نوامبر 26, 2020

بررسی رابطه بین دانش مشتری و وفاداری مشتریان با میانجگری ارزش مشتری۹۳- قسمت …

1 min read

توصیف داده ها
تجزیه تحلیل و تبیین داده ها.
در مرحله توصیف داده، جامعه مورد مطالعه با توجه به متغیرهای مورد نظر توصیف شده و تصویری از وضعیت موجود ارائه می گردد. در واقع در بخش آمار توصیفی محقق درصدد اثبات یا رد فرضیه خاصی نیست و روابط بین متغیرهای مدنظر نمی باشد( کلانتری،۱۳۸۹). لذا به منظور شناخت بهتر ماهیت جامعه ای که در پژوهش مورد مطالعه قرار گرفته است و آشنایی بیشتر با متغیرهای پژوهش، قبل از تجزیه و تحلیل داده های آماری، لازم است که این داده ها توصیف شوند. همچنین توصیف آماری داده ها گامی در جهت تشخیص الگوی حاکم بر آنها و پایه ای برای تبیین روابط بین متغیرهایی است که در پژوهش به کار می روند.
۳-۸-۲- آمار استنباطی
تکنیک های آماری که در هر تحقیق مورد استفاده قرار می گیرد بنا به ضرورت تحقیق و در جهت اثبات یا رد فرضیات تحقیق می باشد. در تحلیل های آمار استنباطی همواره نظر بر این است که نتایج حاصل از مطالعه گروه کوچکی به نام نمونه چگونه به گروه بزرگ تری به نام جامعه تعمیم داده می شود (بساق زاده،۱۳۹۰).
۳-۸-۲-۱- تحلیل داده ها
فرایند تجزیه و تحلیل ساختارهای کوواریانس( مدل سازی معادلات ساختاری) شامل گامهایی است که می توان در شکل (۳-۱) خلاصه کرد:
شکل(۳-۱): نمایش مراحل اساسی تحلیل
۳-۸-۲-۱-۱- بیان مدل
این مرحله در واقع همان بیان رسمی مدل است که یکی از مهمترین مراحل موجود در مدل سازی معادلات ساختاری است. در واقع هیچگونه تحلیلی صورت نمی گیرد، مگر اینکه اول محقق مدل خود را که درباره روابط میان متغیرها بیان و مشخص کند. این مرحله شامل فرمول بندی( تنظیم) یک عبارت درباره مجموعه ای از پارامترهاست. این پارامترها در زمینه مدل سازی معادلات ساختاری ماهیت روابط میان متغیرها را نشان می دهند. در مدل سازی معادلات ساختاری اندازه و علامت این پارامترها تعیین می شود( سرمد و دیگران، ۱۳۸۵).
۳-۸-۲-۱-۲- تخمین مدل
پس از بیان مدل، مرحله بعد به دست آوردن تخمین پارامترهای آزاد از روی مجموعه ای از داده های مشاهده شده است. روش های تکراری از قبیل بیشینه درست نمایی یا حداقل مجذورات تعمیم یافته جهت تخمین مدل مورد استفاده قرار می گیرد.
روش کار در این رویه های تخمین به این صورت است که در هر تکرار، یک ماتریس کوواریانس ضمنی ساخته می شود و با ماتریس کوواریانس داده های مشاهده شده مقایسه می شود.
مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده می شود و این تکرارها تا جایی ادامه خواهد یافت که این ماتریس باقیمانده حداقل شود. محاسبات یا برآورد پارامترها حداکثر تا ۲۵۰ تکرار امکان پذیر می باشد. در صورتی که تعداد تکرارها از ۲۵۰ بیشتر شود، محاسبات مربوط به برآورد پارامتر متوقف می شود.
متغیرهای تحقیق به دو دسته پنهان و آشکار تبدیل می شوند. متغیرهای آشکار یا مشاهده شده به گونه ای مستقیم به وسیله پژوهشگر اندازه گیری می شود. در حالیکه متغیرهای مکنون[۷۷] یا مشاهده نشده به گونه ای مستقیم اندازه گیری نمی شوند، بلکه بر اساس روابط یا همبستگی های بین متغیرهای اندازه گیری شده استنباط می شوند.
متغیرهای پنهان به دو دسته برونزا[۷۸] و درونزا[۷۹] تقسیم می شوند. متغیرهای مکنون بیانگر یک سری سازه های تئوریکی هستند؛ مانند مفاهیم انتزاعی که مستقیماً قابل مشاهده نیستند و از طریق سایر متغیرهای مشاهده شده ساخته و مشاهده می شوند. متغیرهای مکنون به نوبه خود به دو نوع متغیرهای برونزا یا جریان دهنده و دورنزا یا جریان گیرنده تقسیم می شوند. هر متغیر در سیستم مدل معادلات ساختاری می تواند هم به عنوان یک متغیر درونزا و هم یک متغیر برونزا در نظر گرفته شود. متغیر درونزا متغیری است که از جانب سایر متغیرهای موجود در مدل تأثیر می پذیرد. در مقابل متغیر برونزا متغیری است که هیچ گونه تأثیری از سایر متغیرهای موجود در مدل دریافت نمی کند. بلکه خود تأثیر می گذارد( سرمد و دیگران، ۱۳۸۵). در این پژوهش متغیرهای ارزش مشتری و وفاداری مشتری متغیرهای درونزای پژوهش و متغیر دانش مشتری شامل: دانش برای مشتری، دانش از مشتری و دانش درباره مشتری متغیرهای برونزای پژوهش می باشند.
۳-۸-۲-۱-۳- آزمون مدل پژوهش
در مدل سازی معادلات ساختاری عموماً دو نقش اصلی انجام می گیرد.
مدل اندازه گیری[۸۰] یا تحلیل عاملی تـأییدی[۸۱]: روابط بین متغیرهای پنهان با متغیرهای آشکار.
مدل های ساختاری[۸۲] یا مدل تحلیل مسیر[۸۳]– تعمیم تحلیل رگرسیون: روابط بین متغیرهای پنهان با یکدیگر.
برای بررسی مدل، نخست از تحلیل عامل تأییدی برای سنجش روابط متغیرهای پنهان با گویه های سنجش آنها استفاده شده است. مدل اندازه گیری( تحلیل عاملی تأییدی) ارتباط گویه ها یا همان سئوالات پرسشنامه را با سازه ها مورد بررسی قرار می دهد. سپس با استفاده از مدل ساختاری ارتباط عامل ها با یکدیگر جهت آزمون فرضیات مورد بررسی قرار خواهند گرفت. در واقع تا ثابت نشود نشانگرها یا همان سئوالات پرسشنامه، متغیرهای پنهان را به خوبی اندازه گیری کرده اند، نمی توان روابط را مورد آزمون قرار داد. لذا برای اثبات اینکه مفاهیم به خوبی اندازه گیری شده اند از مدل اندازه گیری یا تحلیل عاملی تأییدی استفاده می شود. (هومن،۱۳۸۸).
۳-۸-۲-۱-۳-۱- تحلیل عاملی تأییدی
در تحلیل عاملی تأییدی پژوهشگر به دنبال تهیه مدلی است که فرض می شود دا

نوشته ای دیگر :   جستجوی مقالات فارسی - بررسی تاثیر تداعی های برند بر اعتماد و وفاداری مشتریان- قسمت ۷

منبع فایل کامل این پایان نامه این سایت pipaf.ir است

ده های تجربی را بر پایه چند پارامتر نسبتاً اندک، توصیف تبیین یا توجیه می کند. این مدل مبتنی بر اطلاعات پیش تجربی درباره ساختار داده ها است که می تواند به شکل تئوری یا فرضیه، یک طرح طبقه بندی کننده معین برای گویه ها در انطباق با ویژگی های عینی شکل و محتوا، شرایط معلوم تجربی و یا دانش حاصل از مطالعات قبلی درباره داده های وسیع باشد. روش های تأییدی( آزمون فرضیه) تعیین می کنند که داده ها با یک ساختار عاملی معین ( که در فرضیه آمده) هماهنگ هستند یا نه.
۳-۸-۲-۱-۳-۲- تحلیل مسیر
روابط بین متغیرهای پنهان که به عنوان معادلات ساختاری نام برده می شوند، برای آزمون فرضیات استفاده می شوند. تمامی ضرایب با استفاده از آماره t آزمون می گردند. این آماره(T-value) زمانی معنادار می شود که مقدار آن خارج بازه (۱٫۹۶+ تا ۱٫۹۶-) قرار گیرد و اگر مقدار آماره t درون این بازه قرار گیرد، معنادار نمی باشد.
۳-۸-۲-۱-۳-۳- ارزیابی تناسب مدل پژوهش
وقتی گفته می شود مدل با مجموعه داده های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده های مشاهده شده، هم ارز( معادل) باشد. یعنی وقتی ماتریس باقیمانده و عوامل( عناصر آن) نزدیک صفر باشد. البته این تناسب به روش تخمین مدل، ویژگی های داده های مشاهده شده و … بستگی دارد.
مهمترین شاخص تناسب مدل آزمون مجذور کای است. البته استفاده از این آزمون متضمن رعایت مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، شاخص های ثانویه به وجود آمد. تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص ها تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است و هرچه ارزش آن کوچکتر باشد نشان دهنده تناسب بهتر مدل است. اما در مقابل شاخص های تناسب ثانویه از قبیل AGFI, GFI, NFI شاخص های تناسب مدل هستند، در این شاخص ها هرچه ارزش آنها بیشتر باشد، مدل تناسب بهتری دارد. در ادامه به طور خلاصه برخی از شاخص های تناسب مدل شرح داده می شود.
آزمون مجذور کای به درجه آزادی
از شاخص مجذور کای اغلب به عنوان شاخص موفقیت نام برده می شود. این شاخص به سادگی نشان می دهد که آیا بیان مدل ساختار روابط میان متغیرهای مشاهده شده را توصیف می کند یا خیر. این شاخص نسبت به اندازه نمونه حساس است، وقتی حجم نمونه برابر ۷۵ تا ۲۰۰ باشد مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدلهای با n بزرگتر، مجذور کای تقریباً همیشه از لحاظ آماری معنادار است. از طرف دیگر مجذور کای تحت تأثیر مقدار همبستگی های موجود در مدل نیز هست. هر چه این همبستگی ها زیادتر باشد، برازش ضعیف تر است. برخی از محققان از نسبت مجذور کای به درجه آزادی به عنوان شاخص جایگزینی استفاده می کنند.
شاخص برازش هنجار شده بنتلر- بونت(NFI)
این شاخص اولین بار توسط بنتلر و بونت(۱۹۸۰) در مقاله ای با عنوان آزمون های معناداری و نیکویی برازش در تحلیل ساختارهای کوواریانس مطرح شد. مهم ترین نقطه ضعف آن عدم حساستیش به افزودن پارامتر به مدل است، به نحوی که هرچه پارامتر به مدل اضافه شود، مقدار این شاخص نیز افزایش می یابد. مقدار قابل قبول برای این شاخص حداقل ۰٫۹ و مقداری که نشان دهنده یک برازش خوب است حداقل۰٫۹۵ درنظر گرفته شده است( بساق زاده،۱۳۹۰).
شاخص نیکویی برازش(GFI) و نیکویی برازش اصلاح شده(AGFI)
لیزرل یک شاخص نیکویی برازش( نسبت مجموع مجذورات تبیین شده توسط مدل به کل مجذورات ماتریس برآورد شده در جامعه) محاسبه می کند. این شاخص از نظر مطلوبیت به ضریب همبستگی شباهت دارد. هر دوی این معیارها بین صفر و یک هستند. این شاخص به وسیله اندازه نمونه تحت تأثیر قرار نمی گیرد. مقدار مطلوب آن می بایستی از ۰٫۹ بیشتر باشد و هر چه این میزان به یک نزدیکتر باشد، نیکویی برازش مدل با داده های مشاده شده بیشتر است. البته این مقادیر می تواند برای مدل هایی که به گونه ضعیفی فرمول بندی شده اند، بزرگ تر باشد. درباره کاربرد آن توافق کلی وجود ندارد.
شاخص ریشه دوم میانگین مربعات خطای برآورد(RMSEA)
RMSEA معیار میانگین اختلاف بین داده ها و ماتریس کوواریانس- واریانس ضمنی است. این معیار هر چه قدر کوچکتر باشد، برای تناسب مدل با داده ها بهتر است( زیر ۰٫۰۵ بسیار عالی، زیر۰٫۰۸ مناسب و بالای ۰٫۰۹ نا مناسب است) این شاخص، شاخصی با ارزشی است هنگامی که میانگین واریانس- کوواریانس داده ها شناخته شده باشد. ارزیابی هنگامی که ماتریس واریانس- کوواریانس غیر استاندارد مورد استفاده قرار می گیرد، سخت و مشکل است.
شاخص توکر- لویس (TLI) یا (NNFI)

نوشته ای دیگر :   دسترسی به منابع مقالات :مطالعه و رتبه بندی میزان تاثیر عوامل موثر بر خلاقیت کارکنان بر جذب ...

Copyright © All rights reserved. | Newsphere by AF themes.