Beschrijvende statistiek 50 

In Tabel 2 zijn de afhankelijke en onafhankelijke variabelen opgenomen met daarbij de beschrijving, maatstaf en code die ze mee hebben gekregen voor de analyses in het vervolg van dit onderzoek.

Tabel 2 - Omschrijving en Codes afhankelijke en onafhankelijke variabelen

Variabele Omschrijving Maatstaf Code

Turnover intentie Ik overweeg zelden een andere werkgever

te zoeken. 1=Geheel oneens 10=Geheel eens Turnover Pay en Contingent

Rewards Tevreden over beloning, waardering en serieus genomen worden. 1=Geheel oneens 10=Geheel eens PayCReward Nature Of Work Tevreden over functie, talent kunnen

uiten en mogelijkheid tot ontwikkeling. 1=Geheel oneens 10=Geheel eens NWork Overall Job

Satisfaction Betreft het gemiddelde van: Ik voel me trots om voor Y te werken (Eens/oneens). Ik zou Y aanbevelen als werkgever (Eens/Oneens). En het rapportcijfer dat gegeven wordt aan het werken bij Y. (rapportcijfer)

1 = Geheel oneens 10 = Geheel eens 1 = laagste rapportcijfer 10 = hoogste rapportcijfer OverallJS Operating

Procedures Tevredenheid over invloed op het uitvoeren van werkzaamheden en werkdruk.

1=Geheel oneens

10=Geheel eens OpPrcdrs Co-workers en

Communicatie Tevreden over de collega's waarmee samengewerkt wordt en de feedback die wordt ontvangen.

1=Geheel oneens

10=Geheel eens CoComm Offshoring Aantal uren aan werkzaamheden dat

relatief wordt uitbesteed. Betreft de directe uren afgenomen van India gedeeld door de directe uren gemaakt door interne werknemers op de kantoren in Nederland.

Uren OFF

Uren Intern Directe uren gemaakt door interne medewerkers binnen de Nederlandse cost centers.

Uren Uintern Uren India Directe uren uitbesteed aan India door

Nederlandse Cost Centers. Uren UIndia

Zoals beschreven in de onderzoeksmethode is voor deze variabelen een factor analyse uitgevoerd waarbij hoofdcomponenten zijn ontstaan. De beschrijvende statistieken van de onafhankelijke variabelen (offshoring, Uren Intern en Uren India) en de afhankelijke variabelen (Turnover Intentie, overall job satisfaction en de componenten van job satisfaction) zijn weergegeven in Tabel 3.

Tabel 3 - Beschrijvende statistieken afhankelijke variabelen en onafhankelijke variabelen

Variable α Obs Mean Std. Dev. Min Max

Turnover 60 6.84 .6615459 5.33 8.17 PayCReward 0.78 60 6.70 .4648631 5.77 7.73 NWork 0.78 60 7.32 .3276799 6.50 7.93 OverallJS 0.88 60 7.57 .3995764 6.42 8.28 OpPrcdrs 0.67 60 7.14 .4127701 5.92 8.00 CoComm 0.81 60 7.51 .3337349 6.83 8.13 OFF 60 11.18 6.266529 .14 26.59 Uintern 60 9558.50 2372.609 3529 14862 UIndia 60 1083.92 731.0211 12 2919

*α = Cronbach’s alpha; ob s= aantal observaties; Mean = gemiddelde score; Std. Dev.= standaarddeviatie; min = laagste score; max = hoogste score

De gemiddelde scores van de afhankelijke variabelen liggen tussen de 6.7 en 7.6. De laagste score in de data is een 5.3, de hoogste score in de survey is een 8.3. Hieruit blijkt dat er geen extreem hoge of extreem lage scores in de data zitten. Dit wordt enerzijds veroorzaakt doordat de scores de gemiddelde scores van de respondenten per cost center betreft. Anderzijds wordt dit veroorzaakt door de zogenoemde central tendency bias, dit fenomeen komt veel voor bij het verzamelen van data middels een survey (Stevens, 1971). Respondenten hebben de neiging om de minimale en maximale score te vermijden en geven de voorkeur aan het geven van scores rondom het gemiddelde (Stevens, 1971). Cronbach’s alpha voor de componenten die zijn gevormd in de principal component analyse liggen afgerond tussen de 0.7 en 0.9. Hiermee overschrijden allen de minimumwaarde van 0.6 en is de interne consistentie van de

componenten aangetoond (Carmines & Zeller, 1979). Voor alle variabelen is een Jarque-Bera test uitgevoerd waarmee de skewness en kurtosis gemeten kan worden van de variabelen. Hiermee kan worden bepaald of de variabelen normaal verdeeld zijn (Jarque & Bera, 1980). Gebaseerd op deze test kan de hypothese waarbij ervanuit wordt gegaan dat de variabelen normaal verdeeld zijn niet verworpen worden op een 95% confidence interval.

Uit de beschrijvende statistieken blijkt dat de variatie in de afhankelijke variabelen relatief laag is. Dit is in lijn der verwachting, omdat er al veel variatie uit de data gehaald is doordat de data het gemiddelde betreft van de responses van de werknemers die elk kwartaal mee doen aan de survey. De lage variatie in de survey-data maakt het mogelijk om met 60 observaties de analyse uit te voeren, wanneer de variatie van een variabele groter is zal het aantal observaties groter moeten zijn om nauwkeurige resultaten te krijgen (Korzilius, 2000).

In Tabel 4 worden de correlaties tussen de variabelen weergegeven. Hieruit komt naar voren dat de samenhang tussen allen facetten van job satisfaction significant zijn. Gebaseerd op de vuistregel van Hinkle, Wiersma & Jurs (2003) is de samenhang tussen de facetten niet zeer sterk, wat een correlatie tussen de 0.9 en 1.0 zou weergeven. De meeste correlaties hebben een lage tot matige samenhang, van 0.3 tot 0.7. Dit is in lijn der verwachting aangezien de

componenten verschillende factoren van job satisfaction meten. Wel is er sprake van een sterke samenhang tussen de variabele turnover en overall job satisfaction, tussen de 0.7 en 1, dit komt overeen met de eerder besproken literatuur. Wat betreft de samenhang tussen offshoring en (de facetten) van job satisfaction wordt een lage samenhang gevonden tussen offshoring en overall job satisfaction en offshoring en pay en contingent rewards. Omdat we hier niet geïnteresseerd zijn in de samenhang maar het causale verband tussen offshoring en (de facetten) van job satisfaction, zal het verband tussen deze variabelen bij de regressieanalyses in hoofdstuk 4 uitgebreid besproken worden.

Tabel 4 – Correlaties tussen de variabelen

Variables Turnover PayCReward NWork OverallJS OpPrcdrs CoComm OFF

Turnover 1.00 PayCReward 0.59* 1.00 NWork 0.68* 0.64* 1.00 OverallJS 0.71* 0.69* 0.70* 1.00 OpPrcdrs 0.46* 0.47* 0.49* 0.53* 1.00 CoComm 0.47* 0.61* 0.63* 0.61* 0.43* 1.00 OFF 0.10 0.37* 0.20 0.40* 0.18 0.24 1.00 **=significant voor p<0.05.

De afhankelijke variabelen offshoring heeft een grotere variatie, ook dit is in lijn der verwachting gezien het gebruik van offshoring zich in de jaren sterk heeft ontwikkeld. Daarnaast is de verwachting dat er in drukkere tijden, het busy season voor de accountantskantoren, meer gebruik gemaakt zal worden van offshoring omdat er dan meerdere handen nodig zijn om het werk te verzetten. Dit is ook te zien in de grafiek in Figuur 10. Het hoogseizoen van de accountant vindt plaats in de het eerste kwartaal, met uitloop naar het tweede kwartaal van het jaar. In Figuur 10 is te zien dat de directe afgenomen uren in deze periode hoger is dan in de andere kwartalen van het jaar. De hogere variatie in de mate van offshoring zorgt ervoor dat het effect van de onafhankelijke variabele, het in meer of mindere mate gebruik maken van

offshoring, goed te meten is.