عنوان: ارائه یک مدل نوآورانه جهت ارزیابی نوآوری دانشگاه ها با رویکرد تلفیقی تحلیل عاملی اکتشافی، AHP و TOPSIS
همه بندهای یک پروپوزال استاندارد: دارد
منابع فارسی: دارد
منابع لاتین: دارد
نوع فایل: Word قابل ویرایش
تعداد صفحه: 37 صفحه
شماره: 570


قسمتی از این پروپوزال:

تحلیل داده ها

برای تجزیه و تحلیل داده ها از آزمون تحلیل عاملی و روش AHP و روش TOPSIS استفاده شده که در اینجا به شرح مختصر هرکدام پرداخته می شود.

تحلیل عاملی معمولاً در تحقیقات به دلایل مختلف با حجم زیادی از متغیرها روبرو هستیم.

برای تحلیل دقیقتر داده ها و رسیدن به نتایج علمی تر و در عین حال عملیاتی تر، پژوشگران به دنبال کاهش حجم متغیرها و تشکیل ساختار جدیدی برای آن ها می باشند و بدین منظور از روش تحلیل عاملی استفاده می کنند.

تحلیل عاملی سعی در شناسایی متغیرهای اساسی یا عامل ها به منظور تبیین الگوی همبستگی بین متغیرهای مشاهده شده دارد. تحلیل عاملی نقش بسیار مهمی در شناسایی متغیرهای مکنون یا همان عامل ها از طریق متغیرهای مشاهده شده دارد. عامل، متغیر جدیدی است که از طریق ترکیب خطی مقادیر اصلی متغیرهای مشاهده شده به صورت رابطه2 برآورد می شود.

در این رابطه xj بیانگر متغیر i ام، wji ضریب نمره عاملی متغیر i ام و از نظر عامل j ام، p تعداد متغیرها و Fj عامل j ام است. رابطه 2 xp xi = wj1 x1 + wj2 x2 + … + wjp = Fj تحلیل عاملی دارای کاربردهای متعددی است که عبارتند از:

• کاهش داده ها ؛

• شناسایی ساختار ؛

• سنجش اعتبار یک معیار یا شاخص؛

تحلیل عاملی بر دو نوع است: تحلیل عاملی اکتشافی و تحلیل عاملی تأییدی .

در تحلیل عاملی اکتشافی پژوهشگر درصدد کشف ساختار زیر بنایی مجموعه نسبتاً بزرگی از متغیرها است و پیش فرض اولیه پژوهشگر، آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد.

به عبارت دیگر پژوهشگر در این روش، هیچ تئوری اولیه ای ندارد.

در تحلیل عاملی تأییدی پیش فرض اساسی پژوهشگر آن است که هر عاملی با زیر مجموعه خاصی از متغیرها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تأییدی این است که پژوهشگر در مورد تعداد عامل های مدل، قبل از انجام تحلیل، پیش فرض معینی داشته باشد. ولی در عین حال پژوهشگر می تواند انتظارات خود مبنی بر روابط بین متغیرها و عامل ها را نیز در تحلیل وارد نماید(مؤمنی و قیومی، 1389).

اگر محقق درباره تعداد عامل های مدل فرضیه ای نداشته باشد، تحلیل اکتشافی و در صورتی که فرضیه موجود باشد از تحلیل تأییدی استفاده می شود(سرمد و همکاران، 1390).

تحلیل عاملی دارای سه مرحله زیر می باشد:

1. تشکیل ماتریسی از ضرایب همبستگی؛

2. استخراج عامل ها از ماتریس همبستگی؛

3. چرخش عامل ها به منظور به حداکثر رساندن رابطه بین متغیرها و عامل ها ( عامل های مورد نظر)، محاسبه نمره عامل ها (بار عامل ها) که مقدار آن باید بیشتر از 3/0 ( به اعتقاد برخی صاحبنظران بیشتر از 4/0) باشد.

توجه به این نکته لازم به نظر می رسد که در تحلیل عاملی، تعداد موارد حداقل باید ده برابر تعداد متغیرها باشد، گرچه بعضی از صاحب نظران معتقدند که تعداد موارد باید حداقل بیست برابر تعداد متغیرها باشد.

• شاخص KMO و آزمون بارتلت در انجام تحلیل عاملی، ابتدا باید از این مسئله اطمینان حاصل شود که می توان داده های موجود را برای تحلیل مورد استفاده قرار داد. به عبارت دیگر، آیا تعداد داده های مورد نظر ( اندازه نمونه و رابطه بین متغیر ها) برای تحلیل عاملی مناسب هستند یا خیر؟

بدین منظور از شاخص KMO و آزمون بارتلت استفاده می شود(مؤمنی و قیومی، 1389):

شاخص KMO : شاخصی از کفایت نمونه گیری است که کوچک بودن همبستگی جریی بین متغیرها را بررسی می کند و از این طریق مشخص می سازد آیا واریانس متغیرهای تحقیق، تحت تأثیر واریانس مشترک برخی عامل های پنهانی و اساسی است یا خیر.

این شاخص در دامنه صفر تا یک قرار دارد. اگر مقدار شاخص نزدیک به یک باشد، داده های مورد نظر (اندازه نمونه) برای تحلیل عاملی مناسب هستند و در غیر این صورت (معمولاً کمتر از 6/0) نتایج تحلیل عاملی برای داده های موردنظر چندان مناسب نمی باشند.

این شاخص از رابطه 3 به دست می آید که در این رابطه rij ضریب همبستگی بین متغیرهای i وj، و aij ضریب همبستگی جزیی بین آنها است. رابطه3 KMO = آزمون بارتلت: این آزمون بررسی می کند چه هنگام ماتریس همبستگی، شناخته شده (از نظر ریاضی ماتریس واحد و همانی) است و بنابراین برای شناسایی ساختار (مدل عاملی) نامناسب می باشد.

ماتریس همبستگی دارای دو حالت است: حالت اول) زمانی که ماتریس همبستگی بین متغیرها، یک ماتریس یکه می باشد، در این صورت ارتباط معنی داری بین متغیرها وجود داشته و بنابراین امکان شناسایی و تعریف عامل های جدیدی بر اساس همبستگی متغیرها وجود دارد.

اگر سطح معنی داری(sig) آزمون بارتلت کوچکتر از 5 درصد باشد تحلیل عاملی برای شناسایی ساختار (مدل عاملی) مناسب است، زیرا فرض یکه (واحد) بودن ماتریس همبستگی رد می شود.


قیمت با تخفیف ویژه: