Page 181 - Biloslavo, Roberto, in Kljajić-Dervić, Mirela, 2016. Dejavniki uspešnosti managementa znanja. Koper: Založba Univerze na Primorskem
P. 181
Analiza, rezultati in ugotovitve 181
popravljen za prostostne stopnje, v drugem pa ne. Vsebinsko pove,
koliko kovariance med spremenljivkami je pojasnjene z modelom.
Kazalci parsimoničnosti primerjajo absolutne kazalce ustreznosti s šte-
vilom parametrov, ki jih je bilo treba oceniti, da je model dosegel konkre-
tno stopnjo ustreznosti.
− PNFI (parsimonious normed fit index à 0 < PNFI < 1,0) je pro-
dukt razmerja med prostostnimi stopnjami predlaganega in nul-
tega modela in NFI. Zaželena je čim višja vrednost.
− CFI (comparative fit index 0 < CFI < 1,0) je še zlasti primeren za
primerjave med alternativnimi modeli (angl. nested models) in v
manjših vzorcih.
− normed c2 je c2, popravljen za prostostne stopnje. Vrednosti kazal-
ca, manjše od 1,0, opozarjajo na s spremenljivkami prenapolnjen
model.
Indeksov za presojo ustreznosti modela torej ne primanjkuje. Bentler
(1990), avtor statističnega paketa EQS, predlaga indeks CFI kot merodaj-
ni indeks za presojo ustreznosti modela. V nasprotju z drugimi indeksi, ta
v izračunu upošteva velikost vzorca.
Pri ocenjevanju strukturnega modela sledimo principu delne agrega-
cije. Izračunamo povprečje indikatorjev, ki merijo isti faktor in povprečne
vrednosti faktorjev uporabimo za preverjanje strukturnega modela. Na ta
način zmanjšamo kompleksnost modela, saj se zahtevnost ocenjevanja po-
polnoma neagregiranih modelov zvišuje z velikostjo vzorca in kadar ima-
mo več kot štiri ali pet manifestnih spremenljivk (faktorjev) (Bagozzi in
Heatherton 1994; Baumgartner in Homburg 1996; Vieira 2011, 11). Hun-
ter in Gerbing (1982, 271) trdita, da se z deloma agregiranim pristopom po-
veča zanesljivost. Poleg zmanjšanja merske napake (tj. večje zanesljivosti), je
prednost delno agregiranega pristopa tudi v parsimoničnosti modela (Dil-
lon, McDonald in Iacobucci 2001).
Za izvajanje te analize so nam v pomoč številna programska orod-
ja, med katerimi so tudi LISREL, AMOS, CALIS, COSAN, EQS, LI-
SCOMP, LINCS, MILS, Mx, SEPATH (Diamantopoulos in Siguaw
2000, 9). Za potrebe raziskave smo se odloči za uporabo programskega
orodja LISREL 8.80.
Beseda LISREL je akronim angleške besedne zveze LInear Structural
RELationships in to je tudi ime programskega orodja, ki ste ga razvila Jöre-
skog in Sörbom za analizo strukturnih modelov. Koraki, ki tvorijo meto-
do modeliranja, so prikazani v Sliki 29, ta metoda pa je namenjena analizi
predpostavljenih povezav med latentnimi spremenljivkami.
popravljen za prostostne stopnje, v drugem pa ne. Vsebinsko pove,
koliko kovariance med spremenljivkami je pojasnjene z modelom.
Kazalci parsimoničnosti primerjajo absolutne kazalce ustreznosti s šte-
vilom parametrov, ki jih je bilo treba oceniti, da je model dosegel konkre-
tno stopnjo ustreznosti.
− PNFI (parsimonious normed fit index à 0 < PNFI < 1,0) je pro-
dukt razmerja med prostostnimi stopnjami predlaganega in nul-
tega modela in NFI. Zaželena je čim višja vrednost.
− CFI (comparative fit index 0 < CFI < 1,0) je še zlasti primeren za
primerjave med alternativnimi modeli (angl. nested models) in v
manjših vzorcih.
− normed c2 je c2, popravljen za prostostne stopnje. Vrednosti kazal-
ca, manjše od 1,0, opozarjajo na s spremenljivkami prenapolnjen
model.
Indeksov za presojo ustreznosti modela torej ne primanjkuje. Bentler
(1990), avtor statističnega paketa EQS, predlaga indeks CFI kot merodaj-
ni indeks za presojo ustreznosti modela. V nasprotju z drugimi indeksi, ta
v izračunu upošteva velikost vzorca.
Pri ocenjevanju strukturnega modela sledimo principu delne agrega-
cije. Izračunamo povprečje indikatorjev, ki merijo isti faktor in povprečne
vrednosti faktorjev uporabimo za preverjanje strukturnega modela. Na ta
način zmanjšamo kompleksnost modela, saj se zahtevnost ocenjevanja po-
polnoma neagregiranih modelov zvišuje z velikostjo vzorca in kadar ima-
mo več kot štiri ali pet manifestnih spremenljivk (faktorjev) (Bagozzi in
Heatherton 1994; Baumgartner in Homburg 1996; Vieira 2011, 11). Hun-
ter in Gerbing (1982, 271) trdita, da se z deloma agregiranim pristopom po-
veča zanesljivost. Poleg zmanjšanja merske napake (tj. večje zanesljivosti), je
prednost delno agregiranega pristopa tudi v parsimoničnosti modela (Dil-
lon, McDonald in Iacobucci 2001).
Za izvajanje te analize so nam v pomoč številna programska orod-
ja, med katerimi so tudi LISREL, AMOS, CALIS, COSAN, EQS, LI-
SCOMP, LINCS, MILS, Mx, SEPATH (Diamantopoulos in Siguaw
2000, 9). Za potrebe raziskave smo se odloči za uporabo programskega
orodja LISREL 8.80.
Beseda LISREL je akronim angleške besedne zveze LInear Structural
RELationships in to je tudi ime programskega orodja, ki ste ga razvila Jöre-
skog in Sörbom za analizo strukturnih modelov. Koraki, ki tvorijo meto-
do modeliranja, so prikazani v Sliki 29, ta metoda pa je namenjena analizi
predpostavljenih povezav med latentnimi spremenljivkami.
