۱۹

۳۶.۰۹

۱۹.۵۴۱

.۱۰۰

۰.۷۰۲

۲۰

۳۶.۱۹

۱۶.۹۷۲

.۴۸۲

۰.۷۱

در جدول Item-Total Statistics در ستون اول نام متغیر سوالات و شاخص های ستون بعدی در صورت حذف متغیر آمده است. در ستون دوم میانگین امتیازات هر سوال پس از حذف سوال مورد نظر، در ستون سوم واریانس امتیازات، در ستون چهارم همبستگی بین متغیرها و در ستون پنجم مقدار آلفای کرونباخ با توجه به حذف متغیر مورد نظر را نشان داده شده است.

کفایت نمونه گیری
قبل از انجام تحلیل عاملی بایستی ابتدا از کفایت نمونه گیری اطمینان حاصل کرد که آیا می توان داده های موجود را برای تحلیل مورد استفاده قرارد داد به عبارت دیگر، آیا تعداد داده های موجود برای تحلیل عاملی مناسب هستند یا خیر، برای این منظور می توان از شاخص KMO و آزمون بارتلت که در زیر توضیح داده شده اند، استفاده کرد.

( 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. )

شاخص KMO
از این شاخص برای تعیین کفایت نمونه گیری استفاده می شود بطوریکه کوچک بودن همبستگی جزئی بین متغیرها را بررسی می کند و مشخص می سازد آیا واریانس متغیرهای تحقیق، تحت تاثیر واریانس مشترک، برخی عامل های پنهانی یا اساسی است یا خیر. این شاخص در فاصله بین ۰ تا ۱ قرار دارد. اگر مقدار شاخص نزدیک به ۱ باشد (۰.۶)، داده های مورد نظر برای تحلیل عاملی مناسب هستند. در غیر اینصورت (معمولا کمتر از ۰.۶) نتایج تحلیل عاملی برای داده های مورد نظر معتبر نیست. این شاخص از رابطه زیر به دست می آید:
که در این رابطه ضریب همبستگی بین متغیرهای و ضریب همبستگی جزئی بین آنهاست.

آزمون بارتلت:
ممکن است در ماتریس همبستگی دو حالت پیش آید، در حالت اول ماتریس همبستگی بین متغیرها یک ماتریس واحد وهمانی است. در این صورت متغیرها ارتباط معناداری با هم ندارند و در نتیجه امکان شناسایی عامل های جدید بر اساس همبستگی متغیرها با یکدیگر وجود ندارد به ماتریس همانی، ماتریس شناخته شده نیز می گویند و به صورت زیر است:
حالت دوم زمانی است که ماتریس همبستگی بین متغیرها یک ماتریس واحد و همانی نباشد، یعنی درایه های خارج از قطر اصلی ماتریس حداقل ۰.۳ همبستگی را نشان دهند که در این صورت ارتباط معنادرای بین متغیرها وجود خواهد داشت. بنابراین امکان شناسایی و تعریف عامل های جدیدی بر اساس همبستگی متغیرها وجود دارد. در آزمون بارتلت فرض صفر بیان می کند ماتریس همبستگی یک ماتریس واحد و همانی است که اگر باشد برای شناسایی ساختار (مدل عاملی) نامناسب می باشد. اگر sig آزمون بارتلت کوچکتر از ۰.۰۵ باشد رد فرض صفر تحلیل عاملی برای شناسایی ساختار مدل عاملی مناسب است. زیرا فرض شناخته شده بودن ماتریس همبستگی رد می شود.

اجرای تحلیل عاملی در SPSS
در این تحقیق، به منظور تعیین و اندازه گیری سهم بازار و قدرت رقابتی کسب و کار در گروه بهمن، با توجه به تحقیقات گذشته ۸ متغیر تاثیر گذار شناسایی شده و در بین ۱۴۵ نفر از متخصصین ،کارشناسان و مدیران شرکت گروه بهمن توزیع و داده ها جمع آوری شده است. طیف پاسخ به سوالات، طیف پنج گزینه ای لیکرت است که هریک از پاسخ ها به صورت (۱= خیلی زیاد، ۲=زیاد، ۳=متوسط، ۴=کم، ۵= متوسط) ارزش گذاری شده است. میخواهیم جهت شناخت عوامل اصلی، از تحلیل عاملی استفاده کنیم. سوالات ۸ گانه این تحقیق را در جدوال زیر قابل مشاهده می باشد. جدول خروجی اول ماتریس همبستگی بین متغیرها را نشان می دهد. همه مقادیر قطر اصلی این ماتریس یک هستند زیرا همبستگی هر متغیر با خودش را نشان می دهد.
جدول ۳-۵: ماتریس همبستگی سوالات Correlation Matrix
در جدول خروجی دوم نتیجه آزمون بارتلت که تقریبی از آماره کای دو است، را نشان داده شده است. مقدار sig آزمون بارتلت، کوچکتر از ۰.۰۵ (۰.۰) است که نشان دهنده این است که تحلیل عاملی برای شناسایی ساختار، مدل عاملی مناسب است و فرض شناخته شده بودن ماتریس همبستگی رد می شود. همچنین شاخص KMO با مقدار ۰.۱۸۵ در ابتدای این جدول آمده است. چون مقدار آن به یک نزدیک نیست، تعداد نمونه (تعداد پاسخ دهندگان) برای تحلیل عاملی کافی نمی باشد لذا بهتر است تعداد نمونه بیشتری گرفته شود.
جدول ۳-۶: آزمون بارتلت و شاخص KMO
خروجی سوم به ترتیب اشتراک اولیه (Initial) و اشتراک استخراجی (Extraction) را نشان می دهد. اشتراک یک متغیر برابر توان دوم همبستگی چندگانه () برای متغیرهای مربوطه با بهره گرفتن از عامل ها به عنوان پیش بینی کننده است. ستون اول اشتراک ها را قبل از استخراج عامل یا عامل ها بیان می کند. به همین دلیل تمامی اشتراک های اولیه برابر ۱ می باشد. در ستون دومی هرچه مقادیر اشتراک استخراجی بزرگ تر باشد، عامل های استخراج شده، متغیرها را بهتر نمایش می دهند. اگر هر یک از مقادیر اشتراک استخراجی بسیار کوچک باشند (کمتر از ۰.۵) باید حذف شوند و ممکن است استخراج عامل دیگری الزامی شود. در این مثال هیچکدام از متغیرها مقادیر اشتراک استخراجی شان کمتر از ۰.۵ نیست.
جدول ۳-۷: آزمون جدول اشتراک اولیه و اشتراک استخراجی
خروجی چهارم با عنوان Total Variance Explained حاوی سه قسمت است.
قسمت اول با برچسب Initial Eigenvalues مربوط به مقادیر ویژه است و تعیین کننده عامل هایی است که مقادیر ویژه آنها بیشتر از ۱ است و در تحلیل باقی می مانند. عامل هایی که دارای مقدار ویژه کمتر از ۱ هستند، از تحلیلی خارج می شوند و عوامل خارج شده از تحلیل، عواملی هستند که حضور آنها باعث تبیین بیشتر واریانس نخواهد شد. قسمت دوم با برچسب Extraction Sums of Squared Loadings مربوط به مقدار ویژه عوامل استخراجی بدون چرخش است. قسمت سوم این جدول با عنوان Rotation Sums of Squared Loadings نشان دهنده مقادیر ویژه عوامل استخراجی با چرخش می باشد. در این مثال عامل های ۱،۲،…،۸دارای مقادیر ویژه بزرگ تر از ۱ هستند و در تحلیل باقی می مانند. اگر به ستون واریانس تجمعی نسبی توجه کنید، این چهار عامل می توانند ۸۵.۱۳۰ درصد از تغییر پذیری (واریانس) متغیرها را توضیح دهند. توجه داشته باشید که در چرخش عامل های باقی مانده، نسبتی از کل تغییرات که توسط این سه عامل توضیح داده می شود، ثابت است ولی بر خلاف روش بدون چرخش، که در آن عامل اول درصد بیشتری از تغییرات (۱۹.۴۱۶ درصد) را تعیین می کند، در روش چرخش عامل ها، هریک از آن ها نسبت تقریبا یکسانی از تغییرات را توضیح می دهند. این ویژگی چرخش واریماکس (Varimax) است که تغییرات را میان عامل ها به صورت یکنواخت توزیع می کند.
جدول ۳-۸: توضیح واریانسها
خروجی پنجم نمودار scree است که برای متغیرها می باشد. این نمودار تصویر گرافیکی مقدار ویژه در هریک از عامل های استخراج شده است. مقدار واریانس توجیه شده (مقدار ویژه) با استخراج عامل های بعد از عامل هشتم به سرعت افت می کند. مقادیر ویژه عامل های اول، دوم و … و هشتم بیشتر از یک است و به همین دلیل در خروجی باقی می ماند.
نمودار ۳-۱: نمودار جزئی (Scree)
خروجی ششم ماتریس اجزا یا عامل های چرخیده نشده را نشان می دهد که شامل بارهای عاملی (اثربخشی عاملی) هریک از متغیرها در هشت عامل باقی مانده می باشد.
جدول ۳-۹: ماتریس اجزاء
تفسیر بارهای عاملی بدون چرخش ساده نیست. بنابراین عامل را می چرخانیم تا قابلیت تفسیر آن افزایش یابد. این موضوع در خروجی بعدی آمده است.
خروجی هفتم ماتریس چرخیده شده اجزا را نشان می دهد که شامل بارهای عاملی هریک از متغیرها در ۸ عامل باقی مانده پس از چرخش است. این ماتریس را راحت تر از ماتریس چرخیده نشده قبلی می توان تفسیر کرد. هرچه مقدار قدر مطلق این ضرایب بیشتر باشد، عامل مربوط به نقش بیشتری در کل تغییرات (واریانس) متغیر مورد نظر دارد.
جدول ۳-۱۰: ماتریس چرخیده اجزاء
با توجه به نتیجه تحلیل عاملی روی ۲۰ متغیر قدرت رقابتی کسب و کار، هشت عامل به عنوان عامل های اصلی شناسایی می شود.
در حالی که سه متغیر اول تنها روی عامل ۵ دارای بار عاملی بیشتری هستند، متغیر ۴ و ۵ روی عامل ۷، متغیر ۶ روی عامل ۸ و …دارای بار عاملی زیادتری هستند. این هشت عامل ناهمبسته هستند و از طرفی همبستگی بین ۲۰ متغیر را می توان با این هشت عامل توجیه کرد.