Menü
Start
Anmelden / Registrieren
Suche
 
Start arrow Betriebswirtschaft & Management arrow Erfolgsfaktoren für Innovation in Unternehmen
< Zurück   INHALT   Weiter >

5.5 Auswertung der Daten

Für die Findung von Dimensionen für Innovationsfähigkeit auf Basis der selektieren Items gibt es verschiedene Methoden, beispielsweise Clusteranalysen. Die hier am Besten passende ist jedoch die Faktoranalyse, da sie erlaubt, Konstrukte auf Basis von statistischen und inhaltlichen Merkmalen zu finden.

5.5.1 Vorgehen

Bevor eine Faktoranalyse angewendet wird gilt es festzustellen, ob alle Voraussetzungen gegeben sind:

Größe der Personenstichprobe

Zur Größe der Personenstichprobe gibt es verschiedene Meinungen. Diese reichen von einem Vielfachen der Items, über die Angabe einer absoluten Größe bis hin zu einer Anzahl basierend auf den Kommunalitäten der Items. Nunnally (1978) befindet beispielsweise, dass auf ein Item 10 Befragte kommen sollten. Andere, wie Kass & Tinsley (1979), schließen sich weitgehend an und postulieren, 5–10 Befragte pro Item sind ausreichend für eine stabile Lösung, befinden aber zudem, dass Tests mit mehr als 300 Items immer stabil sind.

Comrey & Lee (1992) erweitern diesen Ansatz und postulieren, dass 300 Befragte eine gute Größe ist, 100 schwach und 1000 außergewöhnlich gut. Weitere Ansätze machen die Größe der Datenbasis von den Kommunalitäten abhängig, wobei für niedrige Kommunalitäten (unter 0,5) die Datenbasis 500 Datenpunkte haben sollte (vgl. Field, 2005).

Fest steht, dass bei der gegebenen Datenbasis mit 85 Items und 732 Befragten nach allen gängigen Maßstäben eine ausreichende Größe gegeben ist, damit die Lösung als stabil einzustufen ist.

Hohe Variablenzahl

Für eine Faktoranalyse mit mehreren Faktoren ist es wichtig, dass die Gesamtzahl der Items deutlich über der potentiellen Anzahl der Faktoren liegt, damit mehrere Items auf einen Faktor geladen werden können. Eine Faktoranalyse mit 15 Items und 10 Faktoren würde beispielsweise nur bedingt Sinn machen, da schwerlich inhaltlich sinnvolle Faktoren gebildet werden können. 85 Items sind bis 15 Faktoren vollkommen ausreichend und es werden weniger aussagekräftige Faktoren erwartet.

KMO und Bartlett

KMO steht für das Kaiser-Meyer-Olkin Kriterium oder „measure of sampling adequacy“ (siehe Kaiser, 1970) und ist eine Prüfgröße, ob eine Faktoranalyse anzuwenden sinnvoll ist oder nicht (vgl. Kapitel 5.4.4). Zugrunde liegt die Korrelationsmatrix der Faktoranalyse. Die Werte der KMO können zwischen 0 und 1 liegen, wobei 0 für kein sinnvolles Muster in der Faktoranalyse spricht, 1 für eine differenzierte und verlässliche Analyse. Field (2005) fasst zusammen, dass in der Literatur ein Wert von kleiner 0,5 als inakzeptabel gesehen wird, ein Wert zwischen 0,5 und 0,7 als mittelmäßig, ein Wert zwischen 0,7 und 0,8 als gut, ein Wert zwischen 0,8 und 0,9 als sehr gut und darüber hinaus als hervorragend.

Der Wert des KMO liegt für die vorliegende Datenbasis bei 0,95 (siehe Tabelle 6); sie ist damit als hervorragend geeignet für eine Faktoranalyse einzustufen. Auch der Bartlett's Test, der über die Nullhypothese überprüft, dass die Variablen miteinander unkorreliert sind, ist deutlich signifikant.

Tabelle 6: KMO und Bartlett's Test

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

0.95

Bartlett's Test of Sphericity

Sig. 0

Des Weiteren ist zu entscheiden, wie die Faktoranalyse aufgesetzt werden soll; dazu gibt es verschiedene Dimensionen, die betrachtet werden müssen:

Methode der Analyse

Als Methode für die Faktorberechnung wurde die Hauptachsenanalyse (PAF) gewählt, da diese besonders geeignet ist, latente Variablen zu entdecken und in der Sozialpsychologie das meist genutzte Verfahren darstellt.

Rotation

Nach der Extraktion der Faktoren kann durch die Rotation der Faktoren die Ladung auf die einzelnen Faktoren optimiert werden, indem die Ladung und damit die erklärte Varianz auf den wichtigsten Faktoren maximiert wird. Dabei stellt sich die Frage, ob die Faktoren voneinander unabhängig (orthogonal) sind oder abhängig (oblique) sein dürfen. Vor der Rotation sind alle Faktoren unabhängig voneinander, orthogonale Rotation stellt sicher, dass dies so bleibt. Oblique Rotation erlaubt Korrelation zwischen den einzelnen Faktoren. Welche der beiden Rotationen gewählt wird hängt davon ab, ob die Erwartungshaltung ist, dass die einzelnen Faktoren miteinander korrelieren oder eben nicht. Im vorliegenden Fall werden Erfolgsfaktoren für Innovation gesucht beziehungsweise im ersten Schritt potentielle Faktoren. Zwei mögliche Themen sind „Führung“ und „Unternehmenskultur“. Sind diese beiden voneinander vollkommen unabhängig? Dies ist nicht zu erwarten. Gleiches gilt für die Themen „Organisation“ und „Innovationsprozess“. Beides wirkt zusammen, vollständige Unabhängigkeit ist nicht zu erwarten. Daher wurde entschieden, dass für die vorliegende Faktoranalyse ein obliques Rotationsverfahren gewählt wird, hier „Promax“, welches häufig in der Sozialpsychologie eingesetzt wird.

Fehlende Werte

Fehlende Werte stellen dank der umfassenden Imputation der Daten kein Hinderungsgrund dar. Alle Datenpunkte können auch für die Faktoranalyse genutzt werden.

Signifikanz der Ladungen

Eine wichtige Frage bleibt, ab welcher Ladung Signifikanz im Bezug zu einem Faktor gegeben ist. Dies hängt direkt mit der Anzahl der befragten Personen zusammen. Bei einer Grundgesamtheit von 600 Personen empfiehlt beispielsweise Stevens (1992) eine Ladung von größer als 0,21, bei 1000 Personen eine Ladung von mindestens 0,16, um eine Signifikanz von 0,01 zu erreichen. Im vorliegenden Beispiel ist die Grundgesamtheit 700 befragte Personen, daher wurden Ladungen, die geringer als 0,2 waren ausgeblendet und nur die höheren Ladungen betrachtet.

Die Grundfrage einer jeden Faktoranalyse ist, wie viele Faktoren extrahiert werden. Ausgangspunkt ist oft das Kaiser Kriterium, das besagt, dass alle Faktoren mit einem Eigenwert von mindestens 1 genutzt werden können. Allerdings gilt dieses Kriterium nur für hohe Kommunalitäten (nach Rotation). Beispielsweise müssten bei 250 befragten Personen die Kommunalitäten größer als 0,6 sein (vgl. Field, 2005). Im vorliegenden Fall ist die Datenbasis mit 732 befragten Personen größer als 250, die Kommunalitäten variieren aber stark und liegen mehrheitlich unter der geforderten Grenze von 0,6. Damit ist dieses Kriterium hier nicht anzuwenden, was sich in einer sehr hohen Zahl von Faktoren (19) mit Eigenwerten größer 1 niederschlägt. Die letzten dieser Faktoren sind jedoch nicht interpretierbar. Auf diese entfielen nur noch einzelne Items mit der oben definierten signifikanten Ladung von mindestens 0,2 und diese nur mit sehr geringen Ladungen.

Daher wurden auf Basis des „Scree plots“ verschiedene Anzahlen von Faktoren extrahiert, angefangen mit 3 Faktoren bis 9 Faktoren, und alle auf ihre inhaltliche und formale Stimmigkeit überprüft. Besonderes Augenmerk wurde darauf gelegt, wie die Faktoren sich aufspalten, um möglichst fundierte und grundlegende Dimensionen für potentielle Erfolgsfaktoren für Innovation zu finden. Dabei zeigte es sich, dass einige Faktoren sich länger der Aufspaltung widersetzten und dann in klar abzugrenzende Subfaktoren zerfielen, die verschiedene Dimensionen des ursprünglichen Faktors manifestieren. Andere Faktoren wiederum zerfielen in schwer interpretierbare Items und boten keinen weiteren inhaltlichen Wert durch die Aufspaltung. Ziel war es, die Anzahl der Faktoren zu optimieren, dass einerseits die einzelnen Faktoren ausreichend differenziert sind, andererseits aber keine schwer interpretierbaren „RestFaktoren“ bilden.

Dabei zeigte sich, dass bis zu einer Anzahl von 7 Faktoren inhaltlich neue und sinnvoll zu interpretierende Faktoren entstanden. Bei mehr als 7 Faktoren blieben diese 7 weitgehend stabil, die neuen Faktoren boten wenig neue Information oder beinhalteten nur wenige signifikante Items, weshalb entschieden wurde, ein Faktorenmodell mit 7 Faktoren zu wählen.

 
Fehler gefunden? Bitte markieren Sie das Wort und drücken Sie die Umschalttaste + Eingabetaste  
< Zurück   INHALT   Weiter >
 
Fachgebiet
Betriebswirtschaft & Management
Erziehungswissenschaft & Sprachen
Geographie
Informatik
Kultur
Lebensmittelwissenschaft & Ernährung
Marketing
Maschinenbau
Medien und Kommunikationswissenschaft
Medizin
Ökonomik
Pädagogik
Philosophie
Politikwissenschaft
Psychologie
Rechtswissenschaft
Sozialwissenschaften
Statistik
Finanzen
Umweltwissenschaften