UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2010 – 2011
Merchandising in het voetbal
Masterproef voorgedragen tot het bekomen van de graad van Master in de algemene economie
Sam Beelprez onder leiding van Prof. dr. D. Van den Poel
PERMISSION Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.
Sam Beelprez
Woord vooraf Geachte lezer,
Deze thesis is het resultaat van ettelijke uren noeste arbeid, maar was niet mogelijk geweest zonder de hulp van enkele personen. Ik zou dan ook van dit voorwoord gebruik willen maken om deze mensen te bedanken.
Vooreerst had ik graag Prof. Van den Poel willen bedanken voor het promoten van deze thesis, de hulp bij de uitwerking van het empirisch onderzoek en de feedback die hij me gaf tijdens het schrijfproces.
Een speciaal woord van dank gaat uit naar Michel Ballings voor de hulp bij het verwerken van de resultaten in LISREL. Zijn deskundige uitleg was cruciaal voor het volledig begrijpen van Structural Equation Modeling.
Verder wil ik ook graag Sien, Thijs, Tine, Jil, Tim, Michiel, Pieter, Thomas, Lisa en Matthias bedanken voor de hulp bij het afnemen van de vragenlijst.
Ten slotte bedank ik ook mijn ouders voor de mogelijkheden die zij mij blijven geven en voor de steun gedurende het ganse academiejaar.
Mei 2011, Sam Beelprez
I
Inhoudsopgave Woord vooraf
I
Inhoudsopgave
II
Gebruikte afkortingen
V
Lijst met tabellen
VI
Lijst met figuren
VII
Inleiding
1
1. Literatuurstudie
2
1.1. Merchandising ........................................................................................................................2 1.1.1. Merchandising als onderdeel van de marketingstrategie .................................................3 1.1.2. Merchandising als productuitbreiding ............................................................................5 1.1.3. Merchandising en handelsmerk .....................................................................................6 1.2. De waarde van merchandising .................................................................................................8 1.2.1. Waarde voor de voetbalclub ..........................................................................................8 1.2.2. Waarde voor de voetbalsupporters............................................................................... 12 1.3. Determinanten van merchandisingaankoop ............................................................................ 14 1.3.1. Self-image congruity ................................................................................................... 14 1.3.2. Team Identification ..................................................................................................... 15 1.3.3. Perceived Value .......................................................................................................... 18 1.3.4. Perceived Quality ........................................................................................................ 19 1.3.5. Andere determinanten ................................................................................................. 19 1.4. Modellering van Purchase Intention....................................................................................... 21 1.4.1. Modellen in de literatuur ............................................................................................. 21 1.4.2. Conceptueel model ..................................................................................................... 24 1.4.3. Hypothesen ................................................................................................................. 26
II
2. Methodologie
27
2.1. Vragenlijst ............................................................................................................................ 27 2.1.1. Meetschalen ................................................................................................................ 29 2.2. Pilootstudie ........................................................................................................................... 31 2.3. Steekproef ............................................................................................................................. 31 2.4. Structural Equation Modeling ................................................................................................ 32 2.4.1. De keuze voor SEM .................................................................................................... 32 2.4.2. De two-step approach.................................................................................................. 33 2.4.3. Rival model ................................................................................................................ 34 2.4.4. Model fit ..................................................................................................................... 35 2.5. Dataverwerking ..................................................................................................................... 37 3. Resultaten
38
3.1. Karakteristieken van de steekproef ....................................................................................... 38 3.1.1. Demografische gegevens ............................................................................................. 38 3.1.2. Aankoop en bezit van merchandising .......................................................................... 38 3.2. Betrouwbaarheid van de meetschalen .................................................................................... 39 3.3. Exploratieve factoranalyse..................................................................................................... 41 3.4. Structural Equation Modeling ................................................................................................ 42 3.4.1. Measurement model .................................................................................................... 42 3.4.2. Structural model.......................................................................................................... 45 3.5. Bespreking hypothesen .......................................................................................................... 47 3.6. Rival model ........................................................................................................................... 49 3.7. Vergelijking tussen modellen ................................................................................................ 50 4. Algemeen besluit
51
4.1. Meerwaarde van het onderzoek ............................................................................................. 51 4.2. Managerial implications ........................................................................................................ 52 4.3. Tekortkomingen en verder onderzoek .................................................................................... 53 5. Referentielijst
VII
III
Bijlagen
B1
Bijlage 1: Vragenlijst .................................................................................................................. B1 Bijlage 2: Descriptieve statistieken steekproef ............................................................................. B7 Bijlage 3: Betrouwbaarheidsanalyse items ................................................................................. B10 Bijlage 4: Exploratieve factor analyse ....................................................................................... B12 Bijlage 5: Output betrouwbaarheidsanalyse meetschalen ........................................................... B16 Bijlage 6: Output measurement model ....................................................................................... B19 Bijlage 7: Output conceptueel model ......................................................................................... B23 Bijlage 8: Output Definitief model ............................................................................................ B28 Bijlage 9: Output rival model .................................................................................................... B36
IV
Gebruikte afkortingen SIC:
Self-image congruity
SIT:
Social identity theory
SEM: Structural equation modeling CFA: Confirmatory factor analysis
V
Lijst met tabellen Tabel 1: Aandeel van inkomstenbronnen voor Europese eersteklasseclubs..............................9 Tabel 2: Aandeel van de merchandising in de omzet van enkele Europese voetbalclubs ........ 10 Tabel 3: Items van de vragenlijst met hun variabelenaam...................................................... 28 Tabel 4: Goodness of fit statistics. ........................................................................................ 35 Tabel 5:.Item betrouwbaarheid Team Identification .............................................................. 39 Tabel 6: Betrouwbaarheid constructen .................................................................................. 43 Tabel 7: Bivariate correlaties tussen constructen ................................................................... 44 Tabel 8: Vergelijking tussen de goodness of fit statistieken van de 3 geteste modellen..........50
VI
Lijst met figuren Figuur 1: De sport marketing mix ...........................................................................................4 Figuur 2: De 3 verschillende modellen getest door Kwon, Trail & James (2007) .................. 21 Figuur 3: Model van Kwak & Kang (2009)...........................................................................23 Figuur 4: Conceptueel model ................................................................................................ 24 Figuur 4: Rival model ...........................................................................................................34 Figuur 6: Output measurement model ................................................................................... 42 Figuur 7: Output conceptueel model ..................................................................................... 45 Figuur 8: Output definitief model ......................................................................................... 46 Figuur 9: Output rival model ................................................................................................ 49
VII
Inleiding Merchandising wint steeds meer aan belang in het Europese voetbal (Andreff & Staudohar, 2000). De sector kent de laatste jaren naast een enorme uitbreiding van het productgamma ook een grote stijging van de inkomsten. Analyse van de vakliteratuur toont aan dat een belangrijk deel van de omzet van voetbalclubs komt uit de verkoop van merchandising (Lagae & Dejonghe, 2009). In een sport waarbij het financiële aspect steeds belangrijker wordt, is het voor de sportmanager dan ook van cruciaal belang om te weten welke factoren de supporter ertoe aanzetten om merchandisingartikelen aan te schaffen. Slechts 2 onderzoeken (Kwon, Trail, & James, 2007; Kwak & Kang, 2009) probeerden reeds een model op te stellen die de intentie tot aankoop van merchandising door supporters kon voorspellen. Deze modellen zijn relatief bescheiden te noemen, met hoogstens 4 voorspellende variabelen. Dit onderzoek wil een model testen met een groter aantal constructen in de hoop om meer variantie in intentie tot aankoop van merchandising te verklaren. Deze thesis start met een literatuurstudie waarin het begrip merchandising wordt gekaderd in de sportmarketing. Ook het belang van merchandising voor de clubs en voor de supporters wordt besproken. Het eerste deel eindigt met een overzicht van de determinanten van merchandisingaankoop waarna een conceptueel model wordt opgesteld aan de hand van deze bevindingen.
Het tweede deel behandelt de methode die toegepast werd in het empirisch onderzoek van deze thesis. In deel drie worden de resultaten gerapporteerd en geïnterpreteerd.
Het vierde en laatste deel van deze thesis bevat een algemene conclusie, implicaties voor de sportmanager, tekortkomingen van het onderzoek en enkele voorstellen voor verder onderzoek.
1
1. Literatuurstudie 1.1. Merchandising Merchandising kan als volgt worden omschreven: “de verkoop van uiteenlopende producten of diensten die het logo en de merknaam van een sportmerk vermelden” (Lagae, 2005).
Merchandising is dus meer dan enkel de verkoop van wedstrijdshirts en sjaals. Europese topclubs als Manchester United bieden een groot en veelzijdig gamma van producten te koop aan in hun (online) fanshop: reistassen, sleutelhangers, koffiemokken, handdoeken, bedovertrekken, badeentjes,…1 Er bestaan twee categorieën van merchandisingartikels; de “traditionele” en de “nieuwe” (Lagae, 2005). Tot de traditionele merchandising behoren de artikelen die nauw aanleunen bij de sport zoals wedstrijdballen, wedstrijdkledij, enz. Producten die niet onmiddellijk iets te maken hebben met de sport, zoals balpennen, bedovertrekken en koffiemokken, worden geklasseerd als “nieuwe” merchandisingartikelen.
Sportclubs kunnen ofwel zelf producten produceren met de afbeelding van hun logo ofwel de productie ervan uitbesteden aan andere bedrijven. In het eerste geval is de volledige winstmarge voor de club, in het tweede geval krijgt de club een vooraf afgesproken winstpercentage op de verkoop (Shilbury, Quick & Westerbeek, 2003).
In dit hoofdstuk wordt merchandising verder gekaderd als marketingconcept. In 1.1.1 wordt merchandising gesitueerd in de marketingstrategie van een sportclub. 1.1.2 omschrijft merchandising als een productuitbreiding en in 1.1.3 bespreken we het belang van het handelsmerk bij merchandising.
1 Voorbeelden gehaald van de webshop van Manchester United: http://store.manutd.com
2
1.1.1. Merchandising als onderdeel van de marketingstrategie Sport marketing Omdat grote sportclubs veel publiciteit krijgen via de media, werd er lange tijd weinig belang gehecht aan sportmarketing (Mullin, 1985). Na verloop van tijd evolueerden de grote sportclubs meer en meer van organisaties gedragen door vrijwilligers naar professionele organisaties met beroepskrachten. Deze overgang bracht een financiële druk met zich mee waardoor sportclubs gedwongen werden om hun inkomsten te vergroten. Het overnemen van andere clubs, zoals bedrijven andere bedrijven overnemen, komt in de sport heel weinig voor. In plaats daarvan concurreren sportclubs vooral door interne groei, een strategie waarin marketing een belangrijke rol speelt (Shilbury et al., 2003). Bij professionele sportorganisaties wordt dus meer en meer tijd en geld geïnvesteerd in de uitbouw van de sport marketing. De verkoop van merchandising is een onderdeel hiervan en is van groot belang in de groeistrategie van professionele sportclubs (Cousens, 1997).
In het concept sport marketing kunnen twee principes worden onderscheiden; marketing “van” sport en marketing “door” sport. “Marketing van sport” refereert naar de productie en marketing van goederen en diensten voor de eindgebruiker (de toeschouwer of deelnemer). Merchandising is duidelijk een voorbeeld van marketing van sport. “Marketing door sport” betreft het associëren van een bedrijf met een sportclub om zo hun eigen consumenten te bereiken (Mullin, 1985). Wanneer het merk van een sportclub wordt gebruikt om diensten of goederen van andere bedrijven aan te prijzen, spreken we van “licensing”. De sportclub geeft dan het recht aan het bedrijf om hun naam en logo te gebruiken in ruil voor een vergoeding.
De sport marketing mix Door de specifieke eigenschappen van de sport (Mullin, 1985) wordt de traditionele marketing mix bestaande uit de 4 P’s : Product, Prijs, Plaats en Promotie (Kotler et al., 2007) uitgebreid met de 3 P’s van de dienstensector : Proces, Person en Physical evidence (Shilbury et al., 2003). De sport marketing mix bestaat dus uit 7 P’s (Figuur 1).
3
Figuur 1: De 7 P’s van de sport marketing mix en de promotional mix variabelen (naar: Shilbury et al., 2003).
Het onderdeel promotie kan verder onderverdeeld worden aan de hand van de sport promotiemix. Deze bestaat uit advertising, personal selling, sales promotion, sponsorship, public relations & publicity en promotional licensing. Hoe deze elementen bij een sportclub gecombineerd worden in hun marketing is afhankelijk van de doelmarkt, de objectieven en de promotiestrategie van de club (Shilbury et al., 2003). Merchandising is, samen met licensing, een onderdeel van promotional licensing.
Irwin, Sutton en McCarthy (2002) definiëren promotional licensing als de handeling waarbij toestemming wordt geven aan een secundaire partij om het merk, de naam en het symbool van de sportclub te gebruiken. Licensing wordt gebruikt door bedrijven om eigen diensten of producten te associëren met het imago van de club, in de hoop een stijging te krijgen van de verkoop (marketing door sport). Een gekend voorbeeld is dat van McDonald’s, die door het gebruik van de Olympische ringen hoopt meer hamburgers te verkopen. Bij merchandising daarentegen is het clublogo op het product net de reden waarom consumenten het product kopen.
4
1.1.2. Merchandising als productuitbreiding Merchandising wordt ook gedefinieerd als een productuitbreiding. Voor een voetbalclub is de match het kernproduct van de onderneming (Mullin, 1985). Kenmerkend aan de sport is dat de kwaliteit van het kernproduct niet gegarandeerd kan worden. Sportmanagers hebben geen rechtstreekse controle op de prestaties van de spelers op het veld. De kwaliteit van eventuele productextenties zoals drankverkoop, business evenementen, … kunnen wel gegarandeerd worden. Daarnaast bezitten ze ook het potentieel om bij te dragen tot de tevredenheid van de supporters (Van Leeuwen, 2001).
Branch (1992) verwoordt de nood tot het verbreden van het sportproduct als volgt: “Vooruitdenkende, professionele sport marketeers realiseren dat de wedstrijd, het kernproduct van de sport, niet het belangrijkste product is van de organisatie. (…) Door het sportconcept
te
diversifiëren,
wordt
het
kernproduct
ondersteund
door
andere,
waardetoevoegende producten. Met andere woorden; het evenement wordt een meer consistente aankoop voor de sportconsument. De uitdaging is om de focus minder op de uitkomst van de wedstrijd te leggen en meer op een positieve ervaring voor de klant.” (Branch, 1992, p. 25)
Merchandising behoort tot de groep van productextenties (Mullin, 1985) en bezit dus de mogelijkheid om de kwaliteit van de sportbeleving door de toeschouwers te vergroten. Hocking (1982) vond al dat het publiek op een sportevenement een extra entertainmentwaarde heeft. Het gevoel van samenhorigheid dat resulteert uit een tribune gevuld met supporters uitgedost in de merchandising van de club, werkt positief op de beleving van de wedstrijd (Theysohn, Hinz, Nosworthy & Kirchner, 2009).
Sportclubs moeten echter opletten voor het gevaar van overmerchandising; het te snel, te breed en te diep uitbreiden van hun gamma waardoor supporters overspoeld worden door producten (Lagae, 2005). Een overextentie van het productgamma kan schade aanrichten aan het merk (Aaker, 1994; Keller, 1993). Productuitbreidingen die te veel afwijken van het kernproduct van een bedrijf en puur voor winstdoeleinden worden geproduceerd, doen schade aan het merkimago (Kapferer, 1998). Volgens Walsh & Ross (2009) zal deze verzwakking van het merk echter niet voorkomen bij fans die zich sterk identificeren met het team.
5
1.1.3. Merchandising en handelsmerk Het is duidelijk dat de clubnaam, de clubkleuren en het clublogo de reden zijn waarom supporters merchandising kopen. Samen vormen zij het handelsmerk van de sportclub.
Functies van een handelsmerk Wilkof (1995) beschreef 6 functies van een handelsmerk: 1) Identificatie: de meest voor de hand liggende functie van een handelsmerk is het identificeren van de eigenaar van het product. Zo maakt het clublogo op het shirt samen met de karakteristieke kleuren duidelijk voor welke club men supportert. 2) Fysieke bron: Zonder de productie van bepaalde goederen met eigen ogen te zien, zorgt het handelsmerk voor een erkenning van de fysieke bron van het product. Bij merchandising echter is de club meestal niet de maker van het product. De productie wordt veelal uitbesteed aan andere bedrijven. Het is dan ook belangrijk dat de club voldoende kwaliteitscontrole uitoefent op het product zodat de consumenten het handelsmerk als een keurmerk kunnen zien (Hunt., Bristol & Bashaw, 1999). 3) Anonieme bron: Wanneer de productie en marketing van een organisatie vergroten, wordt het steeds onwaarschijnlijker dat een koper de identiteit van de maker van zijn product kent. Doordat de producten van dat handelsmerk in het verleden hun kwaliteit hebben bewezen, wordt de anonieme bron gevalideerd. Deze functie wordt niet vaak gebruikt door sportclubs. 4) Kwaliteit: Wanneer een handelsmerk in de hoofden van de consumenten na het gebruik van een bepaald product verbonden wordt met een zekere vorm van kwaliteit, kan deze perceptie overgebracht worden op producten of entiteiten verbonden met het handelsmerk. 5) Publiciteit: Voetbalclubs met sterke merken worden door bedrijven gebruikt om publiciteit te maken voor hun producten. Deze functie is een gevolg van de bronfunctie en de kwaliteitsfunctie. Consumenten die een positieve perceptie hebben van een bepaalde sportclub, zullen deze perceptie overdragen naar organisaties of producten die zich associëren met die sportclub.
6
6) Merchandising: De laatste functie maakt van het handelsmerk een product op zich. Het merk wordt niet meer gebruikt om andere producten of diensten te verkopen, maar is de reden waarom mensen het product kopen.
Juridische grondslag Een club kan zijn merkimago dus ten gelde maken door merchandising of licenties te verkopen. Men heeft er dan ook alle baat bij om hun merk te laten registreren als handelsmerk. Ongeoorloofd gebruik van het merk door derden kan dan juridisch worden aangevochten. Volgens het Beneluxverdrag inzake de intellectuele eigendom worden volgende zaken als individueel merk beschouwd: “ de benamingen, tekeningen, afdrukken, stempels, letters, cijfers, vormen van waren of van
verpakking en alle andere voor grafische voorstelling vatbare tekens, die dienen om de waren of diensten van een onderneming te onderscheiden ”. (artikel 2.1)
Concreet voor sportclubs betekent dit dus dat de naam van de club en het logo als merk kunnen worden geregistreerd. Na registratie heeft de eigenaar het exclusieve recht om het merk te gebruiken (artikel 2.20) en om andere personen het recht te geven om het merk te gebruiken via een licentie (artikel 2.32).
Samenvattend biedt het handelsmerk van een sportclub twee grote commerciële mogelijkheden. Enerzijds kan een bedrijf tegen betaling een licentie kopen op het handelsmerk, waarna zij deze mogen gebruiken bij de promotie van hun eigen producten. Anderzijds worden merchandisingartikelen met daarop het handelsmerk verkocht aan supporters. Een sterk merk zorgt voor extra verkopen van producten en diensten omdat het merk algemeen meer gekend is en omdat de klanten een bepaalde kwaliteit associëren met het merk (Kafperer, 1988). Clubs zoals Manchester United, Real Madrid en de New York Yankees (baseball) zijn voorbeelden van sportteams met een erg sterk en wereldwijd bekend merk. (Burton & Howard, 1999). Het opbouwen van een sterk merk is de laatste jaren in de sportwereld een belangrijke doelstelling geworden (Gladden, 2001).
7
1.2. De waarde van merchandising Uit vorig hoofdstuk werd duidelijk wat merchandising precies inhoudt en welke plaats het inneemt in de sport marketing. In dit hoofdstuk bespreken we de precieze waarde van merchandising. Achtereenvolgens wordt besproken waarom voetbalclubs merchandising verkopen en waarom voetbalsupporters merchandising kopen.
1.2.1. Waarde voor de voetbalclub Inkomsten uit merchandising In het midden van de 20e eeuw financierden voetbalploegen in Europa zichzelf volgens het SSSL-model (Spectators-Subsidies-Sponsors-Local-model) waarbij vooral ticketverkoop en sponsoring door lokale bedrijven zorgden voor de inkomsten. Geleidelijk aan werden clubs echter professioneler en werden managers aangesteld om de inkomsten van de sportclubs te vergroten. Zo werd ook de verkoop van merchandising steeds belangrijker. In 1988 had de verkoop van merchandising een even groot aandeel in de totale omzet van een voetbalclub als de ticketverkoop (Andreff & Staudohar, 2002). Vandaag berust de financiering van voetbalploegen op vier grote pijlers: Media, Corporations, Merchandising en Markets (het MCMM-model) (Andreff & Staudohar, 2000). Merchandising wordt volgens deze theorie dus als een belangrijke bron van inkomsten gezien.
Exact cijfermateriaal terugvinden over de inkomsten gegenereerd uit de verkoop van merchandising is niet eenvoudig. Opbrengsten uit merchandising worden namelijk door sportclubs meestal samen met sponsorbedragen geboekt onder de noemer “Commerciële inkomsten”. Een meer gedetailleerde opsplitsing van inkomsten is meestal niet publiekelijk beschikbaar (Deloitte, 2011). Toch zijn in de literatuur en in de pers al geregeld cijfers van Europese topclubs gepubliceerd die het belang van merchandising als inkomstenbron onderstrepen.
8
Tabel 1: Het aandeel van inkomstenbronnen voor Europese eersteklasseclubs tijdens de seizoenen 20002001 en 2005-2006 (Lagae & Dejonghe, 2009).
Uit Tabel 1 blijkt dat voetbalclubs een aanzienlijk deel van hun inkomsten uit merchandising halen. Het aandeel van merchandisinginkomsten in de totale omzet is sterk verschillend tussen verschillende voetbalcompetities. In het seizoen 2005/2006 waren Portugese clubs het meest afhankelijk van hun merchandising (38% van de omzet), bij Franse clubs daarentegen kwam slechts 10% van de totale omzet uit merchandisingartikelen (Lagae & Dejonghe, 2009).
Ook op clubniveau zijn grote verschillen in merchandisinginkomsten tussen de clubs waar te nemen. Tabel 2 toont de merchandisinginkomsten van enkele Europese voetbalclubs en het aandeel ervan in de totale omzet. Europese topclub Real Madrid ontvangt 52 miljoen euro aan merchandisinginkomsten, goed voor 17,80% van de omzet. PSV, een club in de Nederlandse voetbalcompetities, heeft maar 3,8 miljoen euro aan merchandisinginkomsten, goed voor slechts 4,36% van de totale omzet.
9
Tabel 2: Aandeel van de merchandising in de omzet van enkele Europese voetbalclubs (Lagae & Dejonghe, 2009).
Meer recente cijfers vinden we terug in de Deloitte Football Money League (Deloitte, 2011). Manchester City, een club in de middenmoot van de Engelse Premier League, behaalde in 2010 een omzet van €9,6 miljoen uit de verkoop van merchandising. Met een totale omzet van €152,8 miljoen betekent dit dat merchandising garant staat voor 6% van hun totale omzet en 20% van hun omzet uit commerciële activiteiten (Deloitte 2011). Bayern München, een topclub in de Duitse Bundesliga, haalt €38,9 miljoen aan inkomsten uit merchandising wat staat voor 12% van hun totale omzet (Deloitte, 2010). Real Madrid deed in 2009 nog een stuk beter en haalde toen 15% van hun totale omzet (€401.4 miljoen) uit de verkoop van merchandising die in totaal €61 miljoen opbracht (Deloitte, 2010).
Alhoewel de lijst met voetbalclubs verre van exhaustief is, kunnen we uit deze cijfergegevens toch concluderen dat merchandisinginkomsten een belangrijk aandeel hebben in de omzet van grote voetbalclubs.
10
Opbouwen van het merk Zoals hiervoor duidelijk werd, is een bekend merk van goudwaarde in de sportwereld. Een sterk sportmerk gecombineerd met loyale fans kan extra omzet genereren via de verkoop van verschillende goederen en diensten (Burton, Howard, 1999; Gustafson, 2001; Gladden & Sutton, 1998). Maar verkoop van merchandising is niet enkel het gevolg van een sterk merk, het zorgt er ook voor dat het merk sterker wordt (Pandya & Jayswal, 2010; Gladden & Sutton, 1998).
Couvelaere & Richelieu (2005) vonden dat merchandising één van de belangrijkste manieren was om het merk van Franse eersteklasseclubs op te waarderen. Zo heeft Olympic Lyon een exclusieve deal met Decathlon voor het ontwerpen van hun wedstrijdshirt. Hierdoor speelt Lyon met een uniek wedstrijdshirt, wat de waarde van het merk doet toenemen. Vele clubs besteden hun merchandising uit aan grote sportmerken als Adidas en Nike. Door het gebruik van hun distributiekanaal en merkbekendheid zorgt deze co-branding voor een grotere merkbekendheid van zowel de sportclubs als de producent (Brody, Leitch & Motion, 2003).
Het fenomeen waarbij de verkoop van merchandising zorgt voor een stijging van de merkbekendheid werd reeds beschreven als een droom voor de marketeers. Mensen zijn bereid te betalen voor het promoten van het merk door officiële merchandisingartikelen te dragen (Fan identification and licensed products consumption: an exploratory study, 2010). De supporters worden op die manier wandelende advertenties voor de voetbalclub (Gladden, & Sutton, 1998). Het belang dat voetbalclubs hebben bij de verkoop van merchandising is duidelijk. Het genereert inkomsten ofwel rechtstreeks via de verkoop van artikelen ofwel onrechtstreeks via de uitbouw van een sterker merk. In de volgende paragraaf wordt besproken welk belang supporters hebben bij het consumeren van merchandising.
11
1.2.2. Waarde voor de voetbalsupporters Met de trendmatige stijging van het aantal supporters bij voetbalclubs, is ook de verkoop van merchandising gelijkmatig blijven stijgen. Maar waarom kopen supporters nu merchandising? Derbaix & Cobossart (2002) wisten 4 functies van merchandising te detecteren die verklaarden waarom supporters deze producten kopen: “identification”, “integration”, “expression” en “sacralization”.
Met de identificatie functie wordt bedoeld dat supporters merchandising gebruiken om zich te identificeren en associëren met een bepaalde club. Het dragen van merchandising zorgt ervoor dat supporters zich meer betrokken voelen bij het team (Apostolopoulou, Clark & Papadimitriou, 2009; Fan identification and licensed products consumption: an exploratory study, 2010).
Supporters dragen ook merchandising om te communiceren tot welke sociale groep men behoort. Ze gebruiken merchandising om zich te integreren in de supportersgroep. Supporters dragen merchandising omdat “andere supporters dat ook deden” (Derbaix, Cobossart, 2002). Personen die rond het stadium geen merchandising dragen worden niet aanvaard als een fan van de club en worden vaak achterdochtig benaderd. Daarnaast vervallen sociale statussen tussen personen die dezelfde clubkleuren dragen (Holt, 1995). Dit is de integratiefunctie van merchandising.
De expressiefunctie duidt op de expressie van zowel de persoon in kwestie als van emoties. Sommige fans zien hun identificatie met hun team als een belangrijk persoonskenmerk en uiten dit door het dragen van merchandising (Apostolopoulou et al., 2009). Het hevig rondzwaaien van vlaggen na een overwinning duidt dan weer op het uiten van emoties.
Voor vele rasechte supporters heeft merchandising ook een spirituele functie. Zo worden T-shirts die gedragen werden door bepaalde sterren vereerd als relikwieën of doet een bepaalde
sjaal
denken
aan
een
belangrijke
overwinning.
Vaak
worden
deze
merchandisingartikelen ook gedragen als een vorm van bijgeloof. Deze vierde functie van merchandising wijst op de belangrijke symbolische waarde die merchandising heeft.
12
Supporters van voetbalploegen kopen wel degelijk veel merchandising. Uit een onderzoek van Sportmarketingbureau Sport+Markt bleek dat in 2005 de gemiddelde voetbalsupporter in Groot-Brittanië 184,5 euro uitgaf aan merchandising. De Franse supporters geven gemiddeld 134,6 euro uit per persoon, maar de supportersbasis is wel half zo groot als deze in GrootBrittanië. De Italiaanse fans geven slechts 80 euro uit aan merchandising (Fan identification and licensed products consumption: an exploratory study, 2010).
Vooral truitjes en sjaals zijn vaakgekochte artikelen. 44 miljoen Europese voetbalsupporters (35% van het totale aantal supporters) heeft beide artikelen in hun bezit. Daarenboven hebben nog eens 40 miljoen supporters enkel een T-shirt van hun favoriete club (fan identification and licensed poducts consumption: an exploratory study, 2010).
13
1.3. Determinanten van merchandisingaankoop Uit vorige hoofdstukken werd duidelijk dat merchandising een belangrijk deel van de marketingstrategie van een voetbalploeg is. De verkoop ervan zorgt ook voor een significant deel van de inkomsten. Om de verkoop te maximaliseren is het handig de determinanten van aankoop van merchandising te kennen. Bevindingen kunnen geïmplementeerd worden in de marketing- en reclamestrategie van de voetbalclub. In dit hoofdstuk worden aan de hand van literatuuronderzoek de verschillende determinanten van merchandisingaankoop toegelicht.
1.3.1. Self-image congruity De mate waarin het zelfbeeld overeenkomt met het imago van de club blijkt een positief effect te hebben op de intentie tot aankoop van merchandising. Zelfbeeld werd door Sirgy (1982, 1986) gedefinieerd als “het beeld dat een persoon heeft over zichzelf”. Het concept wordt vaak opgesplitst in actual self-image en ideal self-image (Sirgy et al., 1997). Terwijl actual self meet hoe een persoon zichzelf ziet, meet ideal self hoe een persoon zou willen zijn.
De self theory van Rogers (1951) stelt dat het gedrag van een individu gericht is op het beschermen en verbeteren van zijn of haar zelfbeeld. Marketingonderzoekers gebruikten deze theorie om te verklaren waarom consumenten soms eerder rekening houden met de symbolische dan met de functionele waarde van een product (Kwon & Armstrong, 2006). Hiervoor wordt het concept van Self-image congruity (SIC) gebruikt; de mate waarin het symbolisch beeld van een product/merk overeenstemt met het eigen zelfbeeld. Sirgy (1982) stelt dat de waargenomen kwaliteit en het belang dat een consument hecht aan een product vergroot wanneer het product of het merk verscheidene kenmerken of overtuigingen aanspreekt die overeenstemmen met het zelfbeeld van die persoon.
In de context van sportconsumptie zijn er nog maar weinig onderzoeken die de invloed van SIC onderzochten. Kang (2002) vond dat zowel actual self-image als ideal self-image een significante invloed hadden op de beslissing om al dan niet deel te nemen aan een sport. Kwak & Kang (2009) waren de eerste om de SIC theorie toe te passen op verkoop van merchandising. De mate waarin het merkimago en het zelfbeeld van de consument overeen kwamen, bleek wel degelijk een rechtstreeks positief effect te hebben op intentie tot aankoop van merchandising.
14
1.3.2. Team Identification Supporters die een hoge identificatie hebben met het team, blijken meer merchandising te kopen. In de literatuur wordt dit fenomeen verklaard op twee verschillende manieren: via de social identity theory en via de identity theory. Hoewel beide theorieën veel gelijkenissen hebben, worden ze in de literatuur volledig naast elkaar gebruikt (Hogg, Terry & White, 1995). Hieronder wordt elke theorie kort toegelicht en wordt de link gelegd naar het verklaren van team identificatie bij supporters.
Identity theory Volgens de identity theory bestaat “identiteit” uit meerdere facetten (Stryker, 1968; Stryker, 1980). Een persoon neemt namelijk meerdere sociale rollen op zich, evenveel als hij sociale groepen heeft die hij belangrijk vindt. Men zal telkens de rol aannemen die overeenkomt met de sociale groep waarin hij of zij zich op dat moment bevindt. Zo kan een persoon een rol hebben als vader, als zoon, als dakwerker en ook als voetbalsupporter. De verschillende eigenschappen van een rol worden bepaald door sociale conventies en worden de rolidentiteit genoemd. De rolidentiteit van een voetbalsupporter kan bijvoorbeeld onder meer inhouden dat de club onvoorwaardelijk wordt gesteund en dat men merchandising draagt.
De karakteristieke trekken van een persoon worden bepaald door de rol waarmee die persoon het meest betrokken is. De betrokkenheid voor een bepaalde rol is hoog wanneer personen denken dat belangrijke sociale contacten zich ook in deze rol plaatsen. Zijn de belangrijkste sociale contacten van een persoon loyale fans van een voetbalploeg, dan zal deze rol de bovenhand hebben op de andere rollen (Stryker & Serpe, 1982).
Hoe meer de rol als fan als karakteristieke trek naar boven komt, hoe groter de kans is dat deze persoon aanwezig is op een sportevenement (Laverie & Arnett, 2000) en hoe meer plezier hij zal beleven tijdens het bijwonen van een sportevenement (Madrigal, 1995). Laverie & Arnett (2000) vonden dat een persoon zijn rol als fan meer als karakteristieke trek ziet wanneer die persoon meer betrokken is met en gehecht is aan het team.
15
Social identity theory Team identificatie wordt in de literatuur vaker verklaard aan de hand van de social identity theory (SIT), voor het eerst geformuleerd door Tajfel & Turner 1979. Terwijl de identiteitstheorie vooral wordt gebruikt om de aanwezigheid van fans op sportgebeurtenissen te verklaren, wordt de SIT vaker gebruikt als achtergrond om de verkoop van merchandising te verklaren. Ook deze thesis zal identificatie met het team verklaren aan de hand van de social identity theory.
Ook in de SIT bestaat de identiteit van een persoon uit verschillende delen. In tegenstelling met de identiteitstheorie wordt hierbij niet gesproken van verschillende rollen, maar van verschillende sociale identiteiten. Personen behoren tot verschillende sociale groepen die specifieke karakteristieken bezitten (Turner, 1982; Turner, 1985). Deze verschillende karakteristieken bepalen wat die persoon denkt en voelt en hoe hij zich zal gedragen. Een verzameling van dergelijke karakteristieken die tot één sociale groep behoren, is één sociale identiteit van een persoon. Verscheidene sociale identiteiten komen in verschillende mate van belangrijkheid voor in het zelfconcept van een persoon. Hoe belangrijker een sociale identiteit, hoe eerder men geneigd zal zijn om de karakteristieken die bij deze identiteit behoren tot uiting te brengen (Turner, 1987).
Een sociale identiteit is naast beschrijvend en voorschrijvend ook evaluerend. Het gedrag van een persoon wordt continu geëvalueerd en aangepast opdat het zou passen binnen de sociale identiteit. Tijdens deze evaluatie worden de karakteristieken van de personen uit de eigen groep (de ingroup), geprefereerd boven deze van de personen die niet tot de groep behoren (de outgroup). Verschillende groepsgedragingen zoals discriminatie en stereotypering kunnen hierdoor verklaard worden.
Tajfel and Turner (1979) hebben 3 variabelen geïdentificeerd die bijdragen tot het prefereren van de ingroup; 1) de mate waarin individuen zich identificeren met de ingroup en hun lidmaatschap tot deze groep zien als deel van hun zelfconcept, 2) de mate waarin de heersende context een grond geeft tot vergelijking tussen groepen, 3) de waargenomen relevantie van de andere groep waarmee vergelijken wordt, deze relevantie wordt mede bepaald door de relatieve en absolute status van de ingroup.
16
Deze variabelen worden gemakkelijk vertaald naar de voetbalcontext. De eigen supportersgroep zal meer geprefereerd worden: 1) Wanneer die persoon zich sterker identificeert met het team, 2) Tijdens het bijwonen van een voetbalmatch in een stadium, meer dan in een context waar voetbal niet op de voorgrond treedt (bv. op het werk), 3) Wanneer er wordt gespeeld tegen de eeuwige rivaal, meer dan wanneer er wordt gespeeld tegen een ploeg die geen rechtstreekse concurrent is. Team identificatie wordt in het kader van de SIT gezien als een sociale identiteit die een groep van mensen gemeenschappelijk hebben in relatie tot hun favoriete ploeg (Kwon, Trail & James, 2007). De mate van team identificatie is een dominant verklarende variabele voor de klantentevredenheid op een sportevenement (Madrigal, 1995). Team identificatie werd ook al meermaals als antecedent voor aankoop van merchandising gebruikt. Kwon & Armstrong (2002; 2006) vonden dat identificatie met het team een belangrijke voorspeller was voor de impulsaankoop van merchandising. In tegenstelling tot vorig onderzoek stelden Kwon, Trail & James (2007) dat team identificatie geen rechtstreekse invloed had op intentie tot aankoop van merchandising.
BIRGing en CORFing Twee fenomenen die vaak voorkomen bij supporters met een hoge team identificatie zijn BIRGing en CORFing. Basking In Reflected Glory (BIRGing) is het gedrag waarbij personen publiekelijk hun associatie met succesvolle anderen bekendmaken, zelfs al zijn ze zelf niet verantwoordelijk voor het succes (Snyder, Lassegard & Ford, 1986). Zo zijn er vele supporters die na een gewonnen match verkondigen: “Wij hebben de tegenstander verslaan”. Cialdini et al (1976) vonden dat studenten meer in wij-vorm spraken over een wedstrijd en meer merchandising van het schoolteam droegen wanneer deze had gewonnen. Het tegenovergestelde van BIRGing is CORFing (Cutting-off-reflected failure) (Snyder et al., 1986). Dit houdt in dat personen zich distantiëren van personen die falen. De positieve invloed van team identificatie op BIRGing werd reeds door vele studies aangehaald (Madrigal, 1995; Wann & Brancscombe, 1992; Hirt, Zillman, Erickson & Kennedy, 1992). Hoe meer de persoon zich identificeert met het team, hoe meer de persoon geneigd is om zich te associëren met de successen die het team haalt. Bovendien zal deze persoon minder geneigd zijn tot CORFing. Personen met een lage team identificatie doen meer aan CORFing en minder aan BIRGing (Wann & Branscombe, 1990).
17
1.3.3. Perceived Value Zeithaml (1988) definieerde Perceived Value als volgt: “de globale beoordeling van de consument over de bruikbaarheid van een product (of dienst) op basis van zijn perceptie van wat hij krijgt en wat hij heeft gegeven”. Volgens Zeithaml beoordeelt de consument de waarde van het product dus uitsluitend op de bruikbaarheid, op de functionele aspecten. Als een consument bijvoorbeeld een sjaal koopt, zal hij volgens Zeithaml de waarde ervan bepalen door de totale prijs (prijs van de sjaal, prijs die het kost om de sjaal te halen,…) te vergelijken met het functionele aspect (in welke mate houdt de sjaal mij warm?).
Sheth, Newman & Gross (1991) bekijken de waarde van een product vanuit een breder standpunt en bespreken 5 constructen die samen de totale waarde van het product bepalen: functionele waarde: de mate waarin de gebruiksfuncties worden vervuld, sociale waarde: de associatie met één of meer specifieke sociale groepen, emotionele waarde: de mate waarin het product gevoelens opwekt, epistemologische waarde: de mate waarin het product nieuwsgierigheid wekt, een nieuwigheid aanbrengt of de drang naar kennis vervuld, en conditionele waarde: het resultaat van een specifieke situatie of set van omstandigheden die de persoon heeft meegemaakt en waaraan het product wordt verbonden.
Dit geeft ons twee perspectieven waarmee we de Perceived Value van merchandising kunnen benaderen. Het gebruikersperspectief focust zich op de functionele waarde (houdt de sjaal mij warm?). Het symbolische perspectief omvat de 4 bijkomende waarden die Sheth et al. (1991) toeschreven aan een product en houdt eerder rekening met de sociale en emotionele waarde van het product (de sjaal zorgt ervoor dat ik mij kan identificeren met het team).
Kwon & Armstrong (2006) benadrukten dat sportconsumenten merchandising vooral kopen voor de symbolische waarde. Bij het bepalen van de Perceived Value zal een sportconsument dan ook minder aandacht besteden aan het functionele aspect. Vooral het symbolisch perspectief van Perceived Value is dus van toepassing bij merchandising.
18
1.3.4. Perceived Quality Zeithaml (1988) definieert Perceived Quality als volgt: “Het oordeel van de consument over de globale uitmuntendheid of superioriteit van een product”. Dit subjectieve waardeoordeel kan dus sterk afwijken van de objectieve kwaliteit van het product. Vele studies maakten reeds duidelijk dat niet de objectieve kwaliteit maar wel de perceptie van de kwaliteit door de klant resulteert in een voorkeur voor een bepaald product of merk (Anderson & Sullivan, 1993; Mitra & Golder, 2006; Zeithaml, 1988).
Voorgaande studies hebben reeds empirisch het effect onderzocht van Perceived Quality op intentie tot aankoop. Terwijl sommige studies een indirecte relatie suggereren via de mediator Perceived Value (Chang and Wildt, 1994; Dodds et al., 1991; Rajendran and Hariharan, 1996), vonden andere studies wel een direct positief effect van Perceived Quality op intentie tot aankoop (Boulding et al., 1993; Parasuraman et al., 1996).
1.3.5. Andere determinanten Kwon & Armstrong (2002) ondervroegen 145 studenten en vonden geen significante verschillen in impulsief aankoopgedrag van sport merchandising tussen mannen en vrouwen. Ook de hoeveelheid dollar die jaarlijks werd besteed aan merchandising was niet significant verschillend tussen de twee geslachten. Fink, Trail & Anderson (2002) deden een gelijkaardig onderzoek bij toeschouwers van een basketbalwedstrijd waaruit bleek dat de vrouwen aangaven in de nabije toekomst meer merchandising te kopen dan de mannen. Deze resultaten liggen in de lijn van onderzoek door Lopiano (1997) die vond dat 70% van de merchandising gekocht
wordt
door vrouwen. Vrouwen doen namelijk vaak de aankoop van
merchandisingartikelen voor de familie. Reclame en promoties specifiek gericht op de vrouwelijke consument kunnen dus de verkoop van merchandising doen stijgen (Fink, Trail & Anderson 2002).
19
Indien merchandising wordt uitbesteed door een voetbalclub, gebeurt dit meestal exclusief aan één kledingsfabrikant. Het is dus belangrijk om te weten in hoeverre de keuze van fabrikant een invloed zal hebben op de verkoop van de merchandising. Kwon, Kim & Mondello (2008) onderzochten dit door middel van een vragenlijst bij 299 studenten. Uit het onderzoek werd duidelijk dat de attitude ten opzichte van merchandising effectief afhankelijk was van de fabrikant. Hoe positiever de supporters stonden ten opzichte van het kledingsmerk, hoe groter de intentie tot aankoop was. Verder bleek dat bij individuen die zich sterk identificeren met het team hun attitude ten opzichte van het merk weinig invloed had op de intentie tot aankoop. Voor clubs met een loyale fanbasis is het dus niet opportuun om een bekend, duur merk als kledingsfabrikant te kiezen. Omgekeerd kunnen clubs met een zwakke fanbasis wel voordeel halen uit een deal met een bekende kledingssponsor.
Özer & Argan (2006) onderzochten ook de verschillende determinanten van aankoop van merchandising. Naast team identificatie (34%) bleken nog 4 factoren een deel van de variantie in aankoop van merchandising te verklaren: winkelatmosfeer (10,66%), mate van aanvaarding door vriendengroep (7,6%), toewijding aan het team (6,4%) en plezier bij het winkelen (6,0%).
20
1.4. Modellering van Purchase Intention 1.4.1. Modellen in de literatuur Reeds 2 onderzoeken hebben getracht om de belangrijkste van bovenstaande determinanten te vertalen in modellen die de intentie tot aankoop van merchandising verklaren. Deze modellen vormen de basis van het conceptueel model dat in deze studie wordt getest. In dit hoofdstuk worden voorgaande onderzoeken kort besproken waarna het conceptueel model wordt opgebouwd.
Mediatoreffect van Perceived Value Kwon, Trail, & James (2007) onderzochten op welke manier Perceived Value een rol speelt in het verklaren van intentie tot aankoop van merchandising. Door het testen van drie verschillende modellen werd de relatie tussen de drie variabelen Perceived Value, Team Identification en Purchase Intention onderzocht (Figuur 2). In model A hebben Perceived Value en Team Identification een rechtstreeks effect op Purchase Intention en zijn ze onderling onafhankelijk. Model B bezit ook deze rechtstreekse effecten maar daarnaast speelt Perceived Value ook een rol als mediator. Model C is het “fully mediated model” waarbij Team Identification enkel een effect heeft op Purchase Intention via de mediator Perceived Value.
Figuur 2: De 3 verschillende modellen getest door Kwon, Trail, & James (2007)
21
Na het ondervragen van 110 studenten bleek model C, het “fully mediated model”, de data het best te verklaren. De onderzoekers besloten dus dat team identificatie op zich geen rechtstreeks effect heeft op aankoopgedrag. Perceived Value treedt op als mediator. Identificatie met het team verklaarde 13,2% van de variantie in Perceived Value. Het model in zijn geheel verklaarde 42,6% van de variantie in Purchase Intention.
Deze resultaten impliceren dat beleidsmakers in een voetbalclub zich niet uitsluitend mogen concentreren op het vergroten van de identificatie met het team. Ook de waarde die de supporters hechten aan de merchandisingartikelen is een belangrijke factor waarmee rekening moet worden gehouden.
Dit onderzoek spreekt vorige onderzoeken tegen waarin wel een rechtstreeks verband gevonden werd tussen team identificatie en aankoopgedrag (Kwon & Armstrong, 2002; Kwon & Trail, 2003). Een verschillende methodologie kan aan de basis liggen. Bij het onderzoek van Kwon, Trail & James (2007) was het de eerste maal dat de prijs van de merchandising vermeld werd bij de vragenlijst.
22
SIC en Perceived Quality Kwak & Kang (2009) onderzochten een model waarin SIC zowel rechtstreeks als onrechtstreeks via Perceived Quality invloed heeft op Purchase Intention (Figuur 3). Overall SIC werd opgesplitst in Actual en Ideal SIC. Het model werd door de studie bekrachtigd. Overall SIC en Perceived Quality verklaarden samen 43% van de variantie in intentie tot aankoop van merchandising. In deze studie werkte Perceived Quality ook als een mediator tussen SIC en Purchase Intention. SIC bleek naast een rechtstreeks effect op Purchase Intention ook een deel van de variantie in de Perceived Quality te verklaren.
Figuur 3: Gestandaardiseerde factor loadings van de relaties tussen SIC, Perceived Quality en Purchase Intention (*P<0.05) (Kwak & Kang, 2009).
23
1.4.2. Conceptueel model Het conceptueel model (Figuur 4) van deze studie is een samenvoegen van de twee bovenstaande modellen.
Figuur 4: Conceptueel model voor het verklaren van Purchase Intention met de variabelen Actual SIC, Ideal SIC, Overall SIC, Perceived Quality, Team Identification en Perceived Value. De verschillende hypothesen die gemaakt zijn omtrent de relaties in het model zijn genummerd van H1 tot H11.
Zowel SIC als Team Identification worden als variabelen in het model geplaatst zoals voorgesteld door Kwak & Kang (2009). Overall SIC wordt volgens de theorie opgesplitst in Ideal SIC en Actual SIC (Sirgy, 1982).
We veronderstellen dat Overall SIC een positief effect zal hebben op Team Identification. Achterliggende idee hierbij is dat hoe meer het zelfbeeld van een persoon overeenkomt met zijn beeld over de club, hoe groter de team identificatie zal zijn. Deze positieve relatie werd ook al gevonden door Pritchard, Stinson & Patton (2010).
24
Een volgende hypothese is dat Team Identification en Overall SIC zowel een rechtstreeks effect hebben op Purchase Intention als een onrechtstreeks effect hebben via de mediators Perceived Quality en Perceived Value. Hoewel het rechtstreeks effect van Team identificatie bij onderzoek van Kwon, Trail, & James
(2007) niet significant bleek, wordt dit toch
gemodelleerd omdat vorige studies wel een rechtstreeks effect vonden (Kwon et al 2004; Kwon & Armstrong 2002).
Graeff (1996) en Pascale et al (2000) vonden dat hoe meer het zelfconcept overeenkomt met het imago van het merk, hoe groter de waargenomen kwaliteit van het product wordt. Daarnaast wordt Perceived Value bij merchandising grotendeels bepaald door de symbolische waarde (Kwon & Armstrong, 2006). We veronderstellen dat deze symbolische waarde groter zal zijn als de Overall SIC groter is. Samenvattend verwachten we dus een positief pad tussen SIC en Perceived Quality enerzijds en SIC en Perceived Value anderzijds.
Verder is de hypothese dat zowel Perceived Value als Perceived Quality een rechtstreeks en positief effect hebben op Purchase Intention. Perceived Value bleek in vorig onderzoek een belangrijke antecedent te zijn voor Purchase Intention (Al-Sabbahy et al., 2004; Dodds, Monroe &Grewal, 1991). Grewal et al. (1998) vonden zelfs dat Perceived Value 40% van de variantie in Purchase Intention verklaarde. Hoewel deze onderzoeken niet werden uitgevoerd op sportproducten, verwachten we dat de bevindingen overdraagbaar zijn naar merchandising. Ook Perceived Quality werd al gedefinieerd als antecedent voor Purchase Intentions bij nietsport artikelen (Boulding et al, 1993; Parasuraman et al, 1996). Kwak & Kang (2009) vonden dat dit direct effect ook toepasbaar was op merchandising.
25
1.4.3. Hypothesen Het conceptueel model van Figuur 4 wordt vertaald in een lijst van 11 te testen hypothesen: H1: Er is een positieve relatie tussen Actual SIC en Overall SIC H2: Er is een positieve relatie tussen Ideal SIC en Overall SIC
H3: Er is een positieve relatie tussen Overall SIC en Perceived Quality H4: Er is een positieve relatie tussen Overall SIC en Perceived Value H5: Er is een positieve relatie tussen Overall SIC en Team Identification
H6: Er is een positieve relatie tussen Team Identification en Perceived Quality H7: Er is een positieve relatie tussen Team Identification en Perceived Value
H8: Er is een positieve relatie tussen SIC en Purchase Intention H9: Er is een positieve relatie tussen Team Identification en Purchase Intention H10: Er is een positieve relatie tussen Perceived Quality en Purchase Intention H11: Er is een positieve relatie tussen Perceived Value en Purchase Intention
26
2. Methodologie 2.1. Vragenlijst Deze thesis maakte gebruik van een vragenlijst om de data te verzamelen 2. De vragenlijst bestond uit twee delen.
In het eerste deel werden enkele demografische gegevens zoals geslacht, leeftijd, scholing, beroep en inkomen bevraagd. De laatste vragen van het eerste deel gingen over aankoop of bezit van merchandising. De term merchandising werd als volgt verklaard: “Met de term “merchandising” worden doorheen de vragenlijst alle producten bedoeld waarop het logo van KAA Gent staat afgebeeld. De meest voor de hand liggende producten zijn vlaggen en kledij (voetbaltruitjes, trainingen, petten …) maar ook andere zaken zoals voetballen, bedovertrekken, koffiemokken, rugzakken, … vallen onder de noemer van merchandising.”
Na deze verduidelijking werd achtereenvolgens gevraagd hoeveel men jaarlijks aan merchandising besteedt, welke merchandisingartikelen men in bezit heeft en waar deze werden gekocht.
In het tweede deel van de vragenlijst werden de noodzakelijke gegevens voor het testen van het conceptueel model verzameld. Dit deel bestond uit 26 vragen die beantwoord moesten worden op een 7-punt Likertschaal. Tabel 3 geeft een overzicht van de vragen samen met hun variabelenaam die doorheen deze thesis zal gebruikt worden.
2
De vragenlijst kan geraadpleegd worden in Bijlage 1
27
Items van de vragenlijst met hun variabelenaam Team Identification Id1 Id2 Id3 Id4 Id5 Id6 Id7 Id8 Id9
De successen van KAA Gent voelen aan als successen van mezelf. Als iemand KAA Gent ophemelt, voelt dat als een persoonlijk compliment. Als iemand KAA Gent bekritiseert, voelt dat als een persoonlijke belediging. De mislukkingen van KAA Gent voelen aan als mislukkingen van mezelf. Ik ben erg geïnteresseerd in wat andere mensen denken over KAA Gent. Als ik spreek over KAA Gent, gebruik ik “we” in plaats van “zij”. Ik gedraag me als een echte KAA Gent fan. Ik ben fier om tegen andere mensen te kunnen zeggen dat ik een KAA Gent fan ben. Ik vertel mijn vrienden dat KAA Gent een schitterende voetbalclub is om voor te supporteren. Actual Self-image Congruence
Actual1 Actual2 Actual3 Actual4
Mijn eigenlijke zelfbeeld (wie ik denk dat ik ben) komt overeen met het imago van de club. Mensen die gelijk zijn aan mezelf dragen merchandising van KAA Gent. Het dragen van merchandising van KAA Gent toont wie ik ben. Door het dragen van merchandising van KAA Gent toon ik aan andere mensen wie ik ben. Ideal Self-image Congruence
Ideal1 Ideal2 Ideal3
Mijn ideale zelfbeeld (wie ik wil zijn) komt overeen met het imago van de club. Het dragen van merchandising van KAA Gent toont wie ik wil zijn. Door het dragen van merchandising van KAA Gent toon ik aan andere mensen wie ik wil zijn. Perceived Quality
Qual1 Qual2 Qual3 Qual4
De merchandising van KAA Gent is van een goede kwaliteit. Merchandising van KAA Gent is betrouwbaar. Merchandising van KAA Gent is duurzaam. Merchandising van KAA Gent is gemaakt met vakmanschap. Perceived Value
Value1 Value2 Value3 Value4
De prijs-kwaliteitverhouding voor dit product is goed. Dit product is een goede koop. De prijs voor dit product is aanvaardbaar. Dit product is een koopje. Purchase Intention
Purch1 Purch2
De kans is groot dat ik merchandising van KAA Gent koop. Ik ben bereid om merchandising van KAA Gent te kopen.
Tabel 3: Overzicht van de 26 items uit de vragenlijst, de latente variabele waarop ze laden en de variabelenaam die doorheen de thesis wordt gebruikt.
28
2.1.1. Meetschalen In deze paragraaf wordt de meetschaal besproken van elke latente variabele uit het conceptueel model. De constructen zijn gemeten met dezelfde meetschalen als bij de onderzoeken van Kwon, Trail & James (2007) en
Kwak & Kang (2009) waarop het
conceptueel model is gebaseerd. Dit om de vergelijking tussen de modellen onderling te vergemakkelijken.
Self-image Congruence In de beginjaren van het onderzoek naar SIC werd het construct indirect gemeten. Respondenten gaven een score voor zelfbeeld en merkimago op verscheidene attributen. Beide scores werden daarna per attribuut vergeleken om de overeenkomsten bloot te leggen. Sirgy et al (1997) vonden echter dat directe metingen van SIC een hogere voorspellende waarde hadden. In plaats van afzonderlijke metingen op verschillende attributen, wordt beter rechtstreeks gevraagd in hoeverre het gepercipieerde merkimago overeenstemt met het eigen zelfbeeld. 4 items voor Actual SIC en 3 items voor Ideal SIC werden overgenomen uit de studie van Sirgy et al. (1997). Beide constructen samen voorspellen de latente variabele Overall SIC. Zoals voorgesteld door Sirgy (1997) vragen de items rechtstreeks in welke mate het eigen zelfbeeld overeenkomt met het gepercipieerde merkimago. Zo stelt een vraag naar Actual SIC bijvoorbeeld “Mijn eigenlijke zelfbeeld (wie ik denk dat ik ben) komt overeen met het imago van de club”. Of voor Ideal self: “Het dragen van merchandising van KAA Gent toont wie ik wil zijn”.
Team Identification 9 items werden overgenomen uit de studie van Kwon & Armstrong (2002). Voorbeelden van vragen zijn “De successen van KAA Gent voelen aan als successen van mezelf”, “Ik ben erg geïnteresseerd in wat andere mensen denken over KAA Gent”, “Als ik spreek over KAA Gent, gebruik ik “we” in plaats van “zij” en “Ik gedraag me als een echte KAA Gent fan”.
Perceived Quality 4 items voor het meten van Perceived Quality werden overgenomen uit de studies van Dodds, Monroe & Grewal (1991) en Fisher & Wakefiel (1998). De volgende vragen werden beantwoord op een 7-punt Likertschaal: “De merchandising van KAA Gent is van een goede kwaliteit.”, “Merchandising van KAA Gent is betrouwbaar”, “Merchandising van KAA Gent is duurzaam” en “Merchandising van KAA Gent is gemaakt met vakmanschap”.
29
Perceived Value Vooraleer de vragen werden beantwoord, kregen de respondenten een foto te zien met daarop een wedstrijdshirt van KAA Gent met de vermelding van de prijs zoals voorgesteld door Kwon, Trail & James (2007). Volgende 4 items werden overgenomen uit de studie van Netemeyer et al. (2004): “De prijs-kwaliteitverhouding voor dit product is goed”, “Dit product is een goede koop”, “De prijs voor dit product is aanvaardbaar” en “Dit product is een koopje”.
De foto van het wedstrijdtruitje werd geselecteerd uit de merchandising catalogus seizoen 2010-2011 van kledingsponsor Jako en werd in kleur afgedrukt op A4 formaat. De bijhorende prijs werd overgenomen uit dezelfde catalogus.
Purchase Intention 2 items die Purchase Intention meten werden geselecteerd uit onderzoek van Dodds, Monroe & Grewal (1991): “De kans is groot dat ik merchandising van KAA Gent koop” en “Ik ben bereid om merchandising van KAA Gent te kopen”.
30
2.2. Pilootstudie Een pilootstudie werd uitgevoerd bij 15 personen om de leesbaarheid en duidelijkheid van de vragenlijst te achterhalen. Kleine aanpassingen werden doorgevoerd aan de lay-out van de vragenlijsten en in de vertaling van de oorspronkelijk Engelstalige items.
2.3. Steekproef De doelgroep van dit onderzoek waren supporters van KAA Gent. Bij de bepaling van de doelgroep werd gekozen om supporters van één voetbalclub te ondervragen om zo eventuele verschillen in clubwerking en marketing van merchandising te vermijden. KAA Gent is een middelgrote voetbalclub die tot de subtop van de Belgische competitie behoort. Samen met kleding sponsor Jako heeft de club de laatste jaren hun merchandising uitgebreid.
Een team van vrijwilligers nam de vragenlijsten af bij de KAA Gent supporters. De bevraging gebeurde in de onmiddellijke omgeving van het stadium en vond plaats een uur voor en een half uur na de wedstrijd KAA Gent – Standaard, een wedstrijd in Play-Off 1 van de Belgische Jupiler League. Supporters werden willekeurig aangesproken met de vraag of men wou deelnemen aan een onderzoek naar de verkoop van merchandising. Het lezen en invullen van de vragenlijst gebeurde door de respondenten zelf en nam ongeveer 10 minuten in beslag. Anonieme verwerking van de gegevens werd gegarandeerd.
In totaal werden 200 supporters ondervraagd. 11 vragenlijsten bleken achteraf onbruikbaar door een te groot aantal onopgeloste vragen. De totale steekproef bestond dus uit 189 proefpersonen.
31
2.4. Structural Equation Modeling 2.4.1. De keuze voor SEM Het conceptueel model van deze thesis wordt getest met Structural Equation Modeling (SEM). Deze techniek wordt veel gebruikt in gedragswetenschappen (Hogg, Terry & White, 1995) en in marktonderzoek (Baumgartner & Homburg, 1996; Diamantopoulus, 1994; Hulland, Chow & Lam 1996). Daarnaast werd SEM ook toegepast in verscheidene vorige onderzoeken die de intentie tot aankoop van merchandising trachten te verklaren (Kwon, Armstrong, 2006; Kwon, Trail & James, 2007; Kwak & Kang, 2009).
SEM is een statistische techniek die gebruikt wordt om hypotheses over relaties tussen latente en geobserveerde variabelen te testen (Hoyle, 1995). Geobserveerde variabelen zijn direct meetbaar (Bollen, 1989), terwijl latente variabelen eerder hypothetische/theoretische constructies zijn die slechts indirect kunnen worden gemeten aan de hand van meerdere items (Schumacker & Lomax, 1996). In deze studie zijn alle constructen latente variabelen. De items van de vragenlijst zijn geobserveerde variabelen die gebruikt worden voor het kwantificeren van de latente variabelen.
Net zoals bij multiple regressie en path analysis wordt in SEM de relatie tussen verschillende variabelen gelijktijdig getest. SEM is echter een superieure techniek. Anders dan met multiple regressie kan in SEM eenzelfde variabele zowel voorspeld worden als een voorspeller zijn van een andere variabele. Path analysis en multiple regressie houden in tegenstelling tot SEM ook geen rekening met de meetfout van variabelen (Kline, 1998).
Daarnaast kan in path analysis slechts één item per construct worden gemodelleerd (Kline, 1998). Het gebruiken van meerdere items per construct, wat mogelijk is in SEM, wordt echter aangeraden (Anderson et al., 1983; Bollen, 1989; Diamantopoulos, 1994, Schumacker & Lomax, 1996). Wanneer al deze argumenten in rekening worden gebracht, is het gebruik van SEM voor het testen van het conceptueel model een logische keuze.
32
2.4.2. De two-step approach SEM modellen bestaan meestal uit twee delen: een measurement model en een structural model. Het measurement model geeft weer hoe de latente variabelen worden gemeten door de geobserveerde variabelen. Het structural model specificeert de verschillende relaties tussen de latente variabelen (Diamantopoulos, 1994).
In de literatuur wordt aangeraden in twee stappen te werk te gaan en beide modellen onafhankelijk van elkaar te analyseren (Anderson & Gerbing, 1988,1992; Kline, 1998; Schumacker & Lomax, 1996). Bij deze two-step approach van SEM wordt het measurement model eerst geanalyseerd en daarna gebruikt als input voor het structural model. Jöreskog & Sörbom (1993) benadrukken de noodzakelijkheid van het volgen van deze twee stappen als volgt: “Het testen van het structural model, dus het testen van de initieel gespecificeerde theorie, kan zinloos zijn tenzij eerst is bewezen dat het measurement model correct is” (Jöreskog & Sörbom, 1993, p. 113) In deze thesis wordt dan ook gebruik gemaakt van deze twee stappenaanpak van SEM.
Vooraleer we het measurement model testen via Confirmatory Factory Analysis worden de items per meetschaal van latente variabele geselecteerd via exploratory factor analysis. Er is geen algemeen geldende regel om het optimale aantal items per meetschaal te bepalen. In theorie is meer items beter, in de praktijk kan een teveel aan indicators ervoor zorgen dat het model onmogelijk kan worden aanvaard (Bentler, 1980). Een minimum van 2 indicators per latente variabele is wel aangewezen (Bollen, 1989). In dit onderzoek werden items die te weinig laadden op de meetschaal verwijderd.
Eenmaal het measurement model correct is bevonden, wordt het conceptueel model getest. In het conceptueel model zijn bijna alle relaties die mogelijk zijn tussen de verschillende constructen gemodelleerd. Op die manier worden eventueel significante relaties op voorhand niet uitgesloten van analyse. Na interpretatie van de resultaten wordt uit dit conceptueel model een definitief model gefilterd dat enkel significante relaties bevat.
33
2.4.3. Rival model In de literatuur groeit de consensus dat bij SEM de onderzoekers niet enkel moeten testen of hun conceptueel model de realiteit op een correcte manier modelleert. Er wordt aangeraden om het model ook te vergelijken met een “rival model” (Bollen & Long, 1992; Bagozzi, 1994). Het rival model van dit onderzoek (Figuur 5) is een model waarbij alle verklarende variabelen enkel rechtstreeks laden op Purchase Intention, wat neerkomt op een multipele regressie.
Figuur 5: Rival model met enkel maar directe relaties tussen de verklarende variabelen en de te verklaren variabele.
34
2.4.4. Model fit De analyse voor het al dan niet aanvaarden van een model kan gebeuren aan de hand van een resem aan statistieken. In SEM noemen deze statistieken “goodness of fit statistics”. SEM programma’s als LISREL geven in de output een heleboel van deze goodness of fit statistics weer. De “beste” statistiek om een model te evalueren bestaat niet en veelal worden enkele statistieken samen bestudeerd vooraleer een oordeel te vellen over het model. In Tabel 4 worden alle goodness of fit statistics weergegeven die in deze thesis worden gebruikt, samen met hun cut-off waarden.
Goodness of fit statistics Test statistiek
Afkorting
Cut-off waarde
Referentie
Chi-square en p-waarde
χ² , p
p > 0,05
Fan, Thompson & Wang (1999) Hu & Bentler (1995)
Root mean-square error of approximation
RMSEA
< 0.10
Steiger & Lind (1980) Fan, Thompson & Wang (1999)
Confidence Interval of RMSEA
CI
LI < 0.05 RI < 0.08
Raykov, Marcoulides (2006)
Normed fit index
NFI
Dichtbij 0.95
Bentler & Bonnet (1980) Hu & Bentler (1998)
Non-normed fit index
NNFI
Dichtbij 0.95
Bentler & Bonnet (1980) Hu & Bentler (1998)
Parsimonious normed fit index
PNFI
Groter is beter
James et al (1982)
Comparative fit index
CFI
Dichtbij 0.95
Hu & Bentler (1998) Hoyle & Panter (1995)
Goodness of fit index
GFI
> 0.9
Hoyle & Panter (1995) Jöreskorg & Sörbom (1984)
Adjusted goodness of fit index
AGFI
> 0.9
Jöreskog & Sörbom (1993) Kline (1998)
Parsimonious goodness of fit index
PGFI
Groter is beter
Mulaik et al. (1989)
Akaike information criterion
AIC
Kleiner is beter
Akaike (1987) Kline (1998)
Tabel 4: Overzicht van de goodness of fit statistics die gebruikt worden om de modellen te testen. Per test wordt de afkorting weergegeven, de cut-off waarde en de referentie(s) die het gebruik van de statistiek aanraden.
35
Wanneer verschillende goodness of fit statistieken van eenzelfde model worden vergeleken, vindt men vaak tegenstrijdigheden. Een model wordt niet vaak door alle statistieken tegelijk aanvaard (Hoyle, 1995). De uitdaging bestaat er dan ook in om een globaal oordeel te vellen over het al dan niet aanvaarden van een model door het afwegen van verscheidene statistieken.
De Chi-kwadraat test is een test die vaak tegenstrijdig is met de waarden van de andere statistieken. Dit komt doordat deze test erg gevoelig is aan steekproefgrootte. Bij een groot aantal proefpersonen is de p-waarde veelal significant, maar dit betekent nog niet noodzakelijk dat het model van een slechte kwaliteit is (Hu & Bentler, 1995).
James, Mulaik & Brett (1982) bespreken dat complexe modellen met veel paramaters typisch betere goodness of fit statistieken zullen hebben dan simpelere modellen. Om deze onrechtvaardigheid in te calculeren werden enkele nieuwe statistieken ontworpen. PGFI en PNFI zijn aangepaste versies van respectievelijk GFI en NFI en bestraffen modellen op hun aantal paramaters. Op die manier worden simpele theoretische modellen door PGFI en PNFI verkozen boven complexe modellen. Deze statistieken worden eerder gebruikt om verschillende modellen met elkaar te vergelijken dan om te bepalen of een model aanvaard wordt. De voorkeur gaat uit naar modellen met de hoogste waarden van PGFI en PNFI (Kelloway, 1998).
Ook het Akaike information criterion (AIC) bestraft complexe modellen meer dan simpele modellen. Deze waarde wordt ook gebruikt om verschillende modellen met elkaar te vergelijken, het model met de laagste AIC waarde wordt geprefereerd (Kelloway, 1998).
Naast de goodness of fit statistieken moeten nog meerdere factoren in rekening gebracht worden. Gestandaardiseerde residuals moeten laag zijn (Raykov & Marcoulides, 2006), squared multiple correlation moeten voldoende hoog zijn en de verscheidene parameters moeten de juiste grootte, significantie en richting hebben (Bollen, 1999; Diamantopoulus, 1994; Kline,1988).
36
2.5. Dataverwerking Descriptieve statistische analyses en exploratieve factoranalyses werden uitgevoerd in SPSS (SPSS, Chicago, IL, versie 18). De items uit de vragenlijst werden getest op univariate en multivariate normale verdeling aan de hand van respectievelijk SPSS en SAS.
Een confirmatieve factoranalyse (CFA) werd uitgevoerd met LISREL (SSI, Lincolnwood, IL, versie 8.8) om de bekomen meetschalen te verifiëren. Eenmaal de schalen op punt stonden werd eveneens met LISREL een Structural Equations Modeling (SEM) uitgevoerd in de SIMPLIS codeertaal en gebruik makende van de Maximum Likelihood methode.
37
3. Resultaten 3.1. Karakteristieken van de steekproef
3
3.1.1. Demografische gegevens 162 (85,7 %) van de ondervraagden waren mannen, 27 (14,3%) vrouwen. De leeftijd van de populatie is als volgt verdeeld: 28 (14,8%) zijn 20 jaar of jonger, 58 (30,7%) tussen 21 en 30, 46 (24,3%) tussen 31 en 40, 32 (16,9%) tussen 41 en 50, 19 (10,1%) tussen 51 en 60 en 6 (3,2%) personen waren 61 jaar of ouder. 41 (21,7%) proefpersonen zijn student, 15 (7,9%) zelfstandige, 37 (19,6%) arbeider, 92 (48,7%) bediende en 4 (2,1%) hadden geen beroep. Volgens scholingsgraad was de steekproef als volgt verdeeld: 9 (4,8%) lager onderwijs, 87 (46,0%) middelbaar onderwijs, 61 (32,3%) Hogeschool en 32 (16,9%) Universiteit. 39 personen (20,6%) hadden geen inkomen, 9 (4,8%) hadden een inkomen kleiner dan 1000 euro, 80 (42,3%) hadden een inkomen tussen 1000 en 2000 euro, bij 51 (26,9%) personen lag het inkomen tussen 2000 en 3000 euro en 10 personen (5,3%) hadden een inkomen groter dan 3000 euro.
3.1.2. Aankoop en bezit van merchandising 50 proefpersonen (26,5%) gaven aan nooit merchandising van KAA Gent te kopen. De grootste groep proefpersonen (110 supporters, 60,2%) besteedt jaarlijks tussen de 1 en 100 euro aan merchandising. 35 (18,5%) supporters bezitten geen enkel merchandisingartikel van KAA Gent. 62 (32,8%) bezitten een Team uniform of matchkledij, 43 (22,8%) bezitten andere kledij, 146 (77,2%) bezitten een sjaal, 46 (24,3%) bezitten vlaggen of banners, 35 (18,5%) bezitten accessoires en 22 (11,6%) gaven aan nog een ander soort merchandising van KAA Gent te bezitten. Na analyse van de karakteristieken van de steekproef is duidelijk dat het merendeel van de ondervraagde personen echte supporters zijn van KAA Gent en reeds in aanraking zijn gekomen met merchandising. Meer dan 80% van de ondervraagde supporters bezitten merchandising en ongeveer 75% kopen merchandisingartikelen. 3
Een volledig overzicht van alle karakteristieken van de steekproef kan geraadpleegd worden in Bijlage 2
38
3.2. Betrouwbaarheid van de meetschalen Voor de exploratieve factoranalyse werd een reliability analysis gebruikt om de items die het minst laden op de meetschalen te identificeren 4. Items met een Squared Multiple Correlation (SMC) lager dan 0,50 werden verwijderd voor verdere analyse (Bollen, 1989).
Team identification Tabel 5 geeft de verschillende statistieken weer voor elk item van de Team Identification schaal. Items Id3 (SMC 0,48), Id4 (SMC 0,40) en Id5 (SMC 0,47) hebben een SMC kleiner dan 0.50 en worden verwijderd. Daarnaast worden 2 extra items verwijderd om tot een werkbaar aantal van 4 items te komen voor deze meetschaal. Van de overgebleven items hadden Id1 en Id2 de kleinste corrected item-total correlation en SMC. Daarnaast was hun waarde voor “chronbach’s alpha if item deleted” het grootst. Uiteindelijk wordt verdere analyse uitgevoerd op de items Id6, Id7, Id8 en Id9.
Item betrouwbaarheid Team Identification
Id1 Id2 Id3
Corrected ItemTotal Correlation ,615 ,720 ,623
Squared Multiple Correlation (SMC) ,508 ,619 ,484
Cronbach's Alpha if Item Deleted ,906 ,899 ,905
Id4 Id5
,525 ,632
,402 ,465
,911 ,905
Id6 Id7 Id8
,744 ,819 ,819
,657 ,812 ,822
,897 ,891 ,891
Id9
,730
,617
,898
Tabel 5: Statistieken voor het meten van de betrouwbaarheid van de meetschaal voor Team Identification. De omkaderde items worden gebruikt bij de verdere analyse.
4
De output van de Reliability Analysis kan geraadpleegd worden in Bijlage 3
39
SIC Wanneer een betrouwbaarheidsanalyse wordt uitgevoerd op de constructen Actual SIC en Ideal SIC blijkt dat zowel Actual1 (SMC 0,33) als Ideal1 (SMC 0,40) een SMC-waarde hebben die kleiner is dan 0.50. Deze twee variabelen worden dus uit de constructen verwijderd. De beslissing wordt verder onderbouwd door de relatief lage corrected item-total correlation (0,54 en 0,63) en relatief hoge chronbach’s alpha if item deleted (0,88 en 0,92) van deze items ten opzichte van de andere items in de meetschaal.
Perceived Quality Alle items in de schaal van Perceived Quality hadden een SMC die groter is dan 0,50. Er worden dus geen items geschrapt.
Perceived Value Het item Value4 had een SMC van 0,44 en wordt dus geschrapt uit verdere analyse. Dit item had ook een relatief lage corrected item-total correlation (0,62) en relatief hoge chronbach’s alpha if item deleted (0,85) ten opzichte van de andere items in de meetschaal.
Purchase Intention Alle items in de schaal van Purchase Intention hadden een SMC die groter is dan 0,50. Er worden dus geen items geschrapt.
40
3.3. Exploratieve factoranalyse Een exploratieve factoranalyse met Promax rotatie werd uitgevoerd op alle overgebleven items 5. Omdat ons conceptueel model 6 latente variabelen bevat 6, werd aangeduid dat de output 6 factoren moest bevatten. Uit de output bleek echter dat Actual SIC en Ideal SIC niet werden opgesplitst in twee afzonderlijke factoren. Omdat vorige studies (Graef, 1997; Ali & Yalcin, 1999) ook reeds problemen hadden om beide dimensies op te splitsen, werd besloten om de items van Actual SIC en Ideal SIC rechtstreeks te doen laden op Overall SIC. Hypothesen 1 en 2, die een positieve relatie veronderstelden tussen Actual SIC, Ideal SIC en Overall SIC konden in dit onderzoek dus niet worden getest.
Een nieuwe exploratieve factoranalyse met Promax rotatie werd uitgevoerd, ditmaal werd een output met 5 factoren gevraagd. Kaiser-Meyer-Olkin Measure of Sampling Adequacy was 0,896 en de Bartlett Test for Sphericity was 3318,273 (p< 0,0001) wat voldoende is om de factoranalyse te aanvaarden.
De factoranalyse bleek duidelijk 5 factoren te onderscheiden die samen 84,06% van de variantie verklaren, namelijk: Overal SIC (Ideal2, Ideal3, Actual2, Actual3, Actual4), Team Identification (Id6, Id7, Id8, Id9), Perceived Quality (Qual1, Qual2, Qual3, Qual4), Perceived Value (Value1, Value2, Value3) en Purchase Intention (Purch1, Purch2).
Deze meetschalen worden gebruikt in het measurement model.
5
De output van de exploratieve factoranalyse kan geraadpleegd worden in Bijlage 4 De 6 latente variabelen in het conceptueel model zijn: Actual SIC, Ideal SIC, Perceived Quality, Purchase Intention, Team Identification en Perceived Value 6
41
3.4. Structural Equation Modeling 3.4.1. Measurement model Confirmatory factor analysis werd gebruikt om te onderzoeken of de items voldoende laden op de constructen die geselecteerd werden uit de factoranalyse. Figuur 6 geeft de uitkomst van het measurement model weer 7.
Figuur 6: Measurement model met standard errors, standard factor loadings (β) en correlation coefficients. Alle waarden zijn significant (p<0.01).
Hoewel de Chi² waarde slecht was voor het measurement model (240.84, p <0.001), bleken de andere goodness of fit waarden wel voldoende te zijn om het model te aanvaarden (Df: 125; RMSEA: 0.065 met CI (0.051;0.079); NFI: 0.97; NNFI: 0.98; PNFI: 0.79; CFI: 0.98; GFI: 0.88; AGFI: 0.84; PGFI: 0.65). De meetschalen voor de latente variabelen zijn dus aanvaard.
7
De output voor het measurement model kan geraadpleegd worden in Bijlage 6
42
De betrouwbaarheid van de constructen werd onderzocht aan de hand van een Reliability Analysis8. Tabel 6 geeft een samenvatting van de waarden die de validiteit en betrouwbaarheid van de constructen meten. Chronbach’s alpha waarden waren hoog en varieerden tussen 0.85 en 0.95, wat hoger is dan de door Nunnally (1978) voorgestelde cut-off waarde van 0.70. Average variance extracted (AVE), berekend op basis van de factor loadings uit de CFA, varieerden tussen 0.65 en 0.90 en zijn dus groter dan 0.50 zoals noodzakelijk geacht door Fornell & Larcker (1981). De R² waarden zijn groter dan de cut-off waarde van 0.50, wat logisch is daar we in voorafgaande analyse van de meetschalen de items verwijderden die niet voldeden aan dit criterium.
Betrouwbaarheid constructen Subschaal
Item
Overall SIC
Gem
SD
Actual2 Actual3 Actual4 Ideal2 Ideal3
3,76 3,84 3,78 3,90 3,58 3,69
1,60 1,79 1,80 1,79 1,72 1,78
Id6 Id7 Id8 Id9
5,26 5,19 5,18 5,49 5,20
1,66 1,89 1,90 1,86 1,70
Qual1 Qual2 Qual3 Qual4
5,03 5,04 5,03 4,81 4,75
1,44 1,54 1,44 1,48 1,46
Value1 Value2 Value3
4,30 4,45 4,42 4,03
1,42 1,61 1,61 1,66
Purch1 Purch2
4,85 4,74 4,96
1,72 1,79 1,74
Team Identification
Perceived Quality
Perceived Value
Purchase Intention
R²
Chr α
AVE
0,95
0,78
0,93
0,77
0,94
0,80
0,85
0,65
0,95
0,90
0,54 0,83 0,83 0,89 0,83 0,66 0,87 0,88 0,66 0,80 0,94 0,74 0,72 0,63 0,70 0,61 0,87 0,92
Tabel 6: Overzicht van de verschillende constructen en de items die op deze constructen laden. Gemiddelden (gem), standaarddeviatie (SD), R²-waarden (R²), Chronbach’s alpha (Chr α) en Averange Variance Extracted (AVE) worden weergegeven waar van toepassing.
8
De output van de Reliability Analysis kan geraadpleegd worden in Bijlage 5
43
De gemiddelde Team Identification (Gem: 5,3) ligt behoorlijk hoog, wat duidt op het feit dat de ondervraagde supporters nauw betrokken zijn bij de het team. Tegenstrijdig waren de waarden van SIC gemiddeld behoorlijk laag (Gem: 3,8)..
Univariate normale verdeling werd getest via de Kolmogorov-Smirnov Z test. De test bleek significant waardoor univariate verdeling van de items niet kan worden aangenomen. Skwewness waarden varieerden van -1,28 tot 0,20 (SD 0,18) en Kurtosis waarden varieerden van -1,14 tot 0,73 (SD 0.35). Multivariate normale verdeling werd getest via SAS en bleek ook niet significant (Mardia Skewness 6732 (p<0.001), Mardia Kurtosis 24.33 (p<0.001).
Alhoewel SEM multivariate normaalverdeling veronderstelt, wordt in vele onderzoeken data gebruikt die niet perfect normaal verdeeld zijn. Lei & Lomax (2005) vonden dat SEM ook met niet normale data een goed oplossing kon bekomen.. De Maximum Likelyhood methode kan gebruikt worden met lichte deviaties van normaliteit (Bollen, 1989; Jöreskog & Sörbom, 1993, Lei & Lomax, 2005).
In Tabel 7 zijn de bivariate correlaties weergegeven tussen de verschillende constructen die een eerste test zijn voor de hypothesen. De correlatiecoëfficiënten zijn allemaal significant (p<0,05) en variëren tussen 0,41 en 0,73.
Bivariate correlaties tussen constructen SIC SIC Team Identification Perceived Quality Perceiveid Value Purchase Intention
1 0,46 0,41 0,43 0,43
Team Identification
Perceived Quality
Perceived Value
Purch Intention
1 0,60 0,41 0,67
1 0,61 0,73
1 0,49
1
Tabel 7: Bivariate corellaties tussen de constructen onderling. Alle correlaties zijn significant (p<0.05)
44
3.4.2. Structural model Na goedkeuring van het measurement model kan overgegaan worden op de analyse van het structural model.
Figuur 7: Conceptueel model met standard errors en standard factor loadings. *p<0.01
Figuur 7 toont de output van de SEM op het conceptueel model 9. Hoewel de goodness of fit statistieken van het model behoorlijk zijn (Df: 126; Chi²: 274.88 (p<0.01); RMSEA: 0.074 met CI (0.061;0.087); NFI: 0.96; NNFI: 0.97; PNFI: 0.79; CFI: 0.98; GFI: 0.87; AGFI: 0.82; PGFI: 0.64), zijn niet alle paden significant op het 5% niveau. De relaties SIC – Purchase Intention (hypothese 8) en Perceived Value – Purchase Intention (hypothese 11) blijken geen significant resultaat op te leveren in het model. Daarnaast stellen de “modification indices” in de output voor om een covariantie toe te voegen tussen Perceived Quality en Perceived Value (Decrease in Chi²: 31,4, New Estimate: 0,56) .
9
De output voor het conceptueel model kan geraadpleegd worden in Bijlage 7
45
Het definitief model bestaat uit het conceptueel zonder de niet-significante paden
10
en met
een covariantie tussen Perceived Quality en Perceived Value. Het gecorrigeerde, definitief model (Figuur 8) bestaat enkel uit significante paden en blijkt voldoende hoge goodness of fit statistieken te hebben
11
(Df: 127; Chi²: 242.13 (p<0.01); RMSEA: 0.064 met CI
(0.050;0.077); NFI: 0.97; NNFI: 0.98; PNFI: 0.80; CFI: 0.98; GFI: 0.88; AGFI 0.84; PGFI: 0.66). Deze statistieken zijn een stuk beter dan bij het conceptueel model. Ook de covariantie tussen Perceived Value en Perceived Quality blijkt significant (: 0.56). De aanpassingen waren dus terecht en dit definitief model wordt beter bevonden dan het conceptueel model.
Figuur 8: Definitief model met standard errors, factor loadings en R² waarden. *p<0.01
10 11
De niet-significante relaties werden één voor één verwijderd, tot alle overgebleven relaties significant bleken. De output voor het definitief model kan geraadpleegd worden in Bijlage 8
46
3.5. Bespreking hypothesen Zoals hierboven vermeld, konden hypothesen 1 en 2 niet worden onderzocht omdat het construct “Overal SIC” niet kon worden opgesplitst in twee afzonderlijke componenten. De resultaten van de overige hypothesen worden in deze paragraaf toegelicht.
Terwijl de bivariate correlaties tussen de constructen alle overige hypothesen ondersteunden (Tabel 7), bleek dit in SEM niet het geval te zijn. Hierin komt de meerwaarde van SEM naar boven die alle relaties samen in rekening brengt bij het analyseren van het model. Bivariate correlatie daarentegen bekijkt elke relatie afzonderlijk. We kunnen besluiten dat Team Identification en Perceived Quality reeds alle variantie in Purchase Intention verklaren waardoor de relaties van Perceived Value en Overall SIC niet meer significant zijn.
Het model bevat een significante, positieve relatie tussen Overall SIC en Team Identificatie, wat overeenkomstig is met vorig onderzoek (Pritchard et al., 2010). Hypothese 5 wordt dus aanvaard. Wel werd slechts 21% van de variantie in Team Identificatie verklaard door Overall SIC. Pritchard et al. (2010) ondervraagden studenten en verklaarden 51% van de variantie in identificatie met het schoolteam. Naast SIC gebruikte men ook betrokkenheid met de school als verklarende variabele.
Hypothesen 3, 4, 6 en 7 worden ondersteund door het model. SIC en Team Identification hebben een significant, positief effect op zowel Perceived Value als Perceived Quality. SIC en Team Identification verklaarden samen 25% van de variantie in Perceived Value en 39% van de variantie in Perceived Quality. Ongeveer dezelfde waarden werden gevonden in vorig onderzoek (Kwon & Armstrong, 2006). Team Identification is een betere voorspeller voor Perceived Quality (: 0.47) dan SIC (: 0.18). Tegenovergesteld is SIC (: 0.30) een betere voorspeller dan Team Identification (: 0.23) voor Perceived Value.
47
Van de 4 directe effecten op Purchase Intention die voorgesteld werden in hypothesen 8 tot 11 waren slechts 2 effecten significant. Hypothese 9, die een positieve relatie suggereerde tussen Team Identification en Purchase Intention, en hypothese 10, die een positieve relatie suggereerde tussen Perceived Quality en Purchase Intention, bleken correct. Beide constructen samen voorspelden 62% van de variantie in Purchase Intention. Deze waarde ligt een stuk hoger dan bij vorige studies waarbij hoogstens 43% van de variantie in intentie tot aankoop van merchandising werd verklaard (Kwak & Kang, 2009; Kwon & Trail, 2007). Het rechtstreekse effect van Perceived Quality werd reeds aangetoond in vorige onderzoeken (Kwak & Kang, 2009; Boulding et al., 1993; Parasuraman et al.,1996). Wel verschillend met Kwak & Kang (2009) was dat Team Identification blijkbaar toch een direct effect heeft op Purchase Intention, zoals ook in vorige onderzoeken reeds gevonden (Kwon & Armstrong, 2002; Kwon & Trail, 2003). Perceived Quality (: 0.61) blijkt een grotere impact te hebben op Purchase Intention dan Team Identification (: 0.40).
De verwerping van hypothese 8 omdat SIC geen direct effect bleek te hebben op Purchase Intention werd ook reeds gevonden in vorig onderzoek (Kwon & Trail, 2007). Het indirecte effect gaat wel niet langs mediator Perceived Value zoals bij Kwon & Trail (2007) maar langs mediators Team Identification en Perceived Quality. In het onderzoek van Kwon & Trail (2007) werden deze variabelen niet opgenomen, wat kan verklaren waarom in dit onderzoek niet dezelfde mediator wordt gevonden.
Het feit dat hypothese 11 verworpen wordt is ook tegenstrijdig met vorig onderzoek (Kwon & Trail, 2007). Die vonden namelijk dat 43% van de variantie in Purchase Intention verklaard werd door Perceived Value. Mogelijke verklaring hiervoor is dat in dit onderzoek Perceived Value en Perceived Quality samen werden gemodelleerd.
48
3.6. Rival model Ook het Rival model (Figuur 9) bezit voldoende hoge goodness of fit statistieken 12 (Df: 125; Chi²: 240.84 (p<0.01); RMSEA: 0.065 met CI (0.051;0.079); NFI: 0.97; NNFI: 0.98; PNFI: 0.79; CFI: 0.98; GFI: 0.88; AGFI 0.84; PGFI: 0.65). De relatie tussen SIC en Purchase Intention en tussen Perceived Value en Purchase Intention blijken echter niet significant te zijn.
Figuur 9: Rival model met correlatiecoëfficiënten, standard errors and standard factor loadings. *p<0.01
12
De output voor het rival model kan geraadpleegd worden in Bijlage 9
49
3.7. Vergelijking tussen modellen In Tabel 8 zijn de verschillende goodness of fit statistieken voor de 3 geteste modellen opgelijst. Het vergelijken van alternatieve modellen door het vergelijken van de goodness of fit statistics is een manier die veel gebruikt wordt in de literatuur (Jayanti & Jackson, 1991; Madrigal, 1995).
Vergelijking tussen de goodness of fit statistieken van de 3 geteste modellen
Conceptueel
Definitief
Rival
Chi² min fit func
274.88 (p<0.001)
242.13 (p<0.001)
240.84 (p<0.001)
RMSEA
0.074
0.064
0.065
CI RMSEA
(0.061 ; 0.087)
(0.050 ; 0.077)
(0.051;0.079)
NFI
0.96
0.97
0.97
NNFI
0.97
0.98
0.98
PNFI
0.79
0.80
0.79
CFI
0.98
0.98
0.98
GFI
0.87
0.88
0.88
AGFI
0.82
0.84
0.84
PGFI
0.64
0.66
0.65
Model AIC
344.89
311.63
316.04
Tabel 8: Vergelijking tussen de goodness of fit statistieken van het conceptueel model, het definitief model en het rival model.
De Chi² score is sterk afhankelijk van normale verdeling (Hu, Bentler & Kano, 1992; Chou, Bentler & Satorra, 1991). Dit kan een verklaring zijn waarom deze goodness of fit statistiek bij alle modellen significant is.
De goodness of fit waarden van het definitief model en het Rival model zijn nagenoeg identiek aan elkaar. De iets betere waarden bij het definitief model zijn niet voldoende om dit model als beter naar voor te schuiven. Wel heeft het Rival model twee niet-significante relaties namelijk SIC – Purchase Intention en Perceived Value – Purchase Intention.
50
4. Algemeen besluit 4.1. Meerwaarde van het onderzoek Merchandising is big business geworden in vele sporten, in bijzonder in het Europese voetbal. De bedoeling van deze studie was om een model te testen dat de intentie tot aankoop van merchandising verklaart. Na een intensief literatuuronderzoek werd een conceptueel model opgesteld. Via een vragenlijst werden data verzameld bij 189 supporters van een Belgische voetbalploeg. De data werden gebruikt om het conceptueel model te testen aan de hand van Structural Equation Modeling. Na aanpassing van het conceptueel model werd een definitief model bekomen die de data op een correcte manier weergeeft. Dit definitief model verklaart 62% van de variantie in intentie tot aankoop van merchandising. Dit percentage ligt een stuk hoger dan bij vorig onderzoek, waarbij slechts 43% werd verklaard (Kwon & Trail, 2007). Het definitief model is echter niet significant beter dan gewone multiple regressie zoals gemodelleerd in het rival model.
De echte meerwaarde van dit onderzoek ligt dan ook in het blootleggen van de relaties tussen variabelen die voorheen nog niet samen werden gemodelleerd. Ten eerste blijkt Team Identification de intentie tot aankoop rechtstreeks te beïnvloeden terwijl SIC enkel een indirect effect heeft via Perceived Quality en Team Identification.
Ten tweede is het duidelijk dat Perceived Quality en Perceived Value samen in een model moeten worden opgenomen. Als men dit niet doet wordt de realiteit niet correct weergegeven door het model. Perceived Quality bleek een voorspeller te zijn van Purchase Intention terwijl Perceived Value geen directe invloed had op Purchase Intention. De covariantie tussen beide kan verklaren waarom vorige studies (Kwon & Trail, 2007) wel een significante positieve relatie vonden tussen Perceived Value en Team Identification. Verder is deze studie ook de eerste die intentie tot aankoop van merchandising onderzoekt in Europa en bij voetbalsupporters. Vorige studies, waarbij enkel studenten werden ondervraagd, vonden plaats in de Verenigde Staten en Azië. Wegens het mogelijks bestaan van cultuurverschillen en verschillen in karakteristieken tussen doelgroepen, is deze studie een bruikbare aanvulling op bestaande literatuur.
51
4.2. Managerial implications De bevinding dat SIC geen rechtstreeks effect heeft op Purchase Intention maar Team Identification wel, is op zich een goede zaak voor sportmanagers. Onderzoeken die wel een rechtstreeks verband vonden tussen SIC en intentie tot aankoop gaven namelijk als richtlijn mee dat sportmanagers eerst een marktonderzoek moesten voeren naar het zelfbeeld van de doorsnee supporter. Daarna moet het teamimago afgesteld worden op dat zelfbeeld (Kwak & Kang, 2009; Ericksen, 1996; Tsiotsou, 2006). Zo liet een sportteam uit Amerika de supporters een nieuwe naam kiezen voor de club (Pritchard et al., 2010). Het doen overeenkomen van beide imago’s lijkt praktisch moeilijk haalbaar. Daarnaast verliest men ook een deel van de potentiële kopers van merchandising door het teamimago te koppelen aan het zelfbeeld van de gemiddelde supporter.
Uit deze studie blijkt dat het verhogen van de Team Identificatie meer effect heeft. Het verhogen van de identificatie met het team kan gebeuren door de betrokkenheid van supporters bij verschillende activiteiten te verhogen (Sutton, McDonald, Milne &Cimperman, 1997). Dit kan door het team en de spelers meer toegankelijk te maken voor het publiek, bijvoorbeeld door trainingen open te stellen of door fandagen met meet and greets met de spelers te organiseren. Een goed uitgebouwd jeugdprogramma kan ook helpen om ouders en jeugdspelers nauwer te betrekken bij de club.
Bij sommige sportmanagers leeft de gedachte dat supporters sowieso merchandising zullen kopen zolang hun identificatie met het team maar hoog genoeg is. De resultaten spreken deze gedachte tegen: ook de kwaliteit van merchandising is erg belangrijk. Perceived Quality verklaart meer variantie in Purchase Intention dan Team Identification. Omdat sportclubs vaak de productie van merchandising uitbesteden, hebben ze niet altijd een rechtstreekse controle op de productkwaliteit (Cohen, 1986). Desalniettemin moet de sportmanager ten allen tijde de kwaliteit van de merchandising controleren. Ook strategische communicatie via reclame kan helpen om de Perceived Quality van merchandising te verhogen (Kirmani, 1997). Hoewel duidelijk werd dat Perceived Quality meer invloed heeft dan Perceived Value toont de significante covariantie tussen beiden dat een goede prijszetting ook niet uit het oog mag worden verloren.
52
4.3. Tekortkomingen en verder onderzoek Uit de descriptieve kenmerken kwam naar boven dat de steekproef veel jonge supporters bevat. Mogelijke verklaring hiervoor is dat de leeftijd van de enquêteurs ook behoorlijk jong was (tussen 16 en 23), waardoor ze gemakkelijker jonge supporters aanspraken. Dit biedt mogelijks een probleem voor de generaliseerbaarheid van de resultaten.
Omdat het model slechts met één steekproef is getest, moet sowieso opgelet worden met de interpretatie en generalisatie van de resultaten (MacCallum, 1986). Alleen als dezelfde bevindingen ook worden bewezen bij andere steekproeven van dezelfde populatie kan het model als volledig betrouwbaar worden beschouwd.
Gelijkaardig onderzoek in andere populaties is nodig om te testen of deze resultaten kunnen doorgetrokken worden naar andere clubs, landen of sporten. Ook onderzoek naar verschillen in soort van merchandisingartikelen is nodig. Het is mogelijk dat het model voor traditionele merchandising verschilt van dat van nieuwe merchandising;
Daarnaast is er ook geen zekerheid dat dit model het enige juiste model is. Er kunnen nog een heleboel andere modellen bestaan, eventueel met andere variabelen, die evenveel of meer van de variantie in Purchase Intention verklaren (Raykov & Marcoulides, 2006). Het verkregen model mag dus niet zomaar als enige en exacte waarheid worden beschouwd.
Met betrekking tot de Perceived Quality kan het ook interessant zijn om te onderzoeken in welke mate de klant reageert op verschillende kledingsfabrikanten. Het verschil in merkimago kan effect hebben op de Perceived Quality en mogelijks dus ook op de Purchase Intention. Deze informatie kan belangrijk zijn wanneer de keuze moet worden gemaakt tussen de merchandising uitbesteden aan een duur merk met grote naambekendheid of aan een goedkoop, minder bekend merk.
53
5. Referentielijst Aaker, D. A., 1994, Le management du capital-marque: Analyser, de´velopper et exploiter la valeur des marques, Paris, Dalloz. Akaike, H., 1987, Factor analysis and AIC, Psychometrika, 52, 317-332. Ali, H.A., Yalcin, G., 1999, Brand Attitude and Image Congruence AmongstTeenagers, Cranfield School of Management Working Paper. Al-Sabbahy, H.Z., Ekinci, Y., Riley, M., 2004, An investigation of perceived value dimensions: Implications for hospitality research, Journal of Travel Research, 42, 226234. Anderson, A.B., Basilevsky, A., Hum, D.P.J., 1983, Measurement: theory and techniques, In Handbook of survey research, Rossi, P.H., Wright, J.D., Anderson, A.B., Academic Press, San Diego, CA, 231-288. Anderson, E.W., Sullivan, M.W., 1993, The antecedents and consequences of customer satisfaction for firms, Marketing Science, 12, 125-43. Anderson, J.C., Gebring, D.W., 1992, Assumptions and comparative strengths of the two-step approach: Comment on Fornell and Yi, Sociological Methods & Research, 20, 321-333. Anderson, J.C., Gerbing, D.W., 1988, Structural equation modelling in practice: a review and recommended two-step approach, Psychological Bulletin, 103, 411-423. Andreff W., Staudohar P., 2000, The evolving European model of professional sports finance, Journal of sports econmics, 1 (3), 257-276. Andreff W., Staudohar P., 2002, European and US sports business models, In Transantlantic sport: the comparative economics of North American and European sports, Barros, Ibrahimo, & Szymanski, 23-49. Apostolopoulou, A., Clark, J.S., Papadimitriou, D., 2009, Sunday in the steel city! Value and meanings in the consumption of team licensed merchandise, 17th EASM Conference Bagozzi, R.P., 1984, A prospectus for theory construction in marketing, Journal of Marketing, 48, 11-29. Baumgartner, H., Homburg, C., 1996, Applications of structural equation modelling in marketing and consumer research: a review, International Journal of Research in Marketing, 13, 139-161. Bentler, M.M., 1980, Multivariate analysis with latent variables: causal modelling, Annual Review of Psychology, 31, 419-456. Bentler, P.M., Bonnet, D.G., 1980, Significanse tests and goodness-of-fit in the analysis of covariance structures, Psychological Bulletin, 88, 588-606. Bollen, K.A., 1989, Structural equations with latent variable, Wile, New York.
VII
Bollen, K.A., Long, J.S., 1992 Tests for Structural Equation Models, Special issue of Sociological Methods & Research, 21, 123-282. Boulding, W., Karla, A., Staelin, R. and Zeithaml, V.A., 1993, A dynamic process model of service quality: from expectations to behavioral intentions, Journal of Marketing Research, 36, 171-86. Boulding, W., Karla, A., Staelin, R. Zeithaml, V.A., 1993, A dynamic process model of service quality: from expectations to behavioral intentions, Journal of Marketing Research, 36, 171-86. Boulding, W., Karla, A., Staelin, R. Zeithaml, V.A., 1993, A dynamic process model of service quality: from expectations to behavioral intentions, Journal of Marketing Research, 36, 171-186. Branch, D., 1992, Rethinking sport’s product position and program concept, Sport Marketing Quarterly, 1 (2), 25. Brody, R.J., Leitch, S., Motion, J., 2003, Equity in corporate co-branding – the case of adidas and the All Blacks, European Journal of Marketing, 37 (7/8), 1080-1094. Brooks, C., 1998, Sport/exercise identity theory and participation marketing: theory formation and theoretical justification, Sport Marketing Quarterly, 7, 38-47. Burton, R., Howard, D., 1999, Professional sports leagues: Marketing mix mayhem, Marketing Management , 8(1), 36-46. Chang, T.Z., Wildt, A.R., 1994, Price, product information, and purchase intention: an empirical study, Journal of the Academy of Marketing Sciences, 22, 16-27. Chou, C.P., Bentler, P., Satorra, A., 1991, Scaled test statistics and robust standard errors for non-normal data in covariance structure analysis: A Mone Carlo study, British Journal of Mathematical and Statistical Psychology, 44, 347-357. Cialdini, R.B., Borden J.R., Thorne, A., Walker, M.R., Freeman, S., Sloan, L.R., 1976, Basking in reflected glory: three (football) field studies, Journal of Personality and Social Psychology, 37 (3), 366-378. Cohen, D., 1986, Trademark strategy, Journal of Marketing, 50, 61-74. Cousens, L., 1997, From Diamonds to dollars: the dynamics of change in AAA baseball franchises, Journal of Sport Management, 11, 316-334. Couvelaere, V., Richelieu, A., 2005, Brand Strategy in Professional Sports: The Case of French Soccer Teams, European Sport Management Quarterly, 5 (1), 23-46. Deloitte, 201, Spanish Masters - Football Money League, Deloitte. Deloitte, 2011, The untouchables - Football Money League, Deloitte. Derbaix, C., Cobossart, O., 2002, Colors and scarves, the symbolic consumption of material possessions by soccer fans, Advances in Consumer Research, 29, 511-518
VIII
Diamantopoulus, A., 1994, Modelling with LISREL: a guide for the uninitiated, Journal of Marketing Management, 10, 105-136. Dodds, W.B., 1991, In search of value: how price and store name information influence buyers’ product perceptions, Journal of Services Marketing, 5, 27-36. Dodds, W.B., Monroe, K.B, Grewal, D., 1991, Effects of price, brand and store information on buyers’ product evaluations, Journal of Marketing Research, 28, 307-319. Dodds, W.B., Monroe, K.B., Grewal, D., 1991, Effects of Price, Brand, and Store Information on Buyers' Product Evaluations, Journal of Marketing Research, 28 (3), 307-319. Ericksen, M.K., 1996, Using self-congruity and ideal congruity to predict purchase intention: a European perspective, Journal of European Marketing, 6, 41-56. Fan Identification and Licensed Products Consumption: An Exploratory Study, 2010, Article Submitted to the Sport Consumer Behavior Track, 2010 Sport Marketing Association Conference. Fan, X., Thompson, B., Wang, L., 1999, Effects of sample size, estimation methods, and model specification on structural equation modelling fit indexes. Structural Equation Modeling, 6, 56-83. Fink, J.S., Trail, G.T., Anderson, D.F., 2002, Environmental factors associated with spectator attendance and sport consumption behavior: gender and team differences, Sport Marketing Quarterly, 11 (1), 8–19. Fisher, R.J., Wakefiel, K., 1998, Factors leading to group identification: a field study of winners and losers, Psychology & Marketing, 15 (1), 23-40. Fornell, C., Larcker, D.F., 1981, Evaluating structural equation models with unobservable variables and measurement error, Journal of Marketing Research, 18, 39-50. Gladden, J.M., 2001, Managing North American major professional sport teams in the new millennium: a focus on building brand equity, Journal of Sport Management, 15, 297317. Gladden, J.M., Sutton, W.A., 1998, A conceptual framework for assessing brand equity in division I college athletics, Journal of Sport Management, 12, 1-19. Graeff, T.R., 1996, Image congruence effects on product evaluations: the role of self monitoring and public/private consumption, Psychology and Marketing, 13, 481-99. Graeff, T.R., 1997, Consumption situations and the effects of brand image on consumers’ brand evanluations, Psychology & Marketing, 14 (1), 49-70. Grewal, D., Krishnan, R., Baker, J., Robin, N., 1998, The effect of store name, brand name, and price discounts on consumers’ evaluations and purchase intentions, Journal of Retailing, 74, 331-352. Gustafson, R., 2001, April 5, Product brands look set to gain new advantage, Marketing, 20.
IX
Hirt, E.R., Zillman, D., Erickson, G.A., Kennedy, C., 1992, Costs and benefits of allegiance: changes in fans’ self-ascribed competencies after team victory versus defeat, Journal of Personality and Social Psychology, 63 (5), 724-738. Hocking, J.E., 1982, Sports and spectators: Intra-audience effects, Journal of Communication, 32, 100-108. Hogg, M.A., Terry, D.J., White, K.M., 1995, A tale of two theories, a critical comparison of identity theory with social identity theory, Social Psychology Quarterly, 58 (4), 255-269. Holt, D.B., 1995, How consumers consume: A typology of consumption practices, Journal of Consumer Research, 22, 1-16. Hoyle, R.H., 1995, The structural equation modelling approach: basic concepts and fundamental issues, In Structural equation modelling: Concepts, issues and applications, Hoyle, R.H., Sage, Thousand Oaks, CA, 1-15. Hoyle, R.H., Panter, A.T., 1995, Writing about structural equation models, In Structural equation modelling: Concepts, issues and applications, Sage, Thousand Oaks, CA, 158176. Hu, L., Bentler, P.M., Kano, Y., 1992, Can test statistics in covariance structure analysis be trusted?, Psychological Bullitin, 112, 351-362. Hu, L.T., Bentler, P.M., 1995, Evaluation model fit, In Structural equation modelling: concepts, issues and applications, Hoyle, R.H., Sage, Thousand Oaks, CA, 76-99. Hu, L.T., Bentler, P.M., 1998, Fit indices in covariance structure modelling: sensitivity to underparamaterized model misspecification, Psychological Methods, 3, 424-453. Hunt, K.A., Bristol, T., Bashaw, R.E., 1999, A conceptual approach to classifying sports fans, Journal of Service Marketing, 13 (6), 439-452. Hulland, J., Chow, Y.H., Lam, S., 1996, Use of causal models in marketing research: a review. International Journal of Research in Marketing, 13, 181-197. Irwin, R.L., Sutton, W.A., McCarth, L.M., 2002, Sport Promotion and Sales Management, Human Kinetics, Champaign, IL. James, L.R., Mulaik, S.A., Brett, J.M., 1982, Causal analysis: assumptions, models and data, Sage, Beverly Hills, CA. James, L.R., Mulaik, S.A., Brett, J.M., 1982, Causal analysis: assumptions, models and data, Sage, Beverly Hills. Jayanti, R., Jackson, A., 1991, Serice satisfaction: an exploratory investigation of three model, Advances in Consumer Research, 18, 603-610. Jöreskog, K.G., & Sörbom, D., 1993, LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language, Scientific Software International, Inc, Chicago, IL.
X
Kang, J.H., 2002, A structural model of image-based and utilitarian decision-making processes for participant sport consumption, Journal of Sport Management, 16, 173-89. Kapferer, J. N., 1998, Les marques, capital de l’entreprise: Cre´er et de´velopper des marques fortes (3rd ed.), Paris, France: Editions d’Organisation. Keller, K. L., 1993, Conceptualizing, measuring, and managing customer-based brand equity, Journal of Marketing, 57(1), 1-22. Kelloway, E.K., 1998, Using LISREL for structural equation modelling, Sage, Thousand Oaks, CA. Kirmani, A., 1997, Advertising repetition as a signal of quality: if it’s advertised so much, something must be wrong, Journal of Advertising, 26, 77-86. Kline, R.B., 1998, Principles and practice of structural equation modelling, Guilford Press, New York, NY. Kotler, P., Keller, K.L., Robben, H., Geuens M., 2007, Marketing Managemend de essentie derde editie, Pearson Education Benelux Kwak, D.H., Kang, J.H., 2009, Symbolic purchase in sport, the roles of self-image congruence and perceived quality, Management Decision, 47 (1), 85-99. Kwon H.H., Armstrong, K.L., 2002, Factors influencing impulse buying of sport team licensed merchandise, Sport Marketing Quarterly, 11 (3), 151-163 Kwon H.H., Armstrong, K.L., 2006, Impulse purchase of sport team licensed merchandise, what matters?, Journal of Sport Management, 20, 101-119. Kwon, H. H., Trail, G. T., 2003, A reexamination of the construct and concurrent validity of the psychological commitment to team scale, Sport Marketing Quarterly, 12, 88-93. Kwon, H., Cunningham, G.B., 2003, The theory of planned behaviour and intentions to attend a sport event, Sport Management Review, 6, 127-145. Kwon, H.H., Armstrong, K.L., 2004, An exploration of the construct of psychological attachment to a sport team among college students: A multi-dimensional approach, Sport Marketing Quarterly, 13, 94-103. Kwon, H.H., Kim, H., Mondello, M., 2008, Does a manufacturer matter in co-branding? The influence of a manufacturer brand on sport team licensed apparel, Sport Marketing Quarterly, 17, 163-172. Kwon, H.H., Trail, G., James, J.D., 2007, The mediating role of perceived value: team identification and purchase intention of team-licensed apparel, Journal of Sport Management, 21, 540-554. Lagae, W., 2005, Marketingcommunicatie in de sport, Pearson Education Benelux. Lagae, W., Dejonghe, T., 2009, Een vergelijking tussen de merchandisinginkomsten in het professionele voetbal: Europese topclubs versus de pionier Ajax en challenger PSV. In
XI
Marketingjaarboek 2009, Duyck R., Van Tilborgh C. (Eds.), Marketing Denken en Doen, Kalmthout, PIMMS, 186-197. Laverie, D.A., Arnett, D.B., 2000, Factors affecting fan attendance: the influence of identity salience and satisfaction, Journal of Leisure Research, 32 (2), 225-246. Lei, M., Lomax, R.G., 2005, The effect of varying degrees of nonnormality in structural equation modeling, Structural Equation Modeling, 12 (1), 1-27. Lopiano, D., 1997, Tomorrow in women’s sports: now is just the tip of the iceberg, Paper presented at the Summit 1997 (Women’s Sports Foundation National Conference), Bloomingdal, IL. MacCallum, R.C., 1986, Specification searches in covariance structural modelling, Pshychological Bulletin, 100, 107-120. Madrigal, R., 1995, Cognitive and affective determinants of fan satisfaction with sporting event attendance, Journal of Leisure Research, 27 (3), 205-227. Mahony, D.F., 1995, The effect of personality variable of self-monitoring on individual loyalty to professional football teams. Unpublished doctoral dissertation, The Ohio State University, Columbus. Mitra, D., Golder, P.N., 2006, How does objective quality affect perceived quality? Shortterm effects, long-term effects and asymmetries, Marketing Science, 25, 230-47. Mulaik, S., James, L., Van Alstine, J., Bennet, N., Lind, S., Stilwell, C., 1989, Evaluation of goodness-of-fit indices for structural equation models, Psychological Bulletin, 105, 430445. Mullin, B.J., 1985, Characteristics of sport marketing, in Succesful Sport Management, G. Lewis and H. Appenzellar (eds), Michie Co., Charlttesville. Nunnally, J.C., 1978, Psychometric theory (2nd ed),. McGraw-Hill , New York. Özer, A., Argan, M., 2006, Licensed team merchandise buying behaviour: a study on Turkish fans, Innovative Marketing, 2 (4), 117-130. Pandya, B., Jayswal, M., 2010, Merchandising domestic cricket league brands: discernible way to keep the brands productive and alive, European Journal of Social Sciences, 14 (1), 125-149. Parasuraman, A., Zeithaml, V., Berry, L, 1996, The behavioral consequences of service quality, Journal of Marketing, 60, 31-46. Pascale, G.Q., Amal, K. Li, K.G., 2000, Self-congruity and product evaluation: a crosscultural study, Journal of Consumer Marketing, 17, 525-37. Pritchard, M.P., Stinson, J., Patton, E., 2010, Affinity and affiliation: the dual-carriage way to team identification, Sport Marketing Quarterly, 19 (2), 67-77
XII
Rajendran, K.N., Hariharan, H.S., 1996, Understanding value: the role of consumer preferences, Journal of Marketing Management, 6, 8-19. Raykov, T., Marcoulides, G.A., 2006, A first course in structural equation modelling, second edition, Lawrence Erlbaum Associates, Mahwah, New Jersey. Rogers, C., 1951, Client-centered Therapy: Its Current Practices, Implications, and Theory, Houghton Mifflin, Boston, MA. Rook, D.W., 1987, The buying impulse, Journal of Consumer Research, 14 (2), 189-199 Schumacker, R.E., Lomax, R.G. 1996, A beginner’s guide to structural equation modelling, Lawrence Erlbaum, Mahwah, NJ. Sheth, J.N., Newman, B.I., Gross, B.L., 1991, Why we buy what we buy: a theory of consumption values, Journal of Business Research, 22, 159-170. Shilbury, D., Quick, S., Westerbeek, H., 2003, Strategic Sport Marketing 2nd edition, Allen & Unwin, Australia. Sirgy, M.J., 1982, Self-concept in consumer behavior: a critical review, Journal of Consumer Research, 9, 287-300. Sirgy, M.J., 1986, Self-congruity: Toward a Theory of Personality and Cybermetics, Praeger, New York, NY. Sirgy, M.J., Grewal, D., Mangleburg, T., Park, J.O., Chon, K., Claiborne, C.B., Johar, J.S. and Berkman, H., 1997, Assessing the predictive validity of two methods of measuring selfcongruity, Journal of Academy of Marketing Science, 25, 229-41. Snyder, C.R., Lassegard, M., & Ford, C.E., 1986, Distancing after group success and failure: Basking in reflected glory and cutting off reflected failure, Journal of Personality and Social Psychology, 51, 382-388. Steiger, J.H., Lind, J.C., 1980, Statistically based tests for the number of common factors, Paper presented at the annual meeting of the Psychometric Society, Iowa city, IA. Stern, H., 1962, The significance of impulse buying today, Journal of Marketing, 26 (2), 5962 Stryker, S., 1968, Identity Salience and Role Performance: The Importance of Symbolic Interaction Theory for Family Research, Journal of Marriage and the Family, 30, 558-64. Stryker, S., 1980, Symbolic Interactionism: A Social Structural Version. Palo Alto: Benjamin/Cummings. Stryker, S., Serpe, R.T., 1982, Commitment, Identity Salience, and Role Behavior, In Personality, Roles, and Social Behavior, Ickes, W., Knowles, E.S., Springer-Verlag, New York, 199-218. Sutton, W.A., McDonald, M.A., Milne, G.R., Cimperman, J., 1997, Creating and fostering fan identification in professional sports, Sport Marketing Quarterly, 6 (1), 15-22.
XIII
Tajfel, H., Turner, J. C., 1979, An integrative theory of intergroup conflict, In The social psychology of intergroup relations, Austin, W.G., Worchel, S., Brooks/Cole, Monterey, CA, 33–47 Theysohn, S., Hinz, O., Nosworthy, S., Kirchner, M., 2009, Official Supporters Clubs: The Untapped Potential of Fan Loyalty, International Journal of Sports Marketing & Sponsorship, 10 (4), 302-324/ Trail, G.T., Anderson, D.F., Fink, J.S., 2005, Consumer satisfaction and identity theory: a model of sport spectator conative loyalty. Sport Marketing Quarterly, 14, 98-111. Tsiotsou, R., 2006, The role of perceived product quality and overall satisfaction on purchase intentions, International Journal of Consumer Studies, 30, 207-17. Turner, J. C., 1982, Toward a cognitive redefinition of the social group In Social identity and intergroup behaviour, H. Tajfel, Cambridge University Press, Cambridge, England, 1540. Turner, J. C., 1985, Social categorization and the self-concept: A social cognitive theory of group behavior. In Advances in group processes: Theory and research vol. 2, E.J. Lawler, JAI Press, Greenwich, CT, 77-121. Turner, J.C., 1987, Rediscovering the social group : self-categorization theory, Blackwell, Oxford, UK, 44–45. Van Leeuwen, L., 2001, Determinants of customer satisfaction with the season ticket service of professional sport clubs, Unpublished doctoral dissertation Walsh, P., & Ross, S., 2009, The impact of brand extensions on the brand associations of a professional sports team, 7th Annual Sport Marketing Association Conference, Cleveland, Ohio. Wann, D.L., Brancscombe, N.R., 1992, Emotional Responses to the sports page, Journal of Sport and Social Issues, 16 (1), 49-64. Wann, D.L., Branscombe, N.R., 1990, Die-hard and fair-weather fans: effect of identification on BIRGing and CORFing tendencies, Journal of Sport and Social Issues, 1990, 14 (2), 103-117. Wilkof, N.J. (1995). Trade Mark Licensing, Sweet & Maxwell, Londen. Zeithaml, V.A., 1988, Consumer perception of price, quality, and value: a means-end model and synthesis of evidence, Journal of Marketing, 52, 2-22.
XIV
Bijlagen Bijlage 1: Vragenlijst Geachte heer/mevrouw, Ik ben een student Algemene Economie aan de Universiteit Gent en maak dit jaar mijn thesis rond merchandising in het Belgische voetbal. Deze vragenlijst wordt strikt persoonlijk behandeld en is volledig anoniem. Het opgeven van uw naam is niet nodig. Wel wordt er gevraagd om de vragen aandachtig te lezen en zo waarheidsgetrouw mogelijk te antwoorden. Door het invullen van deze vragenlijst werkt u mee aan wetenschappelijk onderzoek rond de verkoop van merchandising. Voor meer informatie over het onderzoek kunt u mij altijd contacteren via mail:
[email protected]. Ik wil u alvast hartelijk bedanken voor uw medewerking aan het onderzoek. Sam Beelprez Algemene informatie Wat is uw geslacht?
Man
Vrouw
Tot welke leeftijdscategorie behoort u? 20 jaar of jonger
Tussen 41 en 50 jaar
Tussen 21 en 30 jaar
Tussen 51 en 60 jaar
Tussen 31 en 40 jaar
61 jaar of ouder
Wat is uw beroep? Student
Arbeider
Zelfstandige
Bediende
Hoeveel verdient u ongeveer netto per maand? Ik heb geen inkomen
Tussen 1500 en 2000 euro
Minder dan 500 euro
Tussen 2000 en 2500 euro
Tussen 500 en 1000 euro
Tussen 2500 en 3000 euro
Tussen 1000 en 1500 euro
Meer dan 3000 euro
Wat is de hoogste scholing die u hebt genoten? Lager onderwijs
Hoger onderwijs: Hogeschool
Middelbaar onderwijs
Hoger onderwijs: Universiteit
Had u een abonnement op de wedstrijden van KAA Gent tijdens de reguliere competitie?
B1
JA
NEE
Hoeveel matchen van KAA Gent heeft u in het stadium gevolgd tijdens de reguliere competitie? (Er waren 15 thuismatchen en 15 matchen op verplaatsing)
Hoeveel matchen van KAA Gent heeft u live op televisie gevolgd tijdens de reguliere competitie? (Er waren 15 thuismatchen en 15 matchen op verplaatsing)
…..... …... ….....
Heeft u een abonnement op de wedstrijden van KAA Gent tijdens de Play-off 1?
JA
NEE
Met de term “merchandising” wordt doorheen de vragenlijst alle producten bedoeld waarop het logo van KAA Gent staat afgebeeld. De meest voor de hand liggende producten zijn vlaggen en kledij (voetbaltruitjes, trainingen, petten …) maar ook andere zaken zoals voetballen, bedovertrekken, koffiemokken, rugzakken, … vallen onder de noemer van merchandising. Hoeveel euro besteedt u jaarlijks aan het kopen van deze merchandising producten? Ik koop geen merchandising
Tussen 250 en 300 euro
Minder dan 50 euro
Tussen 300 en 350 euro
Tussen 50 en 100 euro
Tussen 350 en 400 euro
Tussen 100 en 150 euro
Tussen 400 en 450 euro
Tussen 150 en 200 euro
Tussen 450 en 500 euro
Tussen 200 en 250 euro
Meer dan 500 euro
Van welke productcategorieën heeft u merchandising van KAA Gent in uw bezit? (Meerder antwoorden zijn mogelijk) Ik heb geen merchandising
Sjaal
Team uniform/Matchkledij (Truitje en/of broek)
Vlaggen en banners
Andere kledij, behalve matchkledij
Accessoires (rugzak, sporttas,…) Andere
Waar hebt u deze merchandising gekocht? (Meerdere antwoorden zijn mogelijk) Ik koop geen merchandising In de officiële clubshop (Jako fanshop) In de fanshop in het stadium Andere sportwinkels Online webwinkel
B2
Gelieve bij de volgende vragen aan te duiden in welke mate u akkoord gaat met de gegeven stelling. (1 antwoord per stelling) Onderstaande schaal wordt gebruikt:
Volledig akkoord
Volledig akkoord
Akkoord
Akkoord
Min of meer akkoord
Min of meer akkoord
Neutraal
Neutraal
Min of meer niet akkoord
Min of meer niet akkoord
Niet akkoord
Niet akkoord
Volledig niet akkoord
Volledig niet akkoord
De successen van KAA Gent voelen aan als successen van mezelf. Als iemand KAA Gent ophemelt, voelt dat als een persoonlijk compliment. Als iemand KAA Gent bekritiseert, voelt dat als een persoonlijke belediging. De mislukkingen van KAA Gent voelen aan als mislukkingen van mezelf. Ik ben erg geïnteresseerd in wat andere mensen denken over KAA Gent. Als ik spreek over KAA Gent, gebruik ik “we” in plaats van “zij”. Ik gedraag me als een echte KAA Gent fan. Ik ben fier om tegen andere mensen te kunnen zeggen dat ik een KAA Gent fan ben.
B3
Volledig akkoord
Akkoord
Min of meer akkoord
Neutraal
Min of meer niet akkoord
Niet akkoord
Volledig niet akkoord Ik vertel mijn vrienden dat KAA Gent een schitterende voetbalclub is om voor te supporteren. Mijn eigenlijke zelfbeeld (wie ik denk dat ik ben) komt overeen met het imago van de club. Mijn ideale zelfbeeld (wie ik wil zijn) komt overeen met het imago van de club. Mensen die gelijk zijn aan mezelf dragen merchandising van KAA Gent. Het dragen van merchandising van KAA Gent toont wie ik ben. Het dragen van merchandising van KAA Gent toont wie ik wil zijn. Door het dragen van merchandising van KAA Gent toon ik aan andere mensen wie ik ben. Door het dragen van merchandising van KAA Gent toon ik aan andere mensen wie ik wil zijn.
B4
Volledig akkoord
Akkoord
Min of meer akkoord
Neutraal
Min of meer niet akkoord
Niet akkoord
Volledig niet akkoord De kans is groot dat ik merchandising van KAA Gent koop. Ik ben bereid om merchandising van KAA Gent te kopen. De merchandising van KAA Gent is van een goede kwaliteit. Merchandising van KAA Gent is betrouwbaar. Merchandising van KAA Gent is duurzaam. Merchandising van KAA Gent is gemaakt met vakmanschap.
Vraag de foto aan de medewerker. Onderstaande vragen gaan over het product afgebeeld op deze foto. Gelieve de foto eerst aandachtig te bekijken vooraleer te antwoorden op de vragen.
De prijs-kwaliteitverhouding voor dit product is goed. Dit product is een goede koop. De prijs voor dit product is aanvaardbaar. Dit product is een koopje.
B5
Prijs: € 54,95
B6
Bijlage 2: Descriptieve statistieken steekproef Gemiddelden en standaard deviaties Statistics Tijdstip N
Valid
Geslacht
Leeftijd
Beroep
Inkomen
Scholing
189
189
189
189
189
189
0
0
0
0
0
0
Mean
1,2328
1,1429
2,8624
3,0159
4,3915
2,6138
Std. Deviation
,42374
,35086
1,32172
1,23545
2,09993
,82127
Missing
Statistics Hoeveel
N
Had u een
Hoeveel
matchen van
abonnement op
matchen van
KAA Gent heeft
Heeft u een
de wedstrijden
KAA Gent heeft
u live op
abonnement op
van KAA Gent
u in het stadium
televisie
de wedstrijden
tijdens de
gevolgd tijdens
gevolgd tijdens
van KAA Gent
reguliere
de reguliere
de reguliere
tijdens de Play-
competitie?
competitie?
competitie?
off 1?
Valid
189
189
189
189
0
0
0
0
,5979
10,2169
4,8307
,6614
,49163
6,46928
5,38940
,47450
Missing Mean Std. Deviation
Frequentietabellen Tijdstip Cumulative Frequency Valid
Voor de match Na de match Total
Percent
Valid Percent
Percent
145
76,7
76,7
76,7
44
23,3
23,3
100,0
189
100,0
100,0
Geslacht Cumulative Frequency Valid
man
Percent
Valid Percent
Percent
162
85,7
85,7
85,7
vrouw
27
14,3
14,3
100,0
Total
189
100,0
100,0
B7
Leeftijd Cumulative Frequency Valid
Percent
Valid Percent
Percent
20 of jonger
28
14,8
14,8
14,8
21-30
58
30,7
30,7
45,5
31-40
46
24,3
24,3
69,8
41-50
32
16,9
16,9
86,8
51-60
19
10,1
10,1
96,8
6
3,2
3,2
100,0
189
100,0
100,0
61 of ouder Total
Beroep Cumulative Frequency Valid
Percent
Valid Percent
Percent
student
41
21,7
21,7
21,7
zelfstandige
15
7,9
7,9
29,6
arbeider
37
19,6
19,6
49,2
bediende
92
48,7
48,7
97,9
4
2,1
2,1
100,0
189
100,0
100,0
geen beroep Total
Inkomen Cumulative Frequency Valid
geen inkomen
Percent
Valid Percent
Percent
39
20,6
20,6
20,6
minder dan 500 euro
7
3,7
3,7
24,3
500-1000
2
1,1
1,1
25,4
1000-1500
27
14,3
14,3
39,7
1500-2000
53
28,0
28,0
67,7
2000-2500
39
20,6
20,6
88,4
2500-3000
12
6,3
6,3
94,7
meer dan 3000
10
5,3
5,3
100,0
189
100,0
100,0
Total
B8
Scholing Cumulative Frequency Valid
lager onderwijs
Percent
Valid Percent
Percent
9
4,8
4,8
4,8
middelbaar onderwijs
87
46,0
46,0
50,8
Hogeschool
61
32,3
32,3
83,1
Universiteit
32
16,9
16,9
100,0
189
100,0
100,0
Total
Had u een abonnement op de wedstrijden van KAA Gent tijdens de reguliere competitie? Cumulative Frequency Valid
nee
Percent
Valid Percent
Percent
76
40,2
40,2
40,2
ja
113
59,8
59,8
100,0
Total
189
100,0
100,0
Heeft u een abonnement op de wedstrijden van KAA Gent tijdens de Play-off 1? Cumulative Frequency Valid
nee
Percent
Valid Percent
Percent
64
33,9
33,9
33,9
ja
125
66,1
66,1
100,0
Total
189
100,0
100,0
B9
Bijlage 3: Betrouwbaarheidsanalyse items Team Identification Item-Total Statistics Corrected Item-
Cronbach's
Scale Mean if
Scale Variance
Total
Alpha if Item
Item Deleted
if Item Deleted
Correlation
Deleted
Id1
37,5608
122,067
,615
,906
Id2
37,3704
119,373
,720
,899
Id3
37,5079
121,560
,623
,905
Id4
38,5344
127,537
,525
,911
Id5
37,1958
125,541
,632
,905
Id6
36,5873
116,371
,744
,897
Id7
36,5979
113,348
,819
,891
Id8
36,2857
114,152
,819
,891
Id9
36,5820
120,042
,730
,898
Actual SIC Item Statistics Mean
Std. Deviation
N
Actual1
4,0741
1,61602
189
Actual2
3,8360
1,78635
189
Actual3
3,7831
1,80146
189
Actual4
3,9048
1,78690
189
Ideal SIC Item Statistics Mean
Std. Deviation
N
Ideal1
3,9312
1,66329
189
Ideal2
3,5820
1,71659
189
Ideal3
3,6878
1,77540
189
Perceived Quality Item Statistics Mean
Std. Deviation
N
Qual1
5,0370
1,53806
189
Qual2
5,0265
1,44190
189
Qual3
4,8095
1,47883
189
Qual4
4,7513
1,46104
189
B10
Perceived Value Item-Total Statistics Corrected Item-
Cronbach's
Scale Mean if
Scale Variance
Total
Alpha if Item
Item Deleted
if Item Deleted
Correlation
Deleted
Value1
11,3069
16,565
,713
,807
Value2
11,3333
16,840
,680
,821
Value3
11,7249
15,498
,781
,777
Value4
12,9048
18,246
,614
,847
Purchase Intention Item Statistics Mean
Std. Deviation
N
Purch1
4,7354
1,79060
189
Purch2
4,9577
1,74378
189
B11
Bijlage 4: Exploratieve factor analyse Exploratieve factor analyse met 6 factoren KMO and Bartlett’s test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig.
,896 3318,273 153 ,000
Communalities Initial Extraction Actual2 1,000 ,952 Actual3 1,000 ,870 Ideal2 1,000 ,908 Actual4 1,000 ,904 Ideal3 1,000 ,891 Purch1 1,000 ,946 Purch2 1,000 ,944 Qual1 1,000 ,850 Qual2 1,000 ,914 Qual3 1,000 ,857 Qual4 1,000 ,846 Value1 1,000 ,797 Value2 1,000 ,770 Value3 1,000 ,799 Id6 1,000 ,790 Id7 1,000 ,895 Id8 1,000 ,895 Id9 1,000 ,746 Extraction Method: Principal Component Analysis.
B12
Total variance explained
Component 1 2 3 4 5 6 7
Total 8,913 2,530 1,826 1,135 ,727 ,444 ,386
Initial Eigenvalues % of Cumulative Variance % 49,516 49,516 14,054 63,570 10,144 73,714 6,306 80,020 4,036 84,056 2,466 86,523 2,145 88,668
8 9
,355 ,347
1,970 1,927
90,638 92,565
10 11
,257 ,214
1,427 1,189
93,991 95,180
12
,202
1,125
96,305
13
,170
,947
97,252
14
,142
,789
98,041
15
,106
,590
98,631
16
,095
,529
99,160
Extraction Sums of Squared Loadings % of Cumulative Total Variance % 8,913 49,516 49,516 2,530 14,054 63,570 1,826 10,144 73,714 1,135 6,306 80,020 ,727 4,036 84,056 ,444 2,466 86,523
Rotation Sums of Squared a Loadings Total 5,886 6,232 6,579 4,594 5,766 2,839
Extraction Method: Principal Component Analysis. a. When components are correlated, sums of squared loadings cannot be added to obtain a total variance.
Pattern matrix Component 1 2 3 Ideal3 ,992 Actual4 ,948 Ideal2 ,905 Actual3 ,846 Id8 ,942 Id7 ,941 Id6 ,930 -,115 Id9 ,120 ,748 ,127 Qual3 1,000 Qual4 ,968 Qual2 ,832 Qual1 ,794 Value3 Value1 ,115 Value2 Purch1 Purch2 Actual2 ,292 Extraction Method: Principal Component Analysis. Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 6 iterations. Waarden kleiner dan 0,10 worden niet weergegeven
4
5
6
,108 ,162 -,102
-,163 ,162 ,234 ,934 ,858 ,804
,105 -,207 ,119 ,948 ,908 ,782
B13
Exploratieve factor analyse met 5 factoren KMO and Bartlett’s test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity
Approx. Chi-Square
,896 3318,273
df
153
Sig.
,000
Communalities
Initial
Extraction
Id6
1,000
,786
Id7
1,000
,894
Id8
1,000
,895
Id9
1,000
,740
Actual2
1,000
,659
Actual3
1,000
,869
Ideal2
1,000
,905
Actual4
1,000
,856
Ideal3
1,000
,853
Purch1
1,000
,942
Purch2
1,000
,944
Qual1
1,000
,850
Qual2
1,000
,912
Qual3
1,000
,856
Qual4
1,000
,846
Value1
1,000
,771
Value2
1,000
,763
Value3
1,000
,787
Extraction Method: Principal Component Analysis.
B14
Total variance explained
Component 1 2 3 4 5 6 7
Total 8,913 2,530 1,826 1,135 ,727 ,444 ,386
Initial Eigenvalues % of Cumulative Variance % 49,516 49,516 14,054 63,570 10,144 73,714 6,306 80,020 4,036 84,056 2,466 86,523 2,145 88,668
8 9
,355 ,347
1,970 1,927
90,638 92,565
10
,257
1,427
93,991
11
,214
1,189
95,180
12
,202
1,125
96,305
13
,170
,947
97,252
14 15
,142 ,106
,789 ,590
98,041 98,631
16
,095
,529
99,160
Extraction Sums of Squared Loadings % of Cumulative Total Variance % 8,913 49,516 49,516 2,530 14,054 63,570 1,826 10,144 73,714 1,135 6,306 80,020 ,727 4,036 84,056
Rotation Sums of Squared a Loadings Total 6,030 6,200 6,571 4,594 5,782
Extraction Method: Principal Component Analysis. a. When components are correlated, sums of squared loadings cannot be added to obtain a total variance.
Pattern matrix
1
2
Component 3
Ideal2 ,964 Ideal3 ,946 Actual3 ,940 Actual4 ,876 Actual2 ,789 ,140 Id7 ,950 Id8 ,943 Id6 ,919 -,113 Id9 ,733 ,129 Qual3 1,000 Qual4 ,966 Qual2 ,830 Qual1 ,793 Value3 Value1 Value2 Purch1 Purch2 Extraction Method: Principal Component Analysis. Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 6 iterations. Waarden kleiner dan 0,10 worden niet weergegeven
4
5
-,105
-,164 ,159 ,233 ,927 ,873 ,798
,111 ,945 ,912
B15
Bijlage 5: Output betrouwbaarheidsanalyse meetschalen Team Identification Cronbach's Alpha ,926
Reliability Statistics Cronbach's Alpha Based on Standardized Items ,925
N of Items 4
Item Statistics Id6 Id7 Id8 Id9
Id6 Id7 Id8 Id9
Mean 21,0582
Mean 5,1905 5,1799 5,4921 5,1958
Std. Deviation 1,88660 1,90448 1,86119 1,70381
N 189 189 189 189
Item-Total Statistics Scale Mean if Scale Variance if Corrected ItemItem Deleted Item Deleted Total Correlation 15,8677 25,892 ,774 15,8783 24,139 ,885 15,5661 24,438 ,892 15,8624 27,726 ,763
Scale Statistics Variance Std. Deviation 44,321 6,65741
Squared Multiple Cronbach's Alpha Correlation if Item Deleted ,625 ,921 ,803 ,883 ,811 ,881 ,607 ,924
N of Items 4
Overall SIC Cronbach's Alpha ,945
Reliability Statistics Cronbach's Alpha Based on Standardized Items ,946
N of Items 5
Item Statistics Actual2 Actual3 Ideal2 Actual4 Ideal3
Actual2 Actual3 Ideal2 Actual4 Ideal3 Mean 18,7937
Mean 3,8360 3,7831 3,5820 3,9048 3,6878
Std. Deviation 1,78635 1,80146 1,71659 1,78690 1,77540
N 189 189 189 189 189
Item-Total Statistics Scale Mean if Scale Variance if Corrected ItemItem Deleted Item Deleted Total Correlation 14,9577 44,339 ,715 15,0106 40,851 ,888 15,2116 41,391 ,914 14,8889 41,301 ,873 15,1058 41,457 ,872 Scale Statistics Variance Std. Deviation N of Items 64,537 8,03349 5
Squared Multiple Cronbach's Alpha Correlation if Item Deleted ,542 ,956 ,822 ,926 ,855 ,922 ,820 ,929 ,822 ,929
B16
Perceived Quality Cronbach's Alpha ,941
Reliability Statistics Cronbach's Alpha Based on Standardized Items ,941
N of Items 4
Item Statistics Qual1 Qual2 Qual3 Qual4
Qual1 Qual2 Qual3 Qual4
Mean 19,6243
Mean 5,0370 5,0265 4,8095 4,7513
Std. Deviation 1,53806 1,44190 1,47883 1,46104
Scale Mean if Item Deleted 14,5873 14,5979 14,8148 14,8730
N 189 189 189 189
Item-Total Statistics Scale Variance if Corrected ItemItem Deleted Total Correlation 16,712 ,849 16,848 ,915 17,226 ,843 17,494 ,829
Scale Statistics Variance Std. Deviation 29,757 5,45500
Squared Multiple Cronbach's Alpha Correlation if Item Deleted ,755 ,925 ,841 ,905 ,718 ,927 ,699 ,931
N of Items 4
Perceived Value Cronbach's Alpha ,847
Reliability Statistics Cronbach's Alpha Based on Standardized Items ,847
N of Items 3
Item Statistics Value1 Value2 Value3
Value1 Value2 Value3
Mean 12,9048
Mean 4,4497 4,4233 4,0317
Std. Deviation
N 1,60579 1,61466 1,65961
189 189 189
Item-Total Statistics Scale Mean if Scale Variance if Corrected ItemItem Deleted Item Deleted Total Correlation 8,4550 8,824 ,717 8,4815 8,804 ,713 8,8730 8,558 ,714
Scale Statistics Variance Std. Deviation 18,246 4,27156
Squared Multiple Cronbach's Alpha Correlation if Item Deleted ,515 ,785 ,509 ,789 ,510 ,788
N of Items 3
B17
Purchase Intention Cronbach's Alpha ,945
Reliability Statistics Cronbach's Alpha Based on Standardized Items ,945
N of Items 2
Item Statistics Purch1 Purch2
Mean 4,7354 4,9577
Std. Deviation 1,79060 1,74378
N 189 189
Item-Total Statistics Scale Mean if Scale Variance if Corrected ItemSquared Multiple Cronbach's Alpha Item Deleted Item Deleted Total Correlation Correlation if Item Deleted a Purch1 4,9577 3,041 ,896 ,803 . a Purch2 4,7354 3,206 ,896 ,803 . a. The value is negative due to a negative average covariance among items. This violates reliability model assumptions. You may want to check item codings.
Mean 9,6931
Scale Statistics Variance Std. Deviation 11,841 3,44115
N of Items 2
B18
Bijlage 6: Output measurement model Raw Data from file 'C:\Users\Sam\Desktop\6 mei\Thesis\Lisrel\Database nieuw continous.psf' Latent Variables SIC 'Team Identif' 'Perc Qual' 'Perc Val' 'Purch Int' Relationships Qual1 = 'Perc Qual' Qual2 = 'Perc Qual' Qual3 = 'Perc Qual' Qual4 = 'Perc Qual' Value1 = 'Perc Val' Value2 = 'Perc Val' Value3 = 'Perc Val' Actual2 = SIC Actual3 = SIC Ideal2 = SIC Actual4 = SIC Ideal3 = SIC Id8 = 'Team Identif' Id7 = 'Team Identif' Id6 = 'Team Identif' Id9 = 'Team Identif' Purch1 = 'Purch Int' Purch2 = 'Purch Int' Path Diagram End of Problem Sample Size = 189 Covariance Matrix Id6 Id7 Id8 Id9 Actual2 Actual3 -------- -------- -------- -------- -------- -------Id6 3.56 Id7 2.70 3.63 Id8 2.72 3.11 3.46 Id9 2.01 2.46 2.38 2.90 Actual2 0.98 1.47 1.26 1.23 3.19 Actual3 0.94 1.36 1.12 1.27 2.28 3.25 Ideal2 0.88 1.36 1.12 1.17 2.18 2.71 Actual4 1.07 1.60 1.45 1.40 1.99 2.71 Ideal3 0.88 1.27 1.12 1.19 2.05 2.52 Purch1 1.80 1.94 1.99 1.74 1.23 1.34 Purch2 1.89 1.87 1.95 1.82 0.91 1.03 Qual1 1.22 1.45 1.47 1.46 0.84 1.02 Qual2 1.26 1.49 1.48 1.34 0.79 0.94 Qual3 0.98 1.32 1.26 1.21 0.73 1.00 Qual4 0.97 1.25 1.12 1.14 0.83 0.91 Value1 0.70 0.76 0.77 0.83 0.60 0.82 Value2 0.89 1.17 1.21 0.93 0.87 1.05 Value3 0.59 0.88 0.76 0.71 0.66 0.85
B19
Covariance Matrix Ideal2 Actual4 Ideal3 Purch1 Purch2 Qual1 -------- -------- -------- -------- -------- -------Ideal2 2.95 Actual4 2.57 3.19 Ideal3 2.65 2.75 3.15 Purch1 1.31 1.49 1.18 3.21 Purch2 1.00 1.25 1.00 2.80 3.04 Qual1 0.86 1.07 0.85 1.79 1.84 2.37 Qual2 0.84 1.05 0.82 1.71 1.75 1.91 Qual3 0.83 1.01 0.75 1.35 1.44 1.75 Qual4 0.90 1.05 0.91 1.29 1.32 1.68 Value1 0.84 0.93 0.81 1.00 0.94 1.09 Value2 1.04 1.19 0.95 1.34 1.21 1.13 Value3 0.78 0.91 0.79 0.97 0.91 0.99 Covariance Matrix Qual2 Qual3 Qual4 Value1 Value2 Value3 -------- -------- -------- -------- -------- -------Qual2 2.08 Qual3 1.77 2.19 Qual4 1.73 1.65 2.13 Value1 1.01 1.00 1.11 2.58 Value2 1.27 1.08 1.10 1.69 2.61 Value3 1.03 0.83 1.05 1.74 1.73 2.75 Number of Iterations = 9 LISREL Estimates (Maximum Likelihood) Measurement Equations Id6 = 1.53*Team Ide, Errorvar.= 1.21 , R² = 0.66 (0.11) (0.14) 13.38 8.67 Id7 = 1.77*Team Ide, Errorvar.= 0.48 , R² = 0.87 (0.11) (0.081) 16.71 5.94 Id8 = 1.75*Team Ide, Errorvar.= 0.41 , R² = 0.88 (0.10) (0.075) 16.98 5.44 Id9 = 1.38*Team Ide, Errorvar.= 1.00 , R² = 0.66 (0.10) (0.12) 13.32 8.69 Actual2 = 1.31*SIC, Errorvar.= 1.46 , R² = 0.54 (0.11) (0.16) 11.65 9.23 Actual3 = 1.64*SIC, Errorvar.= 0.54 , R² = 0.83 (0.10) (0.071) 16.24 7.65 Ideal2 = 1.62*SIC, Errorvar.= 0.32 , R² = 0.89 (0.094) (0.051) 17.26 6.28 Actual4 = 1.63*SIC, Errorvar.= 0.53 , R² = 0.83 (0.10) (0.070) 16.25 7.64
B20
Ideal3 = 1.61*SIC, Errorvar.= 0.55 , R² = 0.83 (0.10) (0.071) 16.11 7.76 Purch1 = 1.67*Purch In, Errorvar.= 0.40 , R² = 0.87 (0.10) (0.092) 16.58 4.34 Purch2 = 1.67*Purch In, Errorvar.= 0.25 , R² = 0.92 (0.097) (0.086) 17.26 2.92 Qual1 = 1.37*Perc Qua, Errorvar.= 0.48 , R² = 0.80 (0.088) (0.060) 15.63 7.96 Qual2 = 1.40*Perc Qua, Errorvar.= 0.13 , R² = 0.94 (0.077) (0.034) 18.04 3.79 Qual3 = 1.27*Perc Qua, Errorvar.= 0.57 , R² = 0.74 (0.087) (0.067) 14.67 8.52 Qual4 = 1.24*Perc Qua, Errorvar.= 0.60 , R² = 0.72 (0.086) (0.069) 14.37 8.64 Value1 = 1.28*Perc Val, Errorvar.= 0.95 , R² = 0.63 (0.10) (0.14) 12.23 6.87 Value2 = 1.35*Perc Val, Errorvar.= 0.78 , R² = 0.70 (0.10) (0.13) 13.15 5.83 Value3 = 1.30*Perc Val, Errorvar.= 1.07 , R² = 0.61 (0.11) (0.15) 11.97 7.11 Correlation Matrix of Independent Variables SIC Team Ide Perc Qua Perc Val Purch In -------- -------- -------- -------- -------SIC 1.00 Team Ide 0.46 1.00 (0.06) 7.50 Perc Qua 0.41 0.60 1.00 (0.06) (0.05) 6.50 12.04 Perc Val 0.43 0.41 0.61 1.00 (0.07) (0.07) (0.05) 6.45 5.99 11.40 Purch In 0.43 0.68 0.73 0.49 1.00 (0.06) (0.04) (0.04) (0.06) 6.81 15.48 19.19 7.65
B21
Goodness of Fit Statistics Degrees of Freedom = 125 Minimum Fit Function Chi-Square = 240.84 (P = 0.00) Normal Theory Weighted Least Squares Chi-Square = 224.04 (P = 0.00) Estimated Non-centrality Parameter (NCP) = 99.04 90 Percent Confidence Interval for NCP = (61.10 ; 144.82) Minimum Fit Function Value = 1.28 Population Discrepancy Function Value (F0) = 0.53 90 Percent Confidence Interval for F0 = (0.32 ; 0.77) Root Mean Square Error of Approximation (RMSEA) = 0.065 90 Percent Confidence Interval for RMSEA = (0.051 ; 0.079) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.040 Expected Cross-Validation Index (ECVI) = 1.68 90 Percent Confidence Interval for ECVI = (1.48 ; 1.92) ECVI for Saturated Model = 1.82 ECVI for Independence Model = 37.10 Chi-Square for Independence Model with 153 Degrees of Freedom = 6938.62 Independence AIC = 6974.62 Model AIC = 316.04 Saturated AIC = 342.00 Independence CAIC = 7050.97 Model CAIC = 511.16 Saturated CAIC = 1067.34 Normed Fit Index (NFI) = 0.97 Non-Normed Fit Index (NNFI) = 0.98 Parsimony Normed Fit Index (PNFI) = 0.79 Comparative Fit Index (CFI) = 0.98 Incremental Fit Index (IFI) = 0.98 Relative Fit Index (RFI) = 0.96 Critical N (CN) = 129.56 Root Mean Square Residual (RMR) = 0.13 Standardized RMR = 0.044 Goodness of Fit Index (GFI) = 0.88 Adjusted Goodness of Fit Index (AGFI) = 0.84 Parsimony Goodness of Fit Index (PGFI) = 0.65 The Modification Indices Suggest to Add the Path to from Decrease in Chi-Square New Estimate Purch1 SIC 10.9 0.24 Purch2 SIC 10.9 -0.24 Qual4 Purch In 10.3 -0.31 The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate Actual4 Actual2 8.0 -0.22 Actual4 Ideal2 19.8 -0.24 Ideal3 Actual3 23.5 -0.28 Ideal3 Actual4 17.8 0.24 Value1 Qual2 10.1 -0.14 Value2 Qual2 8.1 0.12
B22
Bijlage 7: Output conceptueel model Raw Data from file 'C:\Users\Sam\Desktop\6 mei\Thesis\Lisrel\Database nieuw continous.psf' Latent Variables SIC 'Team Identif' 'Perc Qual' 'Perc Val' 'Purch Int' Relationships Qual1 = 1.00*'Perc Qual' Qual2 = 'Perc Qual' Qual3 = 'Perc Qual' Qual4 = 'Perc Qual' Value1 = 1.00*'Perc Val' Value2 = 'Perc Val' Value3 = 'Perc Val' Actual2 =1.00*SIC Actual3 = SIC Ideal2 = SIC Actual4 = SIC Ideal3 = SIC Id8 = 'Team Identif' Id7 = 'Team Identif' Id6 = 1.00*'Team Identif' Id9 = 'Team Identif' Purch1 = 1.00*'Purch Int' Purch2 = 'Purch Int' 'Team Identif' = SIC 'Perc Qual' = SIC 'Team Identif' 'Perc Val' = SIC 'Team Identif' 'Purch Int' = SIC 'Team Identif' 'Perc Qual' 'Perc Val' Path Diagram End of Problem Sample Size = 189 Covariance Matrix Id6 Id7 Id8 Id9 Purch1 Purch2 -------- -------- -------- -------- -------- -------Id6 3.56 Id7 2.70 3.63 Id8 2.72 3.11 3.46 Id9 2.01 2.46 2.38 2.90 Purch1 1.80 1.94 1.99 1.74 3.21 Purch2 1.89 1.87 1.95 1.82 2.80 3.04 Qual1 1.22 1.45 1.47 1.46 1.79 1.84 Qual2 1.26 1.49 1.48 1.34 1.71 1.75 Qual3 0.98 1.32 1.26 1.21 1.35 1.44 Qual4 0.97 1.25 1.12 1.14 1.29 1.32 Value1 0.70 0.76 0.77 0.83 1.00 0.94 Value2 0.89 1.17 1.21 0.93 1.34 1.21 Value3 0.59 0.88 0.76 0.71 0.97 0.91 Actual2 0.98 1.47 1.26 1.23 1.23 0.91 Actual3 0.94 1.36 1.12 1.27 1.34 1.03 Ideal2 0.88 1.36 1.12 1.17 1.31 1.00 Actual4 1.07 1.60 1.45 1.40 1.49 1.25 Ideal3 0.88 1.27 1.12 1.19 1.18 1.00
B23
Covariance Matrix Qual1 Qual2 Qual3 Qual4 Value1 Value2 -------- -------- -------- -------- -------- -------Qual1 2.37 Qual2 1.91 2.08 Qual3 1.75 1.77 2.19 Qual4 1.68 1.73 1.65 2.13 Value1 1.09 1.01 1.00 1.11 2.58 Value2 1.13 1.27 1.08 1.10 1.69 2.61 Value3 0.99 1.03 0.83 1.05 1.74 1.73 Actual2 0.84 0.79 0.73 0.83 0.60 0.87 Actual3 1.02 0.94 1.00 0.91 0.82 1.05 Ideal2 0.86 0.84 0.83 0.90 0.84 1.04 Actual4 1.07 1.05 1.01 1.05 0.93 1.19 Ideal3 0.85 0.82 0.75 0.91 0.81 0.95 Covariance Matrix Value3 Actual2 Actual3 Ideal2 Actual4 Ideal3 -------- -------- -------- -------- -------- -------Value3 2.75 Actual2 0.66 3.19 Actual3 0.85 2.28 3.25 Ideal2 0.78 2.18 2.71 2.95 Actual4 0.91 1.99 2.71 2.57 3.19 Ideal3 0.79 2.05 2.52 2.65 2.75 3.15 Number of Iterations = 10 LISREL Estimates (Maximum Likelihood) Measurement Equations Id6 = 1.00*Team Ide, Errorvar.= 1.21 , R² = 0.66 (0.14) 8.67 Id7 = 1.16*Team Ide, Errorvar.= 0.49 , R² = 0.87 (0.072) (0.081) 16.03 6.00 Id8 = 1.14*Team Ide, Errorvar.= 0.41 , R² = 0.88 (0.070) (0.074) 16.25 5.46 Id9 = 0.90*Team Ide, Errorvar.= 1.00 , R² = 0.66 (0.069) (0.11) 13.01 8.69 Purch1 = 1.00*Purch In, Errorvar.= 0.40 , R² = 0.87 (0.093) 4.33 Purch2 = 1.00*Purch In, Errorvar.= 0.25 , R² = 0.92 (0.045) (0.086) 22.01 2.91 Qual1 = 1.00*Perc Qua, Errorvar.= 0.48 , R² = 0.80 (0.060) 7.89 Qual2 = 1.02*Perc Qua, Errorvar.= 0.13 , R² = 0.94 (0.045) (0.035) 22.81 3.74
B24
Qual3 = 0.93*Perc Qua, Errorvar.= 0.57 , R² = 0.74 (0.054) (0.067) 17.21 8.47 Qual4 = 0.90*Perc Qua, Errorvar.= 0.60 , R² = 0.72 (0.054) (0.070) 16.63 8.62 Value1 = 1.00*Perc Val, Errorvar.= 0.95 , R² = 0.63 (0.14) 6.66 Value2 = 1.06*Perc Val, Errorvar.= 0.80 , R² = 0.69 (0.096) (0.14) 11.01 5.66 Value3 = 1.02*Perc Val, Errorvar.= 1.05 , R² = 0.62 (0.096) (0.15) 10.63 6.82 Actual2 = 1.00*SIC, Errorvar.= 1.47 , R² = 0.54 (0.16) 9.23 Actual3 = 1.25*SIC, Errorvar.= 0.54 , R² = 0.83 (0.096) (0.071) 13.07 7.64 Ideal2 = 1.23*SIC, Errorvar.= 0.32 , R² = 0.89 (0.091) (0.051) 13.57 6.31 Actual4 = 1.24*SIC, Errorvar.= 0.53 , R² = 0.83 (0.095) (0.069) 13.08 7.63 Ideal3 = 1.23*SIC, Errorvar.= 0.55 , R² = 0.82 (0.094) (0.071) 12.99 7.77 Structural Equations Team Ide = 0.53*SIC, Errorvar.= 1.85 , R² = 0.21 (0.092) (0.28) 5.81 6.60 Perc Qua = 0.47*Team Ide + 0.18*SIC, Errorvar.= 1.14 , R² = 0.39 (0.069) (0.074) (0.15) 6.86 2.49 7.55 Perc Val = 0.24*Team Ide + 0.30*SIC, Errorvar.= 1.21 , R² = 0.26 (0.071) (0.084) (0.21) 3.37 3.54 5.86 Purch In = 0.39*Team Ide + 0.57*Perc Qua + 0.044*Perc Val + 0.074*SIC, Errorvar.= 1.05 , R² = 0.62 (0.080) (0.084) (0.083) (0.078) (0.14) 4.79 6.84 0.53 0.95 7.55 Reduced Form Equations Team Ide = 0.53*SIC, Errorvar.= 1.85, R² = 0.21 (0.092) 5.81 Perc Qua = 0.44*SIC, Errorvar.= 1.56, R² = 0.17 (0.080) 5.46 Perc Val = 0.42*SIC, Errorvar.= 1.32, R² = 0.19 (0.081) 5.23 Purch In = 0.55*SIC, Errorvar.= 2.26, R² = 0.19 (0.097) 5.67
B25
Variances of Independent Variables SIC -------1.73 (0.30) 5.82 Covariance Matrix of Latent Variables Team Ide Perc Qua Perc Val Purch In -------- -------- -------- -------- -------Team Ide 2.34 Perc Qua 1.28 1.89 Perc Val 0.83 0.53 1.63 Purch In 1.75 1.66 0.75 2.78 SIC 0.92 0.75 0.73 0.95 1.73
SIC
Goodness of Fit Statistics Degrees of Freedom = 126 Minimum Fit Function Chi-Square = 274.88 (P = 0.00) Normal Theory Weighted Least Squares Chi-Square = 254.89 (P = 0.00) Estimated Non-centrality Parameter (NCP) = 128.89 90 Percent Confidence Interval for NCP = (87.16 ; 178.40) Minimum Fit Function Value = 1.46 Population Discrepancy Function Value (F0) = 0.69 90 Percent Confidence Interval for F0 = (0.46 ; 0.95) Root Mean Square Error of Approximation (RMSEA) = 0.074 90 Percent Confidence Interval for RMSEA = (0.061 ; 0.087) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.0020 Expected Cross-Validation Index (ECVI) = 1.83 90 Percent Confidence Interval for ECVI = (1.61 ; 2.10) ECVI for Saturated Model = 1.82 ECVI for Independence Model = 37.10 Chi-Square for Independence Model with 153 Degrees of Freedom = 6938.62 Independence AIC = 6974.62 Model AIC = 344.89 Saturated AIC = 342.00 Independence CAIC = 7050.97 Model CAIC = 535.77 Saturated CAIC = 1067.34 Normed Fit Index (NFI) = 0.96 Non-Normed Fit Index (NNFI) = 0.97 Parsimony Normed Fit Index (PNFI) = 0.79 Comparative Fit Index (CFI) = 0.98 Incremental Fit Index (IFI) = 0.98 Relative Fit Index (RFI) = 0.95 Critical N (CN) = 114.42 Root Mean Square Residual (RMR) = 0.20 Standardized RMR = 0.076 Goodness of Fit Index (GFI) = 0.87 Adjusted Goodness of Fit Index (AGFI) = 0.82 Parsimony Goodness of Fit Index (PGFI) = 0.64
B26
The Modification Indices Suggest to Add the Path to from Decrease in Chi-Square New Estimate Qual4 Purch In 9.8 -0.18 Value2 Perc Qua 8.7 0.19 Value2 Purch In 8.7 0.17 Perc Qua Perc Val 31.4 0.47 Perc Qua Purch In 31.4 10.53 Perc Val Perc Qua 31.4 0.49 Perc Val Purch In 31.4 0.86 The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate Perc Val Perc Qua 31.4 0.56 Value2 Qual2 10.2 0.14 Actual4 Actual2 8.1 -0.22 Actual4 Ideal2 19.6 -0.24 Ideal3 Actual3 23.5 -0.28 Ideal3 Actual4 17.7 0.24
B27
Bijlage 8: Output Definitief model Raw Data from file 'C:\Users\Sam\Desktop\6 mei\Thesis\Lisrel\Database nieuw continous.psf' Latent Variables SIC 'Team Identif' 'Perc Qual' 'Perc Val' 'Purch Int' Relationships Qual1 = 1.00*'Perc Qual' Qual2 = 'Perc Qual' Qual3 = 'Perc Qual' Qual4 = 'Perc Qual' Value1 = 1.00*'Perc Val' Value2 = 'Perc Val' Value3 = 'Perc Val' Actual2 =1.00*SIC Actual3 = SIC Ideal2 = SIC Actual4 = SIC Ideal3 = SIC Id8 = 'Team Identif' Id7 = 'Team Identif' Id6 = 1.00*'Team Identif' Id9 = 'Team Identif' Purch1 = 1.00*'Purch Int' Purch2 = 'Purch Int' 'Team Identif' = SIC 'Perc Qual' = SIC 'Team Identif' 'Perc Val' = SIC 'Team Identif' 'Purch Int' = 'Team Identif' 'Perc Qual' Set the error covariance between 'Perc Qual' and 'Perc Val' Free Path Diagram Print Residuals End of Problem Sample Size = 189
Covariance Matrix Id6 Id7 Id8 Id9 Purch1 Purch2 -------- -------- -------- -------- -------- -------Id6 3.56 Id7 2.70 3.63 Id8 2.72 3.11 3.46 Id9 2.01 2.46 2.38 2.90 Purch1 1.80 1.94 1.99 1.74 3.21 Purch2 1.89 1.87 1.95 1.82 2.80 3.04 Qual1 1.22 1.45 1.47 1.46 1.79 1.84 Qual2 1.26 1.49 1.48 1.34 1.71 1.75 Qual3 0.98 1.32 1.26 1.21 1.35 1.44 Qual4 0.97 1.25 1.12 1.14 1.29 1.32 Value1 0.70 0.76 0.77 0.83 1.00 0.94 Value2 0.89 1.17 1.21 0.93 1.34 1.21 Value3 0.59 0.88 0.76 0.71 0.97 0.91 Actual2 0.98 1.47 1.26 1.23 1.23 0.91 Actual3 0.94 1.36 1.12 1.27 1.34 1.03 Ideal2 0.88 1.36 1.12 1.17 1.31 1.00 Actual4 1.07 1.60 1.45 1.40 1.49 1.25 Ideal3 0.88 1.27 1.12 1.19 1.18 1.00
B28
Covariance Matrix Qual1 Qual2 Qual3 Qual4 Value1 Value2 -------- -------- -------- -------- -------- -------Qual1 2.37 Qual2 1.91 2.08 Qual3 1.75 1.77 2.19 Qual4 1.68 1.73 1.65 2.13 Value1 1.09 1.01 1.00 1.11 2.58 Value2 1.13 1.27 1.08 1.10 1.69 2.61 Value3 0.99 1.03 0.83 1.05 1.74 1.73 Actual2 0.84 0.79 0.73 0.83 0.60 0.87 Actual3 1.02 0.94 1.00 0.91 0.82 1.05 Ideal2 0.86 0.84 0.83 0.90 0.84 1.04 Actual4 1.07 1.05 1.01 1.05 0.93 1.19 Ideal3 0.85 0.82 0.75 0.91 0.81 0.95 Covariance Matrix Value3 Actual2 Actual3 Ideal2 Actual4 Ideal3 -------- -------- -------- -------- -------- -------Value3 2.75 Actual2 0.66 3.19 Actual3 0.85 2.28 3.25 Ideal2 0.78 2.18 2.71 2.95 Actual4 0.91 1.99 2.71 2.57 3.19 Ideal3 0.79 2.05 2.52 2.65 2.75 3.15 Number of Iterations = 9 LISREL Estimates (Maximum Likelihood) Measurement Equations Id6 = 1.00*Team Ide, Errorvar.= 1.21 , R² = 0.66 (0.14) 8.67 Id7 = 1.16*Team Ide, Errorvar.= 0.48 , R² = 0.87 (0.072) (0.081) 16.07 5.95 Id8 = 1.14*Team Ide, Errorvar.= 0.41 , R² = 0.88 (0.070) (0.075) 16.26 5.47 Id9 = 0.90*Team Ide, Errorvar.= 1.00 , R² = 0.66 (0.069) (0.11) 13.02 8.68 Purch1 = 1.00*Purch In, Errorvar.= 0.43 , R² = 0.86 (0.094) 4.62 Purch2 = 1.01*Purch In, Errorvar.= 0.22 , R² = 0.93 (0.046) (0.087) 22.02 2.52 Qual1 = 1.00*Perc Qua, Errorvar.= 0.48 , R² = 0.80 (0.060) 7.95 Qual2 = 1.02*Perc Qua, Errorvar.= 0.13 , R² = 0.94 (0.044) (0.034) 22.86 3.85
B29
Qual3 = 0.92*Perc Qua, Errorvar.= 0.57 , R² = 0.74 (0.054) (0.067) 17.16 8.51 Qual4 = 0.90*Perc Qua, Errorvar.= 0.60 , R² = 0.72 (0.054) (0.069) 16.68 8.63 Value1 = 1.00*Perc Val, Errorvar.= 0.95 , R² = 0.63 (0.14) 6.86 Value2 = 1.06*Perc Val, Errorvar.= 0.78 , R² = 0.70 (0.093) (0.13) 11.34 5.85 Value3 = 1.02*Perc Val, Errorvar.= 1.07 , R² = 0.61 (0.095) (0.15) 10.75 7.10 Actual2 = 1.00*SIC, Errorvar.= 1.46 , R² = 0.54 (0.16) 9.22 Actual3 = 1.25*SIC, Errorvar.= 0.54 , R² = 0.83 (0.096) (0.071) 13.08 7.64 Ideal2 = 1.23*SIC, Errorvar.= 0.32 , R² = 0.89 (0.091) (0.051) 13.58 6.28 Actual4 = 1.24*SIC, Errorvar.= 0.53 , R² = 0.83 (0.095) (0.070) 13.08 7.64 Ideal3 = 1.23*SIC, Errorvar.= 0.55 , R² = 0.83 (0.094) (0.071) 13.01 7.76 Structural Equations Team Ide = 0.54*SIC, Errorvar.= 1.85 , R² = 0.21 (0.092) (0.28) 5.84 6.60 Perc Qua = 0.47*Team Ide + 0.18*SIC, Errorvar.= 1.16 , R² = 0.39 (0.069) (0.074) (0.15) 6.77 2.46 7.56 Perc Val = 0.23*Team Ide + 0.30*SIC, Errorvar.= 1.23 , R² = 0.25 (0.071) (0.084) (0.21) 3.19 3.56 5.92 Purch In = 0.40*Team Ide + 0.61*Perc Qua, Errorvar.= 1.05 , R² = 0.62 (0.074) (0.083) (0.14) 5.44 7.40 7.54 Error Covariance for Perc Val and Perc Qua = 0.56 (0.12) 4.87 Reduced Form Equations Team Ide = 0.54*SIC, Errorvar.= 1.85, R² = 0.21 (0.092) 5.84 Perc Qua = 0.43*SIC, Errorvar.= 1.56, R² = 0.17 (0.080) 5.43
B30
Perc Val = 0.42*SIC, Errorvar.= 1.32, R² = 0.19 (0.081) 5.21 Purch In = 0.48*SIC, Errorvar.= 2.37, R² = 0.15 (0.081) 5.95 Variances of Independent Variables SIC -------1.73 (0.30) 5.83 Covariance Matrix of Latent Variables Team Ide Perc Qua Perc Val Purch In -------- -------- -------- -------- -------Team Ide 2.35 Perc Qua 1.27 1.89 Perc Val 0.81 1.08 1.63 Purch In 1.73 1.67 0.99 2.77 SIC 0.93 0.75 0.73 0.83 1.73
SIC
Goodness of Fit Statistics Degrees of Freedom = 127 Minimum Fit Function Chi-Square = 242.13 (P = 0.00) Normal Theory Weighted Least Squares Chi-Square = 223.63 (P = 0.00) Estimated Non-centrality Parameter (NCP) = 96.63 90 Percent Confidence Interval for NCP = (58.88 ; 142.23) Minimum Fit Function Value = 1.29 Population Discrepancy Function Value (F0) = 0.51 90 Percent Confidence Interval for F0 = (0.31 ; 0.76) Root Mean Square Error of Approximation (RMSEA) = 0.064 90 Percent Confidence Interval for RMSEA = (0.050 ; 0.077) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.054 Expected Cross-Validation Index (ECVI) = 1.66 90 Percent Confidence Interval for ECVI = (1.46 ; 1.90) ECVI for Saturated Model = 1.82 ECVI for Independence Model = 37.10 Chi-Square for Independence Model with 153 Degrees of Freedom = 6938.62 Independence AIC = 6974.62 Model AIC = 311.63 Saturated AIC = 342.00 Independence CAIC = 7050.97 Model CAIC = 498.26 Saturated CAIC = 1067.34 Normed Fit Index (NFI) = 0.97 Non-Normed Fit Index (NNFI) = 0.98 Parsimony Normed Fit Index (PNFI) = 0.80 Comparative Fit Index (CFI) = 0.98 Incremental Fit Index (IFI) = 0.98 Relative Fit Index (RFI) = 0.96 Critical N (CN) = 130.66
B31
Root Mean Square Residual (RMR) = 0.14 Standardized RMR = 0.046 Goodness of Fit Index (GFI) = 0.88 Adjusted Goodness of Fit Index (AGFI) = 0.84 Parsimony Goodness of Fit Index (PGFI) = 0.66 Fitted Covariance Matrix Id6 Id7 Id8 Id9 Purch1 Purch2 -------- -------- -------- -------- -------- -------Id6 3.56 Id7 2.72 3.63 Id8 2.68 3.10 3.46 Id9 2.11 2.45 2.41 2.90 Purch1 1.73 2.00 1.97 1.56 3.21 Purch2 1.74 2.02 1.99 1.57 2.80 3.04 Qual1 1.27 1.47 1.45 1.14 1.67 1.68 Qual2 1.29 1.49 1.47 1.16 1.70 1.71 Qual3 1.17 1.36 1.34 1.06 1.54 1.56 Qual4 1.14 1.32 1.31 1.03 1.51 1.52 Value1 0.81 0.94 0.92 0.73 0.99 1.00 Value2 0.86 0.99 0.98 0.77 1.04 1.05 Value3 0.82 0.95 0.94 0.74 1.00 1.01 Actual2 0.93 1.07 1.06 0.84 0.83 0.84 Actual3 1.16 1.34 1.33 1.05 1.04 1.05 Ideal2 1.15 1.33 1.31 1.03 1.03 1.04 Actual4 1.15 1.33 1.31 1.04 1.04 1.04 Ideal3 1.14 1.32 1.30 1.03 1.02 1.03 Fitted Covariance Matrix Qual1 Qual2 Qual3 Qual4 Value1 Value2 -------- -------- -------- -------- -------- -------Qual1 2.37 Qual2 1.92 2.08 Qual3 1.75 1.77 2.19 Qual4 1.70 1.73 1.57 2.13 Value1 1.08 1.09 1.00 0.97 2.58 Value2 1.14 1.16 1.05 1.03 1.72 2.61 Value3 1.09 1.11 1.01 0.99 1.66 1.75 Actual2 0.75 0.76 0.69 0.68 0.73 0.77 Actual3 0.94 0.95 0.87 0.85 0.91 0.96 Ideal2 0.92 0.94 0.86 0.83 0.90 0.95 Actual4 0.93 0.95 0.86 0.84 0.90 0.96 Ideal3 0.92 0.93 0.85 0.83 0.89 0.94 Fitted Covariance Matrix Value3 Actual2 Actual3 Ideal2 Actual4 Ideal3 -------- -------- -------- -------- -------- -------Value3 2.75 Actual2 0.74 3.19 Actual3 0.92 2.16 3.25 Ideal2 0.91 2.13 2.67 2.95 Actual4 0.92 2.14 2.68 2.65 3.19 Ideal3 0.91 2.12 2.65 2.62 2.63 3.15
B32
Fitted Residuals Id6 Id7 Id8 Id9 Purch1 Purch2 -------- -------- -------- -------- -------- -------Id6 0.00 Id7 -0.01 0.00 Id8 0.05 0.01 0.00 Id9 -0.11 0.02 -0.04 0.00 Purch1 0.07 -0.06 0.02 0.19 0.00 Purch2 0.15 -0.15 -0.04 0.25 0.00 0.00 Qual1 -0.05 -0.02 0.02 0.32 0.12 0.15 Qual2 -0.03 0.00 0.01 0.17 0.01 0.04 Qual3 -0.19 -0.04 -0.07 0.15 -0.20 -0.12 Qual4 -0.17 -0.07 -0.18 0.11 -0.22 -0.20 Value1 -0.11 -0.18 -0.15 0.10 0.02 -0.06 Value2 0.03 0.18 0.23 0.16 0.30 0.16 Value3 -0.23 -0.07 -0.18 -0.03 -0.04 -0.11 Actual2 0.05 0.39 0.20 0.39 0.39 0.07 Actual3 -0.23 0.01 -0.21 0.22 0.29 -0.03 Ideal2 -0.27 0.04 -0.19 0.14 0.28 -0.04 Actual4 -0.09 0.27 0.14 0.36 0.45 0.20 Ideal3 -0.26 -0.04 -0.18 0.17 0.16 -0.03 Fitted Residuals Qual1 Qual2 Qual3 Qual4 Value1 Value2 -------- -------- -------- -------- -------- -------Qual1 0.00 Qual2 0.00 0.00 Qual3 0.00 0.00 0.00 Qual4 -0.02 0.00 0.08 0.00 Value1 0.01 -0.08 0.00 0.14 0.00 Value2 -0.01 0.11 0.02 0.07 -0.04 0.00 Value3 -0.11 -0.08 -0.18 0.06 0.08 -0.02 Actual2 0.09 0.03 0.04 0.15 -0.13 0.10 Actual3 0.08 -0.01 0.13 0.07 -0.09 0.09 Ideal2 -0.06 -0.10 -0.02 0.07 -0.06 0.10 Actual4 0.14 0.10 0.15 0.21 0.03 0.23 Ideal3 -0.07 -0.12 -0.10 0.08 -0.08 0.01 Fitted Residuals Value3 Actual2 Actual3 Ideal2 Actual4 Ideal3 -------- -------- -------- -------- -------- -------Value3 0.00 Actual2 -0.07 0.00 Actual3 -0.07 0.12 0.00 Ideal2 -0.13 0.04 0.04 0.00 Actual4 -0.01 -0.15 0.03 -0.07 0.00 Ideal3 -0.12 -0.07 -0.13 0.03 0.12 0.00 Summary Statistics for Fitted Residuals Smallest Fitted Residual = -0.27 Median Fitted Residual = 0.00 Largest Fitted Residual = 0.45
B33
Stemleaf Plot - 2|76 - 2|332100 - 1|99888887555 - 1|333222111100 - 0|998887777777766665 - 0|44444443333222211110000000000000000000000000 0|111111222223333344444 0|55677777888899 1|00001122234444 1|555556667789 2|001233 2|5789 3|02 3|6999 4| 4|5 Standardized Residuals Id6 Id7 Id8 Id9 Purch1 Purch2 -------- -------- -------- -------- -------- -------Id6 -Id7 -0.33 -Id8 1.55 0.84 -Id9 -1.57 0.53 -1.30 -Purch1 0.69 -0.96 0.38 1.92 -Purch2 1.51 -2.74 -0.74 2.76 --Qual1 -0.42 -0.22 0.22 3.11 1.97 2.75 Qual2 -0.32 -0.05 0.12 2.14 0.45 1.63 Qual3 -1.66 -0.47 -0.87 1.45 -2.84 -1.89 Qual4 -1.49 -0.79 -2.09 1.09 -3.04 -3.08 Value1 -0.77 -1.58 -1.41 0.80 0.12 -0.44 Value2 0.26 1.77 2.47 1.33 2.29 1.33 Value3 -1.54 -0.59 -1.55 -0.23 -0.27 -0.80 Actual2 0.28 2.53 1.36 2.48 2.23 0.39 Actual3 -1.62 0.14 -2.18 1.73 1.94 -0.18 Ideal2 -2.14 0.46 -2.45 1.24 2.03 -0.31 Actual4 -0.62 2.69 1.45 2.89 3.01 1.43 Ideal3 -1.87 -0.43 -1.85 1.33 1.06 -0.22 Standardized Residuals Qual1 Qual2 Qual3 Qual4 Value1 Value2 -------- -------- -------- -------- -------- -------Qual1 -Qual2 -0.67 -Qual3 0.00 -0.35 -Qual4 -0.76 0.02 2.23 -Value1 0.15 -1.32 0.00 1.50 -Value2 -0.09 2.13 0.26 0.86 -1.55 -Value3 -1.16 -1.17 -1.91 0.66 2.26 -0.80 Actual2 0.64 0.26 0.27 1.12 -0.90 0.73 Actual3 0.83 -0.16 1.25 0.65 -0.83 0.86 Ideal2 -0.76 -2.08 -0.23 0.73 -0.60 1.11 Actual4 1.47 1.49 1.50 2.00 0.26 2.34 Ideal3 -0.75 -1.73 -0.95 0.79 -0.72 0.07
B34
Standardized Residuals Value3 Actual2 Actual3 Ideal2 Actual4 Ideal3 -------- -------- -------- -------- -------- -------Value3 -Actual2 -0.49 -Actual3 -0.60 2.22 -Ideal2 -1.21 1.18 2.42 -Actual4 -0.09 -2.84 1.16 -4.43 -Ideal3 -1.02 -1.16 -4.87 1.75 4.22 -Summary Statistics for Standardized Residuals Smallest Standardized Residual = -4.87 Median Standardized Residual = 0.00 Largest Standardized Residual = 4.22 Stemleaf Plot - 4|9 - 4|4 - 3| - 3|10 - 2|887 - 2|42111 - 1|9999776665555 - 1|433222200 - 0|99988888888777666655 - 0|444333332222221100000000000000000000000 0|111122333333444 0|55677777888899 1|111122223334444 1|555555678899 2|000112223334 2|5557789 3|01 3| 4|2
Largest Negative Standardized Residuals Residual for Purch2 and Id7 -2.74 Residual for Qual3 and Purch1 -2.84 Residual for Qual4 and Purch1 -3.04 Residual for Qual4 and Purch2 -3.08 Residual for Actual4 and Actual2 -2.84 Residual for Actual4 and Ideal2 -4.43 Residual for Ideal3 and Actual3 -4.87 Largest Positive Standardized Residuals Residual for Purch2 and Id9 2.76 Residual for Qual1 and Id9 3.11 Residual for Qual1 and Purch2 2.75 Residual for Actual4 and Id7 2.69 Residual for Actual4 and Id9 2.89 Residual for Actual4 and Purch1 3.01 Residual for Ideal3 and Actual4 4.22
The Modification Indices Suggest to Add the Path to from Decrease in Chi-Square New Estimate Qual4 Purch In 10.9 -0.19 The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate Value1 Qual2 10.1 -0.14 Value2 Qual2 8.0 0.12 Actual4 Actual2 8.1 -0.22 Actual4 Ideal2 19.6 -0.24 Ideal3 Actual3 23.7 -0.28 Ideal3 Actual4 17.8 0.24
B35
Bijlage 9: Output rival model Raw Data from file 'C:\Users\Sam\Desktop\6 mei\Thesis\Lisrel\Database nieuw continous.psf' Latent Variables SIC 'Team Identif' 'Perc Qual' 'Perc Val' 'Purch Int' Relationships Qual1 = 1.00*'Perc Qual' Qual2 = 'Perc Qual' Qual3 = 'Perc Qual' Qual4 = 'Perc Qual' Value1 = 1.00*'Perc Val' Value2 = 'Perc Val' Value3 = 'Perc Val' Actual2 =1.00*SIC Actual3 = SIC Ideal2 = SIC Actual4 = SIC Ideal3 = SIC Id8 = 'Team Identif' Id7 = 'Team Identif' Id6 = 1.00*'Team Identif' Id9 = 'Team Identif' Purch1 = 1.00*'Purch Int' Purch2 = 'Purch Int' 'Purch Int' = 'Team Identif' 'Perc Qual' 'Perc Val' SIC Path Diagram End of Problem Sample Size = 189 Covariance Matrix Purch1 Purch2 Id6 Id7 Id8 Id9 -------- -------- -------- -------- -------- -------Purch1 3.21 Purch2 2.80 3.04 Id6 1.80 1.89 3.56 Id7 1.94 1.87 2.70 3.63 Id8 1.99 1.95 2.72 3.11 3.46 Id9 1.74 1.82 2.01 2.46 2.38 2.90 Actual2 1.23 0.91 0.98 1.47 1.26 1.23 Actual3 1.34 1.03 0.94 1.36 1.12 1.27 Ideal2 1.31 1.00 0.88 1.36 1.12 1.17 Actual4 1.49 1.25 1.07 1.60 1.45 1.40 Ideal3 1.18 1.00 0.88 1.27 1.12 1.19 Qual1 1.79 1.84 1.22 1.45 1.47 1.46 Qual2 1.71 1.75 1.26 1.49 1.48 1.34 Qual3 1.35 1.44 0.98 1.32 1.26 1.21 Qual4 1.29 1.32 0.97 1.25 1.12 1.14 Value1 1.00 0.94 0.70 0.76 0.77 0.83 Value2 1.34 1.21 0.89 1.17 1.21 0.93 Value3 0.97 0.91 0.59 0.88 0.76 0.71
B36
Covariance Matrix Actual2 Actual3 Ideal2 Actual4 Ideal3 Qual1 -------- -------- -------- -------- -------- -------Actual2 3.19 Actual3 2.28 3.25 Ideal2 2.18 2.71 2.95 Actual4 1.99 2.71 2.57 3.19 Ideal3 2.05 2.52 2.65 2.75 3.15 Qual1 0.84 1.02 0.86 1.07 0.85 2.37 Qual2 0.79 0.94 0.84 1.05 0.82 1.91 Qual3 0.73 1.00 0.83 1.01 0.75 1.75 Qual4 0.83 0.91 0.90 1.05 0.91 1.68 Value1 0.60 0.82 0.84 0.93 0.81 1.09 Value2 0.87 1.05 1.04 1.19 0.95 1.13 Value3 0.66 0.85 0.78 0.91 0.79 0.99 Covariance Matrix Qual2 Qual3 Qual4 Value1 Value2 Value3 -------- -------- -------- -------- -------- -------Qual2 2.08 Qual3 1.77 2.19 Qual4 1.73 1.65 2.13 Value1 1.01 1.00 1.11 2.58 Value2 1.27 1.08 1.10 1.69 2.61 Value3 1.03 0.83 1.05 1.74 1.73 2.75 Number of Iterations = 9 LISREL Estimates (Maximum Likelihood) Measurement Equations Purch1 = 1.00*Purch In, Errorvar.= 0.40 , R² = 0.87 (0.092) 4.34 Purch2 = 1.00*Purch In, Errorvar.= 0.25 , R² = 0.92 (0.045) (0.086) 22.15 2.92 Id6 = 1.00*Team Ide, Errorvar.= 1.21 , R² = 0.66 (0.14) 8.67 Id7 = 1.16*Team Ide, Errorvar.= 0.48 , R² = 0.87 (0.072) (0.081) 16.07 5.94 Id8 = 1.14*Team Ide, Errorvar.= 0.41 , R² = 0.88 (0.070) (0.075) 16.27 5.44 Id9 = 0.90*Team Ide, Errorvar.= 1.00 , R² = 0.66 (0.069) (0.12) 13.01 8.69 Actual2 = 1.00*SIC, Errorvar.= 1.46 , R² = 0.54 (0.16) 9.23 Actual3 = 1.25*SIC, Errorvar.= 0.54 , R² = 0.83 (0.096) (0.071) 13.08 7.65 Ideal2 = 1.23*SIC, Errorvar.= 0.32 , R² = 0.89 (0.091) (0.051) 13.58 6.28
B37
Actual4 = 1.24*SIC, Errorvar.= 0.53 , R² = 0.83 (0.095) (0.070) 13.08 7.64 Ideal3 = 1.23*SIC, Errorvar.= 0.55 , R² = 0.83 (0.094) (0.071) 13.01 7.76 Qual1 = 1.00*Perc Qua, Errorvar.= 0.48 , R² = 0.80 (0.060) 7.96 Qual2 = 1.02*Perc Qua, Errorvar.= 0.13 , R² = 0.94 (0.044) (0.034) 22.85 3.79 Qual3 = 0.93*Perc Qua, Errorvar.= 0.57 , R² = 0.74 (0.054) (0.067) 17.14 8.52 Qual4 = 0.90*Perc Qua, Errorvar.= 0.60 , R² = 0.72 (0.054) (0.069) 16.66 8.64 Value1 = 1.00*Perc Val, Errorvar.= 0.95 , R² = 0.63 (0.14) 6.87 Value2 = 1.06*Perc Val, Errorvar.= 0.78 , R² = 0.70 (0.093) (0.13) 11.35 5.83 Value3 = 1.02*Perc Val, Errorvar.= 1.07 , R² = 0.61 (0.095) (0.15) 10.74 7.11 Structural Equations Purch In = 0.077*SIC + 0.38*Team Ide + 0.58*Perc Qua + 0.036*Perc Val, Errorvar.= 1.06 , R² = 0.62 (0.077) (0.077) (0.097) (0.097) (0.14) 1.00 4.98 5.97 0.37 7.55
Covariance Matrix of Independent Variables SIC Team Ide Perc Qua Perc Val -------- -------- -------- -------SIC 1.73 (0.30) 5.83 Team Ide 0.92 2.35 (0.19) (0.35) 4.99 6.69 Perc Qua 0.75 1.27 1.89 (0.16) (0.20) (0.24) 4.72 6.29 7.82 Perc Val 0.73 0.81 1.07 1.63 (0.16) (0.18) (0.18) (0.27) 4.59 4.49 6.09 6.12
B38
Covariance Matrix of Latent Variables Purch In SIC Team Ide Perc Qua Perc Val -------- -------- -------- -------- -------Purch In 2.81 SIC 0.95 1.73 Team Ide 1.74 0.92 2.35 Perc Qua 1.68 0.75 1.27 1.89 Perc Val 1.05 0.73 0.81 1.07 1.63 Goodness of Fit Statistics Degrees of Freedom = 125 Minimum Fit Function Chi-Square = 240.84 (P = 0.00) Normal Theory Weighted Least Squares Chi-Square = 224.04 (P = 0.00) Estimated Non-centrality Parameter (NCP) = 99.04 90 Percent Confidence Interval for NCP = (61.10 ; 144.82) Minimum Fit Function Value = 1.28 Population Discrepancy Function Value (F0) = 0.53 90 Percent Confidence Interval for F0 = (0.32 ; 0.77) Root Mean Square Error of Approximation (RMSEA) = 0.065 90 Percent Confidence Interval for RMSEA = (0.051 ; 0.079) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.040 Expected Cross-Validation Index (ECVI) = 1.68 90 Percent Confidence Interval for ECVI = (1.48 ; 1.92) ECVI for Saturated Model = 1.82 ECVI for Independence Model = 37.10 Chi-Square for Independence Model with 153 Degrees of Freedom = 6938.62 Independence AIC = 6974.62 Model AIC = 316.04 Saturated AIC = 342.00 Independence CAIC = 7050.97 Model CAIC = 511.16 Saturated CAIC = 1067.34 Normed Fit Index (NFI) = 0.97 Non-Normed Fit Index (NNFI) = 0.98 Parsimony Normed Fit Index (PNFI) = 0.79 Comparative Fit Index (CFI) = 0.98 Incremental Fit Index (IFI) = 0.98 Relative Fit Index (RFI) = 0.96 Critical N (CN) = 129.56 Root Mean Square Residual (RMR) = 0.13 Standardized RMR = 0.044 Goodness of Fit Index (GFI) = 0.88 Adjusted Goodness of Fit Index (AGFI) = 0.84 Parsimony Goodness of Fit Index (PGFI) = 0.65 The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate Actual4 Actual2 8.0 -0.22 Actual4 Ideal2 19.8 -0.24 Ideal3 Actual3 23.5 -0.28 Ideal3 Actual4 17.8 0.24 Value1 Qual2 10.1 -0.14 Value2 Qual2 8.1 0.12
B39
