3.4 Datenaufbereitung (S. 93-94)

Die mittels der standardisierten Interviews erhobenen Daten wurden anschließend manuell durch die Interviewer erfasst. Hierzu wurde eine Microsoft-Excel-Datenmaske verwendet. Die Daten wurden anschließend in einer Datei zusammengeführt und in SPSS 14.0 importiert. Vor der eigentlichen Analyse erfolgte eine Überprüfung der Rohdatenmatrix auf Fehler in der Kodierung. Hierfür wurde bei 398 Fragebögen (14,4% der Fälle) die Eingabe vollständig überprüft. Insgesamt wurden im Rahmen dieser Prüfung 424 Kodierungsfehler ermittelt (dies entspricht 0,9% der insgesamt kontrollierten Datenpunkte) und die Eingaben entsprechend korrigiert. Ferner wurde die Rohdatenmatrix auf Kodierungsfehler in der Form von Variablenwerten, die außerhalb der vorgegebenen Kodierungsmöglichkeiten lagen, überprüft. Hierzu wurden die Häufigkeitsverteilungen jeder Variablen betrachtet. Angesichts der wenigen bei der Datenprüfung festgestellten Kodierungsfehler kann davon ausgegangen werden, dass im gesamten Datensatz kaum falsch kodierte Werte vorliegen.

Im Rahmen empirischer Untersuchungen treten häufig fehlende Werte (Missing Values) im Datensatz auf. Diese können beispielsweise dadurch entstehen, dass Probanden ein Interview abbrechen beziehungsweise eine oder mehrere Fragen nicht oder nicht vollständig beantworten (können). Im Rahmen der in dieser Untersuchung angewendeten Analyseverfahren, insbesondere der Cluster- und der Kausalanalyse kann dies ein zentrales Problem darstellen. Es ist daher erforderlich, ein geeignetes Verfahren zur Handhabung der fehlenden Werte zu finden. 456 Grundsätzlich lassen sich zwei Strategien zur Behandlung fehlender Werte differenzieren. Einerseits können fehlende Werte als solche erhalten bleiben und die Datenauswertung mit einer unvollständigen Datenmatrix fortgesetzt werden.457 Diese so genannten Eliminierungsverfahren sind sehr einfach in der Handhabung und überdies meist in gängige Statistiksoftwarepakete integriert.

Dieser Vorteil wird jedoch durch eine Verringerung des Stichprobenumfangs und den damit einhergehenden Informationsverlust erkauft, was im ungünstigsten Fall dazu führen kann, dass eine sinnvolle Schätzung der Modellparameter nicht mehr möglich ist.458 Eine andere Möglichkeit stellt die Vervollständigung des Datenmaterials durch geeignete Schätzwerte für die fehlenden Werte dar.459 Derartige Imputationsverfahren weisen vor allem den Vorteil auf, dass eine Reduzierung des Stichprobenumfangs und damit ein erheblicher Informationsverlust vermieden werden.460 Je nach Wahl des Imputationsverfahrens kann es allerdings zur Varianzreduktion oder zur Verzerrung der Schätzer kommen.461 Aufgrund der genannten Vor- und Nachteile beider Verfahren wurde in der vorliegenden Untersuchung eine Kombination aus Eliminierungs- und Imputationsverfahren vorgenommen. Hierbei ist nach der Datenbasis für die beiden untersuchten Kausalmodelle zu unterscheiden, da diese mit unterschiedlichen Fragebögen erhoben wurden.

In das Kausalmodell für den Einfluss von Eigenschaften des Empfehlungsgebers auf die Kaufrelevanz der Weiterempfehlung fließen insgesamt 17 manifeste Variablen ein. Von den insgesamt 1.541 Probanden, die zu diesem Themenbereich befragt wurden, weisen 1.249 Datensätze fehlende Werte auf, das heißt lediglich 292 Probanden haben alle Fragen vollständig beantwortet. Bei einer genaueren Überprüfung der Zusammensetzung dieser außerordentlich hohen Anzahl an Datensätzen mit fehlenden Werten fällt auf, dass der überwiegende Teil (N=1.105) dadurch zustande kommt, dass die Probanden eine der beiden Filterfragen „Haben Sie für Ihr letztes Urlaubsziel eine Empfehlung bekommen?" beziehungsweise „Können Sie den für Sie wichtigsten Empfehlungsgeber näher beschreiben?" mit „nein" beantwortet haben, und ihnen folglich die Fragen bezüglich der Person des von ihnen in Anspruch genommenen Empfehlungsgebers nicht gestellt wurden. Daher treten bei diesen Probanden 15 und mehr fehlende Werte auf.

Diese Fälle mit systematisch auftretenden fehlenden Werten wurden eliminiert. Bei den übrigen 436 Datensätzen sind lediglich einzelne fehlende Werte zu verzeichnen. Hier wurden die Missing Values durch die Variablenmittelwerte ersetzt, da dieses Verfahren sowohl durch das Softwarepaket SPSS 14.0 als auch durch das zur Durchführung der Strukturgleichungsanalyse eingesetzte Softwareprogramm SmartPLS 2.0 von RINGLE ET AL. (2005) unterstützt wurde.