In der aktuellen Arbeit haben wir die PLS-SEM-Technik für den Hypothesentest verwendet. PLS-SEM ist ein multivariater statistischer Ansatz, der die gleichzeitige Schätzung von mehreren Variablen in einem einzigen Modell ermöglicht. Dieser Ansatz arbeitet auch dann effizient, wenn das Modell komplex ist (d. h. mehrere latente Variablen umfasst), moderierende Variablen enthält und sogar bei relativ geringen Stichprobengrößen [82,84-87]. Aus den oben genannten Gründen haben wir PLS verwendet, um die aufgestellten Hypothesen zu testen, und zwar vorzugsweise über andere Techniken, um die gesammelten Daten zu analysieren. Dies liegt daran, dass das vorgeschlagene Modell moderierende Variablen enthielt, was die Komplexität des Modells erhöhte. Außerdem war die Stichprobengröße in dieser Studie 192, weniger als die Schwellenwerte, die für die Anwendung anderer Techniken notwendig sind. Schließlich ist die aktuelle Studie von explorativer Natur, indem sie die INT- und Kontingenztheorien anwendet. Diese Kombination erfordert die Verwendung eines Pfadmodellierungsansatzes, da mehrere Forscher vorgeschlagen haben, dass der PLS-SEM-Ansatz verwendet werden sollte, wenn eine Studie vorhersageorientiert ist oder eine Erweiterung einer bestehenden Theorie darstellt [82]. Abbildung 2 zeigt den aktuellen Forschungsprozess.

Abbildung 2. Forschungsprozess
Abbildung 2. Forschungsprozess

Basierend auf der Empfehlung von Hair et al. [82] ist die Evaluation des Messmodells (äußeres Modell) ein zentraler Schritt im PLS-SEM-Ansatz, da diese Evaluation dabei hilft, festzustellen, ob die beobachteten Indikatorkonstrukte zuverlässig oder unzuverlässig sind. Wenn sie sich als unzuverlässig erweisen, beschränkt sich der Schritt auf die Evaluierung des Strukturmodells (inneres Modell). Das Messmodell schätzt sowohl die Reliabilität und Validität der Items, als auch der Konstrukte.

Tabelle 2 zeigt die relevanten Indikatoren, die das Messmodell repräsentieren. Die berichteten Daten zeigen, dass alle Konstrukte reliabel und valide waren, da alle berichteten Scores über den Schwellenwerten lagen, die für die durchschnittliche extrahierte Varianz (AVE), die zusammengesetzte Reliabilität (CR) und Cronbachs Alpha (0,50, 0,70 bzw. 0,70) angegeben wurden [82]. Alle Items wiesen eine akzeptable konvergente Validität auf, da alle Faktorladungen über der Schwellenwertanforderung (0,40) für ihr jeweiliges latentes Konstrukt lagen [82]. Des Weiteren wurde unter Verwendung des Fornell-Larcker-Kriteriums die diskriminante Validität der Variablen durch Vergleich der Quadratwurzeln der AVEs und der Interkonstruktkorrelationen ermittelt.

Wie Tabelle 3 zeigt, waren alle Quadratwurzeln der AVEs auf der Diagonalen größer als die Inter-Konstrukt-Korrelation, was eine gute diskriminante Validität bedeutet. Unter Berücksichtigung aller vorgestellten Indikatoren kann geschlussfolgert werden, dass das Messmodell die oben genannten Anforderungen sowohl auf Konstrukt- als auch auf Itemebene erfüllt. Daher wurde das Fortfahren mit der Bewertung des Strukturmodells und das Testen der aufgestellten Hypothesen als sicher eingestuft.

Image

Nachdem das Messmodell (äußeres Modell) analysiert wurde, ist der nächste Schritt in der PLS-SEM-Analyse die Bewertung des strukturellen Modells (inneres Modell). In der Tat unterscheidet sich die Art der Effekte zwischen unabhängigen und abhängigen Variablenbeziehungen für Modelle mit und ohne den Effekt moderierender Variablen [82].   Da ein Ziel der aktuellen Untersuchung darin bestand, die Signifikanz der Haupteffekte zwischen den Faktoren CP, MP, NP und EU und der ERP-Adoption zu bestimmen, wurde die PLS-Analyse zunächst ohne den Moderator durchgeführt; anschließend können die Interaktionseffekte (falls vorhanden) mithilfe eines zusätzlichen Modells bestimmt werden [82]. Aus diesem Grund wurden zwei separate Modelle durchgeführt: (1) ein direktes Beziehungsmodell und

(2) ein Moderationsbeziehungsmodell.

  •        Das direkte Beziehungsmodell

Der PLS-Algorithmus und der Bootstrapping-Test wurden mit 5000 Wiederholungsstichproben angewandt, um das Niveau und die Signifikanz der Pfadkoeffizienten zu ermitteln, um die aufgestellten Hypothesen zu testen. Tabelle 4 zeigt die β-Werte (standardisierte Pfadkoeffizienten), t-Werte (die kritischen Verhältnisse) und p-Werte (in den Fällen der unterstützten Hypothesen) jeder einzelnen vorgeschlagenen Hypothese. Insgesamt wurden die vier Hypothesen entweder auf dem 90%- oder 95%-Konfidenzniveau unterstützt. Unter ihnen war der Effekt von NP auf die ERP-Adoption (β = 0,194, t = 5,659, p < 0,01) am stärksten; somit wurde H1 unterstützt. MP war signifikant bei der Bestimmung der ERP-Adoption (β = 0,095, t = 4,194, p < 0,01); somit wurde auch H2 unterstützt. Die Beziehung zwischen CP und ERP-Adoption war ebenfalls signifikant (β = 0,009, t = 3,470, p < 0,05), was H3 unterstützt. In Bezug auf die Rolle der EU auf die ERP-Adoption war die Beziehung positiv und signifikant (β = 0,127, t = 1,841, p < 0,10); daher wurde H4 unterstützt.

Image
  • Das Moderationsbeziehungsmodell

Die latenten Interaktionskonstrukte CP * EU, NP * EU und MP * EU wurden mit dem Bootstrapping-Verfahren mit 5000 Wiederholungsstichproben untersucht. Anhand der Ergebnisse wurde der p-Wert berechnet und eine Entscheidung getroffen, ob ein moderierender Effekt vorliegt. Wie in Tabelle 5 dargestellt, konnten die Hypothesen H5a (β = -0,555, t = 2,721, p > 0,10), H5b (β = 0,255, t = 1,014, p > 0,10) und H5c (β = -0,118, t = 0,540,

p > 0,10) wurden nicht unterstützt, was darauf hindeutet, dass EU die Beziehungen zwischen CP, NP nicht moderiert,

oder MP und ERP-Adoption, wie in der aktuellen Studie hypothesiert.

Image

Referenzen und Open Access Hinweis

This is an open access article distributed under the Creative Commons Attribution License which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited

Lutfi, A. Investigating the Moderating Role of Environmental Uncertainty between Institutional Pressures and ERP Adoption in Jordanian SMEs. J. Open Innov. Technol. Mark. Complex. 2020, 6, 91. https://doi.org/10.3390/joitmc6030091