تحلیل همبستگی متمرکز رابطه بین دو مجموعه از متغیرها را بررسی مینماید. پژوهشگران نیاز دارند تا دو مسئله را در نظر بگیرند: 1) انتخاب مجموعه متغیرها 2) ارزیابی اهداف پژوهش
اهداف پژوهش میتوانند یک یا تمامی اهداف زیر باشند:

  • تعیین اینکه آیا دو مجموعه متغیر از یکدیگر مستقل هستند یا تعیین میزان بزرگی ارتباطی که ممکن است بین دو مجموعه از متغیرها وجود داشته باشد.
  • تعیین مجموعهای از اوزان برای متغیرهای مستقل و وابسته بطوریکه ترکیب خطی هر مجموعه بیشترین همبستگی را داشته باشند. توابع خطی دیگر که همبستگی باقیمانده را بیشینه مینماید و از توابع خطی قبلی مستقل هستند.
  • توضیح طبیعت هرگونه ارتباط موجود بین مجموعههای متغیرهای مستقل و وابسته بطور کلی توسط اندازه گیری سهم نسبی هر متغیر برای تابع متمرکز که استخراج میشوند.

ضرایب همبستگی متمرکز[96] (کانونی) میتواند برای هدف اول استفاده شوند و بار عاملی متمرکز[97] (کانونی) برای هدف دوم مناسب هستند. شاخص افزونگی[98] و واریانس استخراج شده برای هدف سوم مورد استفاده قرار میگیرند.
مرحله 2: طراحی یک تحلیل همبستگی متمرکز
مسائلی که باید در این مرحله در نظر گرفته شوند، عبارتند از : 1) اندازه نمونه مناسب 2) متغیرها و ارتباطهای مفهومی 3) نبود داده از دست رفته[99] .
در علوم اجتماعی و کسب و کار بطور کلی انتظار میرود که داده‌ها روایی بالاتر از 0.7 داشته باشند و برای هر متغیر مستقل حداقل 10 مشاهده صورت گرفته باشد.
مرحله 3: فرضیات در تحلیل همبستگی متمرکز
خطی بودن[100]: خطی بودن برای تحلیل همبستگی متمرکز بسیار مهم است و از دو جنبه بر نتایج تحلیل تأثیر میگذارد. اول، ضریب همبستگی متمرکز بین دو متغیر متمرکز بر اساس ارتباط خطی است، اگر متغیرهای متمرکز ارتباط غیر خطی داشته باشند، ارتباط بین آنها توسط ضریب همبستگی متمرکز شناسایی نمیشوند. دوم، تحلیل همبستگی متمرکز رابطه خطی بین متغیرهای متمرکز را بیشینه میکند. بنابراین، اگرچه تحلیل همبستگی متمرکز عمومیترین روش چند متغیره است ولی هنوز محدود به شناسایی روابط خطی میباشد.
مرحله 4: محاسبه توابع متمرکز[101] و ارزیابی کلی
بعد از انتخاب متغیرها و ارزیابی دادهها، قدم بعدی در تحلیل همبستگی متمرکز، محاسبه یک یا چند تابع متمرکز است. هر تابع متمرکز شامل یک جفت متغیر متمرکز است – یکی برای متغیرهای مستقل و دیگری برای متغیرهای وابسته. بیشترین تعداد تابعهای متمرکز برابر با کمترین تعداد متغیرها در مجموعه مستقل یا وابسته میباشد.
اولین تابع متمرکز که استخراج میشود بیشترین مقدار واریانس در مجموعه متغیرها دارد. تابع دوم سعی میکند تا بیشترین واریانس ممکن را شامل شود و این موضوع تا آخرین تابع متمرکز ادامه مییابد. در نتیجه اولین جفت متغیرهای متمرکز بیشترین همبستگی داخلی ممکن را دارند.
(Joseph F. Hair, Black, Babin, & Anderson, 2010) استفاده از سطح معنادار بودن برای انتخاب تابع متمرکز برای تفسیر را سطحی میدانند و بجای آن، سه معیار برای اینکه بتوان گفت که کدام تابع متمرکز باید برای تفسیر در نظر گرفته شوند، پیشنهاد میکنند. 1) سطح معنادار بودن آماری تابع 2) بزرگی همبستگی متمرکز 3) شاخص افزونگی برای درصد واریانس تشکیل شده از دو مجموعه داده.
سطح معنادار بودن:
سطح معنادار بودن برای همبستگی متمرکز بطور کلی برای اینکه برای تفسیر پذیرفته شود باید حداقل 0.05 باشد. گستردهترین آزمونی که توسط نرمافزارهای آماری مورد استفاده قرار میگیرد، آزمون F-statistic، بر اساس تخمین Rao[102] میباشد.
علاوه بر این برای آزمون جداگانه هر تابع متمرکز، آزمون چند متغیره تمامی ریشههای متمرکز[103] میتواند برای ارزیابی معنادار بودن ریشههای متمرکز استفاده شوند. بسیاری از شاخصها برای ارزیابی معناداری توابع تشخیصی[104] شامل Wilks` lambda، Hotelling`s trace، Pillai`s trace و Roy`s gcr نیز وجود دارند.
بزرگی ارتباطهای متمرکز:
(Joseph F. Hair, Black, Babin, & Anderson, 2010) پیشنهاد میکنند که بزرگی همبستگی متمرکز هم برای انتخاب تابع متمرکز برای تحلیل در نظر گرفته شود، هرچند که هنوز راهنمای درست و دقیقی برای تفسیر آن پیشنهاد نشده است.
شاخص افزونگی واریانس به اشتراک گذاشته شده:
مربع همبستگی متمرکز تخمینی از واریانس مشترک بین متغیرهای متمرکز ارائه میکند، اما استفاده از آن منجر به درک نادرست میشود. زیرا مربع همبستگی متمرکز واریانس به اشتراک گذاشته شده توسط ترکیب خطی مجموعههای متغیرهای مستقل و وابسته را نشان میدهد، نه واریانس استخراج شده از مجموعه متغیرها. بنابراین، یک همبستگی متمرکز نسبتاً قوی ممکن است بین دو ترکیب خطی (متغیرهای متمرکز) بدست بیاید، حتی اگر این ترکیب خطی سهم معناداری از واریانس از مجموعههای متغیرهای مرتبط آنها را استخراج نکنند.
مرحله 5: تفسیر متغیر متمرکز
اگر رابطه متمرکز از نظر آماری معنادار بود و بزرگی ریشه متمرکز و شاخص افزونگی قابل قبول بود، پژوهشگر هنوز نیاز به تفسیرهای از نتایج دارد. این تفسیرها شامل بررسی توابع متمرکز برای تعیین اهمیت نسبی هر متغیر اصلی در ارتباطهای متمرکز میباشد. سه روش پیشنهاد شده است: 1) وزنهای متمرکز[105] (وزنهای استاندارد شده[106]) 2) بار متمرکز[107] (همبستگی ساختاری[108]) و 3) همبستگی میان ساختاری[109].
(Joseph F. Hair, Black, Babin, & Anderson, 2010) بیان میکنند که رویکرد همب
ستگی میان ساختاری برای تفسیر بر دو روش دیگر ترجیح دارد.
مزایا و معایب استفاده از روش همبستگی متمرکز
مزایای زیادی برای استفاده از روش تحلیل همبستگی متمرکز وجود که بیشتر آنها مربوط به این میشود که روش تحلیل همبستگی متمرکز یک تکنیک چند متغیره[110] است. روشهای چند متغیره مانند CCA، احتمال بروز خطای نوع یک در هر پژوهشی محدود میکنند (Thompson, 1991). خطای نوع یک به احتمال پیدا کردن جوابی که از نظر آماری درست است ولی در واقع جواب درستی نیست، برای مثال پیدا کردن ارتباط بین متغیرهایی که هیچ ارتباط منطقی بین آنها وجود ندارد، اشاره دارد. CCA میتواند بجای آزمونهای پارامتریک دیگر که نه تنها آن را آزمونی مهم بلکه آزمون کامل میکند. همانطور by Henson (2000), Knapp (1978), and Thompson (1991) نشان دادند تمامی آزمونهای پارامتریک که اغلب توسط پژوهشگران علوم رفتاری استفاده میشود میتواند توسط CCA انجام شود. انعطافپذیری ذاتی همبستگی متمرکز بر اساس تعداد و نوع متغیرهایی که پشتیبانی میکند، این روش را به جایگزینی منطقی برای مسائل پیچیدهتر که با تکنیکهای چند متغیره در نظر گرفته شدهاند میکند (Joseph F. Hair, Black, Babin, & Anderson, 2010).
اما این روش مزیتهای نیز نسبت به روش معادلات ساختار یافته (SEM)[111] نیز دارد. در واقع SEM بیشترین مدل‌سازی خطی عمومی (GLM[112]) را فراهم میآورد. یا این وجود، SEM خطاها را نیز در هنگام تحلیل محاسبه میکند درحالیکه روشهای کلاسیک آماری دیگر چنین نمیکنند .
برای اجرای تحلیل همبستگی متمرکز از نرمافزار Statistica 7 استفاده خواهد شد. همچنین برای محاسبه ضرایب میان ساختاری از نرمافزار SPSS 16 استفاده میشود.
فصل چهارم
تجزیه و تحلیل دادهها
فصل چهارم: تجزیه و تحلیل دادهها
مقدمه
تجزيه و تحليل داده‌ها براي بررسي صحت و سقم فرضيات براي هر نوع تحقيق از اهميت خاصي برخوردار است. امروزه در بيشتر تحقيقاتي که متکي بر اطلاعات جمع‌آوري شده از موضوع مورد تحقيق مي‌باشد؛ تجزيه و تحلیل اطلاعات از اصلي‌ترين و مهم‌ترین بخش‌های تحقيق محسوب مي‌شود. داده‌هاي خام با استفاده از فنون آماري مورد تجزيه و تحليل قرار مي‌گيرند و پس از پردازش به شکل اطلاعات در اختيار استفاده کنندگان قرار مي‌گيرند.
در اين فصل با استفاده از آزمون‌های آماري متناسب با روش تحقيق و نوع متغيرهايي كه در فصل سوم توضيح داده شد، به رسالت اصلي تحقيق يعني آزمون فرضيه هاي تحقيق و دستيابي به اهداف تحقيق بر اساس داده‌هاي به دست آمده خواهيم پرداخت. تحلیل‌های بكار گرفته شامل تحليل پیرسون و تحليل همبستگي متمرکز است. لازم به ذكر است جامعه آماری این تحقیق شامل خبرگان و کارشناسان مجموعه شرکت‌های گروه توسن می‌باشد.
آمار توصیفی

نوشته ای دیگر :   بررسی روابط متقابل میان ارتباط شبکه های همکاری، توانایی های نوآوری فناورانه و نوآوری در شرکت های تولیدکننده نرم افزارهای بانک داری در ایران. مطالعه موردی شرکت نرم افزاری توسن(کیش ویر)91- قسمت 35