پژوهش – تقسیم بندی مشتریان بر اساس تمایل به خرید کالای سبز در بازار …

0 Comments

‫ج) از ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺄﺛﻴﺮﮔﺬارﺗﺮﻳﻦ آﻧﻬﺎ ﺗﻌﻴﻴﻦ ﺷﺪه و در ﭘﮋوﻫﺶﻫﺎی ﺑﻌﺪی ﺑﻪﻃﻮر ﺟﺰﻳﻲﺗﺮ ﻣﺘﻐﻴﺮﻫﺎی ﺗﺄﺛﻴﺮﮔﺬار را ﺑﺎ ﺗﻜﺮار ﺑﻴﺸﺘﺮی ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻨﺪ.
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻮارد ﺑﺎﻻ، ﻋﻤﺪهﺗﺮﻳﻦ ﻫﺪف اﺳﺘﻔﺎده از ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ، ﻛﺎﻫﺶ ﺣﺠﻢ دادهﻫﺎ و ﺗﻌﻴﻴﻦ ﻣﻬﻤﺘﺮﻳﻦ ﻣﺘﻐﻴﺮﻫﺎی ﻣﺆﺛﺮ در ﺷﻜﻞﮔﻴﺮی ﭘﺪﻳﺪهﻫﺎﺳﺖ. اﻳﻦ روش در دﻫﻪﻫﺎی اﺧﻴﺮ، ﺑﻪوﻳﮋه ﺑﺎ ‫ﭘﻴﺸﺮﻓﺖ اﺳﺘﻔﺎده از ﺑﺮﻧﺎﻣﻪﻫﺎی آﻣﺎری در راﻳﺎﻧﻪ، در ﺳﻄﺢ وﺳﻴﻊ ﻣﻮرد اﺳﺘﻔﺎده ﭘﮋوﻫﺸﮕﺮان ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ.
‫ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﺑﺮ دو ﻧﻮع ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﻛﺘﺸﺎﻓﻲ[۱۷۲] و ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﺗﺄﻳﻴﺪی اﺳﺖ. در ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﻛﺘﺸﺎﻓﻲ، ﭘﮋوﻫﺸﮕﺮ در‫ﺻﺪد ﻛﺸﻒ ﺳﺎﺧﺘﺎر زﻳﺮبنایی ﻣﺠﻤوعه ﻧﺴﺒﺘﺎً ﺑﺰرﮔﻲ از ﻣﺘﻐﻴﺮﻫﺎﺳﺖ و ﭘﻴﺶﻓﺮض اوﻟﻴﻪ آن اﺳﺖ ﻛﻪ ﻫﺮ ﻣﺘﻐﻴﺮی ﻣﻤﻜﻦ اﺳﺖ ‫ﺑﺎ ﻫﺮ ﻋﺎﻣﻠﻲ ارﺗﺒﺎط داﺷﺘﻪ ﺑﺎﺷﺪ. ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﭘﮋوﻫﺸﮕﺮ در اﻳﻦ روش ﻫﻴﭻ ﻧﻈﺮﻳه اوﻟﻴﻪای ﻧﺪارد.
‫در ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﺗﺄﻳﻴﺪی ﭘﻴﺶﻓﺮض اﺳﺎﺳﻲ آن اﺳﺖ ﻛﻪ ﻫﺮ ﻋﺎﻣﻠﻲ ﺑﺎ زﻳﺮﻣﺠﻤﻮﻋه ﺧﺎﺻﻲ از ﻣﺘﻐﻴﺮﻫﺎ ارﺗﺒﺎط دارد. ﺣﺪاﻗﻞ ‫ﺷﺮط ﻻزم ﺑﺮای ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﺗﺄﻳﻴﺪی اﻳﻦ اﺳﺖ ﻛﻪ ﭘﮋوﻫﺸﮕﺮ در ﻣﻮرد ﺗﻌﺪاد ﻋﺎﻣﻞﻫﺎی ﻣﺪل، ﻗﺒﻞ از اﻧﺠﺎم ﺗﺤﻠﻴﻞ، ﭘﻴﺶﻓﺮض ﻣﻌﻴﻨﻲ داﺷﺘﻪ ﺑﺎﺷﺪ، وﻟﻲ در ﻋﻴﻦ ﺣﺎل ﭘﮋوﻫﺸﮕﺮ ﻣﻲﺗﻮاﻧﺪ اﻧﺘﻈﺎرات ﺧﻮد ﻣﺒﻨﻲ ﺑﺮ رواﺑﻂ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ و ﻋﺎﻣﻞﻫﺎ را ﻧﻴﺰ درﺗﺤﻠﻴﻞ وارد ﻛﻨﺪ.
‫‫‫ﻣﻌﺎدﻟﺎت ﭘﺎﻳﻪ:
‫در ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﻧﻤﺮه ﻓﺮد i در ﻣﺘﻐﻴﺮ ‪ j را ﻣﻲﺗﻮان ﺑﻪﻋﻨﻮان ﻣﺠﻤﻮع ﺿﺮاﻳﺐ ﻧﻤﺮهﻫﺎ در ﺗﻌﺪاد ﻛﻤﺘﺮی از ﻣﺘﻐﻴﺮﻫﺎی ﺣﺎﺻﻞ ﻛﻪ ﻋﻮاﻣﻞ ﻧﺎﻣﻴﺪه ﻣﻲﺷﻮﻧﺪ، ﺗﻌﺮﻳﻒ ﻛﺮد. ﻫﺮ ﻋﺎﻣﻞ، ﺗﺮﻛﻴﺐ ﺧﻄﻲ ﻣﺘﻐﻴﺮﻫﺎﺳﺖ و ﺑﺮ ﭘﺎﻳه راﺑﻄه زﻳﺮ ﺑﺮآورد ﻣﻲﺷﻮد:
Zij = aji Fji + … + ajm Fmi + dj Uji
‫ﻛﻪ در آن : Zjiﻧﻤﺮه ﻣﻌﻴﺎر ﻓﺮد ‪i ام در ﻣﺘﻐﻴﺮ ‪j ام اﺳﺖ. F1i ‪ﻧﻤﺮه ﻣﻌﻴﺎر ﻓﺮد ‪ iدر اوﻟﻴﻦ ﻋﺎﻣﻞ ﻣﺸﺘﺮک و ‪ Fmi : ﻧﻤﺮه ﻣﻌﻴﺎر وی‫در ‪ mاﻣﻴﻦ ﻋﺎﻣﻞ ﻣﺸﺘﺮک اﺳﺖ. ﻋﺒﺎرت ‪ Uji: ﻧﻤﺮه ﻣﻌﻴﺎر ﻓﺮد‪ i در ﭼﻴﺰی اﺳﺖ ﻛﻪ ﻋﺎﻣﻞ اﺧﺘﺼﺎﺻﻲ ﻧﺎﻣﻴﺪه ﻣﻲﺷﻮد؛ ﻳﻌﻨﻲ ﻋﺎﻣﻠﻲ ﻛﻪ ﺗﻨﻬﺎ در ﻳﻚ ﻣﺘﻐﻴﺮ واﺣﺪ ﻣﻮﺟﻮد اﺳﺖ ﻛﻪ در اﻳﻦ ﻣﻮرد ﻣﺘﻐﻴﺮ j اﺳﺖ. ﺿﺮاﻳﺐ‪ ajm : ﺑﺎرﻫﺎی ﻋﺎﻣﻠﻲ ﻫﺴﺘﻨﺪ. اﻳﻨﻬﺎ ‫ﺿﺮاﻳﺒﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﻪ ﻧﻤﺮهﻫﺎی ﻋﺎﻣﻞ ﻣﺸﺘﺮک ﻧﺴﺒﺖ داده ﻣﻲﺷﻮﻧﺪ. ﺿﺮﻳﺐ‪ dj: وزﻧﻲ اﺳﺖ ﻛﻪ ﺑﻪ ﻧﻤﺮهﻫﺎی ﻋﺎﻣﻞاﺧﺘﺼﺎﺻﻲ اﺧﺘﺼﺎص ﻣﻲﻳﺎﺑﺪ. ‫ﻣﻌﺎدﻟه (۱) ﺑﻪ ﺷﻜﻞ ﻧﻤﺮه ﻣﻌﻴﺎر اﺳﺖ، ﺑﻨﺎﺑﺮاﻳﻦ ﻧﻤﺮهﻫﺎی‪ Zji و ﻧﻤﺮهﻫﺎی ﻋﺎﻣﻠﻲ‪ Fi ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و وارﻳﺎﻧﺲ واﺣﺪ (یک) دارﻧﺪ. ﺑﺎ ‫ﻣﺠﺬور ﻛﺮدن ﻫﺮ دو ﻃﺮف ﻣﻌﺎدﻟه ۱ و ﺳﭙﺲ ﺟﻤﻊ آﻧﻬﺎ ﺑﺮای ‪ N ﻣﻮرد و ﺗﻘﺴﻴﻢ آن ﺑﺮ ‪N و اﻳﻦ ﻓﺮض ﻛﻪ ﻧﻤﺮهﻫﺎی ﻋﺎﻣﻠﻲ ‫ﻧﺎﻫﻤﺒﺴﺘﻪ ﻫﺴﺘﻨﺪ، ﻣﻲﺗﻮان ﻧﻮﺷﺖ:
SJ2 = ۱ = aj12 + aj22 + … + ajm2 + dj2
‫اﻳﻦ ﻣﻌﺎدﻟﻪ ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ وارﻳﺎﻧﺲ ﻛﻞ را ﻣﻲﺗﻮان ﺑﻪ دو ﺑﺨﺶ ﺟﻤﻊﭘﺬﻳﺮ وارﻳﺎﻧﺲ ﻣﺸﺘﺮک و وارﻳﺎﻧﺲ ﻣﻨﻔﺮد ﺗﻘﺴﻴﻢ ﻛﺮد.
میزان اشتراک یک متغیر که اغلب با hj2 ﻧﺸﺎن داده ﻣﻲﺷﻮد، ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻣﺠﻤﻮع ﻣﺠﺬورات ﺑﺎرﻫﺎی ﻋﺎﻣﻠﻲ مشترک.
hj2 = ۱ = aj12 + aj22+ …. + ajm2
‫ﻣﻴﺰان اﺷﺘﺮاک ﺑﺨﺸﻲ از وارﻳﺎﻧﺲ اﺳﺖ ﻛﻪ ﻣﻲﺗﻮان آن را ﺑﻪ ﻋﻮاﻣﻞ ﻣﺸﺘﺮک ﻧﺴﺒﺖ داد. ﺑﺨﺸﻲ از وارﻳﺎﻧﺲ ﻛﻪ ﺑﺎﻗﻲ ﻣﻲﻣﺎﻧﺪ و ﻧﻤﻲﺗﻮان آن را ﺑﻪ ﻋﻮاﻣﻞ ﻣﺸﺘﺮک ﻧﺴﺒﺖ داد، وارﻳﺎﻧﺲ ﻣﻨﻔﺮد ﻧﺎﻣﻴﺪه ﻣﻲﺷﻮد ﻛﻪ ﺑﺎ ﻋﻼﻣﺖ dj2 ﻧﺸﺎن داده ﻣﻲﺷﻮد. ‫وارﻳﺎﻧﺲ ﻣﻨﻔﺮد را ﮔﺎﻫﻲ ﺑﻪ دو ﻣﺆﻟﻔﻪ اﺧﺘﺼﺎﺻﻲ(bj2) و وارﻳﺎﻧﺲ ﺧﻄﺎ(ej2) ﺗﻘﺴﻴﻢ ﻣﻲﻛﻨﻨﺪ. وارﻳﺎﻧﺲ اﺧﺘﺼﺎﺻﻲ ﺑﺨﺸﻲ از وارﻳﺎﻧﺲ ﻛﻞ اﺳﺖ ﻛﻪ ﺑﻪ ﻋﻮاﻣﻠﻲ ﻛﻪ ﺑﻪ ﻣﺘﻐﻴﺮ ﻣﻌﻴﻨﻲ اﺧﺘﺼﺎص دارد و ﺑﻪ ﺧﻄﺎی اﻧﺪازهﮔﻴﺮی رﺑﻄﻲ ﻧﺪارد، ﻣﺮﺑﻮط ﻣﻲﺷﻮد. ازآﻧﺠﺎ ﻛﻪ ﺗﻤﺎم اﻧﺪازهﮔﻴﺮیﻫﺎ ﺗﺎ اﻧﺪازهای ﺷﺎﻣﻞ ﺧﻄﺎ ﻫﺴﺘﻨﺪ، در ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ، ﺑﺨﺸﻲ از وارﻳﺎﻧﺲ ﻣﻨﻔﺮد ﻧﺎﺷﻲ از ﺧﻄﺎی اﻧﺪازهﮔﻴﺮی ﺧﻮاﻫﺪ ﺑﻮد(زارع چاهوکی، ۱۳۸۹،ص ۶).
 
 
 
روش‪ واریمکس
این روش از ﺟﻤﻠﻪ ﻣﺘﺪاولﺗﺮﻳﻦ روشﻫﺎی دوران ﻣﺘﻌﺎﻣﺪ اﺳﺖ ﻛﻪ اﺳﺘﻘﻼل ﻣﻴﺎن ﻋﺎﻣﻞﻫﺎی اﺳﺘﺨﺮاﺟﻲ را ﺣﻔﻆ ‫ﻣﻲﻛﻨﺪ. اﻳﻦ روش ﻣﺘﻐﻴﺮﻫﺎی دارای ﺑﺎر ﻋﺎﻣﻠﻲ ﺑﺰرﮔﺘﺮ را ﺑﻪ ﻛﻤﺘﺮﻳﻦ ﺗﻌﺪاد ﺗﻘﻠﻴﻞ ﻣﻲدﻫﺪ و ﺟﻤﻊ وارﻳﺎﻧﺲ ﺑﺎرﻫﺎ در ‫ﻣﺎﺗﺮﻳﺲ ﻋﺎﻣﻠﻲ را ﺑﻴﺸﺘﺮﻳﻦ ﻣﻘﺪار ﻣﻲﻛﻨﺪ ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ آن را وارﻳﻤﻛﺲ ﮔﻮﻳﻨﺪ. ‫ﻫﺪف از این روش ﺑﻪدﺳﺖ آوردن ﻋﺎﻣﻞﻫﺎﻳﻲ اﺳﺖ ﻛﻪ دارای ﺑﺎر زﻳﺎدی ﺑﺮ روی ﺑﺮﺧﻲ از ﻣﺘﻐﻴﺮﻫﺎ و ﺑﺎر ﻛﻢ ﺑﺮ روی ﻣﺘﻐﻴﺮﻫﺎی دﻳﮕﺮ ﺑﺎﺷﺪ و ﺗﺄﻛﻴﺪ ﺑﺮ ﺳﺎدهﻛﺮدن ﺳﺘﻮنﻫﺎی ﻣﺎﺗﺮﻳﺲ ﻋﺎﻣﻠﻲ اﺳﺖ. ﻳﻌﻨﻲ ﺣﺪاﻛﺜﺮ اﻣﻜﺎن ﺳﺎده ﻛﺮدن ﺗﺎ آﻧﺠﺎﻳﻲ ﺣﺎﺻﻞ ‫ﻣﻲﺷﻮد ﻛﻪ ﺑﺮ روی ﻳﻚ ﺳﺘﻮن ﺧﺎص ﻣﺎﺗﺮﻳﺲ، ﻓﻘﻂ ﻣﻘﺎدﻳﺮ (ﺑﺎرﻫﺎی ﻋﺎﻣﻠﻲ) ﺻﻔﺮ و ﻳﻚ ﻗﺮار ﺑﮕﻴﺮد. از اﻳﻦرو ﻣﺠﻤﻮع ﺗﻐﻴﻴﺮات ‫اﻳﺠﺎد ﺷﺪه در ﺑﺎرﻫﺎی ﻋﺎﻣﻠﻲ ﺑﻪ ﺣﺪاﻛﺜﺮ میرسد و در اﻳﻦ ﺣﺎﻟﺖ ﺗﻔﺴﻴﺮ ﻋﺎﻣﻞﻫﺎ ﺳﺎده ﻣﻲﺷﻮد(زارع چاهوکی، ۱۳۸۹ ، صص ۲۸-۲۷).
 
 
آزمون کفایت اندازه نمونه
ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﺑﺮای ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﻣﻨﺎﺳﺐﺗﺮﻧﺪ ﻛﻪ در ﺳﻄﺢ ﺳﻨﺠﺶ ﻓﺎﺻﻠﻪای ﺑﺎﺷﻨﺪ، ﻟﻜﻦ در ﺑﺮﺧﻲ ﻣﻮارد از ﻣﺘﻐﻴﺮﻫﺎی رﺗﺒﻪای و اﺳﻤﻲ ﻧﻴﺰ اﺳﺘﻔﺎده ﻣﻲﺷﻮد. ﻻزم ﺑﻪ ذﻛﺮ اﺳﺖ ﻛﻪ ﭘﮋوﻫﺸﮕﺮ ﻣﻲﺗﻮاﻧﺪ ﻫﺮ ﺗﻌﺪاد ﻣﺘﻐﻴﺮ ﻣﺮﺗﺒﻂ ﺑﺎ ﻣﺴﺄﻟه ﺗﺤﻘﻴﻖ را در ‫ﺗﺤﻠﻴﻞ وارد ﻛﻨﺪ. ﻣﺸﺮوط ﺑﺮ آﻧﻜﻪ ﻣﺘﻐﻴﺮﻫﺎ ﺑﺎ روش درﺳﺘﻲ ﺳﻨﺠﻴﺪه ﺷﺪه ﺑﺎﺷﻨﺪ و ﺿﺮﻳﺐ اﻋﺘﺒﺎر ﺳﻨﺠﺶ ﻣﺘﻐﻴﺮﻫﺎ در ﺣﺪ ﻗﺎﺑﻞ ‫ﻗﺒﻮﻟﻲ ﺑﺎﺷﺪ.
‫در ﻣﻮرد اﻧﺪازه ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﻧﻴﺰ ﺑﻪﻃﻮرﻛﻠﻲ در ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﻧﺒﻮﻫﻲ از دادهﻫﺎ ﺑﻪﻛﺎر ﺑﺮده ﻣﻲﺷﻮد. ﺣﺪاﻗﻞ ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﻧﺒﺎﻳﺪ ﻛﻤﺘﺮ از ۵۰ ﺑﺎﺷﺪ. ﻫﺮﭼﻪ ﺣﺠﻢ اﻧﺪازه ﻧﻤﻮﻧﻪ زﻳﺎدﺗﺮ ﺷﻮد، ﺻﺤﺖ و دﻗﺖ ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﺑﻴﺸﺘﺮ اﺳﺖ. ﺑﻪﻋﻨﻮان ﻳﻚ ﻗﺎﻋﺪه ‫ﻛﻠﻲ ﺗﻌﺪاد ﻧﻤﻮﻧﻪ ﺑﺎﻳﺪ در ﺣﺪود ۴ ﻳﺎ ۵ ﺑﺮاﺑﺮ ﺗﻌﺪاد ﻣﺘﻐﻴﺮﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده ﺑﺎﺷﺪ. اﻳﻦ ﻧﺴﺒﺖ ﺗﺎ ﺣﺪودی ﻣﺤﺎﻓﻈﻪﻛﺎراﻧﻪ اﺳﺖ.
‫در ﺑﺴﻴﺎری از ﻣﻮارد ﭘﮋوﻫﺸﮕﺮ ﻣﺠﺒﻮر اﺳﺖ ﺗﺎ ﺑﺎ ﻧﺴﺒﺖ ۲ ﺑﻪ ﻳﻚ ﻧﻴﺰ ﺑﻪ ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﺑﭙﺮدازد. اﻣﺎ زﻣﺎﻧﻲﻛﻪ اﻳﻦ ﻧﺴﺒﺖ ﭘﺎﻳﻴﻦ و ‫ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﻧﻴﺰ ﻛﻢ ﺑﺎﺷﺪ، ﺗﻔﺴﻴﺮ ﻧﺘﺎﻳﺞ ﺑﺎﻳﺪ ﺑﺎ اﺣﺘﻴﺎط ﺑﻴﺸﺘﺮی اﻧﺠﺎم ﺷﻮد.
‫ﻳﻜﻲ از روشﻫﺎی اﻧﺘﺨﺎب ﻣﺘﻐﻴﺮﻫﺎی ﻣﻨﺎﺳﺐ ﺑﺮای ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﺳﺘﻔﺎده از ﻣﺎﺗﺮﻳﺲ ﻫﻤﺒﺴﺘﮕﻲ اﺳﺖ. از آﻧﺠﺎ ﻛﻪ روش ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﺑﺮ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ اﻣﺎ از ﻧﻮع ﻏﻴﺮﻋﻠّﻲ اﺳﺘﻮار اﺳﺖ، ﺑﻨﺎﺑﺮاﻳﻦ در اﺳﺘﻔﺎده از اﻳﻦ روش ﺑﺎﻳﺪ ﻣﺎﺗﺮﻳﺲ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ ﻧﻴﺰ ﻣﺤﺎﺳﺒﻪ ﺷﻮد. ﺑﻪ ﻃﻮر ﻣﻌﻤﻮل اﻳﻦ ﮔﻮﻧﻪ ﻣﺎﺗﺮﻳﺲﻫﺎی ﻫﻤﺒﺴﺘﮕﻲ وﺟﻮد راﺑﻄه ﺑﻴﻦ ﺑﺮﺧﻲ ﻣﺘﻐﻴﺮﻫﺎ و ﻋﺪم ارﺗﺒﺎط آن ﺑﺎ ﺑﺮﺧﻲ دﻳﮕﺮ را ﻧﺸﺎن ﻣﻲدﻫﻨﺪ. اﻳﻦ اﻟﮕﻮ در ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﻣﻮﺟﺐ ﺷﻜﻞﮔﻴﺮی ﺧﻮﺷﻪﻫﺎﻳﻲ ﻣﻲﺷﻮد ﻛﻪ ﻣﺘﻐﻴﺮﻫﺎی درون ﺧﻮﺷﻪ ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﻫﻤﺒﺴﺘﮕﻲ و ﺑﺎ ﻣﺘﻐﻴﺮﻫﺎی ﺧﻮﺷﻪﻫﺎی دﻳﮕﺮ ﻫﻤﺒﺴﺘﮕﻲ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ. بهتر است ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﻛﻪ ﺑﺎ ﻫﻴﭻ ﻣﺘﻐﻴﺮی ﻫﻤﺒﺴﺘﮕﻲ ﻣﻌﻨﻲدار ﻧﺪارند از ﺗﺤﻠﻴﻞ ﺣﺬف ﺷﻮﻧﺪ.
یکی از آمارههایی که می توان با استفاده از آن به تعیین و تشخیص مناسب بودن دادهها برای تحلیل عاملی پرداخت آزمون KMO است. ‫جهت مناسب بودن دادهها آﻣﺎرهﻫﺎی دﻳﮕﺮی ﻧﻴﺰ وﺟﻮد دارﻧﺪ ﻛﻪ ﭘﮋوﻫﺸﮕﺮ از ﻃﺮﻳﻖ آﻧﻬﺎ ﻧﻴﺰ ﻗﺎدر ﺑﻪ ﺗﻌﻴﻴﻦ و ﺗﺸﺨﻴﺺ ﻣﻨﺎﺳﺐ ﺑﻮدن دادهﻫﺎ ﺑﺮای ‫ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﺳﺖ. از ﺟﻤﻠﻪ اﻳﻦ روشﻫﺎ اﺳﺘﻔﺎده از ﺿﺮﻳﺐ ‪ KMOاﺳﺖ ﻛﻪ ﻣﻘﺪار آن ﻫﻤﻮاره ﺑﻴﻦ ﺻﻔﺮ و ﻳﻚ در ﻧﻮﺳﺎن‫اﺳﺖ و از راﺑﻄه زﻳﺮ ﺑﻪدﺳﺖ ﻣﻲآﻳﺪ:
ﻛﻪ در آن ‪ rij: ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺳﺎده ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎیiوj و aijﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺟﺰﻳﻲ ﺑﻴﻦ آﻧﻬﺎﺳﺖ. اﮔﺮ ﻣﺠﻤﻮع ‫ﺿﺮاﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺟﺰﻳﻲ ﺑﻴﻦ ﻫﻤﻪ زوج ﻣﺘﻐﻴﺮﻫﺎ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻣﺠﻤﻮع ﻣﺠﺬورات ﺿﺮاﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﻛﻮﭼﻚ ﺑﺎﺷﺪ، اﻧﺪازه KMO ﻧﺰدﻳﻚ ﺑﻪ ﻳﻚ ﺧﻮاﻫﺪ ﺑﻮد. ﻣﻘﺎدﻳﺮ ﻛﻮﭼﻚ ‪ KMOﺑﻴﺎﻧﮕﺮ آن اﺳﺖ ﻛﻪ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ زوج ﻣﺘﻐﻴﺮﻫﺎ ﻧﻤﻲﺗﻮاﻧﺪ ﺗﻮﺳﻂ ‫ﻣﺘﻐﻴﺮﻫﺎی دﻳﮕﺮ ﺗﺒﻴﻴﻦ ﺷﻮد، ﺑﻨﺎﺑﺮاﻳﻦ ﻛﺎرﺑﺮد ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﻣﺘﻐﻴﺮﻫﺎ ﻣﻤﻜﻦ اﺳﺖ ﻗﺎﺑﻞ ﺗﻮﺟﻴﻪ ﻧﺒﺎﺷﺪ.
‫در ﺻﻮرﺗﻴﻜﻪ ﻣﻘﺪار ‪ KMO ﻛﻤﺘﺮ از ۵/۰ ﺑﺎﺷﺪ، دادهﻫﺎ ﺑﺮای ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﻣﻨﺎﺳﺐ ﻧﺨﻮاﻫﻨﺪ ﺑﻮد و اﮔﺮ ﻣﻘﺪار آن ﺑﻴﻦ ۵/۰ ﺗﺎ ۶۹/۰ ﺑﺎﺷﺪ، ﻣﻲﺗﻮان ﺑﺎ اﺣﺘﻴﺎط ﺑﻴﺸﺘﺮ ﺑﻪ ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﭘﺮداﺧﺖ. اﻣﺎ در ﺻﻮرﺗﻴﻜﻪ ﻣﻘﺪار آن ﺑﺰرﮔﺘﺮ از ۷/۰ ﺑﺎﺷﺪ، ﻫﻤﺒﺴﺘﮕﻲﻫﺎی ﻣﻮﺟﻮد در ﺑﻴﻦ دادهﻫﺎ ﺑﺮای ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ ﻣﻨﺎﺳﺐ ﺧﻮاﻫﺪ ﺑﻮد(زارع چاهوکی، ۱۳۸۹، صص ۲۸-۲۷).
ﺟﺪول ۳-۳ ﻗﻀﺎوت در ﻣﻮرد ﺿﺮﻳﺐ ‪KMO(زارع چاهوکی، ۱۳۸۹، ص۲۷).

این را هم حتما بخوانید :   تحقیق دانشگاهی - بررسی عوامل اجتماعی، اقتصادی، فرهنگی مرتبط با تمایل زوجین به برنامه های تنظیم خانواده- قسمت ...

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

مقدار KMO تناسب داده های برای تحلیل عاملی
بزرگتر یا مساوی ۹/۰
بین ۸۹/۰ – ۸/۰
بین ۷۹/۰ –۸/۰
بین ۶۹/۰ –۶/۰