سايت مقالات فارسی – طراحی مدل تشخیص فرصت های کارآفرینانه در دانشگاه مطالعه موردی دانشگاه شاهد- قسمت ۱۹

میزان آلفای کرونباخ

دانشگاه کارآفرین

۹۵۳/۰

محیط

۹۶۵/۰

فرصت

۹۹۱/۰

فرصت های آینده

۷۲۰/۰

کل تحقیق

۸۸۴/۰

با توجه به نتایج بدست آمده از آلفای کرونباخ که همه متغیرها بالای ۷/۰ می باشد، می توان گفت پرسشنامه از پایایی قابل قبولی برخوردار می باشد.
روش تجزیه وتحلیل داد ه ها
دادهها پس از جمعآوری از پرسشنامهها ابتدا به صورت توصیفی بررسی شدند. فراوانی دادهها در قالب جداول و نمودارها ارائه شد تا تصویر روشنتر و خلاصه و قابل فهمی از دادهها به دست دهد. علاوه بر آن تحلیل استنباطی نیز با تحلیل عاملی تاییدی و تحلیل مسیر انجام شد. از نرمافزار آماری SPSS برای تحلیل توصیفی دادهها و از نرم افزار کمترین توان جزئی برای تحلیلهای عاملی تاییدی و مسیر استفاده شد. نرم افزار لیزرل نیز برای تست مدل تحقیق استفاده گردید. لیرزل یک محصول نرم افزاری خودکفاست که به منظور برآورد و آزمون مدلهای ساختاری طراحی شده و شرکت بینالمللی نرمافزار علمی(SSI)[169] آن را به بازار ارائه نموده است. این نرمافزار با استفاده از همبستگی و کوواریانس بین متغیرهای اندازهگیری شده میتواند مقادیر بارهای عاملی، واریانسها و خطاهای متغیرهای مکنون(پنهان یا اندازهگیری نشده) را برآورد یا استنباط کند.(هومن، ۱۳۸۷) . روش کمترین توان جزیی[۱۷۰] برای آزمون فرضیه ها استفاده می شود . بر مبنای الگوریتم کمترین توان جزیی این تکنیک ، داده های تجربی با تئوری پشتیبانی ناکارا و اطلاعات در دسترس کم را مورد تجزیه و تحلیل قرار می دهد . در مقایسه با مدل روابط ساختاری خطی ، لیزرل، روش کمترین توان جزیی در اندازه ی نمونه پایین هنگام برآورد ضریب مسیر انعطاف پذیر تر است و نتایج مثبت تری را به دنبال دارد. وقتی مفهوم معیارهای اندازه گیری ادغام می کند، متغیرهای مدل رگرسیون ، هم خطی شان مسئله ایجاد می کند. بر عکس ،کمترین توان دوم جزیی با اندازه گیری خطاها سرو کار دارد، بنابراین هم خطی خطوط ، در آن مسئله ایجاد نمی کند .
تحلیل عامل تاییدی
درمطالعات علوم انسانی بیشتر خصیصهها به گونهای دقیق و روشن تعریف نشده است و در نتیجه متغیرهای مربوط به هر خصیصه، علاوه بر اینکه با یکدیگر همپوشی و تداخل پیدا میکند، به خصیصههای جانبی دیگری نیز مربوط می شود. این همپوشی و تداخل متغیرها، توصیف و شناخت ویژگیهای افراد را دشوار می سازد؛ به این معنی که دادههایی که با استفاده از ابزار سنجش برای هر فرد به دست میآید، معرف خصیصه متمایز و روشنی نیست، بنابراین، نمرههای حاصل باید تجزیه و تحلیل شود و ساختار بنیادی مشخصی از آنها به دست آید تا برای توصیف فرد، صفات اساسیتری در دست داشته باشیم. پژوهشگر باید به دنبال سازه یا خصیصه های ساده و روشنی باشد که میزان همپوشی بین آنها تا حد امکان کمتر باشد و او را به دقت و قطعیت بیشتری برساند. برای رسیدن به این هدف، روش های متعدد و متنوعی وجود دارد. از جمله این روشها، روش تحلیل عاملی است که به شکل فرمول و روابط ریاضی بیان میشود. روش تحلیل عاملی به پژوهشگر کمک می کند تا با به کارگیری اصول آماری، متغیرهای مورد مطالعه را به دقت تعریف و معلوم کند که هر متغیر تا چه حد با متغیرهای دیگر در ارتباط است (هومن، ۱۳۸۰).
تحلیل عاملی متشکل از مجموعهای از روشهای آماری است که هدفش ساده کردن مجموعهای پیچیده از دادههاست. در علوم اجتماعی، تحلیل عاملی در مورد همبستگیهای بین متغیرها به کار می رود. در ادبیات تحلیل عاملی، اساساً یک عامل, بعد یا برساخته[۱۷۱] بیان موجز و فشردهای از روابط میان مجموعهای از متغیرهاست. به عبارت دیگر، یک عامل، برساختهای است که به طور عملیاتی به وسیله بارهای عاملی[۱۷۲] خود تعریف می شود و بارهای عاملی، نشانگر همبستگیهای هر یک از متغیرها با یک عامل است( کلاین، ۱۳۸۱).
تحلیل عاملی به دو شاخهی اکتشافی و تأییدی تقسیم میشود. در تحلیل عاملی اکتشافی[۱۷۳] هدف، اکتشاف موضوع و کشف روابط بین برساختهها یا ابعاد عمدهی یک موضوع است و زمانی که دادهها پیچیده باشد و متغیرهای بسیار مهمی در تشخیص مسأله نامعلوم باشد به کار می رود. به عبارت دیگر، تحلیل عاملی اکتشافی وقتی به کار می رود که پژوهشگر شواهد کافی قبلی و پیش تجربی برای تشکیل فرضیه درباره تعداد عاملهای زیربنایی دادهها نداشته و در حقیقت مایل باشد درباره تعیین تعداد یا ماهیت عاملهایی که همپوشی بین متغیرها را توجیه میکند، دادهها را بکاود. بنابراین، تحلیل اکتشافی بیشتر به عنوان یک روش تدوین و تولید نظریه، و نه یک روش آزمون فرض در نظر گرفته می شود( هومن، ۱۳۸۷).
در ابتدا تحلیل عاملی صرفاً یک روش اکتشافی آماری بود. اما اخیراً این امکان به وجود آمده که میتوان با استفاده از تحلیل عاملی به آزمون فرضیه ها پرداخت. این روش را یورسکوک[۱۷۴] ابداع کرد و نام آن را تحلیل عاملی تأییدی[۱۷۵] گذاشت. دراین روش بر اساس مطالعات قبلی یا نظریهای مرتبط با همبستگیهای عاملی متغیرها، فرضیهسازی میشود. سپس تا جایی که ممکن است، به برازاندن[۱۷۶] (جورکردن) این همبستگیها در ماتریس هدف میپردازد (کلاین، ۱۳۸۱).
تحلیل عاملی تأییدی در واقع یک مدل آزمون فرضیه است که در آن پژوهشگر تحلیل خود را با یک فرضیه آغاز میکند. این مدل که مبتنی بر یک شالوده تجربی و نظری قوی است، مشخص میکند که کدام متغیرها با کدام عاملها و کدام عاملها با یکدیگر همبسته میشود. برای ارزشیابی روایی سازه نیز یک روش قابل اعتماد – به پژوهشگر عرضه میکند تا از این طریق بتواند به گونه بارزی فرضیههایی را درباره ساختار عاملی دادهها که ناشی از یک مدل از پیش تعیین شده با تعداد و ترکیب مشخصی از عاملهاست، بیازماید. روش تأییدی بعد از -مشخص کردن عاملهای پیش تجربی، از طریق تعیین برازندگی مدل عاملی از پیش تعیین شده، تطابق بهینه ساختارهای عاملی مشاهده شده و نظری را برای مجموعه دادهها آزمون میکند (هومن،۱۳۸۷). با توجه به ویژگیها و کارکردهای تحلیل عاملی تأییدی، در این پژوهش برای سنجش روایی سازه ابزار اندازهگیری از این روش استفاده شده است و نتایج آن در فصل چهارم به تفصیل آمده است.
مدل معادلات ساختاری
مدل ساختاری شامل مجموعهای از معادلات ساختاری است که روابط عِلّی ممکن بین متغیرها را تبیین میکند. مدلیابی معادله ساختاری یک تکنیک نیرومند تحلیل چند متغیری با متغیرهای مکنون[۱۷۷]، یا مدل رگرسیون و تحلیل ساختار کوواریانس نیز نامیده شده، یکی از پیشرفت های روششناسی نویدبخش در علوم رفتاری است که کاربرد دادههای همبستگی، آزمایشی و غیرآزمایشی را برای تعیین میزان موجه بودن[۱۷۸] مدلهای نظری در یک جامعهی بخصوص امکان پذیر میسازد.
یک مدل کامل معادله ساختاری در حقیقت بیانگر آمیزهای از نمودار مسیر و تحلیل عاملی تأییدی است. چون مدل کامل معادله ساختاری شامل دو دسته متغیرهای مشاهده شده و مشاهده نشده است، پارامترهای مدل باید از طریق پیوند بین واریانسها و کوواریانسهای متغیرهای مشاهده شده و پارامترهای مدل چنان که توسط پژوهشگر مشخص شده است برآورد شود. شیوه های متفاوتی برای قضاوت درباره برازش کل مدل وجود دارد. یک محقق باید از معیارهای مختلف برای قضاوت در مورد برازش مدل استفاده کند، زیرا شاخص واحدی وجود ندارد که بطور قطعی برای آزمون مدل مورد قضاوت و ارزیابی قرارگیرد(کلانتری، ۱۳۸۸). در این پژوهش برای سنجش برازش نیکویی الگوی مورد مطالعه از شاخصهایی همچون (NFI[179])، ([۱۸۰]NNFI)، (RMSEA[181])، ([۱۸۲]GFI)، ([۱۸۳]RMR) و… استفاده شد که در ادامه توضیح داده خواهد شد.
شاخص بنتلر – بونت[۱۸۴]: شاخص نرم شده برازندگی (NFI[185]) مدل صفر را به عنوان مدلی که در آن همه همبستگیها صفر است تعریف میکند. چنانچه مقدار این شاخص بین ۰٫۹۰ تا ۰٫۹۵ باشد قابل قبول و مقادیر بالاتر از ۰٫۹۵ عالی است.
شاخص تاکر – لویز[۱۸۶] : شاخص نرم نشده برازندگی (NNFI) است. اگر این شاخص بزرگتر از یک باشد، برابر با یک قرار داده شده و همانند شاخص بنتلر- بونت تفسیر میشود. باید توجه داشت که مقدار کوچک نسبت مجذور کای به درجه آزادی (تا آن جا که کوچکتر از یک نباشد) دلالت بر برازش بهتر مدل دارد.
شاخص ریشه خطای میانگین مجذورات تقریب (RMSEA) : این اندازه مبتنی بر پارامتر غیرمرکزی است؛ زمانی که مقدار این آماره کمتر از ۰۵/۰ باشد، نشان میدهد که مدل از برازش خوبی برخوردار است. در صورتی که مقدار آن بین ۰۵/۰ تا ۰۸/۰ باشد برازش قابل قبول و اگر بین ۰۸/۰ و ۱/۰ باشد برازش متوسط و اگر بزرگتر از ۱/۰ باشد برازش ضعیف است(کلانتری، ۱۳۸۸)
شاخص نیکویی برازش (GFI): این شاخص نسبت مجموع مجذور تفاوتها به واریانس مشاهده شده است. مقدار آن بین صفر و ۱ و مقدار بزرگتر از ۹/۰ حاکی از برازش قابل قبول مدل است.

دانلود متن کامل پایان نامه در سایت jemo.ir موجود است