Methodik

Ein besonderes Merkmal der vorliegenden kumulativen Dissertationsschrift ist die Verwendung eines breiten Methodenspektrums. Es wird großen Wert darauf gelegt, verschiedenartige empirische Verfahren anzuwenden, um der Komplexität der Ziel-setzungen vorliegender Ausarbeitungen gerecht zu werden. Der Fokus liegt auf einem quantitativ-deskriptiven Forschungsansatz. Daneben wird zusätzlich ein experimentel-les Design als Untersuchungsmethode herangezogen. Auch die Bandbreite der Aus-wertungsverfahren ist vielfältig. So werden univariate sowie multivariate Datenanaly-sen vorgenommen. Neben einem t-Test, als univariates Testverfahren, werden zudem Varianz- und Regressionsanalysen sowie Strukturgleichungsmodellierungen, als mul-tivariate Analysemethoden, berechnet.

Forschungsbeitrag 1 basiert auf einer sehr großen Stichprobe von 119.829 quantitativ

erhobener Befragungseinheiten eines bekannten deutschen Meinungsforschungsinsti-tuts. Zur Vorbereitung auf die Hypothesentests werden die verschiedenen Internetka-näle, dessen Nutzungsintensität erfragt werden, in Anlehnung an Blank und Groselj (2014), in drei Kategorien geclustert. Da die Nutzungsintensität auf ordinären Mess-skalen abgefragt wird, kommen für den Vergleich der EA mit der Mehrheit der deut-schen Bevölkerung die nichtparametrideut-schen Tests Mann-Whitney-U-Test und Welch-Test (Welch, 1938) zur Anwendung. Der Empfehlung von Rasch et al. (2011) folgend, wird der Welch-Test anstelle eines Student`s t-Test verwendet. Dieses Verfahren weist mehr Kontrolle über den Fehler 1. Art aus als ein flexibler Ansatz, der zwischen dem Student’s t-Test und dem Welch-Test entsprechend der Gleichheit oder Ungleichheit der Varianzen wechselt (Ruxton, 2006).

Um die Fragestellungen des Forschungsbeitrags 2 bezüglich der Auswirkungen unter-schiedlicher Arten negativen eWOMs zu ergründen, wird ein experimentelles Setting in Form einer quantitativen Online-Befragung umgesetzt. Die verwendete Form zeich-net sich durch eine randomisierte Vorher-Nachher-Messung dreier Experimentalgrup-pen unter Einbezug einer Kontrollgruppe aus. Die drei ExperimentgrupExperimentalgrup-pen werden jeweils einem der drei manipulierten Stimuli (verschiedenen Arten negativer Kunden-rezensionen) ausgesetzt, während die Kontrollgruppe ohne diese Manipulation aus-kommt. Zusammenfassend kommt ein randomisiertes faktorielles Design mit wieder-holten Messungen und drei unabhängigen Variablen (konstruktive, ethische und de-struktive Kritik) sowie einer abhängigen Variable (Produkteinstellung) zur Anwen-dung. Auf Grundlage dieses between-subjects Design können die unterschiedlichen Gruppen hinsichtlich ihrer Einstellung zum Untersuchungsgegenstand (Laptop) unter-sucht werden. Um die Konsistenz der Einstellungsänderung zu prüfen und eine Aus-sage darüber treffen zu können, welche Art im Internet geäußerter Kritik am schwie-rigsten zu revidieren ist, wird im zweiten Teil der Erhebung auf ein mixed between-within subjects Design zurückgegriffen. An dieser Stelle werden nicht nur die einzel-nen Gruppen miteinander verglichen, sondern auch Veränderungen innerhalb der Gruppen betrachtet.

Multivariate Analysemethoden bestimmen das Vorgehen der Forschungsbeiträge 3 bis 5. Die dazu modellierten Forschungsmodelle werden hinsichtlich ihrer korrelativen Zusammenhänge zwischen abhängigen und unabhängigen Variablen überprüft. Da die

Untersuchungsschwerpunkte darauf fixiert sind zu bestimmen, ob eine bestimmte Va-riable (ModeratorvaVa-riable) die Größe der Wirkung einer PrädiktorvaVa-riable (unabhän-gige Variable) auf eine Kriteriumsvariable (abhän(unabhän-gige Variable) beeinflusst, gelten Moderationsanalysen als geeignete Analyseform (Baron & Kenny, 1986; Hayes, 2013). Im Fall des Forschungsbeitrags 3 wird hypothetisiert, dass die Zugehörigkeit zu einer Generation als Moderator anzusehen ist. Die statistische Analyse muss dem-nach den differentiellen Effekt der unabhängigen auf die abhängige Variable als Funk-tion des Moderators messen (Baron & Kenny, 1986). Zu diesem Zweck wird ein In-teraktionsterm als multiplikative Verbindung zwischen der jeweiligen unabhängigen Variablen und der Generationszugehörigkeit – operationalisiert als dichotome Dummy-Variable 0/1 – gebildet und in das Regressionsmodell integriert (Aiken &

West, 1991; Cohen & Cohen, 2003). Ein Moderatoreffekt tritt auf, wenn der Interak-tionsterm innerhalb der Regressionsanalyse sowie die Veränderung der Menge der er-klärten Varianz der abhängigen Variable signifikant sind (Aiken & West, 1991; Cohen

& Cohen, 2003; Hayes, 2013).

Da in den Forschungsbeiträgen 4 und 5 nicht nur Moderationseffekte, sondern auch auf bestehenden Theorien basierte komplexe Zusammenhänge zwischen Variablen in einem linearen Gleichungssystem untersucht werden, werden zur Validierung der Be-ziehungsverflechtungen kovarianz-basierte Strukturgleichungsmodelle verwendet.

Dies führt im Vergleich zum Forschungsbeitrag 3 zu einem divergierenden Vorgehen bei den Moderatoranalysen.

Die Untersuchung des Kulturvergleichs im Forschungsbeitrag 4 orientiert sich an ei-nem von Chin (2000) vorgeschlagenen Verfahren zur Berechnung eines Moderatoref-fektes. Nach diesem kann ein eben solcher Effekt durch den Vergleich der Pfadkoef-fizienten jeder Gruppe analysiert und paarweise t-Tests zur Überprüfung der Signifi-kanz berechnet werden. Hierzu wird in einem ersten Schritt ein Test auf Invarianz, durch einen χ² Wertevergleich (und die Freiheitsgrade) für das unrestringierte Modell und das vollständig restringiertes Modell, durchgeführt. Da die Standardfehler in bei-den Gruppen ungleich waren, schlägt Chin (2000) zur Berechnung der Moderation die Verwendung eines t-Test auf Grundlage der nicht standardisierten Pfadkoeffizienten und der entsprechenden Standardfehler vor.

Um den moderierenden Einfluss der Erfahrungen im Wertpapierhandel auf die

Nut-zungsabsicht von Social Trading zu untersuchen, wird auf eine Mehrgruppen-Kausa-lanalyse innerhalb eines Strukturgleichungsmodells zurückgegriffen. Dieses Vorge-hen berücksichtigt im Vergleich zu einer moderierten Regressionsanalyse die Bezie-hung zwischen latenten Konstrukten (Homburg & Giering, 2001). Äquivalent zum oben bereits beschriebenen Vorgehen müssen die Modelle hinsichtlich ihres χ² Unter-schiedes, der als Indikator für Unterschiede der Modelanpassung dient, verglichen werden. Dazu wird ein unrestringiertes Modell mit einem Modell verglichen, in dem der Parameter dessen Nicht-Invarianz getestet werden soll restringiert wird. Um zu analysieren, wie sich der χ² Wert verändert, wird demnach ein Modell als Basismodell festgelegt und der jeweilige Beta-Koeffizient dieses Modells durch den entsprechen-den Beta-Schätzer des Referenzmodells restringiert. Die Signifikanz der Differenz des χ² zwischen dem vorher frei geschätzten und des restringierten Modells gibt Auf-schluss über einen Moderationseffekt.