Explore every episode of the podcast Empirisch denken — damit wir wissen, was wir tun

Wachstum erzeugt Kraft. Aber Wachstum erzeugt auch Pfade. Und unter schwerer Turbulenz entscheidet nicht nur, wie stark ein Unternehmen ist. Sondern ob es stark genug ist, seine eigene Stärke zu hinterfragen.

Zwei starke Haltungen ergeben nicht automatisch eine noch stärkere Haltung. Unter schwerer Turbulenz kann Kombination helfen — aber sie kann auch Komplexität, Kosten und Starrheit verstärken.

No-posture ist nicht grundsätzlich gut. Und posture ist nicht grundsätzlich schlecht. Entscheidend ist die Kombination aus vorheriger Wachstumsgeschichte, strategischer Festlegung und Umweltbedingung.

Digitale Haltung ist kein Schutzschild gegen Turbulenz. Sie hilft, wenn digitale Optionen zur neuen Lage passen. Sie schadet, wenn sie Organisationen in alten technologischen Pfaden festhält.

Entrepreneurship hilft nicht automatisch. Für schwache Unternehmen kann es Suchenergie freisetzen. Für stark gewachsene Unternehmen kann es Selbstüberschätzung und riskantes Festhalten am bisherigen Wachstumspfad verstärken.

Growing Pains zeigt nicht einfach, ob digitale oder unternehmerische Haltungen gut sind. Es zeigt, dass ihre Wirkung davon abhängt, aus welcher Wachstumsgeschichte ein Unternehmen in die Krise hineingeht.

In der Behavioral Theory of the Firm spielen Regeln, Standard Operating Procedures und Routinen eine zentrale Rolle. Organisationen greifen auf bewährte Muster zurück, wenn Unsicherheit groß ist.

Organisationen vergleichen ihre tatsächliche Leistung mit einem Anspruchsniveau. Läuft es schlechter als erwartet, entsteht Unzufriedenheit.

Strategische Haltungen, die Unternehmen normalerweise stark machen, können ihnen in schweren Krisen schaden.

Mit diesem Link können die ersten 50 Besucher den Artikel kostenlos lesen und herunterladen 👉 https://www.tandfonline.com/eprint/RM7SRBTZV4EAVHCEGX8S/full?target=10.1080/0960085X.2026.2623954

Begrenzte Rationalität bedeutet nicht, dass Menschen irrational sind. Es bedeutet: Sie versuchen vernünftig zu handeln, aber unter Grenzen.

Das Unmögliche ist oft nicht unmöglich.

Es ist nur noch nicht Teil unseres Erfahrungsraums.

Und genau deshalb braucht Wissenschaft nicht nur Bestätigung.

Sie braucht die Bereitschaft, vom Unerwarteten überrascht zu werden.

Der schwarze Schwan ist nicht nur ein Bild für Krise.

Er ist ein Bild für die Grenzen dessen, was wir wissen, sehen und erwarten.

Der Schwarze Schwan von gestern kann zum Grauen Nashorn von morgen werden.

Während der Schwarze Schwan für das Unerwartete steht, beschreibt das Graue Nashorn eine sichtbare, wahrscheinliche und potenziell folgenreiche Gefahr.

Nicht jedes erschütternde Ereignis ist automatisch ein Schwarzer Schwan.

Manchmal ist nicht das Ereignis völlig unvorhersehbar, sondern nur unsere Bereitschaft gering, vorhandene Warnsignale ernst zu nehmen.

Strategische Anpassungsfähigkeit entsteht nicht durch perfekte Vorhersage.

Sie entsteht durch die Fähigkeit, unter begrenztem Wissen handlungsfähig zu bleiben — und vorhandenes Wissen rechtzeitig in Handeln zu übersetzen.

Nur weil bislang alles für unsere Annahmen sprach, können wir uns trotzdem irren.

Signifikanz sagt uns, ob ein Ergebnis statistisch auffällig ist.

Effektstärke sagt uns, wie groß ein Effekt ist.

Das ist ein entscheidender Unterschied.

Das erinnert an ein Kamel und ein Dromedar.

Von vorne sehen beide vielleicht ähnlich aus.

Aber von der Seite erkennt man:

Das eine Tier hat einen Höcker.Das andere zwei.

Heute geht es um Stratifizierung.

Stratifizierung bedeutet:

Eine Stichprobe besteht aus unterschiedlichen Schichten oder Gruppen.

Heute geht es um den Beta-Fehler.

Wir übersehen einen Effekt, obwohl er tatsächlich existiert.

Ein signifikantes Ergebnis wird oft so gelesen, als sei es wichtig.

Aber das ist ein Missverständnis.

Manchmal liefern unterschiedliche Programme oder Verfahren sehr ähnliche Regressionskoeffizienten.

Aber die p-Werte unterscheiden sich.

Ein gutes Modell erklärt nicht nur viel.

Es erklärt ausreichend viel mit angemessener Komplexität.

Der erste Blick gilt R-Quadrat.

Wie viel Varianz des Kriteriums erklärt das Modell?

Dann folgt die Modellsignifikanz.

Leistet das Modell insgesamt einen statistisch bedeutsamen Erklärungsbeitrag?

Lineare Regression ist kein automatisches Analysewerkzeug.

Sie verlangt eine passende abhängige Variable, sinnvolle Prädiktoren, ausreichende Daten und ein theoretisch begründetes Modell.

Residuen sind die Teile des Kriteriums, die vom Modell nicht erklärt werden.

Jüngere und ältere Menschen sind nicht einfach dieselben Personen zu unterschiedlichen Zeitpunkten.

Sie gehören oft zu unterschiedlichen Generationen.

Und ist der Zusammenhang linear oder gekrümmt?

RSA erweitert das Interaktionsmodell um quadratische Terme:

X Quadrat und Z Quadrat.

Dadurch lassen sich nichtlineare Muster abbilden.

Mathematisch hängt das mit der quadrierten Differenz zwischen X und Z zusammen.

Alignment bedeutet Passung.

Zwei Faktoren sind ähnlich ausgerichtet.

Zum Beispiel:

Ein Unternehmen investiert stark in digitale Technologien und hat zugleich eine starke unternehmerische Orientierung.

Oder:

Ein Unternehmen investiert wenig und verfolgt auch keine starke unternehmerische Orientierung.

In beiden Fällen besteht eine Art Symmetrie.

Misalignment bedeutet dagegen fehlende Passung.

Bildung hat einen positiven Effekt auf Gehalt.
Alter hat ebenfalls einen positiven Effekt auf Gehalt.

Die Hypothese lautet:

"Bildung lohnt sich, weil sie zu höherem Gehalt führt."

Die wichtigste Lehre bleibt:

Quantitative Ergebnisse verlangen immer nach qualitativer Interpretation.

Heute geht es um die Frage:

Wann ist etwas eigentlich eine Ursache?

In vielen Fällen suchen wir nach einer einzelnen Ursache.

Aber soziale und wirtschaftliche Wirklichkeit funktioniert selten monokausal.

Heute geht es um zwei unterschiedliche Denkbewegungen.

Judea Pearl unterscheidet zwischen den Effekten von Ursachen und den Ursachen von Effekten.

In der letzten Folge ging es um Ursachen als Teil von Kombinationen.

Heute geht es um die Struktur kausaler Modelle.

Wenn wir drei Variablen betrachten, zum Beispiel X, Y und Z, können unterschiedliche Abhängigkeitsstrukturen entstehen.

Heute geht es um eine grundsätzliche Frage:

Was bedeutet es eigentlich, kausale Beziehungen zu überprüfen?

Ein Regressionskoeffizient ist keine feste Eigenschaft. Er entsteht immer im Kontext des gesamten Modells.

Indirekte Effekte ohne sichtbaren Gesamteffekt sind nicht unmöglich. Aber sie brauchen besonders starke theoretische und methodische Begründung.

Mediation macht Mechanismen sichtbar. Aber sie ersetzt keine saubere kausale Begründung.

Man nimmt dieselben Daten.Man prüft dasselbe Modell.Und man sollte zu denselben Ergebnissen kommen.

Eine gute Prognose beweist nicht automatisch eine gute Methode.
Aber eine schlechte Prognose zwingt uns, die Methode genauer zu prüfen.

Einschränkungen verschwinden.
Unsicherheit wird geglättet.
Und irgendwann wirkt eine schwache Aussage wie eine Tatsache.

Gute Forschung braucht Transparenz.

Repräsentativität ist kein Etikett. Sie ist eine methodische Aussage über Auswahl, Population und Übertragbarkeit.

Interaktionen zeigen, dass soziale Wirklichkeit selten einfache Wenn-dann-Logik ist. Viele Effekte hängen von Bedingungen ab.

Zufriedenheit schützt nicht automatisch vor Kündigung. Ihre Wirkung hängt davon ab, in welchem psychologischen Zustand sich Beschäftigte befinden.

Arbeitszufriedenheit ist kein einfacher Zustand. Sie entsteht aus Erwartungen, Erfahrungen, Bewertungen und Kontext.

Texte können Daten sein. Aber Häufigkeit ersetzt keine Interpretation.

Messung ist nie neutral. Sie setzt fest, welcher Ausschnitt eines Konstrukts sichtbar wird.

Daten entstehen nicht nur durch Fragen. Sie entstehen durch die gesamte Befragungssituation.

Ein Fragebogen liefert also nicht automatisch objektive Daten.