Page 195 - Biloslavo, Roberto, in Kljajić-Dervić, Mirela, 2016. Dejavniki uspešnosti managementa znanja. Koper: Založba Univerze na Primorskem
P. 195
Analiza, rezultati in ugotovitve 195
ti se moramo, da uporabljamo standardizirano rešitev zgolj v ta namen, da
ugotovimo, kakšen je relativen doprinos več eksogenih spremenljivk na eno
samo endogeno spremenljivko v danem vzorcu. Iz standardizirane rešitve
lahko sklepamo:
Standardizirani koeficienti so ustrezni, saj so po absolutni vrednosti
manjši ali enaki 1. Razvidno je, da je najmočnejši bivariatni odnos opazi-
ti med spremenljivkama vodenje in uspešnosti managementa znanja (0,48),
kar opisuje hipoteza H2. Najšibkejša in statistično neznačilna pa je (pred-
postavljena) povezava med informacijsko tehnologijo in uspešnostjo mana-
gementa znanja. Poleg preučitve neposrednih vplivov ene spremenljivke na
drugo, je zanimivo preučiti tudi posredne vplive med spremenljivkami. Po-
sreden vpliv pomeni, da ena spremenljivka preko druge latentne spremen-
ljivke vpliva na tretjo spremenljivko. Omenjeno nam prikazuje modifici-
ran model.
Ovrednotenje ustreznosti modela
V nadaljevanju sledi ovrednotenje ustreznosti modela, ki se nanaša na stop-
njo skladnosti hipotetičnega modela s podatki.
Ko govorimo o ustreznosti modela (angl. model fit), govorimo o tem,
kako dobro se predpostavljeni model (matrika Σ) ujema z dejanskimi po-
datki (matrika S). Bolj sta si vrednosti blizu, boljša je ustreznost modela
(Diamantopoulos in Siguaw 2000, 82).
Za metodologijo strukturnih linearnih enačb velja, da nima enega sa-
mega statističnega testa, s katerim bi lahko ovrednotili ustreznost ocenje-
vanega modela. Raziskovalci so tako razvili več mer, s katerimi ocenjujemo
splošno ustreznost modela in s katerimi lahko model primerjamo z drugi-
mi modeli.
Čeprav obstaja več testov za ovrednotenje modelov, pa je za znanje tež-
ko določiti mejne vrednosti, ki ločujejo dobre modele od slabših. Bollen
(1989, 275) trdi, da je meram ustreznosti kontroverzno določiti en sam prag
ter da je ocenjevanje modela stvar presoje raziskovalca. Diamantopoulos
in Siguaw (2000, 62) opozarjata, da dobra mera ustreznosti modela še ne
pomeni, da je model uporaben, temveč nam sporoča le, kakšna je stopnja
ujemanja med obema matrikama. Prav tako se moramo zavedati, da mere
nosijo informacijo zgolj o (ne)ustreznosti modela, iz njih pa ne moremo
sklepati, ali je model verjeten ali ne. To odločitev nosi raziskovalec sam.
Nadalje velja, da dobra mera ustreznosti ne dokazuje ničesar, saj lahko več
modelov dosega enako mero ustreznosti, nekateri tudi višjo od danega mo-
dela. Zato je pomembno, da za ocenjevanje modela izberemo več mer, saj
se pogosto zgodi, da določene mere kažejo na sprejemljivost modela dolo-
ti se moramo, da uporabljamo standardizirano rešitev zgolj v ta namen, da
ugotovimo, kakšen je relativen doprinos več eksogenih spremenljivk na eno
samo endogeno spremenljivko v danem vzorcu. Iz standardizirane rešitve
lahko sklepamo:
Standardizirani koeficienti so ustrezni, saj so po absolutni vrednosti
manjši ali enaki 1. Razvidno je, da je najmočnejši bivariatni odnos opazi-
ti med spremenljivkama vodenje in uspešnosti managementa znanja (0,48),
kar opisuje hipoteza H2. Najšibkejša in statistično neznačilna pa je (pred-
postavljena) povezava med informacijsko tehnologijo in uspešnostjo mana-
gementa znanja. Poleg preučitve neposrednih vplivov ene spremenljivke na
drugo, je zanimivo preučiti tudi posredne vplive med spremenljivkami. Po-
sreden vpliv pomeni, da ena spremenljivka preko druge latentne spremen-
ljivke vpliva na tretjo spremenljivko. Omenjeno nam prikazuje modifici-
ran model.
Ovrednotenje ustreznosti modela
V nadaljevanju sledi ovrednotenje ustreznosti modela, ki se nanaša na stop-
njo skladnosti hipotetičnega modela s podatki.
Ko govorimo o ustreznosti modela (angl. model fit), govorimo o tem,
kako dobro se predpostavljeni model (matrika Σ) ujema z dejanskimi po-
datki (matrika S). Bolj sta si vrednosti blizu, boljša je ustreznost modela
(Diamantopoulos in Siguaw 2000, 82).
Za metodologijo strukturnih linearnih enačb velja, da nima enega sa-
mega statističnega testa, s katerim bi lahko ovrednotili ustreznost ocenje-
vanega modela. Raziskovalci so tako razvili več mer, s katerimi ocenjujemo
splošno ustreznost modela in s katerimi lahko model primerjamo z drugi-
mi modeli.
Čeprav obstaja več testov za ovrednotenje modelov, pa je za znanje tež-
ko določiti mejne vrednosti, ki ločujejo dobre modele od slabših. Bollen
(1989, 275) trdi, da je meram ustreznosti kontroverzno določiti en sam prag
ter da je ocenjevanje modela stvar presoje raziskovalca. Diamantopoulos
in Siguaw (2000, 62) opozarjata, da dobra mera ustreznosti modela še ne
pomeni, da je model uporaben, temveč nam sporoča le, kakšna je stopnja
ujemanja med obema matrikama. Prav tako se moramo zavedati, da mere
nosijo informacijo zgolj o (ne)ustreznosti modela, iz njih pa ne moremo
sklepati, ali je model verjeten ali ne. To odločitev nosi raziskovalec sam.
Nadalje velja, da dobra mera ustreznosti ne dokazuje ničesar, saj lahko več
modelov dosega enako mero ustreznosti, nekateri tudi višjo od danega mo-
dela. Zato je pomembno, da za ocenjevanje modela izberemo več mer, saj
se pogosto zgodi, da določene mere kažejo na sprejemljivost modela dolo-
