Multilevel Structural Equation Modelling in Marketing and Management Research

Johannes Hirschmann; Bernhard Swoboda

doi:10.15358/0344-1369-2017-3-50

Diese Webseite verwendet Cookies

Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren, Funktionen für soziale Medien anbieten zu können und die Zugriffe auf unsere Website zu analysieren. Außerdem geben wir Informationen zu Ihrer Verwendung unserer Website an unsere Partner für soziale Medien, Werbung und Analysen weiter. Unsere Partner führen diese Informationen möglicherweise mit weiteren Daten zusammen, die Sie ihnen bereitgestellt haben oder die sie im Rahmen Ihrer Nutzung der Dienste gesammelt haben.

Mit der Zustimmung zur Verwendung der Services Google Analytics 4 stimmen Sie auch dem sogenannten Consent Mode zu. Dabei übermitteln wir den Status Ihrer Zustimmung an Google. Darin sind keine zusätzlichen personenbezogenen Daten enthalten. Google benötigt diese Daten, um die gesetzlichen Voraussetzungen aus dem Digital Markets Act zu erfüllen.

Details zeigen

Details

Notwendige Cookies helfen dabei, eine Webseite nutzbar zu machen, indem sie Grundfunktionen wie Seitennavigation und Zugriff auf sichere Bereiche der Webseite ermöglichen. Die Webseite kann ohne diese Cookies nicht richtig funktionieren.
- Cookiebot
  1
  Erfahren Sie mehr über diesen Anbieter
  CookieConsentSpeichert den Zustimmungsstatus des Benutzers für Cookies auf der aktuellen Domäne.
  Maximale Speicherdauer: 1 JahrTyp: HTTP-Cookie
- www.beck-elibrary.de
  2
  pdfjs.historyUm PDFs anzuzeigen, verwenden wir den PDF-Viewer pdf.js, der temporäre Informationen zu den betrachteten Dokumenten speichert. Diese Speicherung ist notwendig, um die Funktionalität der PDF-Anzeige sicherzustellen und kann nicht deaktiviert werden.
  Maximale Speicherdauer: BeständigTyp: HTML Local Storage
  PHPSESSIDBehält die Zustände des Benutzers bei allen Seitenanfragen bei.
  Maximale Speicherdauer: SitzungTyp: HTTP-Cookie
Präferenz-Cookies ermöglichen einer Webseite sich an Informationen zu erinnern, die die Art beeinflussen, wie sich eine Webseite verhält oder aussieht, wie z. B. Ihre bevorzugte Sprache oder die Region in der Sie sich befinden.
Statistik-Cookies helfen Webseiten-Besitzern zu verstehen, wie Besucher mit Webseiten interagieren, indem Informationen anonym gesammelt und gemeldet werden.
- Google
  2
  Erfahren Sie mehr über diesen Anbieter
  Ein Teil der Daten, die dieser Anbieter gesammelt hat, dient der Personalisierung und der Messung der Werbewirksamkeit.
  _gaRegistriert eine eindeutige ID, die verwendet wird, um statistische Daten dazu, wie der Besucher die Website nutzt, zu generieren.
  Maximale Speicherdauer: 2 JahreTyp: HTTP-Cookie
  _ga_#Sammelt Daten dazu, wie oft ein Benutzer eine Website besucht hat, sowie Daten für den ersten und letzten Besuch. Von Google Analytics verwendet.
  Maximale Speicherdauer: 2 JahreTyp: HTTP-Cookie
- VG Wort
  1
  Erfahren Sie mehr über diesen Anbieter
  srpLegt eine eindeutige ID für die Sitzung fest. Dadurch kann die Webseite Daten über Besucherverhalten für statistische Zwecke erhalten.
  Maximale Speicherdauer: SitzungTyp: HTTP-Cookie
Marketing-Cookies werden verwendet, um Besuchern auf Webseiten zu folgen. Die Absicht ist, Anzeigen zu zeigen, die relevant und ansprechend für den einzelnen Benutzer sind und daher wertvoller für Publisher und werbetreibende Drittparteien sind.
- Google
  2
  Erfahren Sie mehr über diesen Anbieter
  Ein Teil der Daten, die dieser Anbieter gesammelt hat, dient der Personalisierung und der Messung der Werbewirksamkeit.
  rc::aDieser Cookie wird verwendet, um zwischen Menschen und Bots zu unterscheiden. Dies ist vorteilhaft für die Website, um gültige Berichte über die Nutzung Ihrer Website zu erstellen.
  Maximale Speicherdauer: BeständigTyp: HTML Local Storage
  rc::cDieser Cookie wird verwendet, um zwischen Menschen und Bots zu unterscheiden.
  Maximale Speicherdauer: SitzungTyp: HTML Local Storage
Nicht klassifizierte Cookies sind Cookies, die wir gerade versuchen zu klassifizieren, zusammen mit Anbietern von individuellen Cookies.

Die Cookie-Erklärung wurde das letzte Mal am 4/8/25 von Cookiebot aktualisiert

[#IABV2_TITLE#]

[#IABV2_BODY_INTRO#]

[#IABV2_BODY_LEGITIMATE_INTEREST_INTRO#]

[#IABV2_BODY_PREFERENCE_INTRO#]

[#IABV2_BODY_PURPOSES_INTRO#]

[#IABV2_BODY_PURPOSES#]

[#IABV2_BODY_FEATURES_INTRO#]

[#IABV2_BODY_FEATURES#]

[#IABV2_BODY_PARTNERS_INTRO#]

[#IABV2_BODY_PARTNERS#]

Über Cookies

Cookies sind kleine Textdateien, die von Webseiten verwendet werden, um die Benutzererfahrung effizienter zu gestalten.

Laut Gesetz können wir Cookies auf Ihrem Gerät speichern, wenn diese für den Betrieb dieser Seite unbedingt notwendig sind. Für alle anderen Cookie-Typen benötigen wir Ihre Erlaubnis.

Diese Seite verwendet unterschiedliche Cookie-Typen. Einige Cookies werden von Drittparteien platziert, die auf unseren Seiten erscheinen.

Sie können Ihre Einwilligung jederzeit von der Cookie-Erklärung auf unserer Website ändern oder widerrufen.

Erfahren Sie in unserer Datenschutzrichtlinie mehr darüber, wer wir sind, wie Sie uns kontaktieren können und wie wir personenbezogene Daten verarbeiten.

Bitte geben Sie Ihre Einwilligungs-ID und das Datum an, wenn Sie uns bezüglich Ihrer Einwilligung kontaktieren.

Meine persönlichen Daten nicht verkaufen oder weitergeben

Inhalt
- Kapitel Ausklappen | EinklappenAutorenSeiten
- 1–2 Titelei/Inhaltsverzeichnis 1–2
- 2–3 Editorial Bernhard Swoboda Bernhard Swoboda 2–3
- 4–98 Research Articles 4–98
  - 4–16 On Comparing Results from CB-SEM and PLS-SEM: Five Perspectives and Five Recommendations Edward E. Rigdon, Marko Sarstedt, Christian M. Ringle Edward E. Rigdon, Marko Sarstedt, Christian M. Ringle 4–16
  - 17–31 Functional Flexibility, Latent Heterogeneity and Endogeneity in Aggregate Market Response Models Harald Hruschka Harald Hruschka 17–31
  - 32–49 Multinomial Logit Models in Marketing - From Fundamentals to State-of-the-Art Ossama Elshiewy, Daniel Guhl, Yasemin Boztug Ossama Elshiewy, Daniel Guhl, Yasemin Boztug 32–49
  - 50–75 Multilevel Structural Equation Modelling in Marketing and Management Research Johannes Hirschmann, Bernhard Swoboda Johannes Hirschmann, Bernhard Swoboda 50–75
  - 76–98 Conducting Mediation Analysis in Marketing Research Carsten L. Demming, Steffen Jahn, Yasemin Boztug Carsten L. Demming, Steffen Jahn, Yasemin Boztug 76–98
Durchsuchen Sie das Werk
Geben Sie ein Keyword in die Suchleiste ein
CC-BY Vollzugriff

Marketing ZFP , Seite 50 - 75

Multilevel Structural Equation Modelling in Marketing and Management Research

Autoren

Johannes Hirschmann Bernhard Swoboda

DOI
- doi.org/10.15358/0344-1369-2017-3-50
- ISSN print: 0344-1369
- ISSN online: 0344-1369
Abstract

Marketing research often involves two levels (e.g., international customers nested within countries or cultures). Multilevel modelling (MLM) allows one to accurately model lower-level (level 1) effects and the surrounding (level 2) context in addition to various interrelations between the levels. Hierarchical linear modelling (HLM) is the most prevalent methodology for MLM. However, HLM does not handle latent constructs and, compared to multilevel structural equation modelling (MSEM), has several disadvantages. For example, HLM does not account for measurement errors. MSEM is increasingly discussed in methodological papers and textbooks but is seldom applied. A systematic, nontechnical guide for conducting an MSEM analysis is lacking, and a systematic review of current and future applications would benefit future research. Our first research objective is to introduce scholars to MSEM and its advantages relative to HLM and to provide novel insights into the topics and flaws of MSEM/HLM use in extant studies. This manuscript contributes to the literature by providing a review of 527 marketing and management studies in which HLM and MSEM are applied. Four categories of multilevel hypotheses found in studies published in 22 leading journals over 20 years are discussed and differentiated into five characteristic research fields (general marketing, international marketing, international management, general management, and human resource management). Our second research objective is to address the requirements, options, and challenges of MSEM. This manuscript contributes to the literature by systematically discussing the sampling, measurement, and methodological requirements, options, and challenges of MSEM-based studies. In doing so, it provides a nontechnical explanation and a systematic step-by-step procedure for designing and conducting a cross-sectional MSEM study that tests hypotheses across levels. Additionally, our empirical study presents the results for three frequently employed types of MSEM models: cross-level effects, cross-level interactions, and cross-level effects and interactions. The latter is presented for the first time in business research. The manuscript reveals that MSEM is seldom employed in marketing and management research, although various possible applications exist. It provides a systematic illustration and interpretation of MSEM that scholars can consult to conduct future MSEM-based studies. Finally, promising directions and major challenges for future MSEM research are examined and are organized as follows: conceptualization issues (sample size, position of outcome variables, and control variables), methodological shortcomings (level-specific preliminary tests and their implementation in software), and general advice (multi-item scales, computation times, and model convergence).

Zusammenfassung

Marketing research often involves two levels (e.g., international customers nested within countries or cultures). Multilevel modelling (MLM) allows one to accurately model lower-level (level 1) effects and the surrounding (level 2) context in addition to various interrelations between the levels. Hierarchical linear modelling (HLM) is the most prevalent methodology for MLM. However, HLM does not handle latent constructs and, compared to multilevel structural equation modelling (MSEM), has several disadvantages. For example, HLM does not account for measurement errors. MSEM is increasingly discussed in methodological papers and textbooks but is seldom applied. A systematic, nontechnical guide for conducting an MSEM analysis is lacking, and a systematic review of current and future applications would benefit future research. Our first research objective is to introduce scholars to MSEM and its advantages relative to HLM and to provide novel insights into the topics and flaws of MSEM/HLM use in extant studies. This manuscript contributes to the literature by providing a review of 527 marketing and management studies in which HLM and MSEM are applied. Four categories of multilevel hypotheses found in studies published in 22 leading journals over 20 years are discussed and differentiated into five characteristic research fields (general marketing, international marketing, international management, general management, and human resource management). Our second research objective is to address the requirements, options, and challenges of MSEM. This manuscript contributes to the literature by systematically discussing the sampling, measurement, and methodological requirements, options, and challenges of MSEM-based studies. In doing so, it provides a nontechnical explanation and a systematic step-by-step procedure for designing and conducting a cross-sectional MSEM study that tests hypotheses across levels. Additionally, our empirical study presents the results for three frequently employed types of MSEM models: cross-level effects, cross-level interactions, and cross-level effects and interactions. The latter is presented for the first time in business research. The manuscript reveals that MSEM is seldom employed in marketing and management research, although various possible applications exist. It provides a systematic illustration and interpretation of MSEM that scholars can consult to conduct future MSEM-based studies. Finally, promising directions and major challenges for future MSEM research are examined and are organized as follows: conceptualization issues (sample size, position of outcome variables, and control variables), methodological shortcomings (level-specific preliminary tests and their implementation in software), and general advice (multi-item scales, computation times, and model convergence).
Teilen