6. KWANTITATIEF ONDERZOEK
6.3 VERKLAREN VAN AANKOOPGEDRAG
In deze paragraaf wordt de GLIM techniek gebruikt om het aankoopgedrag van ondernemers te verklaren uit het psychologische ondernemersprofiel, de aankoopmotivatie en de aankoopintentie. Bij het ontwikkelen van de modellen, wordt de methodologie gevolgd zoals deze is uiteengezet in paragraaf 5.2. Eerst wordt het model gespecificeerd. Daarna worden de parameters van het gespecificeerde model geschat. Vervolgens wordt de validiteit van de modellen nagegaan. Ten slotte worden de modellen geïnterpreteerd. Bij deze interpretatie worden de negentien hypothesen getoetst wordt het relatieve belang van de verschillende variabelen bij het bepalen van het aankoopgedrag in kaart gebracht.
6.3.1 Specificatie
De modellen die worden gebruikt om de hypothesen van dit onderzoek te toetsen, zijn alle te herleiden tot de het algemene model in vergelijking (19):
b ]62
1 ]62 (19)
b = Aankoopgedrag van ondernemer j
i = 1, 2 : subdoelgroepen (1 = hulpbehoevenden; 2 = ontwikkelaars)
Uit vergelijking (19) worden twee modellen ontwikkeld, waarbij de verklarende variabelen deels overlappen en deels verschillen. De aankoopmotivatievariabelen komen zowel in in b als in b voor. Het gaat hier om de onafhankelijke variabelen X1 tot en met X4:
X1 = Positieve aankoopmotivatie
X2 = Cognitieve aankoopmotivatie
X3 = Functionele aankoopmotivatie
X4 = Betrokkenheid
Voor een ander deel van de onafhankelijke variabelen zijn model b en b wel verschillend. Zo maken de dimensies van de big five deel uit van de onafhankelijke variabelen in model 1 (b):
X5 = Altruïsme
X6 = Extraversie
X7 = Emotionele stabiliteit
X8 = Consciëntieusheid
X9 = Openheid (voor ervaringen)
De big five dimensies die in model 1 worden meegenomen, zitten niet in model 2. In plaats daarvan modelleert b de verschillende bijzondere eigenschappen van de ondernemer:
X5 = Autonomie
X6 = Prestatiegerichtheid
X7 = Locus of control
De bijzondere aspecten van merkmanagement 71
X9 = Voorkeur voor innovatie
X10 = Risicobereidheid
X11 = Proactiviteit
Zoals al is genoemd, worden er twee modellen ontwikkeld omdat er een hoge mate van verwantschap bestaat tussen de big five en de bijzondere ondernemerseigenschappen. In beide modellen worden alle variabelen in beginsel als lineair gemodelleerd. Echter, analyse van de smooth splines geeft aan dat voor een aantal onafhankelijke variabelen sprake is van een kwadratische verband. Voor de big five kenmerken gaat het om extraversie, emotionele stabiliteit en consciëntieusheid. Ook binnen de bijzondere ondernemerskenmerken zijn enkele psychologische dimensies aanwezig, waarvan een kwadratische invloed uitgaat. Het betreft hier autonomie, prestatiegerichtheid, risicobereidheid en proactiviteit. Bij de schatting van de modellen wordt nagegaan of de extra fit als gevolg van deze non-lineaire relaties opweegt tegen het verlies van vrijheidsgraden.
Bij de schatting worden verschillende clusteroplossingen ontwikkeld, variërend van één tot vijf latente groepen. Uitgaande van de verdeling in subdoelgroepen, wordt hierbij verondersteld dat een oplossing met twee klassen een optimale uitkomst geeft. Latent Gold is in principe vrij om de parameters per latente groep te variëren. Dit geldt echter niet voor drie dimensies van de aankoopmotivatie: cognitieve oriëntatie, functionele oriëntatie en betrokkenheid. Er wordt namelijk aangenomen, mede gebaseerd op de hypothesen die zijn geformuleerd, dat deze variabelen doelgroeponafhankelijk zijn.
Wanneer binnen een model twee of meer latent classes worden onderscheiden, is het van belang dat deze latent classes kunnen worden benoemd. Hiervoor wordt de doelgroepvariabele, die onderscheid maakt tussen hulpbehoevenden en ontwikkelaars, als covariate opgenomen. Deze covariate wordt actief in het model opgenomen, aangezien er wordt verondersteld dat de aankoopintentie actief bepaald tot welke doelgroep een ondernemer behoort.
6.3.2 Schatting
Voor de schatting van deze modellen zijn 78 volledige observaties beschikbaar. Aangezien dit aantal niet bijzonder hoog is, is het van belang om het aantal modelparameters zo laag mogelijk te houden (Leeflang et al., 2000). Het toevoegen van extra parameters voor het modelleren van non-lineaire verbanden dient dan ook met terughoudendheid gepaard te gaan. Uit analyse blijkt verder dat de extra fit van deze extra parameters verwaarloosbaar is. Bijzondere non-lineaire effecten worden daarom in het model achterwege gelaten.
Tabel 4
Descriptive statistics voor model 1
Classes LL BIC AIC AICc Npar df R²
1 -39,3889 122,3449 98,7778 102,0614 10 68 0,2952
2 -24,6622 132,1018 87,3243 100,4277 19 59 0,9506
3 -22,1838 166,3555 100,3677 133,5106 28 50 0,9403
4 -19,2349 199,6681 112,4699 182,7699 37 41 0,9818
5 -18,3998 237,2082 128,7996 268,2835 46 32 0,9816
In Tabel 4 zijn enkele descriptive statistics voor model 1 weergegeven. Wanneer AICc en de modelfit van de verschillende latent class oplossingen met elkaar worden vergeleken, blijkt dat conform de
verwachting de oplossing met twee latent classes een optimaal resultaat geeft (AICc = 100,43; R2 = 0,9380). De 19 parameters en 59 vrijheidsgraden geven een parameter/observatie ratio van ruim 4. Gegeven het beperkte budget van dit onderzoek is deze ratio alleszins acceptabel, aangezien het niet veel afwijkt van de ondergrens van 5, die normaalgesproken wordt gehanteerd.
Tabel 5
Parameterschattingen voor model 1
# Variabele Class 1 Class 2 Sig. Sig. (=)
V e rk la re n d e v a ri a b e le n Β0 18,9979 -54,0361 0,0580 0,0200 Altruïsme -0,6649 0,2736 0,0490 0,0150 Extraversie 0,5336 0,0304 0,0600 0,0190 Stabiliteit -0,1182 0,2121 0,1600 0,0570 Consciëntieusheid 0,2900 -0,0116 0,1800 0,0980 Openheid -0,5071 0,2134 0,0530 0,0160 Positief -0,2228 0,0777 0,0670 0,0340 Cognitief 0,4370 0,4370 0,0190 . Functioneel -0,2051 -0,2051 0,0320 . Betrokkenheid -0,0549 -0,0549 0,1800 . C o v a ri a te s Β0 0,1971 -0,1971 0,3600 Doelgroep Hulpbehoevenden 0,5816 -0,5816 0,0086 Ontwikkelaars -0,5816 0,5816
In Tabel 5 zijn de parameterschattingen van model 1 weergegeven. Door middel van kleuren is aangegeven welke modelvariabelen significant worden bevonden en welke niet. Groen is significant met een betrouwbaarheid van 95 procent en geel met een betrouwbaarheid van 90 procent. Een rode kleur geeft aan dat de betreffende variabele geen significante invloed heeft op het vragen van advies. In Tabel 5valt een aantal dingen op. Ten eerste verschillen beide latent classes significant van elkaar voor wat betreft de doelgroep (p = 0,0086). Dit betekent dat groep 1 (64% van de markt) wordt aangemerkt als de hulpbehoevenden categorie, terwijl groep 2 (36% van de markt) overeenkomt met de ontwikkelaars.
Ten tweede blijkt uit de data dat twee van de vier aankoopmotivatiedimensies significant worden bevonden bij een betrouwbaarheidsinterval van 5 procent. Het gaat hier om de cognitieve en functionele oriëntatie. Wordt het betrouwbaarheidsinterval vergroot naar 10 procent, dan zijn zelfs drie van de vier dimensies een significant. Onder deze omstandigheden heeft ook de positieve oriëntatie van de aankoopmotivatie een significante invloed op het aankoopgedrag. Alleen voor betrokkenheid wordt in dit model geen significante invloed gevonden.
Ten derde worden er voor de big five enkele significante invloeden gevonden. Bij een foutkans van 5 procent wordt voor slechts één dimensie een significante invloed op het aankoopgedrag gevonden. Het betreft hier de altruïsme variabele, de vriendelijkheid van de ondernemer (p = 0,0490). De p-waarde van deze variabel ligt echter dermate dicht bij 5 procent, dat er terughoudendheid geboden is bij het trekken van conclusies. Bij een betrouwbaarheidsinterval van 10%, neemt het aantal significante variabelen toe tot drie van de vijf. Dan zijn ook extraversie en openheid voor ervaringen significant van invloed op het aankoopgedrag. De overige big five elementen, emotionele stabiliteit en consciëntieusheid, wordt in dit model niet significant bevonden.
De bijzondere aspecten van merkmanagement 73 Ten slotte valt het op dat alle significante verklarende variabelen ook significant verschillen tussen de hulpbehoevenden en de ontwikkelaars. Uiteraard geldt dit niet voor de cognitieve en functionele oriëntatie van de aankoopmotivatie, aangezien deze als clusteronafhankelijk zijn verondersteld.
Tabel 6
Descriptive statistics voor model 2
Classes LL BIC AIC AICc Npar df R²
1 -42,8922 138,0649 109,7843 114,5843 12 66 0,1950
2 -25,5942 151,3926 97,1883 117,6327 23 55 0,9380
3 -19,2362 186,6004 106,4723 161,8211 34 44 0,9723
4 -19,7135 235,4789 129,427 258,802 45 33 0,9864
5 -17,3872 278,75 146,7743 450,7743 56 22 0,9866
De schatting van model 2 is in alles vergelijkbaar met die van model 1. In Tabel 6 zijn descriptive statistics weergegeven die relevant zijn voor de selectie van het beste model. Net als bij de keuze voor model 1, wordt in beginsel het AICc gevolgd. Voor model 2 wijst dit criterium een model met één latent class aan als het optimale model. De R2 van deze oplossing is echter onacceptabel (R2 = 0,1950). Deze fit neemt aanzienlijk toe wanneer twee latent classes worden onderscheiden (R2 = 0,9380). Daar komt bij dat de AICc maar betrekkelijk weinig toeneemt (met 3,05 tot 117,63). Daarom wordt ook voor model 2 een oplossing met twee groepen gekozen.
Tabel 7
Parameterschattingen voor model 2
# Variabele Class 1 Class 2 Sig. Sig. (=)
V e rk la re n d e v a ri a b e le n Β0 17,3422 28,5784 0,0660 0,3400 Autonomie -0,1034 -0,0991 0,2200 0,9700 Prestatiegerichtheid 0,0334 -0,4184 0,0910 0,0290 Locus of control 0,1455 0,3846 0,0300 0,0770 Self-efficacy 0,1175 -0,3848 0,0490 0,0140 Innovatie -0,0140 -0,1528 0,5800 0,3800 Proactiviteit -0,0796 0,4636 0,0440 0,0130 Risicobereidheid -0,0274 -0,5940 0,0270 0,0084 Positief -0,2219 0,3965 0,0270 0,0100 Cognitief 0,0282 0,0282 0,6200 . Functioneel -0,2057 -0,2057 0,0210 . Betrokkenheid -0,0058 -0,0058 0,8400 . C o v a ri a te s Β0 -0,1644 0,1644 0,5300 Doelgroep Hulpbehoevenden 0,8400 -0,8400 0,0015 Ontwikkelaars -0,8400 0,8400
In Tabel 7 zijn de parameterschattingen voor model 2 uiteengezet. De betekenis van de kleuren is gelijk aan die van Tabel 5
.
Ook voor dit model maakt de verdeling in subdoelgroepen een significant onderscheid tussen de twee gevonden latent classes. Dit betekent dat ook voor model 2 geldt dat latent class 1 wordt gevormd door de hulpbehoevenden (68% van de markt), terwijl latent class 2wordt geïnterpreteerd als de ontwikkelaars (32% van de markt). Verder valt op dat model 2, voor wat betreft de aankoopmotivatie van ondernemers, een iets ander beeld laat zien dan model 1. Wat overeenkomt is dat de functionele oriëntatie significant is op 5 procent. Verder is ook de betrokkenheid niet significant, net als bij model 1. Maar waar de positieve oriëntatie in model 1 pas significant is op 10 procent is deze variabele in model al significant bij een 5 procent betrouwbaarheidsinterval. En in tegenstelling tot het beeld van model 1, is de cognitieve dimensie van de aankoopmotivatie in zijn geheel niet significant in model 2.
Wanneer gelet wordt op de bijzondere ondernemerseigenschappen in model 2, valt op dat vier van de zeven dimensies significant zijn bij een betrouwbaarheidsinterval van 5 procent. Dit zijn locus of control, self-efficacy, proactiviteit en risicobereidheid. Prestatiegerichtheid heeft ook een significante invloed op het aankoopgedrag, wanneer een betrouwbaarheidsinterval van 10 procent als acceptabel wordt verondersteld. Autonomie en een voorkeur voor innovatie zijn niet significant. Van de voorkeur voor innovatie werd dit ook enigszins verwacht (daarom is hier ook geen hypothese voor opgesteld). Ten slotte laat Tabel 7 zien dat, van vrijwel alle variabelen die significant zijn op 10 procent, de invloeden voor hulpbehoevenden en ontwikkelaars significant van elkaar verschillen. Deze enige variabele waarvoor dit niet geldt, is de locus of control.
6.3.3 Validatie
De validatie van de twee geschatte modellen worden allereerst besproken aan de hand van modelsignificantie. Ten tweede wordt ingegaan op de multicollineariteit van de modellen. Ten derde wordt nagegaan of de modelaannames ook daadwerkelijk van kloppen. Ten slotte wordt de voorspellende waarde van beide modellen onderzocht.
Modelsignificantie
De validiteit wordt afgemeten aan de significantie van het model en als geheel en van de significantie van de individuele parameters. Voor de beoordeling van de modelfit zijn enkele maatstaven beschikbaar die vergelijkbaar zijn met de R2 uit de lineaire regressie. Eén hiervan in de pseudo R2 in vergelijking (20) (Hair et al., 2006). Door de deviance van het model met die van het nullmodel te vergelijken, geven deze R2 maatstaven een indicatie van de variantie die door het model wordt verklaard. Het verschil tussen @2LL cdd
en
@2LL[;efd volgt een χ2 verdeling. Hiermee kan de significantie van de verklaarde variantie worden getoetst.g
h;i@2LL
cdd@2LL@ @2LL
[;efdcdd
(20)
Tabel 8
Significantie van model 1 en 2
Model 1 Model 2 Dev. Df. Dev. Df. Null model 102,9450 77 102,9450 77 Schatting 51,1883 55 41,3243 55 Verschil 51,7567 23 61,6207 23 Sig. 0,0005 0,0000
De bijzondere aspecten van merkmanagement 75 Zoals is gebleken in paragraaf 5.3.2, is de R2 erg hoog. Model 1 verklaart ruim 95 procent van de totale variantie in Y (R2 = 0,9506). Bij model 2 is dit percentage bijna 94 procent (R2 = 0,9380). In dit opzicht scoren beide modellen dus erg goed. Hierbij moet echter wel gerealiseerd worden dat de R2 in de praktijk positief wordt beïnvloed door het parameteraantal. Aangezien zowel model 1 als model 2 relatief veel parameters ten opzichte van het aantal observaties kennen, zeg de R2 op zichzelf dus niet zo heel erg veel. Het is daarom zinvol om de modelsignificantie in een p-waarde uit te drukken. Zoals gezegd wordt dit gedaan door de deviances van het null model en het geschatte model met elkaar te vergelijken. De berekening van de p-waarden voor de modelsignificantie zijn weergegeven in Tabel 8. In deze tabel is te zien dat zowel model 1 als model 2 genoeg verbetering laat zien ten opzichte van het null model. Beide modellen worden significant bevonden bij een betrouwbaarheidsinterval van 5 procent (p1 = 0,0005; p2 = 0,0000).
Multicollineariteit
Bij het ontwikkelen van een model, wordt gestreefd naar een vergelijking met uitsluitend relevante variabelen. In dit kader is het van belang dat de variabelen die in het model worden opgenomen, unieke variatie in de te verklaren variabele vertegenwoordigen. Met andere woorden, de multicollineariteit tussen de verschillende variabelen dient minimaal te zijn. Deze multicollineariteit wordt onderzocht aan de hand van de tolerantie en de variance inflation factors (VIF) van de variabelen. Voor het bepalen van de tolerantie van onafhankelijke variabele i, wordt deze variabele gemodelleerd als een functie van de overige onafhankelijke variabelen. De tolerantie wordt verkregen door de g van 1 af te trekken. De VIF is gelijk aan de inverse van de tolerantie. Voor model 1 heeft prestatiegerichtheid de hoogste VIF (1,509). Voor model 2 is die van voorkeur voor innovatie het hoogst (VIF = 1,9714). Aangezien een VIF kleiner dan 10 als acceptabel wordt geacht, mag worden gesteld dat de verklarende variabelen van beide modellen voldoende van elkaar verschillen om ze alle in het model op te nemen.
Testen van residuen
De residuen van de twee ontwikkelde modellen worden gebruikt om na te gaan in hoeverre aan de in paragraaf 6.2 (pagina 64) geïntroduceerde statistische aannames wordt voldaan. Echter, feit is dat de schatting van een keuzemodel standaard geen residuen geeft. Immers, er wordt een aankoopkans voorspeld, maar de werkelijke aankoopkans is niet beschikbaar. Er is alleen bekend of er een aankoop is of niet. Dit betekent dat de residuen op een andere manier moeten worden verkregen. Hiervoor wordt formule (21) gebruikt:
̂ @ 6̂
k6̂1 @ 6̂ (21)
̂ = Residu van respondent i = 0, 1: Aankoop van respondent i 6̂ = Aankoopkans van respondent i
De residuen die worden berekend aan de hand van vergelijking (21) worden voor een aantal toetsingen gebruikt. Ten eerst wordt de endogeniteit van de gemodelleerde variabelen onderzocht. Bij de ontwikkeling van het model, wordt namelijk verondersteld dat de verschillende onafhankelijke variabelen in het model niet nader worden verklaard door de andere variabelen in het model. Om te analyseren of dit daadwerkelijk zo is, worden correlaties berekend tussen enerzijds de residuen en
anderzijds de verschillende onafhankelijke variabelen. Geen van deze correlatiecoëfficiënten wordt significant bevonden (p > 0,05). Dit geldt voor beide modellen. De verklarende variabelen mogen daarom ook als exogeen worden verondersteld.
Ten tweede wordt onderzocht of de residuen normaal verdeeld zijn. Hoewel voor de afhankelijke variabele een andere distributie mag worden verondersteld, blijft het noodzakelijk dat de residuen normaal verdeeld zijn. Dit is immers een vereiste is voor het gebruik van F en t testen. Zijn de residuen niet normaal verdeeld, dan zijn berekende p-waarden onbetrouwbaar. Een Kolmogorov-Smirnov test onderzoekt of de residuen daadwerkelijk normaal verdeel zijn. Het model is dan ook valide, wanneer deze toets niet kan worden verworpen. Voor beide modellen worden de Kolmogorov-Smirnov test niet significant bevonden (p1 = 0,203; p2 =0,157). Dit betekent dat de verdeling van de residuen als normaal mag verondersteld.
Ten slotte worden de residuen onderzocht op homoscedasticity. Hierbij wordt nagegaan of de variantie in de residuen constant is over verschillende groepen in de dataset. Bij de modellen in dit onderzoek worden verschillende indelingen onderscheiden. Enerzijds wordt steeds onderscheid gemaakt tussen hulpbehoevenden en ontwikkelaars. Deze indeling hoeft echter niet op homoscedasticity onderzocht te worden, aangezien deze expliciet in de modellering is meegenomen. Anderzijds is ook de indeling tussen ROI klanten en niet klanten relevant. Dit onderscheid wordt niet expliciet gemodelleerd en het is best mogelijk dat de variantie tussen beide groepen van elkaar verschillen. Daarom worden de residuen op dit punt aan een onderzoek onderworpen. Hiervoor wordt een Levene (homogeneity of variances) test gebruikt. Uit de analyse van deze test komt naar voren dat de variantie tussen klanten en niet-klanten niet significant van elkaar verschilt, zowel voor model 1 (p = 0,154) als voor model 2 (p = 0,636). Het is daarom ook niet nodig om deze twee groepen apart te modelleren.
Voorspellende waarde
Het laatste onderdeel van de validiteitanalyse heeft betrekking op de predictive validity. In dit kader is de hitrate relevant. Deze hitrate gaat na in hoeverre de voorspellingen van het model overeenkomen met de werkelijkheid. Om deze hitrate te berekenen, moet de beschikbare steekproef verdeeld worden in een estimation sample en een validation sample. De eerste steekproef wordt gebruikt om het model te schatten. Vervolgens worden de gegevens uit de tweede steekproef in het geschatte model ingevoerd, waarbij wordt gekeken of de voorspellingen met de werkelijkheid overeenkomen.
Allereerst is onderzocht hoe goed de voorspellingen van beide modellen overeenkomen met de daadwerkelijke waarden van Y. Uit deze analyse blijkt dat beide modellen in meer dan drie kwart van de gevallen een correcte voorspelling doen (hitrate1 = 0,8333; hitrate2 = 0,7564). Wanneer de hitrate wordt bepaald voor een willekeurige holdout sample van 5 observaties, blijken zowel model 1 als model 2 correct in 60 procent van de gevallen. Aangezien het hier gaat om meer dan de helft van de voorspellingen, wordt gesteld dat de voorspellende kracht van beide modellen voldoende is.
6.3.4 Hypothesen 6 tot en met 19
Wat betekenen de uiteengezette parameterschattingen voor de hypothesen 6 tot en 19? Eerst worden de hypothesen met betrekking tot de big five personaliteitsdimensies uiteengezet. Ten tweede komende hypothesen over de bijzondere ondernemerseigenschappen aan de orde. Ten slotte wordt ingegaan op de hypothesen over de invloed van de aankoopmotivatie.
De bijzondere aspecten van merkmanagement 77
Big Five (hypothesen 6-10)
In Tabel 9 zijn de resultaten voor de big five persoonlijkheidskenmerken weergegeven. De Class1 en Class2 geven de parameters van het model. De derde kolom geeft aan of de betreffende variabele een significante invloed heeft op de aankoopmotivatie (voor beide groepen). De laatste kolom geeft aan of de twee groepen onderling significant van elkaar verschillen. In de tabel is zichtbaar dat er in de data geen significant invloed wordt gevonden voor de emotionele stabiliteit en de consciëntieusheid van de ondernemer. Dit betekent dat de hypothesen 8 en 9 kunnen worden verworpen. Voor altruïsme wordt wel een significante invloed op het aankoopgedrag gevonden (p = 0,0490). Voor de ontwikkelaars subdoelgroep is heeft deze variabele inderdaad een positieve invloed op het aankoopgedrag, zoals ook werd verondersteld. Voor de hulpbehoevenden is dit echter niet het geval. Hier heeft de altruïsme variabele zelfs een negatieve invloed op een koopgedrag. Wellicht dat dit komt doordat bepaalde ondernemers dermate hulpgevend zijn en zichzelf daarbij wegcijferen ten voordele van anderen, dat ze vergeten om hulp te vragen voor zichzelf. Feit blijft wel dat hypothese 6 slechts gedeeltelijk kan worden geaccepteerd.
Tabel 9
Parameters voor de big five
# Variabele Class 1 Class 2 Significante
invloed Significant verschil B ig f iv e Altruïsme -0,6649 0,2736 0,0490 0,0150 Extraversie 0,5336 0,0304 0,0600 0,0190 Stabiliteit -0,1182 0,2121 0,1600 0,0570 Consciëntieusheid 0,2900 -0,0116 0,1800 0,0980 Openheid -0,5071 0,2134 0,0530 0,0160
Dan resten nog de hypothesen 7 en 10. In principe moeten deze veronderstellingen worden verworpen, aangezien extraversie en openheid voor ervaringen een p-waarde hebben groter dan 0,05. Echter, beide p-waarden overstijgen deze grens maar met maximaal 1 procent. Daar komt bij dat het hier een exploratie onderzoek betreft, waardoor mogelijk is om een iets ruimere betrouwbaarheidsinterval van 10 procent te hanteren. Daarom is een p-waarde van ongeveer 6 procent geen voldoende reden om de hypothesen 7 en 10 bij voorbaat te verwerpen. Daarom wordt de juistheid van deze twee hypothesen verder bekeken.
In tabel 11 is zichtbaar dat extraversie voor beide doelgroepen een positieve invloed heeft op het koopgedrag. Daarom kan hypothese 7 worden aangenomen. Wel is het opvallend dat de invloed bij de hulpbehoevenden veel groter is dan bij de ontwikkelaars. Voor openheid wordt zowel een negatieve als een positieve invloed gevonden. Bij hulpbehoevenden is de invloed negatief. Wellicht dat de openheid, de gevoelens van intellectualiteit en creativiteit samengaan met zelfvertrouwen en arrogantie, waardoor deze ondernemers niet naar een adviseur gaan. Bij de ontwikkelaars wordt wel een positieve invloed van de openheid voor ervaringen op het koopgedrag gevonden. Voor deze doelgroep kan hypothese 10 daarom worden aangenomen.
Bijzondere eigenschappen (hypothesen 11-15)
De resultaten met betrekking tot de bijzondere ondernemerseigenschappen staan in Tabel 10. Weliswaar heeft autonomie een negatieve invloed op het koopgedrag, de parameters voor deze variabele zijn niet significant. Dit betekent dat hypothese 11 kan worden verworpen. Voor de
prestatiegerichtheid werd een positieve invloed op het koopgedrag verwacht, maar deze wordt maar ten dele gevonden. Voor de hulpbehoevenden is de invloed inderdaad positief, maar dit geldt niet voor de ontwikkelaars. Bij deze laatste groep is de invloed van de prestatiegerichtheid sterk negatief.