Page 170 - Biloslavo, Roberto, in Kljajić-Dervić, Mirela, 2016. Dejavniki uspešnosti managementa znanja. Koper: Založba Univerze na Primorskem
P. 170
Dejavniki uspešnosti managementa znanja: Primer trgovine v državi v razvoju
Pri interpretaciji rezultatov je pomembno, da ustrezno določimo mej-
no vrednost faktorskih uteži (angl. factor loading). Hair et al. (1998) pra-
vijo, da vrednosti faktorskih uteži λ > 0,30 dosegajo minimalen pogoj za
vključitev v analizo, spremenljivke z utežmi λ > 0,40 so srednje pomembne
za izbrani faktor, če pa so vrednosti faktorskih uteži λ > 0,50, lahko govo-
rimo o pomembnih spremenljivkah. Večja kot je absolutna vrednost fak-
torske uteži, bolj pomembna je spremenljivka pri interpretaciji faktorske
matrike. Na interpretacijo faktorske matrike in določanja meje sprejemlji-
vosti pa vpliva tudi velikost vzorca. Po Hair et al. (1998, 112) tako velja, da
je za vzorec, večji od 250 enot, značilna že vrednost faktorske uteži λ > 0,35.
Veljavnost vprašalnika smo torej preverili v prvem koraku s pomočjo
eksploratorne faktorske analize po metodi glavnih osi in pravokotno rota-
cijo, ki jo naredimo s programom SPSS 22.0. Zanesljivost merjenja preveri-
170 mo s Cronbachovim α, ki naj bi bil višji od 0,70, če je zanesljivost ustrezna.
Sledi konfirmatorna faktorska analiza (= preverjanje merskega modela), ki
jo izvedemo s pomočjo programa LISREL 8.80. Pri ocenjevanju modela kot
metodo parametrizacije uporabimo robustno metodo največje verjetno-
sti (angl. robust maximum likelihood), saj je ta ustreznejša, kadar porazdeli-
tev spremenljivk odstopa od normalne. Z merskim modelom ugotavljamo,
v kolikšni meri merske spremenljivke v vprašalniku predstavljajo latentne
spremenljivke (Joerskog in Goldberger 1975). Ocenimo konvergentno in
diskriminantno veljavnost ter zanesljivost merskih konstruktov. Konver-
gentno veljavnost proučimo s pomočjo korelacij med spremenljivkami, ki
merijo isti pojav, ter s pomočjo uteži posameznega indikatorja na faktor-
ju, ki naj bi bile statistično značilne ter zaželeno višje od 0,50 (Hildebrandt
1987; Steenkamp in van Trijp 1997). Diskriminantno veljavnost preverimo
s pomočjo korelacij med faktorji, ki naj ne bi bile višje od 0,70 (Ping 2004).
Zanesljivost faktorja v merskem modelu izračunamo kot sestavljeno
zanesljivost (angl. composite reliability), ki jo izračunamo iz standardizira-
nih uteži indikatorjev na faktorju po formuli:
CR = (∑λi)2/[(∑λi)2+∑ (1-λi)].
Po Fornellu in Larkerju (1981) naj bi bila zanesljivost ustrezna, če je ko-
eficient sestavljene zanesljivosti > 0,60.
V nadaljevanju interpretiramo rezultate faktorske analize, izdelane z
metodo glavnih osi in preverimo zanesljivost s Cronbachovim α, ki naj bi
bil višji od 0,70. S faktorsko analizo želimo preveriti ali ustrezno merimo
posamezne merske konstrukte v modelu uspešnosti managementa znanja.
Faktorsko analizo smo izvedli na vsakem konstruktu posebej. Rezulta-
ti so predstavljeni v nadaljevanju.
Pri interpretaciji rezultatov je pomembno, da ustrezno določimo mej-
no vrednost faktorskih uteži (angl. factor loading). Hair et al. (1998) pra-
vijo, da vrednosti faktorskih uteži λ > 0,30 dosegajo minimalen pogoj za
vključitev v analizo, spremenljivke z utežmi λ > 0,40 so srednje pomembne
za izbrani faktor, če pa so vrednosti faktorskih uteži λ > 0,50, lahko govo-
rimo o pomembnih spremenljivkah. Večja kot je absolutna vrednost fak-
torske uteži, bolj pomembna je spremenljivka pri interpretaciji faktorske
matrike. Na interpretacijo faktorske matrike in določanja meje sprejemlji-
vosti pa vpliva tudi velikost vzorca. Po Hair et al. (1998, 112) tako velja, da
je za vzorec, večji od 250 enot, značilna že vrednost faktorske uteži λ > 0,35.
Veljavnost vprašalnika smo torej preverili v prvem koraku s pomočjo
eksploratorne faktorske analize po metodi glavnih osi in pravokotno rota-
cijo, ki jo naredimo s programom SPSS 22.0. Zanesljivost merjenja preveri-
170 mo s Cronbachovim α, ki naj bi bil višji od 0,70, če je zanesljivost ustrezna.
Sledi konfirmatorna faktorska analiza (= preverjanje merskega modela), ki
jo izvedemo s pomočjo programa LISREL 8.80. Pri ocenjevanju modela kot
metodo parametrizacije uporabimo robustno metodo največje verjetno-
sti (angl. robust maximum likelihood), saj je ta ustreznejša, kadar porazdeli-
tev spremenljivk odstopa od normalne. Z merskim modelom ugotavljamo,
v kolikšni meri merske spremenljivke v vprašalniku predstavljajo latentne
spremenljivke (Joerskog in Goldberger 1975). Ocenimo konvergentno in
diskriminantno veljavnost ter zanesljivost merskih konstruktov. Konver-
gentno veljavnost proučimo s pomočjo korelacij med spremenljivkami, ki
merijo isti pojav, ter s pomočjo uteži posameznega indikatorja na faktor-
ju, ki naj bi bile statistično značilne ter zaželeno višje od 0,50 (Hildebrandt
1987; Steenkamp in van Trijp 1997). Diskriminantno veljavnost preverimo
s pomočjo korelacij med faktorji, ki naj ne bi bile višje od 0,70 (Ping 2004).
Zanesljivost faktorja v merskem modelu izračunamo kot sestavljeno
zanesljivost (angl. composite reliability), ki jo izračunamo iz standardizira-
nih uteži indikatorjev na faktorju po formuli:
CR = (∑λi)2/[(∑λi)2+∑ (1-λi)].
Po Fornellu in Larkerju (1981) naj bi bila zanesljivost ustrezna, če je ko-
eficient sestavljene zanesljivosti > 0,60.
V nadaljevanju interpretiramo rezultate faktorske analize, izdelane z
metodo glavnih osi in preverimo zanesljivost s Cronbachovim α, ki naj bi
bil višji od 0,70. S faktorsko analizo želimo preveriti ali ustrezno merimo
posamezne merske konstrukte v modelu uspešnosti managementa znanja.
Faktorsko analizo smo izvedli na vsakem konstruktu posebej. Rezulta-
ti so predstavljeni v nadaljevanju.
