دانلود پایان نامه با موضوع تحلیل عامل

دانلود پایان نامه ارشد

43
113. 020
. 323
. 537
. 789
Q10
108. 36
113. 751
. 300
. 506
. 790
Q11
108. 16
113. 190
. 325
. 397
. 789
Q12
107. 11
115. 355
. 185
. 277
. 794
Q13
107. 55
113. 374
. 310
. 330
. 789
Q14
107. 43
114. 839
. 250
. 330
. 792
Q15
107. 83
112. 805
. 309
. 366
. 789
Q16
107. 34
112. 788
. 387
. 400
. 787
Q17
108. 38
111. 895
. 380
. 505
. 787
Q18
107. 96
112. 983
. 322
. 469
. 789
Q19
107. 26
113. 764
. 278
. 293
. 791
Q20
107. 34
113. 745
. 248
. 514
. 792
Q21
107. 65
114. 750
. 216
. 461
. 793
Q22
108. 39
113. 677
. 260
. 339
. 791
Q23
107. 01
114. 166
. 261
. 445
. 791
Q24
107. 82
111. 813
. 460
. 519
. 785
Q25
107. 75
112. 025
. 454
. 539
. 785
Q26
107. 68
113. 616
. 268
. 298
. 791
Q27
107. 51
111. 286
. 459
. 515
. 784
Q28
106. 85
118. 496
. 028
. 218
. 800
Q31
107. 43
111. 342
. 297
. 403
. 790
Q32
107. 67
112. 723
. 264
. 461
. 792
Q33
107. 96
111. 194
. 273
. 476
. 792
Q34
107. 62
112. 187
. 276
. 420
. 791
Q35
107. 72
108. 673
. 399
. 447
. 785
Q37
106. 97
116. 507
. 145
. 312
. 795
Q38
107. 47
116. 482
. 111
. 306
. 798

در تحلیل عامل اولیه با توجه به اینکه اندازه میانگین کفایت نمونه‏گیری (Kaiser-Meyer-Olkin Measure of Samplng =KMO) حدود 70 درصد است لذا چون بالای 50 درصد است (در اینجا 0. 707 که حدود 71 درصد است)پس این پرسشنامه توانایی عاملی شدن را به مقدار قابل قبول تا اینجا دارا می‏باشد. (هرچه به یک نزدیکتر باشد بهتر است) و همچنین طبق آزمون کرویت بارتلت(Bartlett’s Test of Sphericity)چون مقدار آن (Sig. = 0. 000)در جدول زیر کوچکتر از 5 درصد است توانایی عاملی شدن تا اینجا تأیید می‏شود ولی بهتر است سایر شاخص‏های توانایی عاملی شدن را به دلیل حساس بودن این آزمون مورد برسی قرار داد.
KMO and Bartlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
. 707
Bartlett’s Test of Sphericity
Approx. Chi-Square
2310. 953

Df
703

Sig.
. 000

جهت بررسی سایر شاخص‏های توانایی عاملی شدن مقدار KMO هر سئوال را از ماتریس image Matrices Anti- مشاهده کرده و اگر اندازه نمونه مناسب باشد در روی عناصر قطر اصلی قسمت دوم ماتریس image Matrices Anti- که بعد از آن یک خط کشیده شده است و تحت عنوان image correlation Anti- مشخص شده است در بالای عدد آن حرف a نمایش داده شده است و به معنی اینست که اندازه نمونه مناسب می‏باشد. (Measures of Sampling Adequacy=MSA)(همگی بالای 5/0 است)
به دلیل بزرگی این ماتریس آن را نمی توان نمایش داد. بنابراین هیچ سئوالی لازم به حذف نیست.
میزان اشتراکات در جدول زیر آورده شده که کمترین آن برابر 0. 439 است.

Communalities

Initial
Extraction
Q1
1. 000
. 665
Q2
1. 000
. 527
Q3
1. 000
. 643
Q4
1. 000
. 682
Q5
1. 000
. 439
Q6
1. 000
. 758
Q7
1. 000
. 785
Q8
1. 000
. 638
Q9
1. 000
. 705
Q10
1. 000
. 735
Q11
1. 000
. 601
Q12
1. 000
. 534
Q13
1. 000
. 539
Q14
1. 000
. 652
Q15
1. 000
. 552
Q16
1. 000
. 720
Q17
1. 000
. 620
Q18
1. 000
. 652
Q19
1. 000
. 442
Q20
1. 000
. 722
Q21
1. 000
. 695
Q22
1. 000
. 633
Q23
1. 000
. 690
Q24
1. 000
. 662
Q25
1. 000
. 679
Q26
1. 000
. 644
Q27
1. 000
. 669
Q28
1. 000
. 640
Q29
1. 000
. 690
Q30
1. 000
. 632
Q31
1. 000
. 604
Q32
1. 000
. 573
Q33
1. 000
. 666
Q34
1. 000
. 591
Q35
1. 000
. 626
Q36
1. 000
. 659
Q37
1. 000
. 689
Q38
1. 000
. 722
Extraction Method: Principal Component Analysis.
جدول زیر تعداد عوامل و مقدار واریانس کل تبیین شده را ارائه میکند. همانطور که مشاهده می‏شود تعداد عوامل برابر10 که بعد از چرخش نیز تغییر نکرده است و این عوامل روی هم 64. 14 درصد از واریانس را تبیین می‏کنند.
(دراین جدول عوامل نشان داده شده 10 تا است که مقدار ویژه آن از عدد یک بیشتر است )
Total Variance Explained
Component
Initial Eigenvalues
Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings

Total
% of Variance
Cumulative %
Total
% of Variance
Cumulative %
Total
% of Variance
Cumulative %
1
5. 443
14. 323
14. 323
5. 443
14. 323
14. 323
2. 951
7. 765
7. 765
2
3. 577
9. 413
23. 736
3. 577
9. 413
23. 736
2. 728
7. 179
14. 944
3
2. 514
6. 617
30. 353
2. 514
6. 617
30. 353
2. 376
6. 252
21. 196
4
2. 212
5. 822
36. 175
2. 212
5. 822
36. 175
2. 374
6. 248
27. 444
5
1. 696
4. 463
40. 638
1. 696
4. 463
40. 638
2. 313
6. 086
33. 530
6
1. 646
4. 331
44. 969
1. 646
4. 331
44. 969
2. 011
5. 291
38. 821
7
1. 539
4. 050
49. 019
1. 539
4. 050
49. 019
1. 863
4. 903
43. 724
8
1. 284
3. 379
52. 399
1. 284
3. 379
52. 399
1. 767
4. 651
48. 375
9
1. 241
3. 266
55. 665
1. 241
3. 266
55. 665
1. 697
4. 466
52. 841
10
1. 132
2. 980
58. 645
1. 132
2. 980
58. 645
1. 613
4. 244
57. 085
11
1. 052
2. 769
61. 415
1. 052
2. 769
61. 415
1. 343
3. 534
60. 619
12
1. 038
2. 731
64. 146
1. 038
2. 731
64. 146
1. 340
3. 527
64. 146
13
. 944
2. 484
66. 630

14
. 911
2. 398
69. 028

15
. 886
2. 331
71. 359

16
. 801
2. 108
73. 467

17
. 742
1. 953
75. 420

18
. 721
1. 896
77. 316

19
. 683
1. 798
79. 114

20
. 649
1. 709
80. 823

21
. 620
1. 633
82. 455

22
. 591
1. 555
84. 010

23
. 580
1. 527
85. 537

24
. 546
1. 437
86. 974

25
. 525
1. 380
88. 355

26
. 501
1. 319
89. 674

27
. 477
1. 256
90. 930

28
. 455
1. 197
92. 127

29
. 401
1. 054
93. 182

30
. 381
1. 002
94. 183

31
. 351
. 924
95. 107

32
. 346
. 911
96. 018

33
. 308
. 811
96. 829

34
. 285
. 750
97. 578

35
. 271
. 713
98. 292

36
. 233
. 614
98. 906

37
. 226
. 595
99. 501

38
. 190
. 499
100. 000

Extraction Method: Principal Component Analysis.
نمودار سنگریزهی زیر، مقادیر ویژه را برای هر عامل نشان می‏دهد و یک عامل با بیشترین مقدار ویژه را نشان می‏دهد که از پنج بیشتر است و یک عامل که از دو بیشتر است و عاملهای بزرگتر از یک را نشان می‏دهد(دو عامل)

در جدول زیر سئوالاتی که روی 10 عامل بارگذاری شده آمده است. (قبل از چرخش)

Component Matrixa

Component

1
2
3
4
5
6
7
8
9
10
Q25
. 653

Q24
. 644

Q27
. 639

Q1
. 566

-. 379

Q3
. 525

Q11
. 523

Q17
. 499

. 338

Q10
. 481

-. 452

Q13
. 453

-. 437

Q26
. 397

. 344

Q2
. 391

-. 370

Q22
. 388

-. 368

Q33

. 708

Q32

. 699

Q31

. 673

Q34

. 661

Q35

. 659

Q38

. 485

. 348

-. 410
Q37

. 456

. 416

. 358

Q23

. 570

. 350

Q20

. 561
. 412

Q9
. 513

-. 531

Q19

. 500

Q12

. 487

. 365

Q21

. 436
. 406

Q5

. 394

Q18
. 443

. 446

-. 387

Q14

. 547

Q16
. 425

. 489

. 338

Q15
. 449

. 457

Q7
. 370

-. 559

Q6
. 370

-. 512

Q28

. 366

. 353
. 579
Extraction Method: Principal Component Analysis.
a. 10 components extracted.

که بعد از چرخش واریماکس داریم:
Rotated Component Matrixa

Component

1
2
3
4
5
6
7
8
9
10
Q33
. 786

Q34
. 740

Q31
. 727

Q35
. 678

Q32
. 674

Q9

. 778

Q10

. 718

Q22

. 660

Q11

. 548

Q27

. 740

Q25

. 687

Q24

. 665

Q20

. 825

Q21

. 768

Q23

. 394
. 546

Q19

. 546

Q3

. 683

Q2

. 662

Q1

. 577

Q5

Q14

. 710

Q16

. 626

Q15

. 608

Q12

. 517

Q26

. 643

Q18

. 619

Q17

. 396

. 582

Q13

. 345

. 463

Q7

. 832

Q6

. 823

Q38

. 750

Q28

. 859
Q37

. 458
. 518
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 10 iterations
4-3-1- محاسبه پایایی سوالات تحقیق
برای تعیین سازگاری یا انسجام یا ثبات درونی1 سئوالاتی از پرسشنامه که قرار است جنبه‏های یک مفهوم یا سازه را اندازه‏گیری کند بایستی با یک دیگر همبستگی نسبتاً زیادی داشته باشند. یکی از روشهای اندازه‏گیری برای سازگاری درونی محاسبه نوعی پایایی است که از طریق آلفای کرونباخ صورت می‏گیرد و به ضریب آلفا معروف است. قاعده کلی این است که مقدار آلفای کرونباخ یک پرسشنامه بایستی حداقل به مقدار عددی 70 درصد نزدیک باشد. البته بایستی دقت نمود که زیاد بودن آن (بالای 90 درصد) همواره دلیل بر خوب بودن نیست زیرا اولاً ممکن است سئوالات با هم همخطی چندگانه و تکینی داشته یعنی سئوالات با هم همپوشانی دارند (کوواریانس مشترک آنها بالا است) و به عبارتی یک چیز را اندازه می‏گیرند که در این صورت بایستی یکی از سئوالاتی که همپوشانی بالایی دارند را نگه داشت و مابقی را از پرسشنامه حذف نمود. ثانیاً ممکن است سئوالات با یکدیگر همبستگی کمی داشته باشند که بهتر است در این حالت به سه مورد دیگر که در گزارش spss می‏آید توجه نمود.
(1) همبستگی یک سئوال با مابقی سئوالات2
(2) مجذور همبستگی چندگانه3
(3) مقدار آلفای کرونباخ اگر آن سئوال حذف شود4
اگر مورد (1) و (2) کم باشد و مقدار (3) به اندازه نسبتاً زیادتری از ضریب آلفای بدست آمده در محاسبه اولیه باشد بهتر است آن سئوال را حذف نمود.
اگر در ستون (2) یعنی

پایان نامه
Previous Entries دانلود پایان نامه با موضوع جامعه آماری، معادلات ساختاری، مدل معادلات ساختاری، چند متغیره Next Entries دانلود پایان نامه با موضوع زنجیره تأمین، تحلیل عامل، تحلیل عاملی، تحلیل عاملی تأییدی