Page 51 - Tomšič, Nastja, 2016. Konkurenčnost malih in srednje velikih podjetij v globalnem trajnostnem razvoju. Koper: Založba Univerze na Primorskem
P. 51
Empirična raziskava 51
Wald stopnja značilnosti manjša ali enaka 0,05, ničelno hipotezo zavrne-
mo in lahko sprejmemo alternativno. Element ocenjevanja modela je tudi
razmerje obetov (eβ oz. eb), ki oceni spremembo v obetih, ki je posledica
spremembe pri regresijskemu koeficientu za eno enoto. Vrednost eb, večja
od 1, nakazuje večjo verjetnost izida, vrednost eb, manjša od 1 pa nakazuje
manjšo verjetnost izida.
Modeliranje z linearnimi strukturnimi enačbami smo uporabili za
analizo odnosov med več spremenljivkami hkrati. Splošni model je sesta-
vljen iz merskega in strukturnega dela (Byrne 2010, 12–3). V merskem delu
pojasnjujemo, v kolikšni meri smo z merljivimi spremenljivkami pojasnili
latentne spremenljivke. Pri tem uporabimo konfirmativno faktorsko ana-
lizo, s katero določimo uteži1 merljivih spremenljivk za določene latentne
spremenljivke. Poleg tega preverimo tudi zanesljivost latentnih spremen-
ljivk, in sicer s pomočjo Cronbachovega α-koeficienta.2 V strukturnem delu
pa pojasnjujemo, kako so spremenljivke, vključene v model, medsebojno
povezane. Pri tem uporabimo regresijsko analizo, s katero določimo parci-
alne regresijske koeficiente in korelacijske koeficiente.
Za oceno prileganja modela s podatki lahko uporabimo različne kazal-
ce oz. mere prileganja, kot so χ2 (ali CMIN v programu AMOS), RMSEA
(Root Mean Square Error of Approximation), GFI (Goodness of Fit Inex),
SRMR (Standardized Root Mean Square Residual), CFI (Comparative Fit
Index), NFI (Normed Fit Index), RNI (Relative Noncentrality Index) itd.
(Hair et al. 2006, 769–74; Kline 2011, 204–9). Spodaj pojasnjujemo mere
prileganja, ki smo jih uporabili (prav tam):
− χ2 je mera absolutnega prileganja, s katero primerjamo vzorčno
kovariančno matriko in matriko, ki je predpostavljena z mode-
lom. Če je pri statistiki χ2-stopnja značilnosti večja od 0,05, pome-
ni, da se model prilega podatkom.
− RMSEA je mera absolutnega prileganja, s katero ugotavljamo,
kako bi se model z neznanimi, a optimalno izbranimi vrednostmi
parametra prilegel kovariančni matriki populacije, če bi ta bila
na razpolago. Če je vrednost RMSEA 0,05 ali manj, je prileganje
modela podatkom dobro. Vrednost RMSEA do 0,08 nakazuje še
sprejemljivo prileganje modela podatkom.
− CFI je mera relativnega prileganja, s katero primerjamo predpos-
tavljen model z ničelnim modelom, kjer so vse spremenljivke ne-
1 Kot navajajo Hair et al. (2006, 803), so relevantne uteži, ki znašajo 0,5 ali več oz. 0,7 ali več, kar
predstavlja idelano oceno.
2 Kot navajajo Hair et al. (2006, 161), je latentna spremenljivka zanesljiva, ko je vrednost
Cronbachovega α-koeficienta 0,7 ali več.
Wald stopnja značilnosti manjša ali enaka 0,05, ničelno hipotezo zavrne-
mo in lahko sprejmemo alternativno. Element ocenjevanja modela je tudi
razmerje obetov (eβ oz. eb), ki oceni spremembo v obetih, ki je posledica
spremembe pri regresijskemu koeficientu za eno enoto. Vrednost eb, večja
od 1, nakazuje večjo verjetnost izida, vrednost eb, manjša od 1 pa nakazuje
manjšo verjetnost izida.
Modeliranje z linearnimi strukturnimi enačbami smo uporabili za
analizo odnosov med več spremenljivkami hkrati. Splošni model je sesta-
vljen iz merskega in strukturnega dela (Byrne 2010, 12–3). V merskem delu
pojasnjujemo, v kolikšni meri smo z merljivimi spremenljivkami pojasnili
latentne spremenljivke. Pri tem uporabimo konfirmativno faktorsko ana-
lizo, s katero določimo uteži1 merljivih spremenljivk za določene latentne
spremenljivke. Poleg tega preverimo tudi zanesljivost latentnih spremen-
ljivk, in sicer s pomočjo Cronbachovega α-koeficienta.2 V strukturnem delu
pa pojasnjujemo, kako so spremenljivke, vključene v model, medsebojno
povezane. Pri tem uporabimo regresijsko analizo, s katero določimo parci-
alne regresijske koeficiente in korelacijske koeficiente.
Za oceno prileganja modela s podatki lahko uporabimo različne kazal-
ce oz. mere prileganja, kot so χ2 (ali CMIN v programu AMOS), RMSEA
(Root Mean Square Error of Approximation), GFI (Goodness of Fit Inex),
SRMR (Standardized Root Mean Square Residual), CFI (Comparative Fit
Index), NFI (Normed Fit Index), RNI (Relative Noncentrality Index) itd.
(Hair et al. 2006, 769–74; Kline 2011, 204–9). Spodaj pojasnjujemo mere
prileganja, ki smo jih uporabili (prav tam):
− χ2 je mera absolutnega prileganja, s katero primerjamo vzorčno
kovariančno matriko in matriko, ki je predpostavljena z mode-
lom. Če je pri statistiki χ2-stopnja značilnosti večja od 0,05, pome-
ni, da se model prilega podatkom.
− RMSEA je mera absolutnega prileganja, s katero ugotavljamo,
kako bi se model z neznanimi, a optimalno izbranimi vrednostmi
parametra prilegel kovariančni matriki populacije, če bi ta bila
na razpolago. Če je vrednost RMSEA 0,05 ali manj, je prileganje
modela podatkom dobro. Vrednost RMSEA do 0,08 nakazuje še
sprejemljivo prileganje modela podatkom.
− CFI je mera relativnega prileganja, s katero primerjamo predpos-
tavljen model z ničelnim modelom, kjer so vse spremenljivke ne-
1 Kot navajajo Hair et al. (2006, 803), so relevantne uteži, ki znašajo 0,5 ali več oz. 0,7 ali več, kar
predstavlja idelano oceno.
2 Kot navajajo Hair et al. (2006, 161), je latentna spremenljivka zanesljiva, ko je vrednost
Cronbachovega α-koeficienta 0,7 ali več.
