Page 180 - Biloslavo, Roberto, in Kljajić-Dervić, Mirela, 2016. Dejavniki uspešnosti managementa znanja. Koper: Založba Univerze na Primorskem
P. 180
Dejavniki uspešnosti managementa znanja: Primer trgovine v državi v razvoju
pleksnost modela. Z večanjem vzorca in kompleksnosti modela se
SRMS niža; ter
− RMSEA (angl. root mean square error of approxiamtion), katerih
zaželene vrednosti naj bi bile nižje od 0,08.
Absolutni kazalci ustreznosti ocenjujejo natančnost ocene opazovane
kovariančne ali korelacijske matrike, ki jo generira predlagani model. Naj-
pogostejše mere, ki smo jih tudi mi uporabili v svojem modelu, so:
− Statistika chi kvadrat (CHI square; c2) in prostostne stopnje (DF),
ki pokažejo, ali so med opazovano in ocenjeno matriko podatkov,
ki ponazarja populacijske vrednosti, statistično značilne razlike.
Zaželena je neznačilna vrednost c2; c2 je odvisna od velikosti vzor-
ca, v večjih vzorcih so že najmanjše razlike značilne, zato je kaza-
180 lec v teh primerih preobčutljiv. Dober model ima torej zelo nizko
neznačilno vrednost statistike in čim več stopinj prostosti.
− GFI (goodness of fit index à 0 < GFI < 1,0) primerja reziduale iz
ocenjene matrike podatkov z reziduali v dejanski matriki podat-
kov. Zaželene vrednosti kazalca so višje od 0,95.
− RMSR (root mean square residual à 0 < RMSR < 1,0) je povpre-
čje rezidualov dejanske in ocenjene matrike. Zaželene vrednosti
kazalca so nižje od 0,05.
− RMSEA (root mean square error of approximation à 0 < RM-
SEA < 1,0) je podobna mera kot RMSR, ob predpostavki, da de-
janska matrika predstavlja populacijo. Zaželena vrednost je med
0,05 < RMSEA < 0,08.
Inkrementalni kazalci ustreznosti primerjajo predlagani model z
osnovnim modelom, imenovanim »null model«. Nulti model je realni
model, ki ne vključuje povezav in ga je seveda moč izboljšati. Najpogostej-
še mere so:
− AGFI (adjusted goodness of fit index à 0 < AGFI < 1,0) je GFI,
popravljen za prostostne stopnje.2 Zaželene vrednosti kazalca so
višje od 0,90.
− NFI, NNFI (normed fit index, non normed fit index à 0 < NFI,
NNFI < 1,0) je relativni kazalec razlike v vrednosti statistike c2 med
predlaganim modelom in nultim modelom. V prvem primeru je
2 Prostostne stopnje v najširšem pomenu povedo, koliko podatkov imamo na voljo. V regresiji jih
izračunamo tako, da od števila enot odštejemo število parametrov, ki jih ocenjujemo. Če imamo
malo stopinj prostosti, to pomeni, da je napoved težje posploševati, saj ocena temelji na skoraj vseh
vzorčnih enotah in imamo le malo prostosti za napake (Hair et al. 1998).
pleksnost modela. Z večanjem vzorca in kompleksnosti modela se
SRMS niža; ter
− RMSEA (angl. root mean square error of approxiamtion), katerih
zaželene vrednosti naj bi bile nižje od 0,08.
Absolutni kazalci ustreznosti ocenjujejo natančnost ocene opazovane
kovariančne ali korelacijske matrike, ki jo generira predlagani model. Naj-
pogostejše mere, ki smo jih tudi mi uporabili v svojem modelu, so:
− Statistika chi kvadrat (CHI square; c2) in prostostne stopnje (DF),
ki pokažejo, ali so med opazovano in ocenjeno matriko podatkov,
ki ponazarja populacijske vrednosti, statistično značilne razlike.
Zaželena je neznačilna vrednost c2; c2 je odvisna od velikosti vzor-
ca, v večjih vzorcih so že najmanjše razlike značilne, zato je kaza-
180 lec v teh primerih preobčutljiv. Dober model ima torej zelo nizko
neznačilno vrednost statistike in čim več stopinj prostosti.
− GFI (goodness of fit index à 0 < GFI < 1,0) primerja reziduale iz
ocenjene matrike podatkov z reziduali v dejanski matriki podat-
kov. Zaželene vrednosti kazalca so višje od 0,95.
− RMSR (root mean square residual à 0 < RMSR < 1,0) je povpre-
čje rezidualov dejanske in ocenjene matrike. Zaželene vrednosti
kazalca so nižje od 0,05.
− RMSEA (root mean square error of approximation à 0 < RM-
SEA < 1,0) je podobna mera kot RMSR, ob predpostavki, da de-
janska matrika predstavlja populacijo. Zaželena vrednost je med
0,05 < RMSEA < 0,08.
Inkrementalni kazalci ustreznosti primerjajo predlagani model z
osnovnim modelom, imenovanim »null model«. Nulti model je realni
model, ki ne vključuje povezav in ga je seveda moč izboljšati. Najpogostej-
še mere so:
− AGFI (adjusted goodness of fit index à 0 < AGFI < 1,0) je GFI,
popravljen za prostostne stopnje.2 Zaželene vrednosti kazalca so
višje od 0,90.
− NFI, NNFI (normed fit index, non normed fit index à 0 < NFI,
NNFI < 1,0) je relativni kazalec razlike v vrednosti statistike c2 med
predlaganim modelom in nultim modelom. V prvem primeru je
2 Prostostne stopnje v najširšem pomenu povedo, koliko podatkov imamo na voljo. V regresiji jih
izračunamo tako, da od števila enot odštejemo število parametrov, ki jih ocenjujemo. Če imamo
malo stopinj prostosti, to pomeni, da je napoved težje posploševati, saj ocena temelji na skoraj vseh
vzorčnih enotah in imamo le malo prostosti za napake (Hair et al. 1998).
