Page 49 - Gomezelj Omerzel, Doris. 2015. Inovativnost kot ključni dejavnik uspešnosti podjetja. Založba Univerze na Primorskem, Koper.
P. 49
rezultati
Faktorska analiza za vse dimenzije in strukturni modeli
Za preverjanje konstruktov smo uporabili faktorsko analizo (eksplorativno in kon-
firmativno), in sicer s programskimi paketi SPSS in EQS. Pri faktorski analizi opazujemo
niz odvisnih ali neodvisnih spremenljivk. Na podlagi opazovanih spremenljivk skozi sto-
pnje faktorske analize oblikujemo nove spremenljivke, tako imenovane faktorje. Faktorska
analiza poišče latentne faktorje, ki delujejo v ozadju in tako prispevajo k oblikovanju spre-
menljivk. Pri izvedbi faktorske analize lahko uporabimo več vrst tehnik. Sami smo upora-
bili metodo glavnih komponent (Principal Component Factoring – PCF).
Pred uporabo te metode je treba preveriti, ali so podatki primerni za faktorsko anali-
zo. Uporabimo KMO (angl. Keiser-Meyer-Olkin Measure of Sampling Adequacy) in Bar-
tlettov preizkus (angl. Bartlett´s test of Sphericity). Statistika KMO meri moč povezave.
Vrednosti statistike KMO nad 0,5 nam povedo, da so ti podatki primerni za uporabo iz-
brane metode. Z Bartlettovim preizkusom preverjamo hipotezo, ali je korelacijska matri-
ka enotska. Preizkus mora pokazati značilne razlike pri zanemarljivi stopnji tveganja (p <
0,05) in v tem primeru ugotovimo, da korelacijska matrika ni enotska, torej so opazovane
spremenljivke do določene mere povezane. Taki podatki so primerni za nadaljnjo analizo.
V naslednjih korakih je pomembna izbira števila faktorjev, s katerimi bomo ohranili kar
največ variabilnosti osnovnih podatkov. Ker smo posamezne dimenzije oblikovali skladno
z že večkrat empirično preverjenimi merami, smo želeli tako strukturo modela in take di-
menzije tudi obdržati. Zato smo se odločili za vsako dimenzijo oblikovati en faktor. Če do-
volj velik delež variance odpade na faktor, lahko ta uspešno zamenja prvotno množico spre-
menljivk pri nadaljnjih izračunih. S tem nam faktorska metoda omogoča zmanjšati našo
obsežno zbirko podatkov ob minimalni izgubi informacij.
V našem modelu, ki vključuje določljivke inovativnosti, inovativnost samo in outpute
inovativnosti, smo želeli raziskati skupino medsebojno povezanih odnosov. Uporabili smo
strukturirano modeliranje enačb (SEM). Gre za razširitev multivariatnih metod, predvsem
pa faktorske analize in multiple regresije. SEM je zanimiva tehnika tudi zato, ker zagota-
vlja jasno metodo, kadar se ukvarjamo z več medsebojnimi odnosi hkrati, ob tem pa je sta-
tistično učinkovita in lahko razločno oceni odnose. Modele strukturnih enačb zaznamuje-
ta dve značilnosti: sposobnosti ocenjevanja multiplih in medsebojno povezanih odvisnosti
ter sposobnosti vključevanja latentnih spremenljivk (ponazorjenih z eno ali več opazovani-
mi spremenljivkami), pri čemer se v pojasnjevanju odnosov upoštevajo tudi merske napa-
ke teh spremenljivk.
Primernost modela smo preizkušali s konvergentno in diskriminantno veljavnostjo
ocenjenih faktorjev ter zanesljivostjo mer. Za ugotavljanje zanesljivosti kazalnikov smo pre-
verili Cronbachov koeficient α. Za oceno kakovosti strukturnega in merskega modela pa
smo uporabili »good in bad fit« indekse (NFI (angl. normed fit index) ima vrednost med
0 in 1 in bolj, kot je blizu 1, boljši je model, CFI (angl. comparative fit index) zavzema vre-
dnosti med 0 in 1, višje vrednosti pomenijo boljši model), RMSR (angl. root mean square
residual) je kazalec z vrednostmi med 0 in 1 in manjša absolutna vrednost kazalca pomeni
boljšo veljavnost modela, RMSEA (angl. root mean square error of approximation) je ka-
zalec z vrednostmi med 0 in 1 in manjša absolutna vrednost kazalca pomeni boljšo veljav-
nost modela).
47
Faktorska analiza za vse dimenzije in strukturni modeli
Za preverjanje konstruktov smo uporabili faktorsko analizo (eksplorativno in kon-
firmativno), in sicer s programskimi paketi SPSS in EQS. Pri faktorski analizi opazujemo
niz odvisnih ali neodvisnih spremenljivk. Na podlagi opazovanih spremenljivk skozi sto-
pnje faktorske analize oblikujemo nove spremenljivke, tako imenovane faktorje. Faktorska
analiza poišče latentne faktorje, ki delujejo v ozadju in tako prispevajo k oblikovanju spre-
menljivk. Pri izvedbi faktorske analize lahko uporabimo več vrst tehnik. Sami smo upora-
bili metodo glavnih komponent (Principal Component Factoring – PCF).
Pred uporabo te metode je treba preveriti, ali so podatki primerni za faktorsko anali-
zo. Uporabimo KMO (angl. Keiser-Meyer-Olkin Measure of Sampling Adequacy) in Bar-
tlettov preizkus (angl. Bartlett´s test of Sphericity). Statistika KMO meri moč povezave.
Vrednosti statistike KMO nad 0,5 nam povedo, da so ti podatki primerni za uporabo iz-
brane metode. Z Bartlettovim preizkusom preverjamo hipotezo, ali je korelacijska matri-
ka enotska. Preizkus mora pokazati značilne razlike pri zanemarljivi stopnji tveganja (p <
0,05) in v tem primeru ugotovimo, da korelacijska matrika ni enotska, torej so opazovane
spremenljivke do določene mere povezane. Taki podatki so primerni za nadaljnjo analizo.
V naslednjih korakih je pomembna izbira števila faktorjev, s katerimi bomo ohranili kar
največ variabilnosti osnovnih podatkov. Ker smo posamezne dimenzije oblikovali skladno
z že večkrat empirično preverjenimi merami, smo želeli tako strukturo modela in take di-
menzije tudi obdržati. Zato smo se odločili za vsako dimenzijo oblikovati en faktor. Če do-
volj velik delež variance odpade na faktor, lahko ta uspešno zamenja prvotno množico spre-
menljivk pri nadaljnjih izračunih. S tem nam faktorska metoda omogoča zmanjšati našo
obsežno zbirko podatkov ob minimalni izgubi informacij.
V našem modelu, ki vključuje določljivke inovativnosti, inovativnost samo in outpute
inovativnosti, smo želeli raziskati skupino medsebojno povezanih odnosov. Uporabili smo
strukturirano modeliranje enačb (SEM). Gre za razširitev multivariatnih metod, predvsem
pa faktorske analize in multiple regresije. SEM je zanimiva tehnika tudi zato, ker zagota-
vlja jasno metodo, kadar se ukvarjamo z več medsebojnimi odnosi hkrati, ob tem pa je sta-
tistično učinkovita in lahko razločno oceni odnose. Modele strukturnih enačb zaznamuje-
ta dve značilnosti: sposobnosti ocenjevanja multiplih in medsebojno povezanih odvisnosti
ter sposobnosti vključevanja latentnih spremenljivk (ponazorjenih z eno ali več opazovani-
mi spremenljivkami), pri čemer se v pojasnjevanju odnosov upoštevajo tudi merske napa-
ke teh spremenljivk.
Primernost modela smo preizkušali s konvergentno in diskriminantno veljavnostjo
ocenjenih faktorjev ter zanesljivostjo mer. Za ugotavljanje zanesljivosti kazalnikov smo pre-
verili Cronbachov koeficient α. Za oceno kakovosti strukturnega in merskega modela pa
smo uporabili »good in bad fit« indekse (NFI (angl. normed fit index) ima vrednost med
0 in 1 in bolj, kot je blizu 1, boljši je model, CFI (angl. comparative fit index) zavzema vre-
dnosti med 0 in 1, višje vrednosti pomenijo boljši model), RMSR (angl. root mean square
residual) je kazalec z vrednostmi med 0 in 1 in manjša absolutna vrednost kazalca pomeni
boljšo veljavnost modela, RMSEA (angl. root mean square error of approximation) je ka-
zalec z vrednostmi med 0 in 1 in manjša absolutna vrednost kazalca pomeni boljšo veljav-
nost modela).
47
