مقاله علمی با منبع : بررسی تاثیر توانمندی فناری اطلاعات و مدیریت دانش بر چابکی سازمانی- قسمت ۱۱

0 Comments

آماره کلموگروف-اسمیرنف مشخص می‌کند که داده‌ها به صورت نرمال توزیع شده‌اند یا خیر.سطح معناداری کوچک(عموما کمتر از ۰٫۰۵) مشخص می‌نماید که توزیع داده‌ها به طور معناداری از توزیع نرمال فاصله دارد. از آنجایی که بسیاری از آزمون‌های آماری فرض می‌کنند داده‌ها به صورت نرمال توزیع شده‌اند ، بهتر است که توزیع بررسی شود(افشانی و دیگران،۱۳۸۶).
۳-۹-۲- آزمون t تک نمونهای
از این آزمون برای مقایسه میانگین عامل‌ها با عدد ۳ (با توجه به استفاده از طیف ۵ تایی لیکرت) جهت مشخص شدن سطح عامل‌ها استفاده شده است .
۳-۹-۳- آزمون t دو نمونهای مستقل
هدف از این آزمون تعیین وجود یا عدم وجود تفاوت در میانگین دو گروه مستقل می‌باشد.
۳-۹-۴- آزمون مقایسه میانگین چند جامعه (ANOVA)
برای مقایسه میانگین دو یا چند جامعه (یعنی تاثیر یک متغیر مستقل گروه‌بندی بر یک متغیر کمی وابسته) از این آزمون استفاده می‌شود. در این آزمون باید متغیر وابسته کمی و متغیر مستقل گروه‌بندی دارای سطوح محدودی باشد.
۳-۹-۵- مدلسازی معادلات ساختاری[۹۹]
در این پژوهش ازمدلسازی معادلات ساختاری برای آزمون فرض‌ها استفاده شده است. الگوسازی معادلات ساختاری روشی برای آزمون دقیق الگو های نظری بر اساس فرضیه‌هایی درباره‌ی متغیرهای مشاهده شده و پنهانی که بین آن‌ها همبستگی درونی وجود دارد، فراهم می‌کند تا روابط مشاهده شده بین این متغیرها را به صورت هدفمند توصیف نماید. توانمندی معادلات ساختاری در آزمون کردن روابط فرضی بین متغیرهای پنهان و قابل اندازه‌گیری می‌باشد و بدین منظور، الگو باید مبنای نظری داشته و از پیش مشخص شده باشد. علاوه بر آن، معادلات ساختاری مجموعه‌ای از شاخص‌ها را ارائه می‌کند که به کمک آن‌ها می‌توان برازش الگو به داده‌های مشاهده شده را بررسی نمود. این روش مجموعه‌ای از روابط پیچیده بین متغیرها را به‌طور همزمان(مانند تحلیل مسیر) آزمون می‌کند که با تحلیل رگرسیون نمی‌توان آن را انجام داد و همانند تحلیل مسیر می‌تواند برای آزمودن الگوهای علّی استفاده شود، با این تفاوت که در مدل معادلات ساختاری خطاهای اندازه‌گیری برآورد می‌شوند و اثرشان از روابط بین متغیرهای پنهان خارج می‌شود. بنابراین آزمون‌ها از دقت بیشتری برخوردار خواهند بود. به علاوه معادلات ساختاری می‌تواند الگوهای غیر بازگشتی (برای مثال، الگوهایی با مسیرهای دو طرفه) را نیز تحلیل کند. توانمندی این ابزار در ارزیابی همزمان انواع مختلف ارتباط بین متغیرها، آزمون و مقایسه‌ شباهت‌ها و تفاوت‌های بین گروه‌های مختلف شرکت کننده در مطالعه است.
مهم‌ترین مرحله در تجزیه و تحلیل آماری معادلات ساختاری ارزیابی برازش الگو به داده‌ها است. پیش از انجام هرگونه بررسی روابط علّی میان سازه‌ها، لازم است برازش الگو به داده‌ها تایید گردد. نکته حائز اهمیت آنست که الگوهای معادلات ساختاری را هرگز نمی‌توان به گونه مطلق پذیرفت، تنها می‌توان آن‌ها را رد نکرد. این مسئله موجب می‌شود که پژوهشگران، یک الگوی به خصوص را به گونه‌ای موقتی بپذیرند، زیرا اذعان دارند که در بیشتر موارد، الگوهای هم ارز و معادلی وجود دارد که به همان اندازه الگویی که به گونه موقت پذیرفته‌اند، با داده‌ها برازش دارد.
در این پژوهش از روش دو مرحله‌ای معادلات ساختاری پیشنهاد شده آندرسون و جربینگ[۱۰۰](۱۹۸۸) برای تحلیل داده‌ها استفاده شده است. در این پژوهش در گام اول از تحلیل عاملی تأییدی (برازش الگوهای اندازه‌گیری) و در گام دوم از تحلیل مسیر برای تحلیل روابط بین سازه‌ها بهره برده شده، بنابراین در این بخش به توضیح اجمالی درباره تحلیل مسیر و تحلیل عاملی پرداخته می‌شود.
۳-۹-۵-۱- تحلیل عاملی (برازش الگوهای اندازه‌گیری)
همانطور که گفته شد الگوهای عاملی به ویژه در دو جهت مورد توجه پژوهشگران هستند. از یک سو با استفاده از این نوع الگوها و آزمون آن‌ها بر مبنای داده‌های تجربی می‌توان شواهدی برای ارزیابی اعتبار مقیاس‌های تعریف شده توسط محقق به دست آورد و بنابراین یکی از اهداف اصلی از کاربرد آن‌ها ساخت مقیاس‌های استاندارد به لحاظ علمی است. از طرف دیگر، الگوهای عاملی به عنوان جزئی از الگوهای معادله ساختاری در نقش الگوهای اندازه‌گیری عمل می‌کند(قاسمی، ۱۳۸۹). تحلیل عاملی می‌تواند دو صورت اکتشافی و تأییدی داشته باشد. اینکه کدام یک از این دو روش باید در تحلیل عاملی به کار رود مبتنی بر هدف تحلیل داده‌هاست. در تحلیل عاملی اکتشافی[۱۰۱] پژوهشگر به دنبال بررسی داده‌های تجربی به منظور کشف و شناسایی شاخص‌ها و نیز روابط بین آن‌هاست و این کار را بدون تحمیل هر گونه الگوی معینی انجام می‌دهد. به بیان دیگر تحلیل اکتشافی علاوه بر آنکه ارزش تجسسی یا پیشنهادی دارد می‌تواند ساختارساز، الگو ساز یا فرضیه ساز باشد(هومن، ۱۳۸۷). تحلیل عاملی تأییدی[۱۰۲] به واقع بسط تحلیل عاملی معمولی است، یکی از جنبه‌های مهم الگوسازی است، که در آن فرضیه‌های معینی درباره ساختار بارهای عاملی و همبستگی‌های متقابل بین متغیرها مورد آزمون قرار می‌گیرد. در پژوهش حاضر برای اینکه بتوان فهمید گویه‌ها بیان کننده عامل‌ها(سازه‌ها)ی مورد نظر هستند از تحلیل عاملی تأییدی استفاده شده است. مبنای اصلی در الگوسازی، الگوهای عاملی تاییدی هستند.
۳-۹-۵-۲- تحلیل مسیر
الگوهای مسیر یکی از انواع الگوهایی هستند که می‌توان در تبیین و پیش‌بینی پدیده‌های مختلف از آن‌ها بهره برد. الگوهای مسیر معمولا به عنوان یکی از زیر بنایی‌ترین الگوها در بحث‌های معادله ساختاری مورد توجه قرار می‌گیرند(قاسمی، ۱۳۸۹). این روش امکان آزمون روابط علّی بین دو یا چند متغیر را فراهم می‌آورد، که ممکن است به صورت مستقل، وابسته، گسسته یا پیوسته، پنهان یا آشکارا و یا هر دو، در یک معادله خطی به‌کار روند(منصورفر، ۱۳۸۷).
در علوم اجتماعی و رفتاری برخلاف علوم طبیعی، استنباط روابط علّی بر پایه مطالعاتی صورت می‌گیرد که در آن‌ها الگوها و فرضیه‌های علّی از لحاظ آماری ارزیابی می‌شود. در چنین مطالعاتی حتی روابط علّی را نمی‌توان ثابت کرد، تنها منطقی بودن نسبی آن‌ها را در برابر سایر چارچوبهای تبیین می‌توان تأیید نمود. در این علوم بیشتر تئوری‌ها و الگوها در قالب سازه‌های نظری که مستقیماً مشاهده‌پذیر و اندازه‌پذیر نیست بیان می‌شود. اما برای عملیاتی کردن و اندازه گیری متغیرهای نظری می‌توان از شاخص‌ها یا نشانه‌هایی که نشانگر[۱۰۳] نامیده می‌شود ، استفاده کرد. استنباط‌های علّی به واقع به مسیرهایی بستگی دارد که طرح مطالعه مشخص کرده است(هومن، ۱۳۸۷).
۳-۹-۶- برازش الگو
سوال “داده‌های گردآوری شده تا چه حد حمایت کننده الگویی است که به لحاظ نظری تدوین شده است؟” سوال کلیدی موضوع برازش داده‌ها به الگو را تشکیل می‌دهد، هر چند در روش‌های آماری سنتی پژوهشگر اغلب با یک معیار منفرد برای تصمیم درباره رد یا تایید فرضیه صفر مواجه است ، در الگوسازی معادله ساختاری چنین معیار منفردی وجود ندارد تا تنها و تنها بر مبنای آن معیار، تصمیم بگیرد که آیا الگوی نظری خود را به لحاظ علمی قابل قبول تلقی کند یا خیر(قاسمی، ۱۳۸۹). با آنکه انواع گوناگون آزمون‌ها که به گونه کلی شاخص‌های برازندگی[۱۰۴] نامیده می‌شوند پیوسته در حال مقایسه، توسعه و تکامل می‌باشند، اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقاله‌های مختلف، شاخص‌های مختلفی را ارائه کرده‌اند و حتی نگارش‌های مشهور برنامه‌های الگویابی معادلات ساختاری مانند نرم‌افزارهایLisrel, Amos, EQS نیز تعداد زیادی از شاخص‌های برازندگی به دست می‌دهند.(هومن،۱۳۸۷). این شاخص‌ها به شیوه‌های مختلفی طبقه‌بندی شده‌اند که یکی از عمده‌ترین آن‌ها طبقه‌بندی به صورت مطلق[۱۰۵]، تطبیقی[۱۰۶] و مقتصد[۱۰۷] می‌باشد(قاسمی، ۱۳۸۹). شاخص‌های برازش مطلق شاخص‌هایی هستند که بر مبنای تفاوت واریانس‌ها و کوواریانس‌های مشاهده شده از یک طرف و واریانس‌ها و کوواریانس‌های پیش‌بینی شده بر مبنای الگوی تدوین شده از طرف دیگر قرار دارند. شاخص‌های برازش تطبیقی در واقع گامی در جهت تکمیل شاخص‌های برازش مطلق محسوب می‌شوند، به این ترتیب که با مبنا قرار دادن یک یا چند الگو ،الگوی نظری تدوین شده تحت آزمون را با آن مقایسه و نشان می‌دهد که آیا به لحاظ آماری قابل قبول‌تر تلقی می‌شود، ضعیف‌تر است و یا اینکه تفاوتی با آن ندارد. شاخص‌های برازش مقتصد گروه دیگری از شاخص‌ها هستند که مبنای اصلی در این گروه از شاخص‌های برازش آن است که به ازای هر پارامتر که به الگو افزوده می‌شود این شاخص‌ها جریمه می‌شوند. برخی از شاخص‌ها عبارتند از:
شاخص برازش هنجارشده بنتلر-بونت یا NFI : این شاخص اولین بار توسط بنتلر و بونت (۱۹۸۰)در مقاله ای طرح شد.این شاخص در Amos به نام Delta1 نیز خوانده شده است.با توجه به اینکه مقدار قابل قبول برای این شاخص حداقل ۰٫۹۰می‌باشد ، مقداری که نشان دهنده یک برازش خوب است حداقل ۰٫۹۵ در نظر گرفته شده است . (قاسمی، ۱۳۸۹)
شاخص برازش افزایشی یا IFI: یکی دیگر از شاخص‌های تطبیقی که براساس مقایسه مدل‌های مفروض با مدل استقلال محاسبه می‌شود شاخص برازش افزایشی یا IFI است . مقدار قابل قبول برای این شاخص حداقل ۰٫۹۰ و مقداری که نشان دهنده یک برازش خوب است حداقل ۰٫۹۵ در نظر گرفته شده است . (قاسمی، ۱۳۸۹).
ریشه دوم میانگین مربعات باقیمانده[۱۰۸] یا RMR : این شاخص یکی از شاخص‌های برازش مطلق است، حداقل مقدار برای این شاخص صفر است. هرچه RMR برای الگوی مورد آزمون نزدیکتر به صفر باشد ، الگوی مذکور برازش بهتری دارد.
شاخص نیکویی برازش[۱۰۹] یا GFI : شاخص GFI مقدار نسبی واریانس‌ها و کوواریانس‌ها را به گونه مشترک از طریق الگو ارزیابی می‌کند. دامنه تغییرات GFI بین صفر و یک می‌باشد. مقدار قابل قبول برای GFI باید برابر یا بزرگ‌تر از ۰٫۹۰ باشد.
شاخص برازش تطبیقی[۱۱۰] یا CFI: یکی از شاخص‌های تطبیقی است. این شاخص بر مبنای همبستگی بین متغیرهای حاضر در الگو قرار دارد به نحوی که ضرایب بالای همبستگی بین آن‌ها به مقادیر بالای شاخص برازش تطبیقی می‌انجامد.
ریشه میانگین مربعات خطای برآورد[۱۱۱] یا RMSEA : یکی از شاخص‌های مقتصد است و همانند RMR این شاخص نیز بر مبنای تحلیل ماتریس باقیمانده قرار دارد. برخلاف بسیاری از شاخص‌های برازش دیگر در الگوسازی که تنها دارای برآورد نقطه‌ای هستند این شاخص برای فواصل اطمینان مختلف نیز قابل محاسبه است که می‌توان با استفاده از آن‌ها مشخص کرد که آیا مقدار بدست آمده برای الگو تدوین شده با مقدار ۰۵/۰ تفاوت معنا دار دارد یا نه. الگوهای قابل قبول دارای مقدار ۰٫۰۵ یا کوچک‌تر برای این شاخص هستند. برازش الگوهایی که دارای مقادیر بالاتر از ۰٫۱ هستند ضعیف برآورد می‌شود.
کای‌اسکوئر بهنجار یا نسبی: یکی از شاخص‌های عمومی برای به حساب آوردن پارامترهای آزاد در محاسبه شاخص برازش، کای اسکوئر بهنجار یا نسبی است که از تقسیم ساده مقدار کای‌اسکوئر بر درجه آزادی الگو محاسبه می‌شود و با برچسب CMIN/DF گزارش می‌شود.دیدگاه‌ها برای مقدار قابل قبول بودن این شاخص متفاوت است.مقادیر بین ۱تا۳، ۱تا۵، ۲تا۳، ۱تا۲ را قابل قبول می‌دانند.
جدول ۳-۴ : شرح آزمون‌های آماری مورد استفاده

برای دانلود متن کامل پایان نامه به سایت  fotka.ir  مراجعه نمایید.

نوع آزمون نرم افزار دلیل استفاده
آزمون کلموگروف- اسمیرنف Spss براساس این آزمون مشخص گردید که آیا داده های پرسشنامه‌ها نرمال هستند یا نیستند.
آزمون t تک نمونه ای Spss جهت مشخص کردن میزان اختلاف میانگین متغیرها با حد متوسط(۳)