دانلود پایان نامه ارشد با موضوع مقایسات زوجی، تحلیل عاملی، ناسازگاری

دانلود پایان نامه ارشد

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.

3-9-2- روش تحلیل سلسله مراتبی(AHP 103)

روش AHP توسط فردی عراقی به نام ساعتی104، در دهه 1970 پیشنهاد شد. این روش، مانند آنچه در مغز انسان انجام می شود، به تجزیه و تحلیل مسائل می پردازد. AHP تصمیم گیرندگان را قادر می سازد اثرات متقابل و همزمان بسیاری از وضعیت های پیچیده و نامعین را تعیین کنند. این فرآیند، تصمیم گیرندگان را یاری می کند تا اولویت ها را بر اساس اهداف، دانش و تجربة خود تنظیم نمایند؛ به نحوی که احساسات و قضاوت های خود را به طور کامل در نظر گیرند. برای حل مسائل تصمیم گیری از طریق AHP، باید مسأله را به دقت و با همه جزییات، تعریف و تبیین کرد و جزییات آن را به صورت ساختارِ سلسله مراتبی ترسیم نمود. AHP بر اساس سه اصل زیر استوار است (مؤمنی، 1389):
الف) اصل ترسیم درخت سلسله مراتبس؛
ب) اصل تدوین و تعیین اولویت ها؛
ج) اصل سازگاری منطقی قضاوت ها.
اکنون هریک از سه اصل زیر را شرح می دهیم.

الف) اصل ترسیم درخت سلسله مراتبی
بر اساس این اصل، درک یک مسأله در حالت کلی و پیچیده، برای انسان کاری دشوار است و ممکن است ابعاد مختلف و مهم مسألة مورد نظر، مورد توجه قرار نگیرد. از این رو، تجزیة یک مسألة کلی، به چندین مسألة جزیی تر، در درک مسآله بسیار کارساز می باشد. در واقع، تجزیة یک مسألة بزرگتر به مسائل کوچکتر، بیانگر روابط موجود بین عناصر کوچکتر است؛ به گونه ای که با انجام این عمل، روابط و مفاهیم مسألة مورد تصمیم گیری و همچنین ارتباط هر عنصر با عناصر دیگر، به دقت درک می شود. با این کار، «درخت سلسله مراتبس تصمیم» بوجود می آید و در درک مسأله، کمک قابل توجهی می کند.

ب) تعیین اولویت ها
انسان نمی تواندیک مسأله را به طور کلی درک نماید. بنابراین، آن ها را به مسائل کوچکتر تجزیه می کند و با توجه به معیارهای مشخص، بین آن ها «مقایسات زوجی» انجام داده و برتری یک گزینه بر گزینة دیگر را مشخص می نماید. سپس این نتایج، وارد مدل های مختلف تصمیم گیری شده تا درک بهتری از کل سیستم ارائه شود .

ج) سازگاری منطقی قضاوت ها
ذهن انسان می تواند به نحوی بین اجزاء، رابطه برقرار کند که بین آنها سازگاری و ثبات منطقی وجود داشته باشد. سازگاری در دومفهوم به کار می رود (همان):
ایده ها و اشیاء مشابه، با توجه به ارتباطشان، در یک گروه قرار می گیرند. برای نمونه یک انگور و یک مهره، از نظر معیار گردی، در یک گروه قرار می گیرند؛ ولی اگر معیار مورد نظر، طعم باشد، بین این دو ارتباطی وجود ندارد.
معیار دوم، میزان ارتباط بین ایده های مختلف، با توجه به معیار خاص آن هاست. برای مثال، اگر معیار مورد نظر ما شیرینی باشد و بخواهیم شیرینی عسل، شکر و شیره ملاس را با هم مقایسه کنیم و شیرینی عسل، 5 برابر شیرینی شکر، باشد و شیرینی شکر 2 برابر شیرینی شیره ملاس باشد؛ در این صورت عسل 10 بار از ملاس شیرینتر است. در این مثال، اگر شیرینی عسل، 4 برابر شیرینی شیره ملاس باشد قضاوت ها یا هم سازگاری ندارند. این ارتباطات، تأثیر نسبی اجزای هر سطح را به اجزای سطوح بالاتر نشان می دهد.

الگوریتم AHP
در این مرحله با مدل AHP ، مسأله را تجزیه و تحلیل کرده و آن را به چند قسمت ساده تر تجزیه می کنیم. پس از آن که گزینه ها و شاخص ها مشخص شد، بین شاخص ها مقایسات زوجی انجام می دهیم. در مرحله بعد، برای هر شاخص بین گزینه ها، مقایسات زوجی انجام می دهیم. سپس از الگوریتم زیر پیروی می کنیم (همان):
الف) به هنجار کردن105 ماتریس مقایسات زوجی؛
ب) به دست آوردن میانگین حسابی هر سطر ماتریس به هنجار شدة مقایسات زوجی ( که به آن وزن نسبی می گویند)؛
ج) ضریب وزن های نسبی شاخص ها در میانگین نسبی گزینه ها؛
د) رتبه بندی کردن گزینه ها.
بعد از این مرحله، به سراغ « سنجش نرخ ناسازگاری» می رویم. به این منظور، مراحل زیر را طی می کنیم:
گام1. محاسبة بردار مجموع وزنی106 (WSV): ماتریس مقایسات زوجی (D) را در بردار وزن های نسبی ضرب کنید. به بردار حاصل، «بردار مجموع وزنی» (رابطه4)گفته می شود

رابطه 4 WSV = D × W

گام 2. محاسبة بردار سازگاری107 (CV) : عناصر بردار مجموع وزنی را بر بردار وزن های نسبی تقسیم کنید. به بردار حاصل، «بردار سازگاری» گفته میشود.
گام 3. محاسبة بزرگترین مقدار ویژة108 ماتریس مقایسات زوجی (maxλ): برای محاسبة بزرگترین مقدار ویژة ماتریس مقایسات زوجی، میانگین عناصر بردار سازگاری محاسبه می شود.
گام 4. محاسبة شاخص ناسازگاری109 (II) : شاخص ناسازگاری به صورت رابطه 3-5 محاسبه می شود. رابطه 5 II = (maxλ-n)/(n-1)

گام 5. محاسبة نرخ ناسازگاری110 (IR): به این منظور، به ترتیب زیر(رابطه 6) عمل می شود:

ر ابطه6 IR = II/IRI

در اینجا، IRI ( شاخص ناسازگاری تصادفی111) مقداری است که از جدول مربوطه استخراج می شود. جدول شاخص ناسازگاری تصادفی، بر اساس شبیه سازی به دست آمده است و به صورت جدول3-2 است:

جدول3-2. شاخص ناسازگاری تصادفی
10
9
8
7
6
5
4
3
2
1
n
51/1
45/1
41/1
32/1
24/1
12/1
90/0
58/0
0
0
IRI

در صورتی که نرخ ناسازگاری، کوچکتر یا مساوی 1/0 باشد (1/0 IR≤)، در مقایسات زوجی، سازگاری وجود دارد و می توان کار را ادامه داد. در غیر این صورت، تصمیم گیرنده باید در مقایسات زوجی تجدید نظر کند.
لازم به ذکر است که برای پر کردن ماتریس مقایسات زوجی، از مقیاس 1 تا 9 استفاده می شود تا اهمیّت نسبی هر عنصر نسبت به عناصر دیگر، در رابطه با آن خصوصیت، مشخص شود. جدول 3-4 ، مقیاس را برای انجام مقایسات زوجی نشان می دهد.
جدول 3-3- مقیاس AHP
شرح تعریف درجه اهمیت
دو عنصر اهمیت یکسانی داشته باشند اهمیت یکسان 1
یک عنصر نسبت به دیگری، نسبتا ترجیح داده می شود . نسبتا مرجح 3
یک عنصر نسبت به عنصر دیگر زیاد ترجیح داده می شود. ترجیح زیاد 5
یک عنصر نسبت به عنصر دیگر بسار ترجیح داده می شود ترجیح بسیار زیاد 7
یک عنصر نسبت به عنصر دیگر ترجیح فوقالعاده زیادی دارد. ترجیح فوق العاده زیاد 9
ارزشهای بینابین در قضاوتها 2و4و6و8
نکته مهم: هنگامی که عنصر i با عنصر j مقایسه میشود یکی از اعدادبالا به آن اختصاص می یابد. در مقایسه عنصر j با i مقدار معکوس آن عدد اختصاص می یابد. ) 1/Xij)=Xji

توجه داشته باشید که در ماتریس مقایسات زوجی، سطر i با ستون j مقایسه می شود. بنابراین تمامی عناصر قطر اصلی این ماتریس عدد یک می باشد همچنین هر مقدار زیرِ قطر اصلی، معکوس مقدار بالای قطر است.

3-9-3-مدل تاپسیس TOPSIS112

مدل TOPSIS توسط هوانگ و یون113 در سال 1981، پیشنهاد شد. این مدل، یکی از بهترین مدل های تصمیم گیری چند شاخصه است و از آن، استفادة زیادی می شود، در این روش نیز m گزینه به وسیله n شاخص، مورد ارزیابی قرار می گیرد. اساس این تکنیک، بر این مفهوم استوار است که گزینة انتخابی، باید کمترین فاصله را با راه حل ایده آل مثبت (بهترین حالت ممکن) و بیشترین فاصله را با راه حل ایده آل منفی (بدترین حالت ممکن) داشته باشد. فرض بر این است که مطلوبیت هر شاخص، به طور یکنواخت افزایشی یا کاهشی است. حل مسأله با این روش، مستلزم طی شش گام زیر است (مؤمنی، 1389):
کمّی کردن و بی مقیاس سازی ماتریس تصمیم(N): برای بی مقیاس سازی، از بی مقیاس سازی نورم استفاده می شود.
به دست آوردن ماتریس بی مقیاس موزون(V): ماتریس بی مقیاس شده (N) را در ماتریس قطری وزن ها(Wn×n) ضرب می کنیم، یعنی:

رابطه 7 V = N × Wn×n

تعیین راه حل ایده آل مثبت و راه حل ایده آل منفی: راه حل ایده آل مثبت و ایده آل منفی، به صورت زیر تعریف می شوند:
[ بردار بهترین مقادیر هر شاخص ماتریس V ] = راه حل ایده آل مثبت(Vj+)

[ بردار بدترین مقادیر هر شاخص ماتریس V ] = راه حل ایده آل منفی(Vj-)

«بهترین مقادیر» برای شاخص های مثبت، بزرگترین مقادیر و برای شاخص های منفی، کوچکترین مقادیر است و «بدترین» برای شاخص های مثبت، کوچکترین مقادیر و برای شاخص های منفی بزرگترین مقادیر است.

به دست آوردن میزان فاصلة هر گزینه تا ایده آل مثبت و منفی: فاصلة اقلیدسی از ایده آل مثبت (dj+) و فاصلة هر گزینه تا ایده آل منفی (dj-)، بر اساس رابطه های زیر حساب می شود.

رابطه 8 m,…..,1,2=i di+ = √(∑_(j=1)^n▒〖(V_ij- V_j^+)〗^2 )

رابطه 9 m,…..,1,2=i di- = √(∑_(j=1)^n▒〖(V_ij- V_j^-)〗^2 )

تعیین نزدیکی نسبی (CL*) یک گزینه به راه حل ایده آل:
رابطه 10 CL* = (d_i^-)/(d_i^-+ d_i^+ )

رتبه بندی گزینه ها: هر گزینه ای که CL آن بزرگتر باشد، بهتر است.

فصل چهارم

تجزیه و تحلیل داده ها

4-1- مقدمه

هدف تحقیق حاضر دست یابی به مدلی از روابط علّی بین متغیر ها است. این شیوه با ترکیب اطلاعات علت و معلول بر مبنای تئوری معین، روابط بین متغیر ها را توضیح داده و مبنایی برای استنباط فراهم می آورد. استنباط های علّی بر مبنای انواع همبستگی داده ها حاصل شده و ممکن است تبیین کنندة روابط بین متغیرهای مشاهده پذیر و مکنون باشد. بعبارتی در مدل یابی علّی، هدف به دست آوردن برآوردهای کمی روابط علّی بین مجموعه ای از متغیرهاست.
در این فصل از پژوهش، ابتدا تحلیل عاملی اکتشافی مدل نوآوری تشریح می شود تا ابعاد اصلی مدل ساختاری تحقیق شناسایی گردد. سپس به تجزیه و تحلیل وزن عاملها با روش AHP و در نهایت به تجزیه و تحلیل دانشگاهها و رتبه بندی آنها با روش TOPSISپرداخته می شود.

4-2- تحلیل عاملی اکتشافی مدل نوآوری

برای شناسایی مدل نوآوری دانشگاه از تحلیل عاملی اکتشافی استفاده شده است. زیرا تحلیل عاملی اکتشافی جهت تحلیل دقیقتر داده ها و دستیابی به نتایج علمی و عملیاتی تر، راهکار کاهش تعداد متغیر ها و شناسایی ساختار درونی آنها می تواند کارساز باشد. تحلیل عاملی اکتشافی شیوه ای است که سعی در اکتشاف متغیر های اساسی یا عامل ها در راستای تبیین الگوی همبستگی بین متغیر های مشاهده شده دارد.در این پژوهش نتیجه استفاده از تحلیل عاملی اکتشافی شش خروجی می باشد که در ذیل به آن اشاره می شود.
خرجی اول(جدول4-1) به ترتیب مقدار شاخص KMO، مقدار آماره آزمون بارتلت (که تقریبی از آماره کای دو است)، درجه آزادی و sig آزمون را نشان می دهد. از آنجاییکه مقدار شاخص KMO برابر 865/0 است (نزدیک به یک) تعداد نمونه (تعداد پاسخ دهندگان پرسشنامه شماره 1) برای تحلیل عاملی کافی می باشد.

پایان نامه
Previous Entries دانلود پایان نامه ارشد با موضوع تحلیل عامل، تحلیل عاملی، قابلیت اعتماد Next Entries دانلود پایان نامه ارشد با موضوع آموزش ضمن خدمت، ساختار دانش، تحلیل عاملی