Strukturgleichungsmodell

Strukturgleichungsmodelle

Kausalzusammenhänge verstehen

Sie möchten Wirkungszusammenhänge messen? Sie möchten wissen, welches die Haupttreiber für zufriedene Kund:innen in Ihrer Unternehmung sind? Hier werden meist sehr aufwändige Experimente mit Test- und Kontrollgruppen vorgeschlagen, die sehr kostspielig, zeitaufwändig und oftmals kaum durchführbar sind. Unsere Lösung für diese Art von Fragen: Strukturgleichungsmodelle.

Mittels eines Strukturgleichungsmodells können komplexe kausale Prozesse mit direkt und nicht direkt beobachtbaren Variablen – wie beispielsweise Image oder Kundenloyalität – gemessen werden. Der Vorteil hierbei ist, dass die Wirkungen nicht isoliert betrachtet werden, sondern in der realitätsnahen logischen Abfolge (Pfadmodell) geprüft und gemessen werden können. Dadurch können Haupttreiber identifiziert werden, die Ihnen aufzeigen, welcher Hebel die grösste Wirkung auf Ihr Ziel hat.

Sie möchten beispielsweise wissen, wie Sie effizient die Zufriedenheit Ihrer Kund:innen steigern können? Mit dem Strukturgleichungsmodell können wir Ihnen aufzeigen, was die Zufriedenheit Ihrer Kund:innen am stärksten prägt und wo Sie ansetzen müssen, um eine Steigerung der Zufriedenheit zu erreichen.

Oder Sie möchten wissen, ob Ihre Kampagne tatsächlich zur gewünschten Veränderung in der Einstellung und dadurch auch zu einer Verhaltensänderung führt? Mittels Strukturgleichungsmodell können wir prüfen, ob eine Kampagne die gewünschte Wirkung hat oder nicht.

Methode

Wir verwenden hierbei die Methode der Partial-least squares (PLS) Strukturgleichungsmodelle. Um ein zielführendes Strukturgleichungsmodell rechnen zu können, muss initial das Pfadmodell mit den vermuteten Hypothesen und Wirkungszusammenhängen sauber vorbereitet werden. Es bietet sich nicht an, ein solches Modell rein explorativ anzuwenden.

Das Strukturgleichungsmodell kombiniert in sich Faktorenanalysen, Regressionsanalysen und Pfadanalysen, welche alle simultan berechnet werden. Durch die Faktorenanalyse können nicht direkt beobachtbare Variablen wie beispielsweise Image, Kundenloyalität und Einstellungen gemessen und ins Modell integriert werden. Mit der Regressionsanalyse können Kausalzusammenhänge zwischen einzelnen Variablen aufgezeigt werden und mit der Pfadanalyse können Kausalzusammenhänge zwischen mehreren Variablen berücksichtigt werden.

Mittels Multigruppenanalyse (MGA) können anschliessend verschiedene Datengruppen (wie beispielsweise Männer vs. Frauen oder verschiedene Regionen) simultan berechnet, aber separat betrachtet und miteinander verglichen werden, um signifikante Unterschiede in einzelnen Pfaden oder Indikatoren aufzudecken. Dadurch können differenzierte Werttreiber und Wirkungswege für verschiedene Gruppen identifiziert werden.