سایت مقالات فارسی – طراحی الگوی ارزش پیشنهادی کارفرما از دیدگاه نخبگان دانشجویی- قسمت ۴۲

پرسش: نخبگان دانشجویی کدام ویژگی‌ها را در ارزش پیشنهادی کارفرما ترجیح می‌دهند؟
پس از انجام مصاحبه‌های بدون ساختار و کدگذاری، شاخصی برای پاسخ به این پرسش طراحی شد. از این شاخص در مرحله‌ی کمّی طی انجام آزمون تحلیل عاملی اکتشافی الگویی استخراج شد. سپس جهت نهایی سازی آن، آزمون تحلیل عاملی تأییدی انجام گرفت. این الگو(الگوی ارزش پیشنهادی کارفرما) انتظار نمونه از کارفرمای مطلوب را بیان می‌کند. در ادامه مراحل پاسخ به این پرسش بیان می‌شود.
۴-۳-۴٫ خالص سازی گزاره ها
به کمک SPSS 19 آلفای کرونباخ برای تمامی ۴۶ گزاره تعیین شد. همانطور که در فصل پیشین بیان شد گزاره‌هایی که همبستگی زیر ۰٫۴ با مجموعه‌ی گزاره‌های دیگر داشتند حذف شدند. از این طریق شش گزاره حذف و تجزیه و تحلیل‌ها بر اساس ۴۰ گزاره انجام شد.
۴-۳-۵٫ شناسایی عوامل پنهان
به منظور شناخت روابط بین گزاره‌ها و شناسایی تعداد و ماهیت عامل‌های مشترک احتمالی برای گزاره‌ها از تحلیل عاملی اکتشافی استفاده گردید. برای درک قابلیت انجام تحلیل عاملی از دو آزمون KMO ^[۱۵۸] و بارتلت^[۱۵۹] استفاده می‌شود. آزمون KMO واریانس متغیرهای تحقیق را بررسی کرده و مشخص می‌کند که آیا این واریانس‌‌ها متأثر از از واریانس مشترک برخی از عامل‌های پنهان می باشد یا خیر. به عبارت دیگر امکان تقلیل و ساختاربندی گزاره‌ها وجود دارد یا خیر. آزمون بارتلت نیز پس از مشخص شدن امکان تقلیل گزاره‌ها به درک امکان ساختار جدید از عوامل پنهان کمک می‌کند. پس از بررسی قابلیت تحلیل عاملی اکتشافی، عوامل پنهان شناسایی و روابط بین این‌ها تشریح می‌شود.

۴-۳-۵-۱٫ آزمونKMO و آزمون بارتلت

با استفاده از نرم افزار SPSS 19 آزمون های KMO و بارتلت انجام پذیرفت(پیوست). برای مقدار آزمون KMO برای مقادیر بالاتر از ۰٫۷ ، انجام تحلیل عاملی پیشنهاد می‌شود(حبیب‌پور و صفری، ۱۳۹۰: ۳۲۱). موقعی که آزمون بارتلت در سطح خطای کوچک‌تر از ۰٫۰۵ معنی‌دار باشد، در این حالت ارتباط معنی‌داری بین متغیرها وجود داشته و امکان کشف ساختار جدید از داده‌ها ممکن می‌باشد(حبیب‌پور و صفری، ۱۳۹۰: ۳۲۳). مقدار آزمون KMO برابر با ۰٫۸۴۵ و مقدار آزمون بارتلت برابر با صفر و معنی دار در سطح ۰٫۰۵ بدست آمد(پیوست).
۴-۳-۵-۲٫ تحلیل عاملی اکتشافی
به منظور شناسایی عوامل پنهان در گزاره‌ها، تحلیل عاملی اکتشافی با استفاده از نرم افزار SPSS 19 انجام شد. برای تفسیر ابعاد شناسایی شده از جدول Rotated Component Matrix استفاده می‌شود(پیوست). این جدول از بارهای عاملی تشکیل شده است. برجسته ترین ویژگی ماتریس عاملی، بارهای عاملی است؛ بارهای عاملی معرف همبستگی متغبر با عامل است و در نتیجه مانند هرگونه همبستگی دیگر تفسیر می‌شود(هومن، ۱۳۹۰: ۲۶۶). مقادیر بارهای عاملی بین ۱+ و ۱- نوسان دارد. براساس بزرگ‌ترین بار عاملی تک تک گزاره‌ها، دسته‌بندی گزاره‌ها انجام می‌پذیرد؛ به این صورت که هر گزاره در عاملی که بارعاملی آن بزرگ‌تر باشد جای می‌گیرد. در این‌جا هشت عامل یا بُعد پنهان برای گزاره‌ها شناسایی شد. جدول ۴-۵ بارهای عاملی گزاره‌ها و همچنین میانگین نمره‌هایی که پاسخ‌دهندگان به هر گزاره داده‌اند را نشان می‌دهند. دراین‌جا از طیف لیکرت پنج نقطه‌ای استفاده شد که شامل ۱=بسیار مخالفم، ۲=مخالفم، ۳= نظری ندارم، ۴=موافقم، ۵=بسیار موافقم می‌باشد.