Untersuchung von Zusammenhangsannahmen

Verfahren zurückgegriffen. Beim Linkage-Verfahren werden Objekte zu Gruppen zusam-mengefasst, die sich bei den untersuchten Merkmalen am wenigsten unterscheiden. Auch das Ward-Verfahren verfolgt das Ziel, möglichst homogene Gruppen zu bilden. Allerdings ist nicht die Objektdistanz bei der Clusterbildung entscheidend, sondern wie sehr sich die Vari-anz der Merkmalsausprägungen innerhalb der Gruppe durch Aufnahme weiterer Objekte vergrößert (s. Fußnote 7). Eine statistisch zweckmäßige Lösung weist eine interpretierbare Clusteranzahl bei zugleich moderater Merkmalsheterogenität innerhalb der Cluster auf (Feh-lerquadratsummen). Hinweise dazu, wie viele Cluster gebildet werden können liefert (neben dem Dendrogramm) der Ort des Anstiegs der clusterbezogenen Fehlerquadratsummen. In-wieweit sich daraus statistische genaue und interpretierbare Ergebnisse ergeben, wird kon-trovers diskutiert. Dem Ward-Verfahren wird bei aller Unschärfe jedoch eine ausreichende Zuverlässigkeit für die Identifikation einer statistisch geeigneten Clusteranzahl beigemessen (Brosius, 2004). Neben statistischen Kriterien sind es insbesondere sachlogische und inhalt-liche Argumente, auf deren Basis die Bestimmung der geeigneten Clusteranzahl in der vor-liegenden Untersuchung erfolgt.

Validität der Gruppeneinteilung. Die am Organisationendatensatz ermittelte Gruppierung wird auf den Einsatzkräftedatensatz übertragen. Mit Diskriminanzanalysen wird der Erklä-rungsbeitrag der Gruppeneinteilung an der Varianz der Ausprägung bei den Organisations-merkmalen überprüft. Indikatoren der Güte der Gruppenbildung sind die Eigenwerte der Dis-kriminanzfunktionen (Varianzerklärung durch die Diskriminanzfunktion) und Wilks Lambda (Anteil der durch die Diskriminanzfunktion nicht erklärten Varianz). Die Gruppenbildung wird als zweckmäßig eingeschätzt, wenn Wilks Lambda signifikant ist (chi-Quadrat-Test).

Zusammenfassend wird der explorativen Fragestellung: „Welche Gruppenlösung ist im Ret-tungsdienst auf der Basis der unterschiedlichen Ausprägung von Organisationsklimamerk-malen (Anforderungen und Ressourcen) plausibel?“ in einem dreistufigen Verfahren nach-gegangen: Bestimmung der geeigneten Clusteranzahl durch die Berechnung hierarchischer Clusteranalysen (Ward-Verfahren), Gruppenbildung in Clusterzentrenanalysen unter Vorga-be der Clusteranzahl, ÜVorga-berprüfung der Zweckmäßigkeit der Gruppierung in Diskriminanzana-lysen. Die Gruppenbildung ist umso geeigneter, je mehr Varianz sie bei der Ausprägung der Organisationsklimamerkmale erklärt.

8.5.2 Untersuchung von Zusammenhangsannahmen mit

zurück auf die ursprünglich von Wright (1934) beschriebene Pfadanalyse und erweitert die-se. Dieses Verfahren ermöglicht die Untersuchung von Zusammenhängen zwischen mani-festen, direkt beobachtbaren Variablen und latenten, nicht direkt beobachtbaren Variablen (Messmodelle) und zugleich zwischen exogenen (unabhängigen) und endogenen (abhängi-gen), messfehlerbereinigten latenten Variablen (Strukturmodell). Es kombiniert klassische Faktoren- und Regressionsanalysen (Hildebrandt & Görz, 1999). In konfirmatorischen Pfad-analysen wird das theoretische bzw. empirische Rahmenmodell vorgegeben und damit auch, welche Konstrukte wie miteinander in Beziehung stehen. Es interessiert einerseits, ob die postulierten Zusammenhänge tatsächlich erkennbar werden. Andererseits wird die Überein-stimmung der theoretisch angenommenen Modellstruktur mit dem Satz empirischer Korrela-tionen verglichen (Anpassungsgüte des Modells).

Häufig wird im Zusammenhang mit konfirmatorischen Pfadanalysen auch von Kausalanaly-sen gesprochen, also von Verfahren, die ursächliche Beziehungen zwischen Variablen auf-zeigen können. Bei der vorliegenden Untersuchung handelt es sich allerdings um eine Quer-schnittsstudie, in der lediglich das zeitgleiche Auftreten von Merkmalen und eine vergleichbare Variabilität von Merkmalsausprägungen erfasst werden können, nicht jedoch kausale Beziehungen. Ferner wird darauf hingewiesen, dass mit konfirmatorischen Pfadana-lysen kein Beweis für Kausalität geführt werden kann, weil sehr unterschiedliche Kausalmo-delle, auch mit konkurrierenden Annahmen, mit ein und dem selben Satz empirischer Korre-lationen übereinstimmen können. Zudem lässt die Art der Modelltests keine Rückschlüsse auf das Zutreffen eines Modells zu, sondern es kann lediglich gezeigt werden, ob ein Modell falsifiziert werden muss bzw. nicht in ausreichendem Maß mit den empirischen Daten im Einklang steht. Die Pfadkoeefizienten (s. 8.5.2.1) geben somit die Stärke kausaler Zusam-menhänge an, wenn das Kausalmodell zutrifft (MacCallum, Wegener, Uchino & Fabrigor, 1993, Bortz & Döring, 2003). Die konfirmatorischen Pfadanalysen werden mit dem Software-paket AMOS 16.0 durchgeführt (Arbuckle, 2007).

8.5.2.1 Grundlagen und Komponenten konfirmatorischer Pfadmodelle

Ein konfirmatorisches Pfadmodell setzt sich aus zwei Typen von Submodellen zusammen:

Dem/den Messmodell(en) und dem Strukturmodell. Messmodelle enthalten die empirischen Indikatoren, die latente Variablen möglichst eindeutig abbilden sollen (faktorenanlytische Komponente). Die Verknüpfung latenter Variablen erfolgt durch Pfade in Strukturmodellen (regressionsanalytische Komponente).

Abbildung 26 enthält die Komponenten konfirmatorischer Pfaddiagramme: Mess- und Struk-turmodell. Die latente exogene unabhängige und endogene abhängige Variable wird durch empirisch beobachtbare Indikatoren (manifeste Variablen) vorhergesagt (x- und

y-Va-riablen). In konfirmatorischen Pfadanalysen werden Messfehler manifester exogener (δ, Del-ta) und endogener Variablen (ε, Epsilon) berücksichtigt. Die latente exogene Variable (unab-hängige, im Modell nicht erklärte Variable ξ, Ksi) ist mit endogenen (abhängigen) latenten Variablen (η, Eta) durch einen Pfad (γ, Gamma) verknüpft. Der nicht durch die exogene Vari-able vorhergesagte Varianzanteil der endogenen latenten VariVari-able wird über eine Residual- bzw. Fehlervariable erfasst (ζ, Zeta). Pfadkoeffizienten zwischen manifesten und latenten Variablen (λ, Lambda) geben Auskunft über den Erklärungsbeitrag der manifesten Variablen an der latenten Variable (vergleichbar mit Ladungskoeffizienten in explorativen Faktorenana-lysen). Ein Pfad zwischen endogener und exogener latenter Variable unterstellt einen linea-ren Zusammenhang. Beziehungen zwischen den latenten Variablen in konfirmatorischen Pfadmodellen errechnen sich aus der Kovarianz zwischen den empirischen Indikatoren. Die Pfadkoeffizienten zwischen exogenen und endogenen latenten Variablen (γ, Gamma) lassen sich wie B- (unstandardisierte Lösung) bzw. β- Koeefizienten (standardisierte Lösung) in Regressionsanalysen interpretieren. Pfade zwischen endogenen Variablen erhalten die No-tation β (beta). Wie eng die Beziehung der Variablen ist, kann anhand des standardisierten Regressionsgewichts beurteilt werden (0,1-0,3 schwacher Zusammenhang, 0,3-0,5 mittlerer Zusammenhang, >0,5 hoher Zusammenhang, s. Cohen, 1988). Die statistische Signifikanz eines Pfadkoeffizienten weist außerdem auf die Bedeutung von Pfadkoeffizienten im Modell hin. Sie wird mit dem stichprobensensiblen t-Test überprüft.

Abbildung 26: Pfaddiagramm eines Strukturgleichungsmodells (angelehnt an Homburg & Hildebrandt 1998)

Konfirmatorische Pfadmodelle sind ein Instrument zur Hypothesenprüfung, das nur sinnvoll eingesetzt werden kann, wenn die Entwicklung der Forschungshypothesen auf gründlichen Vorüberlegungen beruht, die sich aus einer sorgfältigen theoretischen und empirischen

Vor-arbeit ableiten (Backhaus, Erichson, Plinke & Weiber, 2006). Die Anwendung dieses Verfah-rens kann in fünf Schritte unterteilt werden (Bollen & Long, 1993):

1. Modellbeschreibung

In diesem Schritt werden zentrale Komponenten des zu überprüfenden Modells identifi-ziert und beschrieben.

2. Identifikation

von eindeutigen Parameter für das Modell und von geeigneten Indikatoren (manifeste Variablen) für die latenten Konstrukte.

3. Festlegung des Schätzverfahrens

Es werden unterschiedliche Verfahren zur Schätzung unbekannter Parameter diskutiert.

Welches Verfahren angewendetet werden kann, hängt von den Verteilungsparametern der im Modell berüksichtigten Variablen ab. In der vorliegenden Untersuchung wird die Maximum-Likelihood-Methode angewendet, die am häufigsten zur Parameterschätzung angewendet wird (Backhaus, Erichson, Plinke & Weiber, 2006).

4. Testung der Modellgüte (s. 8.5.2.2) 5. Modellmodifikation

Bei unzureichender Modellgüte kann eine Veränderung des Modells erforderlich sein, die im Rahmen der theoretischen Annahmen erfolgt. Dabei soll das Ausgangsmodell so spe-zifiziert werden, dass eine befriedigende Anpassungsgüte erreicht wird. Ist der theoreti-sche Rahmen ausgeschöpft und die Modellgüte nach wie vor unzureichend, stehen die empirischen Daten nicht mit dem Modell im Einklang. Die Annahmen des Modells wären somit zurückzuweisen.

8.5.2.2 Maße der lokalen und globalen Anpassungsgüte konfirmatorischer Pfadmodelle

Konfirmatorische Pfadmodelle besitzen zwei Strukturkomponenten, das Mess- und das Strukturmodell (s. 8.5.2.1). Beide Komponenten lassen sich hinsichtlich ihrer Anpassungsgü-te beurAnpassungsgü-teilen. Lokale Anpassungsmaße ermöglichen Rückschlüsse auf die GüAnpassungsgü-te der Mess-modelle. Anhand globaler Anpassungsmaße kann die Passung von theoretisch fundierten konfirmatorischen Pfadmodellen zu den Daten bewertet werden.

Beurteilung der lokalen Anpassungsgüte. Hier wird überprüft, wie gut latente Variablen durch die manifesten Indikatoren erfasst werden. Die lokale Anpassungsgüte ist umso höher, je mehr Varianzanteil der latenten Variable durch die empirisch erhobenen manifesten Indi-katoren erklärt werden kann. Die Anpassungsgüte von Messmodellen wird in dieser Unter-suchung anhand folgender lokaler Anpassungsmaße überprüft (Akzeptanzgrenze in Klam-mern): Faktorladung (signifikant), Indikatorreliabilität (vergleichbar mit den Kommunalitäten in

explorativen Faktorenanalysen) (>0,3), Faktorreliabilität (>0,6), die durchschnittlich erfasste Varianz (DEV) der extrahierten Faktoren durch die Items (>0,5), Vergleich der DEV mit der Interkorrelation zwischen den Faktoren (DEV > quadrierte Interkorrelation, Fornell-Larcker-Ratio⁸, s. Fornell & Larcker, 1981) (Bagozzi & Baumgartner, 1994, Hair, Andersen, Tatham &

Black, 1998, Homburg & Giering, 2001).

Beurteilung der globalen Anpassungsgüte. Globale Gütemaße geben Auskunft über die Güte der Strukturkomponente des konfirmatorischen Pfadmodells. Analysiert wird die Über-einstimmung der empirischen Struktur mit der vom Modell vorgegebenen Struktur. Die Mo-dellgüte ist umso höher, je größer diese Übereinstimmung ist. Eine Modellbeurteilung erfolgt anhand folgender globaler Anpassungsmaße (Akzeptanzgrenze in Klammern): Chi-Quadrat (nicht signifikant), Chi-Quadrat/Anzahl der Freiheitsgrade im Modell (degrees of freedom, df

<2), Goodness of Fit Index (GFI >0,95), Adjusted GFI (AGFI >0,90, s. Jöreskog & Sörbom, 1989), Normed-Fit-Index (NFI >0,90, s. Bentler & Bonnett, 1980), Comparative-Fit-Index (CFI

>0,90, s. Bentler, 1990), Tucker-Lewis-Index/Non Normed Fit Index (TLI/NNFI >0,90, Tucker

& Lewis, 1973, Bentler & Bonnett, 1980), Root Mean Square Error of Approximation (RMSEA

<0,08, Steiger, 1990) (zur Beurteilung der verwendeten Fit-Indizes s. Faulbaum, 1983, Jö-reskog, 1993, Hair, Andersen, Tatham & Black, 1998, Homburg & Giering, 2001).

Modellmodifikationen, z. B. durch das Ergänzen von Pfaden, werden auf der Basis der in AMOS 16.0 vorgeschlagenen Modification Indices vorgenommen. Modellerweiterungen er-folgen dabei auf der Grundlage des theoretischen Rahmenmodells und werden an entspre-chender Stelle beschrieben und begründet.