Desktop-Version

Start arrow Betriebswirtschaft & Management arrow Erfolgsfaktoren für Innovation in Unternehmen

< Zurück   INHALT   Weiter >

7.6.2 Industrie-bedingte Einflüsse

7.6.2.1 Störfaktoren

Analog zu den Regionen werden zur Überprüfung, ob die Industrien Störfaktoren im Regressionsmodell darstellen, diese in die Modelle als eigene Prädiktoren mit einbezogen. Dabei sollten diese neuen Prädiktoren nicht signifikant werden und die Betas der anderen unabhängigen Variablen nicht beeinträchtigen. Die Interpretation wären genau wie bei den Regionen: würde sich eine starke Auswirkung zeigen, würde das heißen, dass sich die erklärte Varianz der betroffenen Variable und der industriellen Unterschiede überlagern. In diesem Fall wäre nicht mehr gewährleistet, dass die Auswirkung auf die Innovationsfähigkeit, ob selbsteingeschätzt oder durch die Experten bewertet, durch den betroffenen Faktor hervorgerufen wird.

Dabei können die Industrien aber nicht als eine eigene Variable mit den Werten 1–3 eingefügt werden, da das die Annahmen für das Modell verletzten würde. Stattdessen werden die Industrien in sogenannte Dummyoder Hilfsvariablen umgewandelt. Diese sind binär.

Grundprämisse eines linearen Regressionsmodells ist, dass die unabhängigen Variablen keine lineare Abhängigkeit haben. In der Gesamtheit der drei Variablen für die drei Industrien (Automobil, Hochtechnologie, Telekommunikation) wäre dies aber der Fall. Daher können immer nur zwei der drei Variablen gleichzeitig betrachtet werden.

7.6.2.1.1 Grundüberlegungen

Es gehen nun demnach neun unabhängige Variablen in das Modell ein, nicht mehr sieben. Wie bereits festgestellt, ist es für eine Regressionsanalyse wichtig, dass ausreichend viele Datenpunkte zur Verfügung stehen, damit ein vertrauenswürdiges und stabiles Regressionsmodell entsteht. Es gilt weiterhin als Faustregel, dass es mindestens zehn Datenpunkte pro unabhängiger Variable sein sollten.

Bei nun neun unabhängigen Variablen, bedeutet dies 9,3 Datenpunkte pro Variable, was eigentlich unterhalb der Regel liegt. Nachdem es sich auch hier aber lediglich um einen Gegentest handelt und die Anzahl im Nachstellenbereich unterhalb der Faustregel liegt, ist das Modell als ausreichend genau anzusehen.

Des Weiteren gelten die gleichen Prämissen für ein lineares Regressionsmodell, wie in bei den Regionen. Es handelt sich hier um die gleiche Datenbasis. Neu sind die drei unabhängigen Variablen für die drei Industrien. Daher muss Multikollinearität nochmals überprüft werden mittels der Korrelationsmatrix in Tabelle 34.

Dabei wird ersichtlich, dass Multikollinearität praktisch ausgeschlossen werden kann. Nur eine der Korrelationen ist signifikant und auch nur mit einem Korrelationskoeffizienten von –0,2.

Tabelle 34: Korrelationen der Dummy-Variablen mit den Faktoren

Faktor 1

Faktor 2

Faktor 3

Faktor 4

Faktor 5

Faktor 6

Faktor 7

Hoch-

Korrelationskoeffizient

–0,1

–0,2

0,0

–0,1

–0,1

–0,1

–0,1

technologie

Sig. (2-seitig)

0,38

0,03

0,69

0,59

0,26

0,37

0,31

Telekom-

Korrelationskoeffizient

0,1

0,0

0,0

0,9

0,2

0,0

0,0

munikation

Sig. (2-seitig)

0,57

0,86

0,92

0,81

0,17

0,81

0,80

Automobil

Korrelationskoeffizient

0,0

0,2

0,0

0,1

0,0

0,1

0,1

Sig. (2-seitig)

0,83

0,08

0,66

0,50

0,78

0,32

0,52

Zudem muss die Korrelation der Dummy-Variablen der Industrien untereinander getestet werden. Wie in Tabelle 35 ersichtlich, sind alle Korrelationen signifikant. Mit Korrelationskoeffizienten von –0,4 bis –0,6 sind sie aber ausreichend niedrig, dass

Tabelle 35: Korrelationen der Dummy-Variablen untereinander

High-Tech

Telekom

Automobil

Hoch-

Korrelationskoeffizient

1,0

–0,4

–0,5

technologie

Sig. (2-seitig)

0,00

0,00

Telekom-

Korrelationskoeffizient

–0,4

1,0

–0,6

munikation

Sig. (2-seitig)

0,00

0,00

Automobil

Korrelationskoeffizient

–0,5

–0,6

1,0

Sig. (2-seitig)

0,00

0,00

Multikollinearität mit großer Sicherheit ausgeschlossen werden kann, solange nicht alle drei Variablen in einem Modell vereint werden.

Die übrigen Prämissen, wie keine Homoskedastie und Linearität, werden im Falle von signifikanten Regressionsmodellen am Ende überprüft werden.

7.6.2.1.2 Auswertung

Die Auswertung erfolgt analog zu Kapitel 7.4. Es werden wieder beide Modelle erst das mit der Fremdeinschätzung durch die Experten und dann das mit der Selbsteinschätzung untersucht werden.

Modell 1: Fremdeinschätzung

Als unabhängige Variablen gehen die sieben potentiellen Erfolgsfaktoren plus zwei der drei Dummy-Variablen für die Industrien in das Modell ein. Aufgrund der Tatsache, dass eine lineare Anhängigkeit entstehen würde bei der Integration aller drei Dummy-Variablen auf einmal, werden alle Kombinationen getestet werden. Als Regressionsmethode wird auch hier die Least-squares-Methode angewendet.

Unabhängig davon, welche zwei der drei Dummy-Variablen eingefügt werden, das Regressionsmodell hat immer die gleiche globale Güte. Ob als Dummy-Variablen die Industrien Hochtechnologie und Telekommunikation eingefügt werden, Hochtechnologie und Automobil, oder Automobil und Telekommunikation, der Multiple Korrelationskoeffizient (R) beträgt immer 0,45, das Bestimmtheitsmaß (R2) liegt bei 0,20. Das heißt, dass 20% der Varianz von Innovationsfähigkeit durch die sieben Faktoren und den beiden ausgewählten Dummy-Variablen erklärt werden könnten. Dabei ist auffällig, dass nur knapp 3% mehr erklärt werden könnten, als im Modell ohne die zwei zusätzlichen Variablen. Das korrigierte Bestimmtheitsmaß (korr. R2) ist mit 0,1 das Gleiche verglichen mit dem Modell ohne DummyVariablen.

Wichtig ist hier die ANOVA zu betrachten. Bei einem F-Wert von 2,09 ist die Regression gerade so signifikant. Das Signifikanzniveau liegt bei von 0,04 und damit gerade noch unter der Grenze von 0,05, wenn auch knapp. Stellt sich die Frage, ob das erweiterte Regressionsmodell im Vergleich zu dem ursprünglichen Regressionsmodell weitere Aussagekraft bringt. Auf Basis der marginalen Unterschiede der globalen Kennzahlen ist dies bereits in Frage zu stellen.

Ein Blick auf die Koeffizienten zeigt, dass diese Zweifel angebracht sind. Unabhängig davon in welcher Konstellation die neuen Variablen in das Modell eingefügt werden, keine der drei neuen Variablen ist signifikant. Die Signifikanzniveaus variieren leicht, abhängig von der Kombination der zwei neuen Variablen, aber alle sind weit davon entfernt signifikant zu sein.

Wichtig ist noch zu beobachten, dass trotz der neuen Variablen das ursprüngliche Modell stabil ist, es weiterhin die drei identifizierten Variablen Faktor 4 (Klare Organisation und Rollenverteilung), Faktor 5 (Gelebte Ziel- und Erfolgsorientierung) und Faktor 7 (Bewusste Bereitschaft, sinnvolle Risiken einzugehen) sind, die die niedrigsten Signifikanzniveaus haben. Auch die standardisierten Betas sind kaum verändert.

Auf Basis des Plots der standardisierten Residuen und der standardisierten vorhergesagten Werte ist sowohl Nicht-Linearität als auch Heteroskedastie auszuschließen.

In jedem Fall kann festgehalten werden, dass das ursprüngliche Modell mit der Fremdeinschätzung ohne die Industrien als Dummy-Variablen der richtige Ansatz war und nicht um diese ergänzt werden muss.

Modell 2: Selbsteinschätzung

Das Regressionsmodell über die Selbsteinschätzung unterscheidet sich nur durch die Wahl der abhängigen Variablen vom ersten Modell. Anstatt der von den Experten eingeschätzten Innovationsfähigkeit wird die Selbsteinschätzung der Führungskräfte verwendet. Als unabhängige Variablen gehen die sieben potentiellen Erfolgsfaktoren und die verschiedene Kombinationen von zwei der drei DummyVariablen für die Industrie in das Modell ein.

Der Multiple Korrelationskoeffizient (R) beträgt für alle Kombinationen 0,77, das Bestimmtheitsmaß (R2) liegt bei 0,59. Das heißt, dass 59% der Varianz von Innovationsfähigkeit durch die sieben Faktoren und zwei Dummy-Variablen erklärt werden könnten. Verglichen mit den Werten des Regressionsmodells ohne die Dummy-Variablen fällt auf, dass sich die Werte nur marginal geändert haben (Ursprüngliches Modell: R = 0,76; R2 = 0,57; korr. R2 = 0,53.). Damit ist der Erklärungswert gerade mal 2% höher. Das korrigierte Bestimmtheitsmaß (korr. R2) ist mit 0,54 praktisch das Gleiche wie bei der ursprünglichen Regression.

Betrachtet man in der ANOVA die F-Statistik, dann fällt auf, dass der Wert von 14,53 beim ursprünglichen Regressionsmodell auf 11,68 beim Modell mit den Industrie-Variablen gefallen ist. Das Modell ist aber immer noch deutlich signifikant. Theoretisch ist es demnach möglich die Regression zu betrachten. Stellt sich die Frage, ob das erweiterte Regressionsmodell im Vergleich zu dem ursprünglichen Regressionsmodell weitere Aussagekraft bringt. Nachdem die globalen Kennzahlen sich nur geringfügig verändert haben ist dies bereits im Vorfeld in Frage zu stellen.

Die Betrachtung der Koeffizienten stützt diese Einschätzung. Keine der drei neuen Variablen, unabhängig von der Kombination, ist signifikant. Die Signifikanz-niveaus schwanken je nach Konstellation zwischen 0,12 und 0,83, sind somit weit davon entfernt signifikant zu werden.

Auch hier sind es weiterhin die gleichen zwei Variablen, die den höchsten Erklärungswert haben, Faktor 1, die zukunftsgerichtete, unterstützende Unternehmenskultur, und Faktor 3, die koordinierte Markt- und Kundenorientierung. Die Stabilität des Modells zeigt sich auch darin, dass der Einfluss auf die standardisierten Betas sich auf die zweite Nachkommastelle beschränkt.

Somit macht es auch hier keinen Sinn, die drei neuen Industrievariablen in das Regressionsmodell zu integrieren. Nachdem dieses Regressionsmodell nicht weiter verwendet wird, wird hier auf ausführliche Prämissentests verzichtet. Das Ergebnis wurde aber weder durch Ausreißer verzerrt, noch lag Nichtlinearität oder Heteroskedastie vor. Dies wurde anhand des Plots der standardisierten Residuen und der standardisierten vorhergesagten Werte überprüft.

Bleibt die Frage, ob das Regressionsmodell sich verändert, beziehungsweise dem globalen Modell widerspricht, wenn pro Industrie ein eigenes Modell aufgestellt wird.

 
< Zurück   INHALT   Weiter >

Related topics