۷۹۰/۰

چابکی زنجیره تأمین

۳

۸۱۰/۰

عملکرد شرکت

۳

۸۷۰/۰

کل

۲۴

۸۱۸/۰

۳-۷ روش تجزیه و تحلیل داده ­ها:
برای تجزیه و تحلیل داده ­ها از شاخص­ های آمار توصیفی و آمار استنباطی با روش­های مدل­یابی معادلات ساختاری AMOS و بویژه تحلیل عاملی تأییدی، استفاده شده است. جهت شناخت میزان و شدت رابط بین متغیرها از روش همبستگی پیرسون استفاده شده است.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

نرم افزار آموس Amosیک محصول نرم افزاری است که به منظور برآورد و آزمون مدل­های معادلات ساختاری طراحی شده است. این نرم افزار با بهره گرفتن از همبستگی و کوواریانس بین متغیرهای اندازه ­گیری شده، می‌تواند مقادیر بارهای عاملی، واریانس­ها و خطاهای متغیرهای مکنون را برآورد یا استنباط کند، و از آن می‌توان برای اجرای تحلیل عاملی اکتشافی، تحلیل عاملی مرتبه دوم، تحلیل عاملی تاییدی و همچنین تحلیل مسیر(مدل یابی علّی با متغیرهای مکنون) استفاده کرد. هر گاه در یک تحقیق تعداد نسبتا زیادی متغیر وجود داشته باشد، یافتن رابطه­ها و یا به عبارت دیگر همبستگی بین این متغیرها به روش­های معمولی بسیار مشگل و گاه ناممکن می‌باشد.
روش تحلیل عاملی برای رفع این مشکل بوجود آمده است و بر مبنای آن متغیرها به گونه ­ای دسته­بندی می‌شوند که در نهایت به دو یا چند عامل که همان مجموعه متغیرها هستند محدود می‌گردند، به عبارت دیگر متغیرهای مورد استفاده در تحقیق بر اساس صفات مشترکشان به دو یا چند دسته محدود شده و این دسته­ها را عامل می­نامیم. پس از آن روابط بین عامل ها بدست آمده و در هر عامل نیز روابط بین متغیرهای آن محاسبه شده و در نهایت هدف اصلی تحقیق که روابط بین متغیرهای تحقیق است محاسبه می‌شوند. بنابراین هر عامل را می‌توان متغیری ساختگی یا فرضی در نظر گرفت که از ترکیب چند متغیر که از وجوهی به هم شباهت دارند، ساخته شده است. از طرف دیگر روش تحلیل عاملی به عنوان ابزاری برای کشف میزان ممکن کاهش داده ­ها به کار می‌رود(تحلیل عاملی اکتشافی) و یا تایید فرض­هایی که در مورد رابطه بین عامل­ها وجود دارد(تحلیل عاملی تاییدی).
۳-۷-۱ آزمون­های برازندگی مدل کلی
در طی دهه گذشته برای مدل­های معادلات ساختاری شاخص­ های برازندگی متعددی ارائه شده است. با آنکه انواع گوناگون این شاخص ­ها پیوسته در حال توسعه و تکامل هستند ولی شاخص بهینه­ای که توافق همگانی برآن باشد وجود ندارد. این شاخص ­ها به شیوه ­های مختلفی طبقه شده ­اند که یکی از عمده­ترین این طبقه ­بندی­ها متعلق به مارش و همکاران (۱۹۶۷) است. آن ها شاخص­ های برازندگی را به سه گروه مطلق، نسبی و تعدیل یافته تقسیم می­ کنند.
۳-۷-۲ شاخص­ های مطلق
شاخص­ های مطلق این پرسش را مطرح می­سازد که آیا واریانس خطا که پس از برازش مدل باقی می­ماند مقدار قابل توجه­ای است یا خیر؟
شاخص­ های مطلق تابعی از برنامه­ی Amos (مانند تابع برازندگی بیشینه احتمال یا نسبت درستنمایی مقیاس­بندی شده) را به گونه ­ای به کار می­برند که ریشه­ میانگین باقی مانده، آزمون مجذور کای و نسبت به درجه آزادی، شاخص برازندگی (GFI) و شاخص تعدیل یافته برازندگی(AGFI) را مینیمم کند. در میان شاخص­ های مطلق مجذور کای و نسبت به درجه آزادی، به قدرمطلق باقی مانده ها توجه دارد. مشخصه­ی مجذور کای برای یک مدل کاملاً برازش یافته برابر صفربوده و نسبت (نسبی مجذورکای به درجه آزادی) در یک برازش ایده آل برابر ۱ خواهد بود.
دیگر شاخص مطلق، شاخص ریشه­ میانگین مجذور باقی مانده­ها (RMR) می­باشد. این مقدار در واقع تفاوت بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریس­های برآورد یا پیش بینی شده با فرض درستی مدل مورد نظر است. مانده­های برازش یافته از تفاضل ماتریس کواریانس نمونه از ماتریس کواریانس برازش یافته حاصل می­ شود. هرچه مقدار این شاخص به صفر نزدیک­تر باشد، مدل مذکور برازش بهتری دارد.
شاخص­ های برازندگی GFI و AGFI که چارزکاگ و سوربوم (۱۹۸۹) پیشنهاد کرده ­اند بستگی به حجم نمونه ندارد و نشان می­دهد که مدل تا چه حد نسبت به عدم وجود آن، برازندگی بهتری دارد. شاخص GFI برپایه­ی تابع برازندگی F طبق فرمول زیر محاسبه می­ شود،
در این رابطه معرف ساختار کواریانس برای متغیرهای مشاهده شده تصادفی، معرف ماتریس کواریانس گروه نمونه، مقداری از است که را مینیمم می­ کند و تابع برازندگی در شرایطی است که همه پارامترهای مدل برابر با صفر باشند. این مشخصه در واقع مقدار نسبی واریانس­ها و کواریانس­ها را به گونه­ مشترک از طریق مدل ارزیابی می­ کند و دامنه­ تغییرات آن بین صفر و یک است. شاخص GFI هرچند مشابه است ولی نمی­تواند به عنوان درصد خطای تبیین شده به وسیله­ مدل تفسیر شود زیرا درصد کواریانس­های مشاهده شده­ای است که از طریق کواریانس­های دیکته شده به وسیله ی مدل تبیین می­ شود. چون GFI نسبت به سایر مشخصه­های برازندگی اغلب بزرگتر است، برخی از پژوهشگران نقطه برش ۹۵/۰ را برای آن پیشنهاد کرده ­اند. برپایه ی قرارداد مقدار GFI باید برابر یا بزرگتر از۹/۰باشد تا مدل مورد نظر پذیرفته شود.
مقدار تعدیل یافته شاخص برازندگی برای درجه آزادی (یعنی AGFI) برپایه­ی فرمول زیر بدست می ­آید:
که در آن تعداد اندازه ها در مدل و بیانگر درجه آزادی مدل است. کمترین مقدار و باید صفر باشد، هرچند از لحاظ نظری ممکن است مقدار آن منفی و فاقد معنا شود. البته منفی بودن آن ها نشانه­ی آن است که مدل مورد نظر بسیار ضعیف بوده است. با مدل­های دقیقاً همانند و با مدل­هایی که دارای برازندگی بسیار ضعیف یا مبتنی بر نمونه­های باحجم کوچک باشد، همراه است. مقدار مطلوب نیز باید بزرگ تر از ۹/۰ باشد.
۳-۷-۳ شاخص­ های نسبی
شاخص­ های نسبی در پی پاسخ به این سوال است که یک مدل بخصوص در مقایسه با سایر مدل­های ممکن از لحاظ تبیین مجموعه ­ای از داده ­های مشاهده شده تا چه حد خوب عمل می­ کند؟ رایج­ترین مدل­های نسبی، به مدل صفر معروف هستند زیرا در ماتریس واریانس- کواریانس تنها واریانس­ها را برازش می­ دهند و فرض می­ کنند همه کواریانس­ها برابر با صفر هستند.
برخی از شاخص­ های نسبی که مارش و همکاران(۱۹۸۸) به آن نوع اول می­گویند برازش دو مدل مختلف را با هم مقایسه می­ کنند. یکی از شاخص­ های نسبی نوع اول که قبلا به گونه­ گسترده به کار می­رفت، شاخص نرم شده برازندگی (NFI یاDELTA1) بوده است که مستلزم مفروضه­های مجذور کای نیست. این شاخص در حال حاضر به سبب آنکه تحت تأثیر حجم نمونه بوده است و برای نمونه­های با حجم کم ضعیف است توصیه نمی­ شود. سایر شاخص ­ها که نوع دوم نام دارند ضمن آن که مدل­ها را مقایسه می کنند، اطلاعاتی درباره مقدار مورد انتظار مدل­ها تحت یک توزیع مرکزی مجذور کای نیز بدست می­ دهند. شاخص­ های نوع دوم مختلفی وجود دارند که به صورت گسترده مورد استفاده قرار می­گیرند و نسبت به شاخص­ های مطلق یا نوع اول هماهنگی بیشتری با حجم نمونه دارند. یکی از این شاخص ­ها که اهمیت بسیاری دارد فرمول کلاسیک تاکر- لویز(۱۹۷۳) است که به وسیله ی بنتلر و بونت(۱۹۸۰) توسعه یافته و نه تنها در مقایسه­ یک مدل با مدل صفر بلکه در مقایسه­ مدل­های مختلف نیز کاربرد فراوان دارد. این شاخص اغلب شاخص نرم شده برازندگی (NNFI) نیز نامیده می­ شود.
علاوه براین هیو و بنتلر (۱۹۹۵) شاخص­ هایی نوع سوم و چهارم را نیز معرفی کردند. شاخص­ های نوع سوم، مقایسه­ مدل­ها را همراه با اطلاعاتی درباره مقدار مورد انتظار تحت توزیع غیر مرکزی مجذور کای و شاخص­ های نوع چهارم عمل مقایسه با اطلاعاتی درباره سایر شکل­های توزیع انجام می­دهد. شاخص برازندگی بنتلر(BFI) که از سوی مک دونالد و مارش (۱۹۹۰) شاخص غیرمرکزی (RNI) توسعه یافته نامیده شد و شاخص برازندگی تطبیقی (CFI) از این نوع می­باشند.
۳-۷-۴ شاخص­ های تعدیل یافته
شاخص­ های تعدیل یافته این پرسش را مطرح می­ کنند که مدل مورد نظر چگونه برازندگی و صرفه جویی یا ایجاز را با هم ترکیب می­ کنند؟ نکته­ای که دارای اهمیت بسیاری است این است که اکثر مدل­ها وقتی می­توانند به داده ­ها برازش یابند که پارامترها به اندازه کافی برآورد شوند. بنابراین مدل­هایی ارزشمند است که تغییر پذیری داده ­ها را با تعداد نسبتاً کمی از پارامترهای آزاد توجیه کند. برخی از شاخص­ هایی که تاکنون معرفی شدند انواع گوناگونی دارند که در آنها برای مدل های مورد مقایسه ارزیابی مستقیمی از میزان صرفه­جویی و ایجاز نیز در نظر گرفته می­ شود. جیمز، مولائیک و برت (۱۹۸۲) شاخصی از این نوع با نماد PGFI برای شاخص GFI در نرم افزار لیزرل به صورت زیر ارائه کرده ­اند:

در این رابطه نشان­دهنده درجه آزادی مدل مورد نظر و مخرج کسر نیز بیانگر درجه آزادی مدل استقلال برای اندازه است. چون GFI یک شاخص مطلق است مخرج کسر تعدیل­یافته آن برابر با تعدادکل درجات آزادی موجود در ماتریس واریانس-کواریانس است. مولائیک و همکاران (۱۹۸۹) برای شاخص­ های نسبی نیز دو شاخص نسبی PNFI و PNFI2 را به ترتیب برای شاخص نرم­شده برازندگی و برای مدل نوع ۲ معرفی کرده ­اند.
توجه کنید که در شاخص­ های نسبی درجه آزای مدل صفر به صورت مخرج کسرهای بالا تعریف می­ شود.
فصل چهارم
تجزیه و تحلیل داده ها
۴-۱- مقدمه
تجزیه و تحلیل داده‌ها فرایند چند مرحله­ ای است که طی آن داده‌هایی که از طریق به‌کارگیری ابزارهای جمع­آوری در نمونه(جامعه) آماری فراهم آمده‌اند، خلاصه، کدبندی و دسته­بندی و در نهایت پردازش می‌شوند تا زمینه برقراری انواع تحلیل‌ها و ارتباط بین این داده‌ها به منظور آزمون فرضیه‌ها فراهم آید. در واقع تحلیل اطلاعات شامل سه عملیات اصلی می‌باشد: ابتدا شرح و آماده ­سازی داده ­های لازم برای آزمون فرضیه‌ها، سپس تحلیل روابط میان متغیرها و در نهایت مقایسه نتایج مشاهده شده با نتایجی که از فرضیه‌ها انتظار داشتند. تجزیه و تحلیل اطلاعات از اصلی‌ترین و مهم‌ترین بخش‌های تحقیق محسوب می‌شود. داده ­های خام با بهره گرفتن از نرم­افزار آماری مورد تجزیه و تحلیل قرار می‌گیرند و پس از پردازش به شکل اطلاعات در اختیار استفاده­کنندگان قرار می‌گیرند. برای تجزیه و تحلیل داده ­های جمع­آوری شده آمار تحلیلی به دو صورت آمار توصیفی و استنباطی مطرح می‌گردد. در ابتدا با بهره گرفتن از آمار توصیفی، شناختی از وضعیت و ویژگی‌های جمعیت­شناختی پاسخ ­دهندگان حاصل گردیده و ادامه در آمار استنباطی این تحقیق و با بهره گرفتن از نرم افزار آموس ۲۰ به بررسی فرضیات تحقیق پرداخته می شود.
۴-۲- آمار توصیفی
۴-۲-۱- توصیف ویژگی های جمعیت شناختی
الف) جنسیت
جدول (۴-۱). توزیع فراوانی پاسخ ­دهندگان برحسب جنسیت