vgl. Hair et al. (2017), S. 73.
- 48.
Vgl. Jöreskog (1970); Weiber/Mühlhaus (2014), S. 54.
- 49.
Vgl. Weiber/Mühlhaus (2014), S. 67; H. Wold (1975); (1980).
- 50.
Vgl. Weiber/Mühlhaus (2014), S. 67.
- 51.
Die Unterteilung des Datensatzes in unterschiedliche Gruppen (bspw. in die 14 verschiedenen Produktkategorien) kann zu niedrigen Fallzahlen führen, was die Berechnung mit kovarianzbasierten Verfahren erschweren würde.
- 52.
Vgl. Hair et al. (2017), S. 16 f.
- 53.
Vgl. Weiber/Mühlhaus (2014), S. 73 ff. Für einen ausführlichen Vergleich der Unterschiede des kovarianzbasierten- und varianzbasierten Ansatzes zur Kausalanalyse siehe weiterführend Hair et al. (2017), S. 13 ff.; Weiber/Mühlhaus (2014), S. 73 ff.
- 54.
Vgl. z. B. Hair et al. (2017), S. 91.
- 55.
Für die Gütekriterien zur Bewertung formativer Messmodelle siehe weiterführend Hair et al. (2017), S. 120 ff.
- 56.
Vgl. Hair et al. (2017), S. 164 ff.
- 57.
Reliabilität bezeichnet die „formale Genauigkeit der Merkmalserfassung (…). Ein Messinstrument ist unter der Voraussetzung konstanter Messbedingungen dann reliabel, wenn die Messwerte präzise und stabil, d. h. bei wiederholter Messung reproduzierbar sind“, Berekoven/Eckert/Ellenrieder (2009), S. 81.
- 58.
Validität bezieht sich auf die materielle Genauigkeit von Messergebnissen und gilt als gegeben, wenn ein Messinstrument „den eigentlich interessierenden Sachverhalt tatsächlich zu erfassen vermag bzw. genau das misst, was auch gemessen werden sollte“, Berekoven/Eckert/Ellenrieder (2009), S. 82.
- 59.
Vgl. z. B. Berekoven/Eckert/Ellenrieder (2009), S. 80 ff. Als drittes Gütekriterium wird zudem die Objektivität aufgeführt. Diese ist gegeben, wenn „die Messergebnisse unabhängig vom Untersuchungsleiter sind“, Berekoven/Eckert/Ellenrieder (2009), S. 80. Da die Daten der Hauptuntersuchung über eine anonyme Online-Befragung ohne persönliche Interaktion mit den Probanden erhoben wurden, kann die Objektivität als gegeben erachtet werden.
- 60.
Vgl. Kuß/Wildner/Kreis (2018), S. 113.
- 61.
Vgl. Kuß/Wildner/Kreis (2018), S. 133 f.
- 62.
Vgl. Hair et al. (2017), S. 90 ff.
- 63.
Cronbachs Alpha berechnet sich aus der durchschnittlichen Reliabilität aller Split-Half-Koeffizienten, siehe weiterführend Nunnally (1978), S. 245 ff.; Peter (1979), S. 8.
- 64.
Vgl. Weiber/Mühlhaus (2014), S. 137.
- 65.
Vgl. Nunnally/Bernstein (1994), S. 252.
- 66.
In der deutschsprachigen Literatur wird die Composite Reliabilität z. T. auch als Faktorreliabilität bezeichnet, vgl. Hair et al. (2017), S. 96.
- 67.
Vgl. Hair et al. (2017), S. 96 f.
- 68.
Vgl. Henseler/Hubona/Ray (2016), S. 11.
- 69.
Vgl. Hair et al. (2017), S. 97 f.
- 70.
Vgl. Hair et al. (2017), S. 97 f. Dieser Schwellenwert resultiert aus der Überlegung, dass mindestens 50 % der Varianz eines Indikators durch das latente Konstrukt erklärt werden sollten. Dies impliziert, dass die Varianz zwischen dem Indikator und dem Konstrukt größer ist als die Varianz des Messfehlers. Die Faktorladung des Indikators sollte daher genau genommen > 0,708 sein, da 0,7082 = 0,5 bzw. 50 %. Hair et al. halten jedoch fest, dass in den meisten Fällen eine Faktorladung ≥ 0,7 akzeptabel ist, vgl. Hair et al. (2017), S. 97 f.
- 71.
Vgl. Hair et al. (2017), S. 99.
- 72.
Vgl. Hair et al. (2017), S. 99; Henseler/Hubona/Ray (2016), S. 11.
- 73.
Vgl. Hair et al. (2017), S. 99 f.
- 74.
Vgl. Hair et al. (2017), S. 100 f.
- 75.
Vgl. Hair et al. (2017), S. 102 ff.; Henseler/Ringle/Sarstedt (2015), S. 115 ff.
- 76.
Vgl. Hair et al. (2017), S. 102 ff. Siehe weiterführend zum HTMT-Verhältnis Henseler/Ringle/ Sarstedt (2015).
- 77.
Vgl. Henseler/Ringle/Sarstedt (2015), S. 129 ff.
- 78.
Vgl. Hair et al. (2017), S. 103 f.; Henseler/Hubona/Ray (2016), S. 11. Um nachzuweisen, dass sich der Wert des HTMT-Verhältnisses statistisch vom Wert 1 unterscheidet wird per Bootstrapping eine Verteilung des HTMT-Kriteriums generiert. Bootstrapping bezeichnet den Prozess, in welchem aus einer Stichprobe zufällige Subsamples generiert werden. Jedes Subsample wird dann zur Modellschätzung genutzt. Dieser Prozess wird so lange wiederholt, bis eine hohe Anzahl zufälliger Subsamples generiert wurde. Hair et al. empfehlen die Ziehung von 5000 Subsamples. Dieser Empfehlung wurde für alle in dieser Arbeit durchgeführten Bootstrapping-Verfahren gefolgt. Anhand der geschätzten Parameter der Subsamples werden anschließend die Bootstrap-Konfidenzintervalle berechnet. Ein Konfidenzintervall, das den Wert 1 enthält, deutet auf eine mangelnde Diskriminanzvalidität hin, vgl. Hair et al. (2017), S. 102 ff.
- 79.
Vgl. Hair et al. (2017), S. 164 ff.
- 80.
Vgl. Weiber/Mühlhaus (2014), S. 258 f.
- 81.
Der VIF „beschreibt das Ausmaß, in dem der Standardfehler eines Schätzers durch die Kollinearität erhöht wurde“, Hair et al. (2017), S. 125.
- 82.
Vgl. Hair et al. (2017), S. 167 f. Dabei finden sich in der Literatur durchaus verschiedene Meinungen zum Schwellenwert des VIF. Huber et al. bspw. erachten den VIF erst ab einem Wert von 10 als kritisch; Hair et al. hingegen sehen den kritischen VIF-Wert hingegen beim Schwellenwert 5, Hair et al. (2017), S. 167; Huber et al. (2007), S. 98.
- 83.
Pfadkoeffizienten können wie standardisierte Beta-Koeffizienten im multiplen Regressionsmodell interpretiert werden, vgl. Götz/Liehr-Gobbers (2004), S. 730.
- 84.
Für eine ausführliche Beschreibung des Bootstrapping-Verfahrens siehe Abschnitt 3.2.2.1.
- 85.
Vgl. Hair et al. (2017), S. 168 ff.
- 86.
Vgl. Götz/Liehr-Gobbers (2004), S. 730.
- 87.
Vgl. Hair et al. (2017), S. 170 f.
- 88.
Vgl. Chin (1998), S. 323 ff.
- 89.
Vgl. Hair et al. (2017), S. 171.
- 90.
Vgl. Backhaus et al. (2018), S. 77 f.
- 91.
Vgl. Hair et al. (2017), S. 173.
- 92.
Vgl. Eggert/Fassott/Helm (2005), S. 110.
- 93.
Vgl. Hair et al. (2017), S. 174 ff.
- 94.
Der SRMR-Wert entspricht der „standardisierten Wurzel der mittleren Differenzen zwischen den beobachteten Korrelationen und den über das Model implizierten Korrelationen“, Hair et al. (2017), S. 166.
- 95.
Vgl. Henseler/Hubona/Ray (2016), S. 11.
- 96.
Vgl. Hair et al. (2017), S. 166.
- 97.
Vgl. Hu/Bentler (1999), S. 1.
- 98.
Dies betrifft die Hypothesen H3 und H6.
- 99.
Vgl. Eilers (2014), S. 111 f.; Henseler (2006), S. 156.
- 100.
Vgl. Henseler (2006), S. 156.
- 101.
Vgl. Eilers (2014), S. 111 f.; Henseler (2006), S. 156.
- 102.
Vgl. Hair et al. (2017), S. 195 f.
- 103.
Vgl. Hair et al. (2017), S. 204 f. Mediierende Effekte wurden in früheren Forschungsarbeiten häufig über den Sobel-Test auf Signifikanz überprüft. Hair et al. (2017) argumentieren jedoch, dass der Sobel-Test aus mehreren Gründen nicht mit dem PLS-Verfahren kompatibel ist. Dazu zählt u. a., dass der Sobel-Test eine Normalverteilung annimmt, welche nicht konsistent ist mit dem nicht-parametrischen PLS-Verfahren. Für die Prüfung von Mediatoren ist daher das Bootstrapping der indirekten Effekte die adäquatere Methode. Siehe weiterführend dazu Hair et al. (2017), S. 200.
- 104.
Vgl. Baron/Kenny (1986), S. 1176 f.; Hair et al. (2017), S. 198.
- 105.
Vgl. Hair et al. (2017), S. 201 ff.
- 106.
Vgl. Geuens/De Pelsmacker (2017), S. 90.
- 107.
Vgl. Hair et al. (2017), S. 201 ff.
- 108.
Vgl. Hair et al. (2017), S. 247 ff.
- 109.
Eine alternative Möglichkeit zum Nachweis von Moderatoreffekten ist die direkte Integration eines Interaktionsterms in das PLS-Pfadmodell. Diese Möglichkeit wird empfohlen, wenn der hypothetisierte moderierende Effekt einer Variable auf eine konkrete Wirkbeziehung getestet werden soll. Werden hingegen moderierende Effekte einer Variablen auf mehrere Wirkbeziehungen im Pfadmodell vermutet (z. B. bei explorativen Studien), empfehlen Hair et al. die Verwendung der PLS-MGA, vgl. Hair et al. (2017), S. 207. Da die vorliegende Arbeit für die Gruppenvergleiche einen explorativen Ansatz verfolgt, bei dem Unterschiede für alle Wirkbeziehungen im Untersuchungsmodell von Interesse sind, wird das Verfahren der PLS-MGA gewählt.
- 110.
Diese Liste stellt einen Auszug der am häufigsten genannten SMIs (von insgesamt 529 unterschiedlichen genannten SMIs) dar.
- 111.
Stand Anzahl der Follower aller gelisteten SMIs: Oktober 2020.
- 112.
Vgl. Sinnig (2019), S. 11 ff.
- 113.
Frage: „Wie viele Follower hat der Influencer ungefähr auf der Plattform, auf der Sie ihn/sie am intensivsten verfolgen?“
- 114.
Frage: „Auf welcher Social-Media-Plattform sehen Sie sich die Beiträge des Influencers am häufigsten an?“ (Einfachauswahl).
- 115.
Frage: „Wie lange folgen Sie [SMI] bereits in Social Media?“
- 116.
Frage: „Haben Sie schon einmal etwas von [Marke] gekauft bzw. genutzt, weil [SMI] die Marke empfohlen hat?“
- 117.
Diese Liste stellt einen Auszug der 435 unterschiedlichen genannten Marken dar.
- 118.
Marken, die mehrfach genannt wurden und nicht eindeutig einer Kategorie zugeordnet wurden, wurden nach dem Mehrheitsprinzip für die weitere Datenanalyse vereinheitlicht. Für den detaillierten Prozess der Datenaufbereitung siehe Abschnitt 3.1.2.
- 119.
Für eine ausführliche Beschreibung und Abgrenzung der drei Markenarten (DTC-Marken, SMI-Eigenmarken und klassische Marken) siehe Abschnitt 2.4.2.3.
- 120.
Für die Klassifizierung wurde im ersten Schritt ein Online-Recherche-Verfahren durchgeführt, in welchem die Social-Media-Profile und Websites der Marken auf die in Abschnitt 2.4.2.3 beschriebenen Merkmale gescreent wurden (u. a. auf Indikationen, ob eine Marke ein Direct-to-Consumer-Geschäftsmodell verfolgt; ob eine Marke eindeutig einem SMI als Eigenmarke zuzuordnen ist; ob eine Marke primär auf Influencer Branding zur Markenkommunikation setzt). Die Einstufung, ob es sich um eine klassische Marke, eine DTC-Marke oder eine SMI-Eigenmarke handelt, erfolgte nach dem Prinzip der „Face Validity“ bzw. Experten-Validität, vgl. Freundt (2006), S. 186. Im zweiten Schritt wurden Marken, die anhand der Online-Recherche nicht eindeutig einzuordnen waren, in einer Expertengruppe bestehend aus drei Marketing-Experten einer führenden Managementberatung diskutiert und klassifiziert.
- 121.
Für m = 15 (2 % der Gesamtstichprobe von m = 733) konnte keine eindeutige Zuordnung vorgenommen werden, bspw. weil mehrere Marken unter dem angegebenen Markennamen existieren.
- 122.
Diese Liste stellt einen Auszug der 637 unterschiedlichen genannten SMI-Marken-Kombinationen dar.
- 123.
Vgl. z. B. Aarts/Dijksterhuis (1999); C. M. Kelley/Lindsay (1993).
- 124.
Vgl. Schwarz et al. (1991), S. 195.
- 125.
Vgl. C. M. Kelley/Lindsay (1993), S. 1.
- 126.
Kühnen fand in einem Experiment heraus, dass das Antwortverhalten der Befragten beeinflusst werden kann, wenn die Frage des Ease-of-Retrieval vor den abhängigen Variablen erfolgt. Der Grund ist, dass die Befragten sich im weiteren Befragungsverlauf dann stärker darauf verlassen, dass ihnen der Abruf der Informationen leicht fiel. Wurde der Ease-of-Retrieval jedoch erst am Ende abgefragt, hatte dies keinen Effekt auf das Antwortverhalten, vgl. Kühnen (2010), S. 47 ff.
- 127.
Frage: „Wie leicht fiel Ihnen die Erinnerung daran, dass [SMI] für die Marke [Marke] Werbung macht?“, gemessen auf einer 5-stufigen Likert-Skala („1 – sehr schwer“ bis „5 – sehr leicht“), vgl. Kühnen (2010), S. 49; Schwarz et al. (1991), S. 196.
- 128.
Frage: „Wie sicher sind Sie sich, dass [SMI] für die Marke [Marke] Werbung macht?“, gemessen auf der 5-stufigen Likert-Skala („1 – gar nicht sicher“ bis „5 – sehr sicher“), vgl. C. M. Kelley/Lindsay (1993), S. 5.
- 129.
Bereits in Zuge der Datenbereinigung aufgrund geringer Belastbarkeit der Antworten aus dem Gesamtsample entfernt, vgl. Abschnitt 3.1.2.
- 130.
Vgl. Abschnitt 2.4.2.2.
- 131.
Dies lässt jedoch nicht darauf schließen, dass die Zuordnung inkorrekt ist. Es besteht die Möglichkeit, dass die Social-Media-Inhalte nicht mehr abrufbar sind, z. B. Instagram „Stories“, die nach 24 Stunden automatisch gelöscht werden, vgl. Abschnitt 2.4.2.2.
- 132.
Vgl. Kuß/Wildner/Kreis (2018), S. 20; Weiber/Mühlhaus (2014), S. 105.
- 133.
Vgl. Weiber/Mühlhaus (2014), S. 107.
- 134.
Der Messfehler beschreibt „die Differenz zwischen dem wahren Wert einer Variablen und dem empirisch gemessenen Wert“, Hair et al. (2017), S. 6. Dabei kann die Ursache für Messfehler bspw. in ungenau gestellte Fragen oder in Missverständnisse seitens des Befragten liegen, vgl. Hair et al. (2017), S. 6.
- 135.
Vgl. Hair et al. (2017), S. 6.
- 136.
Die Annahme, dass Single-Item-Messungen allgemein eine geringere Validität und Reliabilität aufweisen als Multi-Item-Messungen, konnte in verschiedenen Studien bereits widerlegt werden. Bspw. konnten Bergkvist/Rossiter keine signifikanten Unterschiede in der Validität von Single-Item und Multi-Item Messinstrumenten feststellen, vgl. Bergkvist/Rossiter (2007), S. 175 ff. Zu einem ähnlichen Ergebnis kamen bspw. auch Sarstedt/Wilczynski, die für Single-Item-Messungen gute Reliabilitätswerte feststellen konnten, vgl. Sarstedt/Wilczynski (2009), S. 212 f.
- 137.
Nach Weiber/Mühlhaus bieten sich insbesondere Konstrukte für die Single-Item-Messung an, die nicht im Fokus der Untersuchung stehen, sondern als Moderator/Kontrollvariable im Modell integriert sind. In diesem Fall ist die geringere inhaltliche Präzision verkraftbar, vgl. Weiber/Mühlhaus (2014), S. 113 ff.
- 138.
Vgl. Becker (2012), S. 167; Berens/Van Riel/Van Bruggen (2005), S. 46.
- 139.
Wie in Abschnitt 3.1.1 beschrieben, wurden alle latenten Konstrukte vor der Hauptuntersuchung im Rahmen von Experteninterviews mit Mitarbeitern des „markstones Institute of Marketing, Branding & Technology“ der Universität Bremen auf Inhaltsvalidität geprüft. Danach wurde im Pretest von n = 42 deutschen SMI-Followern im Alter von 14–35 Jahren Feedback zur Verständlichkeit und Vollständigkeit der Fragen eingeholt. Nach jedem Prozessschritt erfolgten jeweils leichte Modifizierungen der Formulierungen der Fragen. Da alle latenten Konstrukte Gegenstand dieses Prozesses waren, wird die Prüfung der Inhaltsvalidität in den nachfolgenden Abschnitten nicht wiederholt thematisiert.
- 140.
Die t-Werte wurden anhand des Bootstrapping-Verfahrens mit 5.000 Subsamples berechnet, vgl. Hair et al. (2017), S. 103.
- 141.
Vgl. Henseler/Hubona/Ray (2016), S. 11.
- 142.
Vgl. A. A. Mitchell (1986), S. 15.
- 143.
Vgl. Kanitz (2013), S. 172; Kohtes (2018), S. 127; A. A. Mitchell (1986), S. 15
- 144.
Vgl. Henseler/Hubona/Ray (2016), S. 11.
- 145.
Vgl. Kocyigit (2012); Kohtes (2018); Weers (2008).
- 146.
Vgl. Kohtes (2018), S. 124 ff.
- 147.
Vgl. Muncy (1996), S. 417; Weers (2008), S. 216 f.
- 148.
Vgl. Fischer/Völckner/Sattler (2010), S. 837; Kohtes (2018), S. 121.
- 149.
Vgl. Podsakoff et al. (2003), S. 884. Die umgekehrt kodierten Indikatoren wurden im Zuge der Datenaufbereitung so rekodiert, dass sie die gleiche Richtung aufweisen wie die anderen Indikatoren, vgl. Abschnitt 3.1.2.
- 150.
Vgl. Erdem/Swait (2004), S. 193; Kocyigit (2012), S. 140; Kohtes (2018), S. 123.
- 151.
Vgl. J. E. Lee/Watkins (2016), S. 5756; A. M. Rubin/Perse/Powell (1985).
- 152.
Vgl. zum Pretest-Prozess zur Prüfung der Inhaltsvalidität Abschnitt 3.1.1.
- 153.
Bspw. zeigte eine Studie von VuMA (Arbeitsgemeinschaft Verbrauchs- und Medienanalyse) unter 23.120 Deutschen ab 14 Jahren, dass der Anteil der 20–29-Jährigen an allen Zeitungslesern in Deutschland nur 6,7 % ausmacht. Der Anteil der 14–19-Jährigen liegt sogar nur bei 1,3 %. Den Großteil der Zeitungsleser stellt die Altersgruppe ab 60 Jahre mit einem Anteil von 45,1 % dar, vgl. VuMA (Arbeitsgemeinschaft Verbrauchs- und Medienanalyse) (2019).
- 154.
Dass das Item PSR_6 in der Studie von Lee/Watkins zufriedenstellende Ergebnisse erzielte, lässt sich ggf. auch durch die untersuchte Stichprobe erklären (n = 396 Frauen, 18–82 Jahre), vgl. J. E. Lee/Watkins (2016), S. 5756. Die deutlich größere Altersspannweite bis 82 Jahre umfasste folglich auch solche Probandinnen, die zur Hauptzielgruppe klassischer Zeitungen/Magazine gehören.
- 155.
Vgl. Hair et al. (2017), S. 98.
- 156.
Vgl. Abschnitt 2.4.3.
- 157.
Vgl. Eilers (2014), S. 141; Schivinski/Christodoulides/Dabrowski (2016), S. 68.
- 158.
Vgl. Schivinski/Christodoulides/Dabrowski (2016), S. 71. Für die reflektive Spezifikation sprechen folgende Überlegungen: Bei formativen Messmodellen sollen die Indikatoren das Konstrukt gesamthaft und vollständig in allen Facetten abbilden. Das Entfernen von Indikatoren im formativen Messmodell verändert somit die inhaltliche Bedeutung des Konstrukts. Im reflektiven Messmodell hingegen wird versucht, das Konstrukt anhand von inhaltlich ähnlichen Indikatoren zu erfassen, die untereinander austauschbar sind. Die Indikatoren im reflektiven Messmodell stellen daher eine beispielhafte Manifestierung des theoretischen Begriffs auf der Beobachtungsebene dar, vgl. Weiber/Mühlhaus (2014), S. 110 Die Indikatoren der Konsum- und Interaktions-Aktivitäten können als beispielhafte Manifestierungen der theoretischen Begriffe betrachtet werden – ein Entfernen eines Indikators verändert nicht die inhaltliche Bedeutung des Konstrukts. Zudem ist es aufgrund der hohen Anzahl an Social-Media-Plattformen und stetigen technischen Weiterentwicklungen kaum möglich, innerhalb einer Skala alle Konsum- und Interaktionsformen gesamthaft und vollständig abzubilden. Aus den genannten Gründen wird daher die reflektive Spezifikation gewählt.
- 159.
Vgl. Abschnitt 3.1.1.
- 160.
Vgl. Hair et al. (2017), S. 98.
- 161.
Vgl. z. B. Vargas/Duff/Faber (2017), S. 110.
- 162.
Vgl. Hair et al. (2017), S. 16.
- 163.
Vgl. Bergkvist/Rossiter (2007), S. 179; Podsakoff et al. (2003), S. 884.
- 164.
Vgl. Tourangeau/Rasinski (1988), S. 299 ff.
- 165.
Vgl. z. B. Bergkvist/Rossiter (2007), S. 197.
- 166.
- 167.
Vgl. z. B. Chin/Newsted (1999); Garson (2016), S. 224; Lohmöller (1989), S. 31; S. Wold/Sjöström/Eriksson (2001), S. 118 f.
- 168.
H. Wold (1980), S. 70.
- 169.
Messfehler bezeichnet „die Differenz zwischen dem wahren Wert und dem empirisch gemessenen Wert“, Hair et al. (2017), S. 281. Messfehler unterschiedlicher Art sind in multivariaten Analysen sehr wahrscheinlich. Das Ziel sollte jedoch sein, diese zu minimieren, vgl. Hair et al. (2017), S. 6
- 170.
Vgl. Garson (2016), S. 224.
- 171.
Vgl. Henseler/Ringle/Sarstedt (2016), S. 409; Liu et al. (2017), S. 486 ff.
- 172.
Die MICOM-Prozedur wird am bereinigten Datensatz durchgeführt, weshalb die Anzahl der SMI-Marken-Kombinationen aus dem ersten und zweiten Messvorgang nicht identisch ist. Siehe weiterführend zum Prozess der Datenbereinigung Abschnitt 3.1.2.
- 173.
Vgl. Hair et al. (2017), S. 253 f.; Henseler/Ringle/Sarstedt (2016), S. 405 ff.; Sander (2019), S. 139 f. MICOM steht für „Measurement Invariance of Composite Models“, vgl. Henseler/Ringle/Sarstedt (2016), S. 405. Beim PLS-Verfahren werden durch den PLS-Algorithmus sog. Composite-Modelle geschätzt, die aus Composite-Variablen bestehen. Composite-Variablen sind Linearkombinationen von Indikatorvariablen, die je nach Messmodell (reflektives oder formatives Messmodell) unterschiedlich geschätzt werden, vgl. Hair et al. (2017), S. 4 ff. Das MICOM-Verfahren zur Prüfung der Messinvarianz eignet sich daher gleichermaßen für reflektiv und formativ gemessene Konstrukte.
- 174.
Vgl. Henseler/Ringle/Sarstedt (2016), S. 413.
- 175.
Vgl. Henseler/Ringle/Sarstedt (2016), S. 412 ff.
- 176.
Vgl. Henseler/Ringle/Sarstedt (2016), S. 412 ff.
- 177.
Im Permutationstest werden zufällige Beobachtungen zwischen Gruppen ausgetauscht und das Modell für jede Permutation neu geschätzt. Über die Unterschiede der gruppenspezifischen Pfadkoeffizienten wird pro Permutation geprüft, ob signifikante Unterschiede bestehen, vgl. Hair et al. (2017), S. 284.
- 178.
Vgl. Henseler/Ringle/Sarstedt (2016), S. 412 ff.
- 179.
Vgl. Hair et al. (2017), S. 167.
- 180.
Der Blindfolding-Prozess wurde gemäß der Empfehlung von Hair et al. mit einer Auslassungsdistanz von 7 durchgeführt, vgl. Hair et al. (2017), S. 176.
- 181.
Vgl. Backhaus et al. (2018), S. 77 f.; Hair et al. (2017), S. 171.
- 182.
Vgl. Chin (1998), S. 323 ff.
- 183.
Vgl. Hair et al. (2017), S. 171.
- 184.
Vgl. Kocyigit (2012); Kohtes (2018); Weers (2008).
- 185.
Vgl. Schloderer/Ringle/Sarstedt (2009), S. 594.
- 186.
Vgl. Kocyigit/Ringle (2011), S. 11.
- 187.
Vgl. Hwang/Zhang (2018), S. 26.
- 188.
Vgl. Chung/Cho (2017), S. 488.
- 189.
Vgl. Hair et al. (2017), S. 216.
- 190.
Vgl. z. B. Becker (2012); Eilers (2014); Horstmann (2017); Kanitz (2013); Kohtes (2018); Roßmann (2019); Schade (2012); Stolle (2013). Siehe weiterführend dazu Abschnitt 2.2.2.
- 191.
Vgl. Hair et al. (2017), S. 168 ff. Die Signifikanz der Pfadkoeffizienten wird über das Bootstrapping-Verfahren ermittelt. Dafür wurden gemäß der Empfehlung von Hair et al. 5000 Subsamples gezogen, vgl. Hair et al. (2017), S. 131 f.
- 192.
Vgl. Eilers (2014), S. 111 ff.; Hair et al. (2017), S. 248.
- 193.
Vgl. Zajonc (1968); (1980).
- 194.
Vgl. Rindfleisch/Inman (1998), S. 15 ff.
- 195.
Vgl. Piehler et al. (2019), S. 1843 ff.; Schivinski/Christodoulides/Dabrowski (2016), S. 72 ff.
- 196.
Vgl. z. B. Schivinski/Christodoulides/Dabrowski (2016), S. 74.
- 197.
Vgl. Hair et al. (2017), S. 196 f.
- 198.
Vgl. Baron/Kenny (1986). Bei einem signifikanten indirekten Effekt und einem nicht-signifikanten direkten Effekt liegt eine vollständige Mediation vor; bei einem signifikanten indirekten und direkten Effekt wird von einer partiellen Mediation gesprochen. Ist der indirekte Effekt nicht signifikant, so liegt keine Mediation bzw. eine Nicht-Mediation vor, vgl. Baron/Kenny (1986), S. 1176 f.; Hair et al. (2017), S. 198.
- 199.
Vgl. z. B. Perse/Rubin (1989); A. M. Rubin/Perse/Powell (1985); R. B. Rubin/McHugh (1987).
- 200.
Vgl. Horton/Wohl (1956).
- 201.
Vgl. Thomson (2006), S. 116.
- 202.
Vgl. z. B. Becker (2012); Eilers (2014); Horstmann (2017); Kanitz (2013); Kohtes (2018); Roßmann (2019); Schade (2012); Stolle (2013). Siehe weiterführend dazu Abschnitt 2.2.2.
- 203.
Vgl. Burmann/Stolle (2007), S. 70 f.
- 204.
Vgl. Abschnitt 3.2.2.5 zum Vorgehen bei der Auswertung der PLS-Multigruppenanalyse.
- 205.
Vgl. Abschnitt 2.4.1.
- 206.
Vgl. Sinnig (2019), S. 43.
- 207.
Zur Generation Y gehören Personen, die zwischen 1980 und 1995 geboren wurden; zur Generation Z gehören Personen, die nach 1995 geboren wurden, vgl. Burmann/Thiefes (2017), S. 17. Die Altersgruppe der 14–24-jährigen Befragten stellt somit die Generation Z dar, die Altersgruppe der 25–35-jährigen Befragten die Generation Y.
- 208.
Vgl. Abschnitt 3.3.1.
- 209.
Vgl. z. B. Dhanesh/Duthler (2019); Djafarova/Rushworth (2017); Jin/Muqaddam/Ryu (2019); Ladhari/Massa/Skandrani (2020); J. E. Lee/Watkins (2016); Sinnig (2019); Sokolova/Kefi (2020); Lienemann (2021).
- 210.
Bei der PLS-MGA handelt es sich um ein nicht-parametrisches Verfahren, welches im Unterschied zum alternativen Verfahren der Permutation nicht zwingend voraussetzt, dass die Gruppen ähnlich groß sind, vgl. Hair et al. (2017), S. 249 f.
- 211.
Vgl. Kohtes (2018), S. 157 ff.
- 212.
Vgl. Homburg (2017), S. 100.
- 213.
Vgl. Liebers/Schramm (2019), S. 14.
- 214.
Vgl. Khan (2017), S. 242 ff.
- 215.
Frage: „Auf welcher Social-Media-Plattform sehen Sie sich die Beiträge des Influencers am häufigsten an?“ (Einfachauswahl).
- 216.
Vgl. Sproutsocial (2020).
- 217.
Vgl. Sinnig (2019), S. 46 ff.
- 218.
Vgl. Sinnig (2019), S. 66 f.
- 219.
Vgl. Sinnig (2019), S. 48
- 220.
Frage: „Welches Geschlecht hat der/die von Ihnen genannte Influencer(in)?“ (Antwortoptionen: Weiblich, Männlich, Gemischt (z. B. Paare), Anderes.)
- 221.
Vgl. Kohtes (2018), S. 164 f.
- 222.
Vgl. Abschnitt 2.4.2.1.
- 223.
Vgl. Freundt (2006), S. 101.
- 224.
Vgl. Zaichkowsky (1985), S. 342. Das Involvement wurde mit der Frage: „Die Art von Produkten/Services, die [Marke] anbietet, ist generell für mich…“ anhand eines fünfstufigen semantischen Differentials mit drei Indikatoren der „Personal Involvement Scale“ von Zaichkowski gemessen (unwichtig/wichtig; uninteressant/interessant; irrelevant/relevant), vgl. Zaichkowsky (1985), S. 350.
- 225.
Vgl. Kanitz (2013), S. 149. Für den Median-Split wurde aus den drei Items der Skalenmittelwert gebildet. Der Median des Involvements lag bei 4,0, sodass Probanden mit einem durchschnittlichen Involvement von ≥ 4,0 der Gruppe „hohes Involvement“ und Probanden mit einem durchschnittlichen Involvement < 4,0 der Gruppe „niedriges Involvement“ zugeordnet wurden. Bei der Interpretation der Ergebnisse ist daher zu beachten, dass das Involvement mit einem Mittelwert von 3,56 auf einem recht hohen Niveau liegt.
- 226.
Vgl. z. B. Abraham (2020), S. 95 ff.; Bian/Moutinho (2011), S. 203 ff.; O’Cass (2004), S. 872; Schaefer (2006), S. 53 ff.
- 227.
Vgl. Kocyigit (2012), S. 151 ff.; Kohtes (2018), S. 143 ff.
- 228.
Zu einem ähnlichen Ergebnis kommen bspw. auch Pham/Geuens/De Pelsmacker – die durch die Werbung ausgelösten Gefühle wirken sich sowohl bei niedrigem als auch bei hohem Involvement auf die Wahrnehmung der Marke aus, vgl. Pham/Geuens/De Pelsmacker (2013), S. 391.
- 229.
Für eine ausführliche Beschreibung und Abgrenzung der drei Markenarten (DTC-Marken, SMI-Eigenmarken und klassische Marken) siehe Abschnitt 2.4.2.3.
- 230.
Die SMI-Marken-Kombinationen wurden post-hoc durch ein mehrstufiges Rechercheverfahren über die Social-Media-Profile der Marken, die Webauftritte der Marken und Expertendiskussionen klassifiziert. Siehe ausführlich zum Prozess der Klassifizierung Abschnitt 3.3.1.2.
- 231.
Vgl. Dierks (2017), S. 160 ff.
- 232.
Eine Beispiel einer erfolgreichen SMI-Eigenmarke, die über den stationären Handel vertrieben wird ist die Körperpflege-Marke „Bilou“ von SMI Bianca Claßen, vgl. Burmann et al. (2018), S. 241. Damit stellt diese SMI-Eigenmarke bisher jedoch eher die Ausnahme als die Regel dar, da der Großteil der SMI-Eigenmarken bisher Online vertrieben wird.
- 233.
Der SMI-Marken-Fit beschreibt nach Lienemann „die wahrgenommene Passigkeit eines Objektes (z. B. einem SMI) zu einer Marke“, vgl. Lienemann (2021).
- 234.
Der SMI-Marken-Fit wurde als Kontrollvariable erhoben. Der SMI-Marken-Fit wurde anhand der Aussage „[SMI] und die Marke [Marke] passen gut zusammen“ auf einer fünfstufigen Likert-Skala (von „1 – stimme überhaupt nicht zu“ bis „5 – stimme voll und ganz zu“) gemessen, vgl. Till/Busler (2000), S. 5. Da es sich bei dieser Variable um eine Kontrollvariable handelt, wurde diese als Single-Item gemessen, vgl. Weiber/Mühlhaus (2014), S. 113 ff.
- 235.
Vgl. Thomson (2006), S. 104 f.; Lienemann (2021).
- 236.
Vgl. Ki et al. (2020), S. 2 f.
- 237.
Ein Imagetransfer bzw. Markentransfer beschreibt einen „Prozess in der Psyche der Konsumenten, bei dem positive Imageassoziationen transferiert und gestärkt werden“, Caspar/Burmann (2005), S. 248. Siehe weiterführend zu Markentransfers z. B. Abraham (2020); Diegel (2020); Dietert (2018); Horstmann (2017).
- 238.
Vgl. Abschnitt 2.4.2.3. Bei den stark durch SMIs beworbenen DTC-Marken und den SMI-Eigenmarken handelt es sich um relativ neue Phänomene. So wurde bspw. die am häufigsten genannte Marke der empirischen Hauptuntersuchung, die Sportbekleidungsmarke „Oceans Apart“ (bzw. die übergeordnete Rise Up Fashion GmbH), erst im Jahr 2016 ins deutsche Handelsregister eingetragen, vgl. Handelsregister (2020).
- 239.
Vgl. Burmann et al. (2018), S. 14.
- 240.
Vgl. Mediakix (2020c). Die Kategorisierung der SMIs erfolgte durch die Beantwortung der Frage: „Bitte geben Sie an, wie viele Follower die Influencer ungefähr haben. Falls Sie eine(n) Influencer(in) auf mehreren Social-Media-Plattformen verfolgen, geben Sie bitte die Anzahl der Follower auf der Plattform an, auf der Sie ihn/sie am häufigsten folgen.“ Für m = 28 SMI-Marken-Kombinationen wurde die Antwort „Weiß nicht“ angegeben, weshalb die Datenbasis für die Analysen dieses Abschnitts m = 705 darstellt.
- 241.
Die Variablen Antwortwahrscheinlichkeit, Multiple-Product-Endorsement und SMI-Marken-Fit wurden als Kontrollvariablen erhoben. Für die Operationalisierung dieser Variablen siehe Fußnoten Tabelle 3.33.
- 242.
Vgl. Klein/Becker (2018), S. 3 f. Multiple-Product-Endorsements (MPE) bezieht sich auf die Begebenheit, dass SMIs oftmals verschiedene Marken in Social Media bewerben.
- 243.
Für eine ausführliche Konzeptualisierung des SMI-Marken-Fit-Konstrukts siehe weiterführend Lienemann (2021).
- 244.
Frage: „Bitte geben Sie an, inwiefern Sie folgender Aussage zustimmen: [SMI] und die Marke [Marke] passen gut zusammen.“; gemessen auf einer 5-stufigen Likert-Skala (von „1 – stimme überhaupt nicht zu“ bis „5 – stimme voll und ganz zu“), vgl. Till/Busler (2000).
- 245.
Frage: „Bitte geben Sie an, inwiefern Sie folgender Aussage zustimmen: [SMI] würde wahrscheinlich antworten, wenn ich ihm/ihr einen Kommentar oder eine private Nachricht sende.“; Skalierung s. o.
- 246.
Frage: „Bitte geben Sie an, inwiefern Sie folgender Aussage zustimmen: [SMI] macht Werbung für viele verschiedene Marken“; Skalierung s. o.
- 247.
Frage: „Haben Sie schon einmal etwas von [Marke] gekauft bzw. genutzt, weil [SMI] die Marke empfohlen hat?“
- 248.
Selbstdiskrepanz bezeichnet die Differenz der Einschätzung des eigenen Selbsts und der Einschätzung einer anderen Person, bspw. hinsichtlich der physischen Attraktivität, vgl. Jin/Muqaddam/Ryu (2019), S. 572. Eng verwandt mit dem Konzept der Selbstdiskrepanz ist die Ähnlichkeitsidentifikation („Similarity Identification“), bei welcher sich Follower über eine hohe Ähnlichkeit zum SMI mit diesem identifizieren. Siehe weiterführend zur Ähnlichkeitsidentifikation Sinnig (2019), S. 46 ff.
- 249.
Vgl. Jin/Muqaddam/Ryu (2019), S. 574 ff.
- 250.
Vgl. Ki/Kim (2019), S. 14 f.; Klein/Becker (2018), S. 6.
- 251.
Vgl. Klein/Becker (2018), S. 8 f.
Author information
Authors and Affiliations
3.1 Elektronisches Zusatzmaterial
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Hiddessen, J. (2021). Empirische Untersuchung der Wirkung markenbezogener Interaktionen mit SMIs. In: Interaktionen mit Social Media Influencern als Instrument zur Markenprofilierung. Innovatives Markenmanagement. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-34312-5_3
Download citation
DOI: https://doi.org/10.1007/978-3-658-34312-5_3
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-34311-8
Online ISBN: 978-3-658-34312-5
eBook Packages: Business and Economics (German Language)