مطالعه رابطه بین سهم بازار و قدرت رقابتی کسب و کار در گروه بهمن- قسمت ۴۴

مطالعه رابطه بین سهم بازار و قدرت رقابتی کسب و کار در گروه بهمن- قسمت ۴۴

نمودار ۴-۱۳ – هیستوگرام قدرت توزیع

 
روش تجزیه و تحلیل استنباطی
تحلیل استنباطی روشهای آماری است که می توان از داده‌های بدست آمده از نمونه نتایجی را درباره جامعه استنباط کرد. در این روشها با استفاده از آزمون فرضیه های آماری ادعای مورد نظر را به عنوان فرضیه یک (فرض جانشین یا (Alternative Hypothesis و حالت نفی آن ادعا به عنوان فرضیه صفر ((Null Hypothesis در نظر گرفته می شود.
در تصمیم گیری درباره رد فرضیه صفر با دو نوع خطا مواجه هستیم. ممکن است فرضیه صفر واقعا درست باشد اما نتیجه آزمون منجر به رد آن باشد که این خطا را خطای نوع اول می نامیم. همچنین ممکن است آزمون به رد فرضیه صفر نیانجامد در حالی که فرضیه صفر واقعا درست نباشد که آن را خطای نوع دوم می نامیم.
واضح است که آزمون فرضیه باید به گونه ای باشد که در آن احتمال ارتکاب خطاهای نوع اول () و دوم () تا حد ممکن حداقل باشند. یک راه حل برای این منظور افزایش حجم نمونه است. اما چنانچه در انتخاب نمونه محدودیت داشته باشیم لازم است از روش های آماری مناسب برای آزمون فرضیه ها استفاده شود.
در یک تحلیل آماری رد کردن فرضیه صفر به عنوان “نتیجه معنی دار “Significance” نامیده می شود. بنابراین یک نتیجه معنی دار نتیجه ای است که بر حسب شانس و تصادف رخ نداده باشد اگر چه سطح معنی دار () باید مشخص باشد. مقادیر متداول برای سطح معنی دار آزمون () عبارتند از:۰٫۰۱ و ۰٫۰۵ و ۰٫۱ .
معمولا وقتی که واژه “نتیجه معنی دار” استفاده می شود، منظور از آن رد کردن فرضیه صفر در سطح خطای در نظر گرفته شده است (مثلا ۰٫۰۵ یا ۰٫۰۱ است). یک نتیجه “غیر معنی دار ” یعنی اینکه فرضیه صفر رد نشده است در عمل فرض می نماییم که فرضیه صفر صحیح است، پس از آن میزان تطابق احتمالی نمونه بدست آمده یا با فرضیه صفر را محاسبه می نماییم. این مقدار در نرم افزارهای آماری با عبارت “مقدار احتمالی”P-Value یا عبارت میزان معنا داری “Significance (با Sig) مشخص می شود. در یک قاعده کلی فرضیه صفر را رد می کنیم هرگاه Significance یا P-Value آزمون کمتر از احتمال خطای نوع اول گردد که در این صورت گوییم آزمون در سطح معنی دار است.
 
آزمون فرضیه های آماری
آمار استنباطی دارای دو نوع آزمون پارامتریک و ناپارامتریک می‌باشد. معمولا اگر داده ها دارای توزیع نرمال باشند، مقیاس فاصله ای‌ یا نسبی داشته باشند یا نمونه‌ها واریانس مساوی داشته باشند (همگنی واریانسها برقرار باشد) از آزمونهای پارامتریک استفاده می شود.
به منظور آزمون فرضیات با استفاده از آزمونهای پارامتریک (مثل رگرسیون و همبستگی)، شرط اول، بررسی نرمال بودن توزیع داده ها می باشد. از این رو در ابتدا به بررسی نرمال بودن داده های متغیر وابسته تحقیق پرداخته می شود. سطح خطای مورد قبول در آزمونهای مورد نظر در این فصل برابر با۰/۰۵ می باشد (=۰/۰۵ α)
 
 
روند تجزیه و تحلیل فرضیات پژوهش به کمک آمار استنباطی
در این بخش، در ابتدا به بررسی وضعیت پراکندگی داده ها از لحاظ نرمال یا غیر نرمال بودن می پردازیم و با توجه به نتایج حاصل، روش های آماری از جمله همبستگی و معناداری را انتخاب می نماییم.
 
 
بررسی نرمال بودن توزیع متغیرها
آزمون شاپیرو- ویلک ، آزمون کلموگروف- اسمیرنوف ، همچنین آزمون دیگری با نام اندرسون- دارلینگ نیز برای بررسی نرمال بودن داده ها استفاده می شود. دو آزمون کلموگروف- اسمیرنوف و شاپیرو- ویلک مشابه هم هستند. ولی در عمل تفاوت اندکی بایکدیگر دارند.
الف – اگر حجم نمونه کم است، هر دو آزمون نتایج یکسانی دارند.
ب – اگر حجم نمونه بیشتر از ۲۰۰۰ است، آزمون کلموگروف – اسمیرنوف مناسب تر از شاپیرو است.
به منظور بررسی نرمال بودن توزیع داده های متغیرهای تحقیق از آزمون کولموگورف اسمیرنوف استفاده شد. هدف از انجام آن، بررسی ادعای مطرح شده در خصوص توزیع نرمال داده های یک متغیر کمی می باشد. اگر متغیرها نرمال باشند ، از آزمونهای پارامتریک استفاده می شود در غیر این صورت از آزمونهای ناپارامتریک استفاده می کنیم.
H: توزیع داده ها نرمال نیست
H1: توزیع داده ها نرمال است
جدول ۴-۸ : آزمون کولموگروف-اسمیرنوف متغیرهای تحقیق (آزمون نرمال بودن)

این مطلب را هم بخوانید :  ارتباط سنجی سطح معنویت محیط کار با فرسودگی شغلی و رضایت شغلی ...

دانلود متن کامل این پایان نامه در سایت abisho.ir

ردیف متغیر ها Kolmogorov-Smirnova
کلموگروف- اسمیرنوف
Shapiro-Wilk