2,230 matches
-
sau cazurile din eșantion. Ca atare, multe tehnici de analiză multivariată sunt extensii ale analizei univariate (analiza distribuției de frecvență a unei variabile) și ale analizei bivariate (analiza tabelelor de contingență, analiza de corelație, analiza de varianță, regresia simplă)1. Regresia liniară multiplă, de exemplu, este o extensie a regresiei liniare simple,astfel încât sunt incluse mai multe variabile independente în explicarea variabilei dependente. Aceste metode reprezintă o modalitate de a obține printr-o singură analiză rezultatele care s-ar obține prin
[Corola-publishinghouse/Science/2075_a_3400]
-
analiză multivariată sunt extensii ale analizei univariate (analiza distribuției de frecvență a unei variabile) și ale analizei bivariate (analiza tabelelor de contingență, analiza de corelație, analiza de varianță, regresia simplă)1. Regresia liniară multiplă, de exemplu, este o extensie a regresiei liniare simple,astfel încât sunt incluse mai multe variabile independente în explicarea variabilei dependente. Aceste metode reprezintă o modalitate de a obține printr-o singură analiză rezultatele care s-ar obține prin realizarea mai multor analize univariate sau bivariate. Dar multe
[Corola-publishinghouse/Science/2075_a_3400]
-
pentru variabila X1. În general coeficienții bi1, bi2, ..., bin sunt saturațiile factorilor F1, F2, ... Fn pentru fiecare variabilă Xi, i = 1, 2, ..., m1. Având în vedere forma ecuațiilor care descriu modelul factorial, saturațiile pot fi interpretate și drept coeficienți de regresie standardizați, unde variabilele dependente sunt variabilele observate X1, X2, ..., Xm, iar factorii sunt variabilele independente. Matricea alcătuită din saturațiile factoriale pentru fiecare variabilă observată se numește matrice factorială 2. Estimarea saturațiilor este unul dintre pașii principali în realizarea unei analize
[Corola-publishinghouse/Science/2075_a_3400]
-
U2 Cov(F1,U1) = 0 sau r(F1,U1) = 0 Cov(F1,U2) = 0 r(F1,U2) = 0 Cov(U1,U2) = 0 r(U1,U2) = 0 Saturația factorului F1 pentru variabila X1, notată cu b11, poate fi considerată coeficientul de regresie standardizat pentru regresia lui X1 după F1, iar saturația factorului F2 pentru variabila X2, b21 , poate fi considerată coeficientul de regresie standardizat pentru regresia lui X2 după F1. În continuare, vom încerca să aflăm în ce fel varianța variabilelor observate
[Corola-publishinghouse/Science/2075_a_3400]
-
U1) = 0 sau r(F1,U1) = 0 Cov(F1,U2) = 0 r(F1,U2) = 0 Cov(U1,U2) = 0 r(U1,U2) = 0 Saturația factorului F1 pentru variabila X1, notată cu b11, poate fi considerată coeficientul de regresie standardizat pentru regresia lui X1 după F1, iar saturația factorului F2 pentru variabila X2, b21 , poate fi considerată coeficientul de regresie standardizat pentru regresia lui X2 după F1. În continuare, vom încerca să aflăm în ce fel varianța variabilelor observate este determinată de
[Corola-publishinghouse/Science/2075_a_3400]
-
0 r(U1,U2) = 0 Saturația factorului F1 pentru variabila X1, notată cu b11, poate fi considerată coeficientul de regresie standardizat pentru regresia lui X1 după F1, iar saturația factorului F2 pentru variabila X2, b21 , poate fi considerată coeficientul de regresie standardizat pentru regresia lui X2 după F1. În continuare, vom încerca să aflăm în ce fel varianța variabilelor observate este determinată de factor, cum putem exprima covariația (corelația) dintre variabile și factor și în ce fel covariația (corelația) dintre X1
[Corola-publishinghouse/Science/2075_a_3400]
-
U2) = 0 Saturația factorului F1 pentru variabila X1, notată cu b11, poate fi considerată coeficientul de regresie standardizat pentru regresia lui X1 după F1, iar saturația factorului F2 pentru variabila X2, b21 , poate fi considerată coeficientul de regresie standardizat pentru regresia lui X2 după F1. În continuare, vom încerca să aflăm în ce fel varianța variabilelor observate este determinată de factor, cum putem exprima covariația (corelația) dintre variabile și factor și în ce fel covariația (corelația) dintre X1 și X2 este
[Corola-publishinghouse/Science/2075_a_3400]
-
factori interpretabili și substanțiali. Rotația oblică va conserva comunalitățile variabilelor, însă va transforma saturațiile factoriale și corelațiile dintre factorii extrași inițial și variabile. Așa cum am arătat în calculele dintr-o secțiune anterioară, saturațiile factoriale își păstrează sensul de coeficienți de regresie, dar, din moment ce factorii sunt corelați, ele nu mai sunt egale cu corelațiile dintre factori și variabile. Vom avea deci două matrice diferite, una de saturații factoriale (matricea factorială) și una de corelații între factori și variabile (matricea structurală)1. Metoda
[Corola-publishinghouse/Science/2075_a_3400]
-
un factor. Pe baza acestui model încercăm să estimăm valorile factorului comun (factorilor comuni). Voi descrie succint trei dintre metodele de estimare a scorurilor factoriale, care sunt disponibile în pachetul statistic SPSS. Prima dintre acestea este cea a estimatelor de regresie. Aceasta caută să obțină un factor astfel încât corelația între factorul latent (F) și scală () să fie maximizată sau, altfel formulat, diferențele ridicate la pătrat dintre factor și scală să fie minime (aceasta este metoda regresiei). Putem obține o soluție la
[Corola-publishinghouse/Science/2075_a_3400]
-
este cea a estimatelor de regresie. Aceasta caută să obțină un factor astfel încât corelația între factorul latent (F) și scală () să fie maximizată sau, altfel formulat, diferențele ridicate la pătrat dintre factor și scală să fie minime (aceasta este metoda regresiei). Putem obține o soluție la această problemă, căci avem la dispoziție saturațiile factoriale obținute prin analiza factorială (care sunt echivalente cu corelațiile dintre factor - care trebuie estimat - și variabilele observate - folosite ca predictori) și corelațiile dintre variabilele observate. Cea de
[Corola-publishinghouse/Science/2075_a_3400]
-
scalele create (factorii estimați) să fie ortogonale două câte două. În alegerea dintre acestea, cercetătorul trebuie să se orienteze atât în funcție de schema teoretică și condițiile de utilizare ulterioară a scalelor factoriale, cât și după proprietățile inerente metodei. Prima metodă, a regresiei, este cea mai bună atunci când dorim ca scala factorială să coreleze cât mai mult cu factorul latent respectiv. În ceea ce privește univocitatea unei scale, adică faptul că scala respectivă corelează doar cu factorul pe care se presupune că îl măsoară, și nu
[Corola-publishinghouse/Science/2075_a_3400]
-
f(x)=x. Acestea sunt principalele forme de funcții metrice (de intervale și de rapoarte) folosite de diferitele tipuri de scalare multidimensională. Specificarea funcției f, adică găsirea valorilor coeficienților a și b, se face printr-o metodă statistică des folosită, regresia liniară obținută prin metoda celor mai mici pătrate, pornind de la valorile date D (configurația inițială a punctelor) și Δ (proximitățile dintre obiecte). Funcțiile de transformare pot fi ordinale - ele păstrează rangul (ordinea) dintre proximități. Relația definită de f nu este
[Corola-publishinghouse/Science/2075_a_3400]
-
a transformatelor proximităților dintre obiecte care nu este explicată de model. Cu cât f-stress ia valori mai mici, cu atât modelul este mai bun. Interpretarea f-stress se face în termenii aceleiași logici folosite la interpretarea lui R2 în modelele de regresie: valoarea sa se îmbunătățește pe măsură ce creștem numărul de dimensiuni, așa cum valoarea lui R2 se îmbunătățește pe măsură ce introducem mai multe variabile explicative în modelul de regresie. Ca în cazul regresiei, și aici ne vom ghida urmând principiul simplității. Vom alege soluția
[Corola-publishinghouse/Science/2075_a_3400]
-
f-stress se face în termenii aceleiași logici folosite la interpretarea lui R2 în modelele de regresie: valoarea sa se îmbunătățește pe măsură ce creștem numărul de dimensiuni, așa cum valoarea lui R2 se îmbunătățește pe măsură ce introducem mai multe variabile explicative în modelul de regresie. Ca în cazul regresiei, și aici ne vom ghida urmând principiul simplității. Vom alege soluția acceptabilă cu cele mai puține dimensiuni. În afară de f-stress, în general programele statistice mai calculează alți câțiva indicatori de adecvare a modelului, care ne pot ghida
[Corola-publishinghouse/Science/2075_a_3400]
-
termenii aceleiași logici folosite la interpretarea lui R2 în modelele de regresie: valoarea sa se îmbunătățește pe măsură ce creștem numărul de dimensiuni, așa cum valoarea lui R2 se îmbunătățește pe măsură ce introducem mai multe variabile explicative în modelul de regresie. Ca în cazul regresiei, și aici ne vom ghida urmând principiul simplității. Vom alege soluția acceptabilă cu cele mai puține dimensiuni. În afară de f-stress, în general programele statistice mai calculează alți câțiva indicatori de adecvare a modelului, care ne pot ghida în alegerea modelului cu
[Corola-publishinghouse/Science/2075_a_3400]
-
experiența și intuiția cercetătorului, pe fondul cunoașterii problematicii din studii anterioare, sunt cruciale pentru interpretarea soluției. Dar, pe lângă acestea, cercetătorul poate apela la mijloace statistice pentru a confirma și clarifica interpretarea hărții perceptuale. Identificarea naturii dimensiunilor se poate face prin regresia multiliniară. Realizarea unei astfel de analize depinde de variabilele în funcție de care s-au calculat proximitățile. De exemplu, în situația în care acestea sunt itemii unui diferențiator semantic, se va face câte o regresie liniară pentru fiecare variabilă, folosind dimensiunile obținute
[Corola-publishinghouse/Science/2075_a_3400]
-
Identificarea naturii dimensiunilor se poate face prin regresia multiliniară. Realizarea unei astfel de analize depinde de variabilele în funcție de care s-au calculat proximitățile. De exemplu, în situația în care acestea sunt itemii unui diferențiator semantic, se va face câte o regresie liniară pentru fiecare variabilă, folosind dimensiunile obținute în urma scalării multidimensionale ca variabile independente. În funcție de coeficienții standardizați de regresie, vom putea identifica acele variabile care sunt determinate în cea mai mare măsură de fiecare dintre dimensiuni. Astfel, dacă variabila X are
[Corola-publishinghouse/Science/2075_a_3400]
-
care s-au calculat proximitățile. De exemplu, în situația în care acestea sunt itemii unui diferențiator semantic, se va face câte o regresie liniară pentru fiecare variabilă, folosind dimensiunile obținute în urma scalării multidimensionale ca variabile independente. În funcție de coeficienții standardizați de regresie, vom putea identifica acele variabile care sunt determinate în cea mai mare măsură de fiecare dintre dimensiuni. Astfel, dacă variabila X are un coeficient de regresie standardizat mare pentru dimensiunea 1, putem interpreta dimensiunea 1 ca fiind legată de caracteristica
[Corola-publishinghouse/Science/2075_a_3400]
-
variabilă, folosind dimensiunile obținute în urma scalării multidimensionale ca variabile independente. În funcție de coeficienții standardizați de regresie, vom putea identifica acele variabile care sunt determinate în cea mai mare măsură de fiecare dintre dimensiuni. Astfel, dacă variabila X are un coeficient de regresie standardizat mare pentru dimensiunea 1, putem interpreta dimensiunea 1 ca fiind legată de caracteristica X. Un mod alternativ de interpretare a configurației produse prin scalare multidimensională este studiul vecinătăților. Această interpretare nu se preocupă de interpretarea dimensiunilor, ci, similar analizei
[Corola-publishinghouse/Science/2075_a_3400]
-
bazate pe judecăți raționale și subiective, dar care au ca bază de exprimare o anumită experiență. Între acestea, pot fi menționate: tehnica Delphi, metoda analizei și proiecției tendinței (trend projections and analysis), analiza succesiunii sau metodele statistice de previziune (analiza regresiei, simulările). Prin tehnica Delphi se fac previziuni În baza unor chestionare asupra evoluției viitoare a organizației. Previziunile se realizează de către un grup de experți (10-20) care lucrează În mod independent prin completarea unor chestionare și vor avea ca obiectiv determinarea
[Corola-publishinghouse/Science/2127_a_3452]
-
estimarea anumitor categorii și funcții din structura de personal. Se bazează pe folosirea unor diagrame de Înlocuire/succesiune elaborate pentru a evidenția schimbările posibile În poziția personalului, promovările estimate și Înlocuirile posibile pentru fiecare segment din structura organizației ș.a. Analiza regresiei stabilește relațiile care au loc Între efectivele de personal, sub aspect cantitativ și calitativ, și unii indicatori ai organizației (vânzări, producție ș.a.), proiectându‑se necesarul de personal pentru perioada viitoare. Această proiecție nu va putea lua În calcul concurența, tendința
[Corola-publishinghouse/Science/2127_a_3452]
-
n = numărul de grupe de personal operativ avute În vedere În analiză. Corelarea productivității muncii (W) cu ponderea personalului operativ salarizat În acord (A) și cu ponderea celui ce depășește normele (D) conduce la o ecuație de legătură de tipul regresiei multiple: EMBED Equation.3 (3.38) Norma tehnică luată În calcul ca bază pentru munca În acord trebuie să fie rezultatul unei organizări raționale a procesului de muncă. Norma este Însă și un criteriu al salarizării după muncă, situație În
[Corola-publishinghouse/Science/2127_a_3452]
-
salariilor pe măsura aportului personalului la creșterea productivității muncii. Astfel, creșterea salariilor trebuie să fie o consecință a creșterii productivității muncii. În această situație, productivitatea muncii (W) este o variabilă independentă ce condiționează variația salariului minim EMBED Equation.3 În regresia liniară simplă: (3.39) Creșterea productivității muncii este influențată În mod deosebit de creșterea calificării personalului, o dată cu care are loc și utilizarea eficientă a condițiilor tehnice și organizatorice, cu efect direct asupra reducerii timpului de lucru pe unitatea de produs, a
[Corola-publishinghouse/Science/2127_a_3452]
-
În lanț se separă influențele celor patru factori asupra producției. În mod similar se procedează și pentru cifra de afaceri. Cuantificarea volumului producției În funcție de productivitatea muncii și numărul de personal, care sunt factori de influență, se poate realiza și cu ajutorul regresiei multiple: EMBED Equation.3 (3.55) În această relație, coeficienții b și c evidențiază cu cât sporește volumul producției când productivitatea și numărul de personal cresc cu un procent. Creșterea productivității muncii determină o economie relativă de personal care se
[Corola-publishinghouse/Science/2127_a_3452]
-
74 ~ productivității muncii 98, 104, 123 ~ productivității muncii sub aspectul gradului de Înzestrare tehnică 98 ~ productivității muncii prin factori ai potențialului uman 104 ~ structurii personalului pe forme de realizare a calificării 73 ~ structurii potențialului uman 83 ~ succesiunii 20 ~ regresivă 20 ~ regresiei 21, 22 ~ de reașezare și Înlocuire pe funcții 20 ~ structurii de personal 67 ~ succesiunii 21 Angajare 16, 47, 49, 52, 53, 64, 83, 136 anunțuri de ~ 45 cerere de ~ 45, 51, 56 condiții de ~ 45 decizii de ~ 54, 55, 62
[Corola-publishinghouse/Science/2127_a_3452]