Analyse Skalengüte - V ORBEREITENDE D ATENANALYSE

5 DATENANALYSE

5.1 V ORBEREITENDE D ATENANALYSE

5.1.4 Analyse Skalengüte

In der SHRM-Forschung wird in der Regel mit latenten Konstrukten gearbeitet. Latente Kon-strukte sind abstrakte Entitäten, die das wahre Wesen eines nicht-beobachtbaren Phänomens in der Empirie repräsentieren (vgl. Bagozzi & Phillips, 1982). Es gibt jedoch keine „perfek-ten“ Messungen für latente Konstrukte, so dass es in der Forschungspraxis häufig Reliabili-täts- und Validitätsprobleme gibt.

Die Reliabilität eines Konstrukts beschreibt dessen Zuverlässigkeit bzw. Messgenauigkeit im empirischen Einsatz. Wenn der wiederholte Einsatz einer Skala im Rahmen einer empirischen Untersuchung bei ein und demselben Objekt stets dieselben Messwerte liefert, kann von einer hohen Reliabilität der Skala gesprochen werden (vgl. Schnell et al., 2011). Die Reliabilität einer Skala wird in der Forschung üblicherweise mit dem Cronbachs Alpha-Koeffizienten ermittelt. Der Cronbachs Alpha-Koeffizient repräsentiert die durchschnittliche Korrelation der Items einer Skala unter der Voraussetzung, dass die Indikatoren eines Konstruktes bzw. einer Skala in zwei Hälften geteilt werden und die Summen der jeweiligen Hälften der Indikatoren miteinander korreliert werden (vgl. Schnell et al., 2011). Ein Alpha-Wert von 0,70 steht für eine Skala mit einer akzeptablen Reliabilität (vgl. Nunnally & Bernstein, 1994).

Hinsichtlich der Validität von Skalen werden in der Forschungspraxis die Inhaltsvalidität, Kriteriumsvalidität und Konstruktvalidität unterschieden. Die Inhaltsvalidität eines Kon-strukts ist dann gegeben, wenn alle Aspekte eines KonKon-strukts auch tatsächlich in der Skala berücksichtigt und damit das Wesen eines Konstrukts in Gänze abgebildet werden kann (vgl.

Schnell et al., 2011). Die Kriteriumsvalidität „bezieht sich auf den Zusammenhang zwischen den empirisch gemessenen Ergebnissen des Messinstrumentes und einem anders gemessenen empirischen („externen“) Kriterium“ (Schnell et al., 2011: 147). Die beiden vorgenannten Validitätsarten werden in der Forschungspraxis zu Gunsten der Konstruktvalidität vernachläs-sigt. Die Konstruktvalidität ist dann gegeben, wenn aufgrund der theoretischen Konzeptiona-lisierung des Konstrukts empirisch überprüfbare Aussagen über tatsächlich empirisch be-obachtbare Zusammenhänge getroffen und die postulierten Zusammenhänge in einer empiri-schen Untersuchung bestätigt werden können (vgl. Schnell et al., 2011).

Konfirmatorische Faktorenanalysen erlauben es, die Konstruktvalidität einer Skala bzw. die Passung eines theoretisch hergeleiteten Modells zu den im Rahmen einer empirisch durchge-führten Studie erhobenen Daten zu überprüfen (vgl. Bühner, 2008). Damit steht die konfirma-torische Faktorenanalyse der explorakonfirma-torischen Faktorenanalyse gegenüber, mit der das Ziel verfolgt wird, eine Struktur in einem Datensatz explorativ, also ohne Vorannahmen zur Struk-tur, zu ermitteln (vgl. Bühner, 2008). Mit einer konfirmatorischen Faktorenanalyse ist es da-her möglich, latente Variablen mit deren Indikatorvariablen in einen theoretisch fundierten kausalen Zusammenhang zu bringen (vgl. Bühner, 2008). Auf diese Weise kann überprüft werden, ob sich aus den einzelnen Fragen eines Fragebogens die gewünschten latenten Kon-strukte ableiten lassen, ohne diese direkt gemessen zu haben.

Für die vorliegende Studie wurden ausschließlich Skalen verwendet, die ein latentes Kon-strukt messen. Die dazu verwendeten Skalen wurden alle bereits im Rahmen von publizierten empirischen Studien genutzt und haben sich in diesen Studien bewährt (vgl. Kapitel 4.2.1).

Mit der Verwendung dieser Skalen lagen somit bereits a-priori Modellformulierungen über die Struktur der latenten Konstrukte vor, so dass die Struktur bzw. Dimensionalität der jewei-ligen Konstrukte nicht erst mittels einer exploratorische Faktorenanalyse identifiziert werden musste (vgl. Weiber & Mühlhaus, 2010). Stattdessen konnten die im Rahmen der Datenerhe-bung gemessenen Konstrukte mit einer konfirmatorischen Faktorenanalyse auf ihre Passung zu den vorliegenden Daten analysiert werden, was in den nachfolgenden Abschnitten be-schrieben wird. Von einer guten Passung bzw. einem guten Fit eines Modells kann dann ge-sprochen werden, wenn die Differenz zwischen der empirischen und der modelltheoretischen Varianz-Kovarianzmatrix minimal ist (vgl. Weiber et al., 2010).

Die Passung der modelltheoretischen Strukturmodelle zum empirischen Modell kann mittels verschiedener Indizes beurteilt werden. In der empirischen Forschung haben sich hierbei eine Reihe der sogenannten Fit-Indizes bewährt und in den Studien als besonders relevant heraus-gestellt (vgl. Backhaus, 2006; Bühner, 2008). Beauducel und Wittmann (vgl. 2005) empfeh-len die Verwendung des Chi-Quadrat-Test inklusive des p-Wertes, des RMSEA, SRMR so-wie des CFI. Diese Indizes werden in den nachfolgenden Kapiteln kurz theoretisch erläutert, bevor ab Kapitel 5.1.4.4 die Analyseergebnisse für die verwendeten Skalen dargestellt wer-den.

Grundsätzlich ist darauf hinzuweisen, dass konfirmatorische Faktorenanalysen nur bei einer ausreichend großen Anzahl von Fällen, d.h. mindestens 200 Fälle, durchgeführt werden soll-ten, um Verzerrungen in den Ergebnissen zu vermeiden (vgl. Barrett, 2007). In der vorliegen-den Studie liegen 209 beobachtete Fälle vor, so dass von einer ausreichend großen Anzahl von Fällen ausgegangen werden kann.

5.1.4.1 Inferenzstatistische Gütekriterien

Die nachfolgend dargestellten inferenzstatistischen Gütekriterien beschreiben die Ergebnisse von statistischen Tests des Fits der empirisch gewonnenen Varianzen und Kovarianzen im Vergleich zu den mit Hilfe der Parameterschätzer berechneten Varianzen und Kovarianzen (vgl. Weiber et al., 2010).

Chi-Quadrat-Test

Der Chi-Quadrat-Test entspricht einem Chi-Quadrat-Anpassungstest hinsichtlich der Null-hypothese gegen die AlternativNull-hypothese (vgl. Weiber et al., 2010). Er prüft, ob die empiri-schen und modelltheoretiempiri-schen Kovarianzmatrizen gleich sind (Nullhypothese) oder ob die empirische Varianz-Kovarianz-Matrix einer beliebig positiv definierten Matrix entspricht (Alternativhypothese) (vgl. Weiber et al., 2010). Dem Chi-Wert wird schließlich die Wahr-scheinlichkeit p zugewiesen, welche die WahrWahr-scheinlichkeit ausdrückt, dass die Ablehnung der Nullhypothese eine Fehlentscheidung darstellt (vgl. Weiber et al., 2010).

Heutzutage wird der Chi-Quadrat-Test hinsichtlich seiner zu großen Empfindlichkeit gegen-über Abweichungen der empirischen gegengegen-über der modelltheoretischen Kovarianzmatrizen bzw. aufgrund der Überprüfung des perfekten Fits der Kovarianzen kritisiert (vgl. Weiber et al., 2010). Es gibt daher die Empfehlung, den Chi-Quadrat-Test nicht als Hauptkriterium für die Entscheidung zur Verwendung eines Messmodells zu nutzen, da in der Forschungspraxis die Voraussetzungen hinsichtlich eines großen Stichprobenumfangs und der Normalverteilung für diesen Test oftmals nicht vorhanden sind. Es wird stattdessen vorgeschlagen, den Chi-Quadrat-Wert lediglich als deskriptives Gütekriterium zu interpretieren und mit den Frei-heitsgraden des Modells ins Verhältnis zu setzen (vgl. Weiber et al., 2010).

Verhältnis Chi-Quadrat-Wert zu den Freiheitsgraden des Modells

Da die Teststatistik des Chi-Quadrat-Tests anfällig hinsichtlich der Stichprobengröße und der Modellkomplexität ist, wird als Gütekriterium die Verwendung des Quotienten aus dem Chi-Quadrat-Wert und den Freiheitsgraden des Modells empfohlen. Ein guter Fit der empirischen und modelltheoretischen Kovarianzmatrizen wird durch einen Quotienten < 2,5 angezeigt (vgl. Homburg & Baumgartner, 1995).

Root-Mean-Square-Error-of-Approximation (RMSEA)

Ein weiteres Gütemaß, das die Probleme der Empfindlichkeit des Chi-Quadrat-Tests umgehen helfen lässt, ist der Root-Mean-Square-Error-of-Approximation. Er gibt Aufschluss darüber, wie gut die empirische Kovarianzmatrix die modelltheoretische Kovarianzmatrix approxi-miert (vgl. Weiber et al., 2010). Werte des RMSEA < 0,08 beschreiben einen akzeptablen Modell-Fit bzw. Werte < 0,05 einen guten Modell-Fit (vgl. Weiber et al., 2010). Bühner (2008) empfiehlt jedoch, die Größe der realisierten Stichprobe bei der Auswahl der Grenz-werte für den RMSEA zu berücksichtigen, weshalb er für Studien mit einem N < 250 einen Grenzwert von einem RMSEA kleiner gleich 0,08 empfiehlt, was für die vorliegenden Arbeit als Rahmenbedingung zutrifft.

5.1.4.2 Deskriptive Gütekriterien

Deskriptive Gütekriterien, wie das empfohlene Standardized Root Mean Square Residual, geben darüber Auskunft, ob eine Differenz zwischen einer empirischen und einer modelltheo-retischen Varianz-Kovarianzmatrix vernachlässigt werden kann (vgl. Weiber et al., 2010). Die im weiteren Verlauf des Abschnittes dargestellten Fit-Maße haben gegenüber den inferenzsta-tistischen Gütekriterien den Vorteil, dass sie keine stainferenzsta-tistischen Tests sind und damit relativ unempfindlich gegenüber den Effekten von Stichprobengrößen und Verletzungen der Mul-tinormalverteilungsannahme sind (vgl. Weiber et al., 2010).

Standardized Root Mean Square Residual (SRMR)

Mit dem Gütemaß „Standardized Root Mean Square Residual“ werden die quadratischen Abweichungen zwischen der empirischen und der modelltheoretischen Kovarianzmatrix mit der Komplexität des Modells, repräsentiert durch die Anzahl der erhobenen Indikatoren, ins

Verhältnis gesetzt (vgl. Weiber et al., 2010). Um Effekte durch die Skalierung der Indikatoren zu vermeiden, werden die quadrierten Differenzen durch das Produkt der empirischen Varian-zen der Indikatoren bereinigt (vgl. Weiber et al., 2010). Ein Standardized Root Mean Square Residual mit einem Wert < 0,10 gilt als akzeptabel (vgl. Weiber et al., 2010).

5.1.4.3 Inkrementelle Fitmaße zum Vergleich von Default und Independence Model

Im Rahmen der inkrementellen Fit-Maße wird ein grundlegender Modellvergleich erreicht, indem die empirisch erhobenen Daten mit einem sogenannten Independence Modell (Basis-modell) verglichen werden (vgl. Weiber et al., 2010). Das Basismodell stellt dabei ein Modell dar, das den schlechtesten Fit zu den empirischen erhobenen Daten erzielt.

Comparative Fit Index (CFI)

Ein Vergleich des empirischen Modells mit dem Basismodell wird im Rahmen des Compara-tive Fit Index unter Berücksichtigung der Freiheitsgrade des Modells durchgeführt (vgl.

Backhaus, Erichson, Plinke, & Weiber, 2000). Erreicht der Comparative Fit Index einen Wert

> 0,90, bedeutet dies, dass das empirische Modell besser zu den empirisch erhobenen Daten passt, als das Basismodell.

Im nächsten Kapitel werden die Ergebnisse der Analyse der Skalengüte hinsichtlich der Kon-struktvalidität und der Reliabilität der Konstrukte dargestellt. Hierzu werden die Ergebnisse der konfirmatorischen Faktorenanalyse zu den Skalen berichtet und das Ergebnis der Analyse des Cronbachs Alpha-Koeffizienten. Da sämtliche in der Arbeit verwendeten Skalen bereits eine oder mehrere empirische Validierungen erfahren haben, wurde stets darauf geachtet, möglichst wenige Modifikationen an den Skalen vorzunehmen, die womöglich die Inhaltsva-lidität der ursprünglichen Skalen gefährden könnten.

5.1.4.4 Analyse Validität HPWS Skala

Wie bereits erläutert, wurde die Skala zur Messung des HPWS im Rahmen einer empirischen Studie von Gong et al. (2009b) genutzt und im Journal of Applied Psychology publiziert. Die HPWS-Skala entspricht der Skala in der Studie von Gong et al. (2009b) und stellt mit ihrem System von Personalpraktiken ein typisches HPWS dar. Gong et al. (2009b) haben die Skala

aus den nachfolgenden sechs Faktoren erster Ordnung gebildet: Selektive Personalauswahl, extensive Mitarbeiterentwicklung, Karriereplanung und Beförderungspolitik, verhältnismäßig hohe erfolgsabhängige Bezahlung, regelmäßige Leistungsbeurteilung zum Zweck der Karrie-reentwicklung sowie Partizipationsmöglichkeiten in und durch Teams. Diese sechs Faktoren erster Ordnung laden wiederum auf einen übergeordneten Faktor zweiter Ordnung, dem Fak-tor HPWS. Jeder der sechs Unterdimensionen wurden sechs Fragen zugeordnet. Aufgrund der Neuartigkeit der Skala bestätigten Gong et al. (2009b) die Konstruktvalidität der Skala in ih-rer Arbeit sowohl durch eine exploratorische als auch durch eine konfirmatorische Faktoren-analyse. Zudem konnte eine akzeptable Reliabilität mit einem Cronbachs Alpha-Koeffizienten von 0,93 für die von Gong et al. (2009b) zu einer HPWS-Variablen zusammen-gefassten Unterdimensionen und Items der HPWS Skala ermittelt werden (vgl. Gong et al., 2009b).

Eine erste Analyse der Passung der empirischen Daten der vorliegenden Arbeit mit der Struk-tur der vollständigen Originalskala von Gong et al. (2009b) erbrachte eine Lösung, die nicht vollständig innerhalb der für diese Arbeit geltenden Grenzwerte für die Fit-Indizes lag (siehe Lösung 2. Ordnung, 6 Faktoren, 36 Item Lösung). Der CFI lag mit einem Wert von 0,871 unterhalb des Grenzwertes von 0,90. Die Reliabilität des Modells konnte jedoch mit einem Cronbachs Alpha-Koeffizienten von 0,915 als zufriedenstellend beurteilt werden.

Tabelle 19: Fit-Indizes Skala HPWS

Modell n χ² df p χ²/df RMSEA SRMR CFI Cronbachs α

Grenzwerte <2,5 <0,08 <0,10 >0,90 >0,7

2. Ordnung, 6 Faktoren, 31 Item Lösung

209 685,927 421 0,000 1,629 0,055 0,068 0,912 0,917

2. Ordnung, 6 Faktoren, 36 Item Lösung

209 1199,662 588 0,000 2,040 0,071 0,076 0,871 0,915

1 Faktor Modell,

36 Item Lösung ²⁰⁹ ^2048,300 ⁵⁹⁴ ^0,000 ^3,448 ^0,108 ^0,094 ^0,542 ^0,915

Zur Analyse der durch den nicht zufriedenstellenden CFI angedeuteten unvollständigen Pas-sung der empirischen Daten zum theoretischen Strukturmodell wurde die lokale AnpasPas-sungs-

Anpassungs-güte auf der Ebene der Items untersucht. Diese Untersuchung zeigte, dass die Kommunalitä-ten aller Items nicht innerhalb der geforderKommunalitä-ten Grenzen lagen und gaben daher Anlass zur Vermutung, dass im Modell mit einer Entfernung von schlecht ladenden Items eine signifi-kante Verbesserung der Fit-Werte erreicht werden könnte (vgl. Bühner, 2008; Comrey & Lee, 1992). Aus diesem Grund wurden die folgenden Items aus der Skala eliminiert:

Subskala „Selektive Personalauswahl“

Item 1 „Für die fünf Führungspositionen, für die unser Unternehmen am häufigsten einstellt, haben wir pro Position viele qualifizierte Bewerber“.

Die Kommunalität von 0,142 lag im eher schwachen Bereich.

Subskala „Karriereplanung und Beförderungspolitik“

Item 1 „In der Regel werden Führungspositionen in unserem Unternehmen intern besetzt.“

Die Kommunalität von 0,110 lag im eher schwachen Bereich.

Subskala „Verhältnismäßig hohe erfolgsabhängige Bezahlung“

Item 1 „Die individuelle Gesamtvergütung für Führungskräfte in unserem Unternehmen liegt über dem Marktdurchschnitt.“

Die Kommunalität von 0,152 lag im eher schwachen Bereich.

Item 4 „Die Führungskräfte halten einen großen Anteil der Aktien unserer Firma.“

Die Kommunalität von 0,056 lag im unzureichenden Bereich (vgl. Comrey et al., 1992).

Item 6 „Im Vergleich zu unseren engsten Wettbewerbern sind die durchschnittlichen Beschäf-tigungskosten pro Führungskraft größer.“

Die Faktorladung war mit p = 0,014 nicht auf dem gewünschten Signifikanzlevel von p <

0,001 signifikant.

Eine Entfernung von Fragen birgt stets die Gefahr, dass die Inhaltsvalidität des Konstruktes negativ beeinträchtigt wird und sollte dementsprechend sorgfältig durchgeführt werden (vgl.

Bühner, 2008). In den Subskalen „Selektive Personalauswahl“ sowie „Karriereplanung und Beförderungspolitik“ wurde lediglich ein Item eliminiert. In der Subskala „verhältnismäßig

hohe erfolgsabhängige Bezahlung“ wurden drei Items entfernt. Durch diese Bereinigungs-maßnahmen konnte die Passung des Modells signifikant verbessert werden, so dass der in der ursprünglichen Lösung zu niedrige CFI Wert auf 0,912 erhöht werden konnte und damit in-nerhalb der vorgegebenen Grenzen lag. Die Faktorladungen der einzelnen Items waren je-weils statistisch signifikant (p < 0,001) und lagen zwischen 0,436 und 0,838, was nach Com-rey und Lee (1992) für gute bis exzellente Faktorladungen spricht. Auch die Kommunalitäten der Items lagen mit einer Spannbreite von 0,252 bis 0,733 im eher guten bis exzellenten Be-reich (vgl. Comrey et al., 1992). Die Bereinigungsmaßnahmen wirkten sich auch positiv auf die Reliabilität der Gesamtskala aus, so dass sich der Cronbachs Alpha-Koeffizient mit 0,917 in der Lösung „2. Ordnung, 6 Faktoren, 31 Items“ steigern ließ.

Um tatsächlich auszuschließen, dass die Bereinigungsmaßnahmen keinen grundsätzlichen Einfluss auf die Ergebnisse der Arbeit hatten, wurden sämtliche Hypothesentests auch mit der unbereinigten HPWS Skala durchgeführt. Die Ergebnisse beider Hypothesentests blieben bis auf eine geringfügige Veränderung der Effektstärke gleich. Dieses Ergebnis bestätigte die Entscheidung, die modifizierte Skala für die Hypothesentests zu verwenden.

5.1.4.5 Analyse Validität Skala Klima für Eigeninitiative

Die Skala zur Messung des Klimas für Eigeninitiative wurde im Rahmen einer empirischen Studie von Baer et al. (2003) entwickelt und getestet. Die Skala wurde von Baer et al. (2003) auf der Basis einer Skala zur Messung des persönlichen Initiativverhaltens von Frese et al.

(1997) konzipiert und sprachlich so angepasst, dass die Skala auf der organisationalen Ebene verwendet werden konnte (vgl. Baer et al., 2003). In der Studie von Baer et al. (2003) erreich-te die Skala eine Reliabilität in Höhe eines Cronbachs Alpha-Koeffizienerreich-ten über 0,94.

Zur Analyse der Validität der Skala „Klima für Eigeninitiative“ wurde ein einfaktorielles Modell konstruiert, in dem alle sieben Items auf eine latente Variable zurückgeführt wurden.

Das Modell zeigt auf allen Fit-Indizes akzeptable Werte.

Tabelle 20: Fit-Indizes Skala Klima für Eigeninitiative

Modell n χ² df p χ²/df RMSEA SRMR CFI Cronbachs α

Grenzwerte <2,5 <0,08 <0,10 >0,90 >0,7

7 Item Lösung ²⁰⁹ ^18,525 ¹¹ ^0,070 ^1,684 ^0,057 ^0,028 ^0,991 ^0,905

Auch im Hinblick auf die lokale Anpassungsgüte lässt sich feststellen, dass alle Faktorladun-gen signifikant (p < 0,001) waren und von 0,642 bis 0,836 reichten. Die Kommunalitäten der Items lagen im guten (> 0,30) bis exzellenten Bereich (> 0,50) der erklärenden Varianz (vgl.

Comrey et al., 1992).

Ein Cronbachs Alpha-Koeffizient von 0,905 zeigte zudem eine gute Reliabilität der Skala, so dass die Skala aufgrund der ausschließlich guten Gütemaße ohne Bedenken für die weiteren Analysen im Verlauf der Arbeit verwendet wurde.

5.1.4.6 Analyse Validität Skala Umweltdynamik

Die Skala „Umweltdynamik“ entstammt aus der Skala „Environmental Turbulence“ von Zahra et al. (2000). Die Autoren haben zur Entwicklung dieser Skala eine etablierte Skala von Miller und Friesen (1982) verwendet und die ursprünglich in Gegensatzpaaren konzipierte Skala in einzelne Aussagen umformuliert. Die Umweltdynamik wird über fünf Items gemes-sen und erreichte in der Studie von Zahra et al. (2000) einen Cronbachs Alpha-Koeffizienten von 0,72.

Die konfirmatorische Analyse des einfaktoriellen Modells, in dem alle fünf Items auf eine Variable zurückführen, brachte akzeptable Fit-Indizes.

Tabelle 21: Fit-Indizes Skala Umweltdynamik

Modell n χ² df p χ²/df RMSEA SRMR CFI Cronbachs α

Grenzwerte <2,5 <0,08 <0,10 >0,90 >0,7

5 Item Lösung ²⁰⁹ ^6,539 ³ ^0,088 ^2,180 ^0,075 ^0,021 ^0,991 ^0,821

Auch im Rahmen der Maße zur Ermittlung der lokalen Anpassungsgüte zeigten sich akzep-table Werte. Die Faktorladungen reichten von 0,553 bis 0,905 und waren alle signifikant (p < 0,001). Die Kommunalitäten der Items bewegten sich im guten Bereich (> 0,30) bis ex-zellenten Bereich ( > 0,50) (vgl. Comrey et al., 1992).

Die Reliabilität mit einem Cronbachs Alpha-Koeffizienten von 0,821 verbesserte sich gegen-über der in der Studie von Zahra et al. (2000) berichteten Reliabilität deutlich.

Aufgrund der akzeptablen Maße zur Skalengüte und Reliabilität wurde die Skala im weiteren Verlauf der Arbeit verwendet.

5.1.4.7 Analyse Validität Skala kollektives exploratives Verhalten

Die das kollektive explorative Verhalten repräsentierende Skala wurde von Covin und Slevin (1989) als „strategic posture“ Skala entwickelt und enthält die drei Subskalen „Innovationso-rientierung“, „Proaktivität“ und „Risikoorientierung“. Zur Entwicklung dieser Skala bedien-ten sich Covin und Slevin (1989) bei bestehenden Skalen von Miller und Friesen (1982) so-wie bei Khandwalla (1977). Darüber hinaus vervollständigten die Autoren die Skala mit selbst entwickelten Items (vgl. Covin et al., 1989). Eine von den Autoren durchgeführte ex-ploratorische Faktorenanalyse brachte das Ergebnis, dass alle drei Subskalen auf einen Faktor laden, so dass die Skala zusammengefasst wurde (vgl. Covin et al., 1989). Bezüglich der Re-liabilität der Skala wurde ein Cronbachs Alpha-Koeffizient von 0,87 ermittelt (vgl. Covin et al., 1989).

Im Rahmen der vorliegenden Studie wurden zur Ermittlung des latenten Faktors „kollektives exploratives Verhalten“ zwei mögliche Modelle mittels der konfirmatorischen Faktorenanaly-se überprüft: Zum einen ein einfaktorielles Modell mit allen Items der Ursprungsskala und zum anderen ein dreifaktorielles Modell zweiter Ordnung mit allen Items der Ursprungsskala sowie mit einer aufgrund einer geringen Kommunalität eines Items auf acht Items reduzierten Skala. Das Modell zweiter Ordnung entspricht dem ursprünglichen Verständnis des Konstruk-tes der Autoren, wonach die drei Unterfaktoren auf einen übergeordneten Faktor laden (vgl.

Covin et al., 1989).

Das einfaktorielle Modell mit allen neun Items der Ursprungsskala lag bei allen Fit-Indizes über den geforderten Grenzwerten. Aufgrund dieser Tatsache wurden die lokalen Anpas-sungsmaße der Items analysiert. Dabei stellte sich heraus, dass in der Subskala „Proaktivität“

das Item 1 „Verglichen mit unseren Konkurrenten… reagiert unser Unternehmen typischer-weise auf Aktivitäten unserer Konkurrenten vs. ergreift unser Unternehmen typischertypischer-weise Aktivitäten, auf die unsere Konkurrenten dann antworten“ eine sehr geringe Kommunalität von 0,098 aufwies, die nach Comrey (vgl. 1992) als unzureichend zu beurteilen ist. Aufgrund der schwachen lokalen Anpassungsgüte des Items 1 in der Unterdimension „Proaktivität“

wurde diese Frage aus der Skala entfernt. Die Entfernung dieses Items wirkte sich positiv auf die Reliabilität der Gesamtskala aus, so dass der Cronbachs Alpha-Koeffizient von ursprüng-lich 0,779 auf 0,786 stieg. Diese Verbesserung der Reliabilität der Gesamtskala wurde schließlich als Rechtfertigung verstanden, in der weiteren Analyse das Strukturmodell mit der reduzierten Skala bzw. die acht Items umfassende Skala zu überprüfen.

Tabelle 22: Fit-Indizes Skala kollektives exploratives Verhalten

Modell n χ² df p χ²/df RMSEA SRMR CFI Cronbachs α

Grenzwerte <2,5 <0,08 <0,10 >0,90 >0,7

2. Ordnung, 3 Faktoren, 8 Item Lösung

209 21,037 17 0,225 1,237 0,034 0,035 0,991 0,786

1 Faktor Modell,

9 Item Lösung ²⁰⁹ ^162,484 ²⁷ ^0,000 ^6,018 ^0,155 ^0,102 ^0,739 ^0,779

Die Analyse der reduzierten Skala zeigte für die dreifaktorielle Lösung erster Ordnung mit acht Items im Vergleich zum einfaktoriellen Modell mit neun Items bessere Fit-Indizes.

Sämtliche Faktorladungen zwischen den Items und den drei Faktoren waren statistisch signi-fikant (p < 0,001) und lagen zwischen 0,328 sowie 1,309. Nach Bühner (2008) können stan-dardisierte partielle Regressionsgewichte, die deutlich über 1 liegen, auf Schätzprobleme hinweisen, Werte knapp über 1 hingegen gelten in der Regel als unbedenklich. Die Kommu-nalitäten der Items auf die übergeordneten Faktoren lagen zwischen 0,107 und 0,628. Um die Skala nicht um weitere Items zu verkleinern und damit Gefahr zu laufen, essentielle inhaltli-che Aspekte des Konstruktes im Sinne der Inhaltsvalidität zu verlieren, wurde darauf

verzich-tet, das Item 1 (Subskala „Innovationsorientierung“) „Generell favorisiert das Top Manage-ment meines Unternehmens... eine starke Betonung des Marketings von bewährten Produkten oder Dienstleistungen vs. eine starke Betonung von Forschung und Entwicklung, Technolo-gieführerschaft und Innovationen“ mit seiner niedrigen Kommunalität von 0,107 zu eliminie-ren. Schließlich lieferte die so entstehende acht Items umfassende dreifaktorielle Skala zwei-ter Ordnung durchweg sehr gute Ausprägungen der globalen Gütemaße inklusive eines akzep-tablen Cronbachs Alpha-Koeffizienten. Dieses Vorgehen im Einzelfall steht im Einklang mit

Im Dokument High Performance Work Systems und Unternehmenserfolg : Eine empirische Studie zu Mediations- und Moderationseffekten (Seite 146-161)