Vorwort zur 2. Auflage | 5 |
Vorwort zur 1. Auflage | 5 |
Inhaltsverzeichnis | 9 |
Abbildungsverzeichnis | 11 |
Tabellenverzeichnis | 15 |
Großzahlige empirische Forschung | 18 |
1 Zusammenfassung | 18 |
2 Der kritische Rationalismus als Grundlage empirischer Forschung | 18 |
3 Ablauf eines Forschungsprojekts | 20 |
3.1 Definition des Problemfeldes, Zieldefinition und Forschungsfrage | 21 |
3.2 Auswahl der Forschungsmethode und Art der Ergebnisse | 22 |
4 Grundbegriffe großzahliger empirischer Forschung | 25 |
5 Fazit | 32 |
Literatur | 32 |
Experimente | 34 |
1 Das Experiment in der wissenschaftlichen Forschung | 34 |
2 Grundkonzepte wissenschaftlichen Experimentierens | 35 |
2.1 Definition und Abgrenzung zu weiteren empirischen Untersuchungen | 35 |
2.2 Variablenbeziehungen in einem Experiment | 36 |
3 Versuchspläne | 37 |
3.1 Nicht-experimentelle Versuchspläne | 37 |
3.2 Quasi-experimentelle Versuchspläne | 38 |
3.3 Experimentelle Versuchspläne | 39 |
4 Gütekriterien eines Experiments | 44 |
4.1 Interne und externe Validität eines Experiments | 44 |
4.2 Probleme und Störeffekte des Experimentierens | 45 |
4.3 Methoden zur versuchsplanerischen Kontrolle von Störeffekten | 46 |
5 Experimente in der wirtschaftswissenschaftlichen Forschung | 47 |
6 Abschließende Bewertung des Experimentierens | 48 |
7 Literatur | 48 |
Erkenntnisgewinnung durch Fallstudien | 50 |
1 Problemstellung | 50 |
2 Definition und Einordnung von Fallstudien als Forschungsansatz | 51 |
3 Planung des Forschungsprozesses und Fallstudiendesign | 53 |
4 Methoden der Datenerhebung | 54 |
4.1 Das Experteninterview als ein forschungsmethodischer Ansatz der Befragung | 55 |
4.2 Die Beobachtung | 57 |
4.3 Sammlung von Dokumenten und Inhaltsanalyse | 59 |
5 Datenanalyse und Fallstudienerstellung | 60 |
6 Gütekriterien des Forschungsprozesses | 61 |
7 Schlussbetrachtung | 63 |
Literatur | 64 |
Verfahren der Datenerhebung | 66 |
1 Einleitung | 66 |
2 Erhebungsmethoden im Überblick | 66 |
3 Erhebungsmethoden von Primärdaten | 68 |
3.1 Befragung | 68 |
3.2 Beobachtung | 73 |
3.3 Experiment vs. Nicht-Experiment | 74 |
4 Panel | 77 |
5 Zusammenfassung | 79 |
Literatur | 79 |
Messen und Skalieren von Sachverhalten | 82 |
1 Einleitung | 82 |
2 Messtheoretische Grundlage | 82 |
3 Skalierungsverfahren | 83 |
3.1 Rating-Skalen | 84 |
3.2 Likert-Skalen | 90 |
4 Fazit | 94 |
5 Literatur | 94 |
Möglichkeiten der Stichprobenbildung | 96 |
1 Notwendigkeit von Stichproben | 96 |
2 Repräsentativität einer Stichprobe | 97 |
3 Verfahren der Stichprobenauswahl im Überblick | 97 |
3.1 Nichtzufällige Auswahlverfahren | 98 |
3.2 Zufällige Auswahlverfahren | 100 |
3.3 Schätzung des Mittelwerts der Grundgesamtheit und Bestimmung des Stichprobenumfangs | 102 |
4 Zusammenfassung | 104 |
Literatur | 104 |
Subjektive versus objektive Erfolgsmaße | 106 |
1 Einleitung | 106 |
2 Grundlagen der Erfolgsmessung | 107 |
3 Bestimmung des Messbereichs der Erfolgsmessung | 108 |
4 Alternative Ansätze zur Messung von Erfolg | 109 |
5 Subjektive und/oder objektive Erfolgsmaße? Überlegungen zur Auswahl | 111 |
5.1 Messtheoretische Probleme: Kriteriumsvalidität | 111 |
5.2 Messtheoretische Probleme: Kriteriumsstabilität | 112 |
5.3 Messpraktische Überlegungen | 114 |
6 Empirische Untersuchungen zur Äquivalenz subjektiver und objektiver Erfolgsmaße | 115 |
6.1 Empirische Untersuchungen auf der Unternehmens- und Geschäftsbereichsebene | 115 |
6.2 Empirische Untersuchungen auf der individuellen Analyseebene | 116 |
7 Schlussfolgerung | 117 |
Literatur | 118 |
Die Erfassung latenter Konstrukte mit Hilfe formativer und reflektiver Messmodelle | 120 |
1 Problemstellung | 120 |
2 Charakteristika reflektiver Messmodelle | 121 |
3 Charakteristika formativer Messmodelle | 122 |
4 Multidimensionale formative und reflektive Konstrukte | 123 |
5 Einbindung formativer Konstrukte in Strukturgleichungsmodelle | 125 |
6 Indexentwicklung zur Operationalisierung formativer Konstrukte | 125 |
Schritt 1: Definition des Konstrukts | 126 |
Schritt 2: Bestimmung der Indikatoren | 128 |
Schritt 3: Behandlung von Multikollinearität | 128 |
Schritt 4: Schätzung des Messmodells | 129 |
Schritt 5: Indexberechnung | 131 |
7 Fehlerhafte Messmodellannahmen und ihre Folgen | 131 |
Literatur | 133 |
Zum Umgang mit fehlenden Daten in großzahligen empirischen Erhebungen | 136 |
1 Problemstellung | 136 |
2 Charakterisierung fehlender Daten | 136 |
2.1 Formen der Nichtantwort und ihre Ursachen | 136 |
2.2 Fehlendmechanismen und ihre Konsequenzen | 137 |
2.3 Fehlendmuster | 138 |
2.4 Quantifizierung des Datenausfalls | 139 |
3 Verfahren zur Behandlung fehlender Daten | 140 |
3.1 Verfahren der Fallreduktion | 140 |
3.2 Sample-Selection-Modelle | 141 |
3.3 Gewichtungsverfahren | 141 |
3.4 Imputationsverfahren | 141 |
3.5 Einfache vs. Multiple Imputation | 145 |
4 Literaturüberblick und Evaluation verschiedener Verfahren | 145 |
5 Überblick über Softwareanwendungen zur Behandlung fehlender Daten | 148 |
6 Ausblick und Schlussfolgerungen | 148 |
7 Literatur | 149 |
8 Internetquellen (Stand: November 2005) | 151 |
Common Method Variance und Single Source Bias | 152 |
1 Einleitung | 152 |
2 Inhaltliche Gegenstandsbestimmung | 152 |
2.1 Systematisierung relevanter Messfehler | 152 |
2.2 Begriffsdefinition „Common Method Variance“ | 154 |
2.3 Bedeutung von CMV | 154 |
2.4 Status Quo und Intention des Beitrags | 155 |
3 Differenzierung verschiedener Quellen von CMV | 155 |
4 Umgang mit Common Method Variance | 157 |
4.1 Messung von CMV mit Hilfe von Harmann’s-One-Factor-Test | 157 |
4.2 Maßnahmen zur Eliminierung der Quellen von CMV | 157 |
4.3 Statistische Maßnahmen zum Umgang mit CMV | 160 |
5 Kritische Anmerkungen zur Diskussion um CMV | 163 |
5.1 Verzerrungen durch Eigenbeurteilungen | 163 |
5.2 Für CMV potentiell anfällige Variablen | 163 |
5.3 Korrelationen bei Erhebungen mit einzelnen oder mehreren Methoden | 165 |
6 Zusammenfassung: Empfohlener Umgang mit CMV | 165 |
Literatur | 166 |
Logik und Kritik des Hypothesentestens | 168 |
1 Einleitung | 168 |
2 Allgemeine Durchführung von Hypothesentests | 169 |
2.1 Herleitung von Hypothesen | 169 |
2.2 Mögliche Fehlentscheidungen beim Hypothesentesten | 170 |
2.3 Alpha-Fehler | 170 |
2.4 Beta-Fehler | 172 |
3 Kritik am Hypothesentesten | 174 |
3.1 Die Nullhypothese ist immer falsch | 174 |
3.2 Fehlerhafte Logik beim Nullhypothesen-Signifikanztest | 175 |
3.3 Unterschätzen des Beta-Fehlers | 177 |
4 Verbesserungen | 179 |
4.1 Effektgrößen | 180 |
4.2 Konfidenzintervalle | 180 |
4.3 Power-Analyse | 181 |
5 Schlussbemerkung | 182 |
Literatur | 182 |
Fuzzy Clustering mit Hilfe von Mixture Models | 184 |
1 Problemstellung | 184 |
2 Methoden der Clusteranalyse | 185 |
3 Mixture Models | 187 |
3.1 Modellansatz | 187 |
) | 189 |
( | 189 |
3.3 Expectation-Maximization (EM)-Algorithmus | 190 |
3.4 Einschränkungen des EM-Algorithmus | 191 |
3.5 Gütemaße zur Bestimmung der Cluster-Anzahl | 191 |
4 Durchführung einer Segmentierungsrechnung | 193 |
4.1 Allgemeines Vorgehen einer Segmentierungsrechnung | 193 |
4.2 Anwendung der Mixture Models mit Hilfe des Softwarepakets Glimmix | 194 |
5 Fazit | 198 |
Literatur | 198 |
Nachweis und Behandlung von Multikollinearität | 200 |
1 Einleitung | 200 |
2 Begriffsklärung und Ursachen von Multikollinearität | 200 |
3 Verfahren zum Nachweis von Multikollinearität | 202 |
3.1 Konventionelle Verfahren | 202 |
3.2 Numerische Verfahren | 205 |
3.3 Idealtypische Vorgehensweise | 208 |
4 Verfahren zur Verringerung von Multikollinearität | 208 |
4.1 Konventionelle Verfahren zur Verringerung von Multikollinearität | 208 |
4.2 Verzerrende Schätzmethoden zur Verringerung von Multikollinearität | 210 |
5 Zusammenfassung und Fazit | 213 |
Literatur | 214 |
Logistische und Ordinale Regression | 216 |
1 Einleitung und Problemstellung | 216 |
2 Logistische Regression (nominal abhängige Variablen) | 216 |
2.1 Binär-logistische Regression | 216 |
2.2 Multinomial logistische Regression | 223 |
3 Ordinale Regression | 228 |
3.1 Grundgedanken | 228 |
3.2 Schätzung der Regressionskoeffizienten | 229 |
3.3 Güte des Regressionsmodells | 229 |
3.4 Interpretation der Regressionskoeffizienten | 230 |
4 Zusammenfassung | 231 |
Literatur | 231 |
1 Einleitung | 232 |
2 Charakteristika eines Mehrgleichungsmodells | 232 |
2.1 Bestandteile ökonometrischer Mehrgleichungsmodelle | 233 |
2.2 Notierung und Annahmen eines Mehrgleichungsmodells | 233 |
2.3 Das Identifikationsproblem bei Mehrgleichungsmodellen | 236 |
3 Parameterschätzung in Mehrgleichungsmodellen | 237 |
3.1 Scheinbar unverbundene Modellgleichungen (SUR) | 239 |
3.2 Das Interdependente Modell | 240 |
4 Beurteilung der Mehrgleichungsmodelle | 244 |
Literatur | 246 |
Endogenität und Instrumentenschätzer | 248 |
1 Einleitung | 248 |
2 Was ist Endogenität? | 248 |
2.1 Grundsätzliches Konzept | 248 |
2.2 Gründe für das Auftreten endogener Variablen | 249 |
, | 251 |
3 Wie kann Endogenität diagnostiziert werden? | 252 |
3.1 Hausman-Test | 252 |
3.2 Residuentest zum Test einzelner Variablen | 252 |
4 Wie kann Endogenität im Modell berücksichtigt werden? | 253 |
4.1 Korrektur der Modellspezifikation | 253 |
4.2 Verwenden von Proxy-Variablen | 254 |
4.3 Schätzung mit Instrumentvariablen | 255 |
, | 256 |
, | 256 |
' | 256 |
4.4 Paneldaten und Endogenität | 258 |
5 Zusammenfassung und weiterführende Hinweise | 260 |
Literatur | 260 |
Moderatoren und Mediatoren in Regressionen | 262 |
1 Einleitung | 262 |
1.1 Übersicht | 262 |
1.2 Moderatoren und Mediatoren in Regressionen | 262 |
2 Moderatoranalyse | 262 |
2.1 Moderatoren: Definition, Darstellung und Beispiel | 262 |
2.5 Graphische Darstellung | 268 |
Prinzipien der Panelanalyse | 278 |
1 Einleitung | 278 |
2 Grundlagen der Panelanalyse | 279 |
2.1 Charakteristika von Paneldaten | 279 |
2.2 Fixed-Effects-Modell (Kovarianzmodell) | 282 |
2.3 Random-Effects-Modell (Fehlerkomponentenmodell) | 283 |
3 Weiterführende Aspekte der Panelanalyse | 285 |
3.1 Testen von Modellannahmen | 285 |
ˆ | 285 |
ˆ | 285 |
ˆ | 285 |
ˆ | 285 |
ˆ | 285 |
ˆ | 285 |
3.2 Vorgehen bei Autokorrelation und Heteroskedastizität | 286 |
3.3 Modelle mit verzögerten endogenen Variablen (dynamische Modelle) | 287 |
4 Ein Anwendungsbeispiel | 289 |
5 Zusammenfassung und Ausblick | 292 |
Literatur | 293 |
Eine anwendungsbezogene Einführung in die Hierarchische Lineare Modellierung ( HLM) | 294 |
1 Einführung | 294 |
Hazard-Raten-Modelle | 310 |
1 Einführung | 310 |
2 Methodik von Hazard-Raten-Modellen | 310 |
2.1 Datenbasis für Hazard-Raten-Modelle | 311 |
2.2 Systematisierung | 312 |
2.3 Nicht-parametrische Ansätze | 312 |
2.4 Berücksichtigung von Kovariableneinflüssen | 314 |
3 Unbeobachtete Heterogenität innerhalb und außerhalb des Beobachtungszeitraums | 322 |
3.1 Unbeobachtete Heterogenität | 322 |
3.2 Split-Hazard-Raten-Modelle | 323 |
4 Auswahl von Hazard-Raten-Modellen | 324 |
4.1 Test zur Proportionalitätsannahme im Cox-Modell | 324 |
4.2 Ermittlung geeigneter Verteilungsannahmen | 324 |
5 Software | 325 |
6 Fazit | 325 |
Literaturverzeichnis | 326 |
Analyse kausaler Wirkungszusammenhänge mit Hilfe von Partial Least Squares ( PLS) | 328 |
1 Einleitung und Übersicht | 328 |
1.1 Defizite bei der Schätzung von Strukturgleichungsmodellen | 328 |
2 Darstellung des Partial-Least-Squares-Ansatzes (PLS) | 329 |
3 Wahl der geeigneten Schätzmethode: PLS vs. LISREL | 333 |
4 Durchführung einer Datenanalyse mit PLS | 335 |
4.1 Vorbereitende Analysen | 335 |
4.2 Analyse mit PLS | 338 |
5 Fazit | 341 |
Literatur | 342 |
Discrete-Choice-Modelle | 344 |
1 Einleitung | 344 |
2 Grundlagen der Discrete-Choice-Theorie | 344 |
3 Das MNL-Modell als Standardmodell | 346 |
3.1 Formale Darstellung | 346 |
3.2 Die Parameterschätzung | 346 |
3.3 Beschränkungen des MNL-Modells | 347 |
4 Neuere Entwicklungen | 348 |
4.1 Das Nested-Logit-Modell | 349 |
4.2 Das Latent-Class-Modell | 350 |
4.3 Das Mixed-Logit-Modell | 351 |
4.4 Das Normal-Component-Mixture-Modell | 354 |
5 Ein Anwendungsbeispiel | 355 |
6 Softwareüberblick | 357 |
Literatur | 358 |
Simultane Schätzung von Choice- Modellen und Segmentierung | 360 |
1 Problemstellung | 360 |
2 Statistische Grundlagen | 360 |
2.1 Mischverteilungsidee | 360 |
2.2 Schätzung von Mischverteilungen | 364 |
2.3 Bestimmung der Segmentanzahl | 365 |
3 Choice-Modelle mit Berücksichtigung von Heterogenität | 366 |
3.1 Binominal/Bernoulli-Logit-Modell | 366 |
3.2 Multinominal-Logit-Modell und Verallgemeinerungen | 368 |
4 Anwendungsbeispiel | 369 |
4.1 Modellierung | 369 |
4.2 Schätzung in EXCEL | 371 |
4.3 Ergebnisse | 372 |
Literatur | 374 |
Die Persistenzmodellierung als Methode zur Schätzung von langfristigen Marketingwirkungen | 376 |
1 Einleitung | 376 |
2 Die Wirkungen einzelner Marketingmaßnahmen | 376 |
3 Die Methode der Persistenzmodellierung | 378 |
3.1 Definitionen und Grundlagen | 378 |
3.2 Step 1: Klassifikation der Zeitreihen | 381 |
3.3 Step 2: Modellspezifikation | 383 |
3.4 Step 3: Modellinterpretation | 384 |
4 Ein Anwendungsbeispiel | 386 |
5 Zusammenfassung | 390 |
Literatur | 391 |
Gütekriterien der Messung: Reliabilität, Validität und Generalisierbarkeit | 392 |
1 Einleitung | 392 |
2 Reliabilität | 393 |
2.1 Definition | 393 |
2.2 Formen der Reliabilitätsprüfung | 394 |
3 Validität | 398 |
3.1 Definition | 398 |
3.2 Formen der Validitätsprüfung | 398 |
4 Generalisierbarkeit | 403 |
4.1 Definition | 403 |
4.2 Generalisierbarkeitsprüfung | 404 |
5 Zusammenfassung und Ausblick | 406 |
Literatur | 406 |
Bootstrapping und andere Resampling- Methoden | 408 |
1 Einführung | 408 |
2 Randomisierungs- und Permutationstests | 409 |
2.1 Grundprinzip | 409 |
2.2 Anwendungsbeispiel | 410 |
3 Jackknife | 411 |
3.1 Grundprinzip | 411 |
3.2 Anwendungsbeispiel | 412 |
4 Bootstrapping | 414 |
4.1 Grundprinzip | 414 |
4.2 Bestimmung von Standardfehler und Bias | 415 |
4.3 Anwendungsbeispiel für Standardfehler und Bias | 416 |
4.4 Bestimmung von Konfidenzintervallen | 417 |
4.5 Bootstrapping Regressionsmodelle | 419 |
4.6 Weitere Anwendungsmöglichkeiten des Bootstrapping | 420 |
5 Kritische Würdigung | 421 |
Literatur | 422 |
Ausgewählte Verfahren der Holdout- und Kreuzvalidierung | 424 |
1 Einführung | 424 |
2 Das Holdout-Verfahren | 425 |
2.1 Aufteilung von Datensätzen | 425 |
2.2 Ablauf der Schätzung nach dem Holdout-Verfahren | 426 |
2.3 Vor- und Nachteile des Holdout-Verfahrens | 430 |
3 Verfahren der Kreuzvalidierung | 430 |
3.1 Das Leave-One-Out-Verfahren | 430 |
3.2 Random-Subsampling und Delete-d-Kreuzvalidierung | 431 |
3.3 Die k-fache Kreuzvalidierung | 431 |
3.4 Optimale Anzahl an Wiederholungen | 432 |
4 Abschließende Bemerkungen | 432 |
5 Zusammenfassung | 433 |
Literatur | 433 |
Prognosegütemaße | 434 |
1 Einleitung | 434 |
2 Einfache Prognosegütemaße | 435 |
2.1 Grundformen | 435 |
2.2 Mischformen | 436 |
2.3 Alternativen zu Mittelwerten als Prognosegütemaße | 437 |
3 Normierte Prognosegütemaße | 438 |
3.1 Random Walk und Naive Prognose | 438 |
3.2 Theilscher Ungleichheitskoeffizient | 438 |
3.3 Prognosegütemaße auf Basis des Relative Absolute Error (RAE) | 441 |
4 Verbreitung und Beurteilung von Prognosegütemaßen | 442 |
4.1 Verbreitung von Prognosegütemaßen | 443 |
4.2 Beurteilung von Prognosegütemaßen | 444 |
5 Zusammenfassung | 446 |
Literatur | 446 |
Autoren | 448 |
Stichwortverzeichnis | 454 |
Zusätzliche Beiträge zum Buch Methodik der empirischen Forschung | 463 |