Page 193 - Biloslavo, Roberto, in Kljajić-Dervić, Mirela, 2016. Dejavniki uspešnosti managementa znanja. Koper: Založba Univerze na Primorskem
P. 193
Analiza, rezultati in ugotovitve
ko pridemo zgolj do ene rešitve in zatorej ne moremo preizkusiti modela.
Za nas najbolj ugodna pa je vrednost t manjša od desne strani neenačbe (2),
ki pomeni nadidentificiran model (angl. overidentified), iz katerega lahko
dobimo več možnih rešitev in lahko posledično dobro ovrednotimo struk-
turni model.
s/2 = (6+3) . (6+3+1)/2 = 45 (3)
Za opredelitev identificiranosti modela v našem primeru potrebujemo 193
vrednost t, ki iznaša 32, kar lahko razberemo tudi iz izpiska (parameter
Specificationl). Vrednost desne strani neenačb je 45, torej v našem prime-
ru velja da je t < 45 in da imamo opravka z nadidentificiranim modelom.
Diamantopoulos in Siguaw (2000, 53) pravita, da je omenjeni pogoj
zgolj potrebni pogoj za dobro identifikacijo modela. Dodaja še, da morajo
biti latentne spremenljivke bodisi standardizirane bodisi imeti referenčni
indikator. Prepričati se moramo, da je vrednost t res manjša od desne stra-
ni neenačb (1), hkrati pa lahko preverimo tudi, ali model že ustreza neke-
mu identificiranemu modelu iz teorije. V vsakem primeru nas programsko
orodje LISREL v izpisku rezultatov opozori, če model ni mogoče identifi-
cirati in takrat lahko po potrebi s fiksiranjem parametrom pripomoremo k
njegovi boljši identifikaciji.
Ocena vrednosti parametra
V tem koraku gre za generiranje številčnih vrednosti parametrov za izbra-
ni model. Cilj ocenjevanja vrednosti parametra je torej izračunati številčne
vrednost parametrov v danem modelu in zmanjšati razliko med matrika-
ma S (angl. sample covarinace matrix) in Σ (angl. implied covariance ma-
trix). Prva je izračunana iz podatkov, druga pa predstavlja izračun glede
na predstavljeni model. V kolikor popolnoma zmanjšamo razliko (S – Σ),
so ostanki, ki jih prikazuje matrika ostankov (angl. residual matrix), ena-
ki nič, kar je v praksi skorajda neizvedljivo (Diamantopoulos in Siguaw
2000, 11).
LISREL pozna več metod za ocenjevanje parametrov. Med njimi sta
metodi Instrumental Variables (IV) in Two-Stage Least Squares (TSLS),
pri katerih moramo sami izračunati začetne vrednosti parametrov. Druge
metode samo izračunavajo ocene parametrov s konvertiranjem zgoraj ome-
njenih matrik na različne načine. Metoda Unweighted Squares (ULS) je
ustrezna v primerih, ko imajo vse spremenljivke enake enote. Za vzorec nad
N = 1000 sta ustrezni metodi Generally Weighted Least Squareds (WLS)
in Diagonally Weighted Least Squares (DwLS). Metodi, ki nista odvis-
ni od velikosti vzorca in enot spremenljivk, sta Generalised Least Squares
ko pridemo zgolj do ene rešitve in zatorej ne moremo preizkusiti modela.
Za nas najbolj ugodna pa je vrednost t manjša od desne strani neenačbe (2),
ki pomeni nadidentificiran model (angl. overidentified), iz katerega lahko
dobimo več možnih rešitev in lahko posledično dobro ovrednotimo struk-
turni model.
s/2 = (6+3) . (6+3+1)/2 = 45 (3)
Za opredelitev identificiranosti modela v našem primeru potrebujemo 193
vrednost t, ki iznaša 32, kar lahko razberemo tudi iz izpiska (parameter
Specificationl). Vrednost desne strani neenačb je 45, torej v našem prime-
ru velja da je t < 45 in da imamo opravka z nadidentificiranim modelom.
Diamantopoulos in Siguaw (2000, 53) pravita, da je omenjeni pogoj
zgolj potrebni pogoj za dobro identifikacijo modela. Dodaja še, da morajo
biti latentne spremenljivke bodisi standardizirane bodisi imeti referenčni
indikator. Prepričati se moramo, da je vrednost t res manjša od desne stra-
ni neenačb (1), hkrati pa lahko preverimo tudi, ali model že ustreza neke-
mu identificiranemu modelu iz teorije. V vsakem primeru nas programsko
orodje LISREL v izpisku rezultatov opozori, če model ni mogoče identifi-
cirati in takrat lahko po potrebi s fiksiranjem parametrom pripomoremo k
njegovi boljši identifikaciji.
Ocena vrednosti parametra
V tem koraku gre za generiranje številčnih vrednosti parametrov za izbra-
ni model. Cilj ocenjevanja vrednosti parametra je torej izračunati številčne
vrednost parametrov v danem modelu in zmanjšati razliko med matrika-
ma S (angl. sample covarinace matrix) in Σ (angl. implied covariance ma-
trix). Prva je izračunana iz podatkov, druga pa predstavlja izračun glede
na predstavljeni model. V kolikor popolnoma zmanjšamo razliko (S – Σ),
so ostanki, ki jih prikazuje matrika ostankov (angl. residual matrix), ena-
ki nič, kar je v praksi skorajda neizvedljivo (Diamantopoulos in Siguaw
2000, 11).
LISREL pozna več metod za ocenjevanje parametrov. Med njimi sta
metodi Instrumental Variables (IV) in Two-Stage Least Squares (TSLS),
pri katerih moramo sami izračunati začetne vrednosti parametrov. Druge
metode samo izračunavajo ocene parametrov s konvertiranjem zgoraj ome-
njenih matrik na različne načine. Metoda Unweighted Squares (ULS) je
ustrezna v primerih, ko imajo vse spremenljivke enake enote. Za vzorec nad
N = 1000 sta ustrezni metodi Generally Weighted Least Squareds (WLS)
in Diagonally Weighted Least Squares (DwLS). Metodi, ki nista odvis-
ni od velikosti vzorca in enot spremenljivk, sta Generalised Least Squares
