در حقیقت، هدف تشخیص این عامل های مشاهده ناپذیر بر پایه مجموعه ای از متغیرهای مشاهده پذیر است. عامل، متغیر جدیدی است که از طریق ترکیب خطی نمره های اصلی متغیرهای مشاهده شده بر پایه فرمول زیر برآورد می شود:
F_j=∑W_jiX_i=W_j1X₁+W_j2X₂+…+W_jpX_p
که در آن W ها بیانگر ضرایب نمره عاملی و P معرف تعداد متغیرها است.امید این است که با تعداد کمی از این عاملها (یعنی ترکیبهای خطی نمره های اصلی متغیرهای مشاهده شده)، بتوان تقریباً همه اطلاعاتی را که توسط مجموعه بزرگتری از متغیرها به دست می آید، در برگرفته و در نتیجه توصیف ویژگی های هر مشاهده را ساده ساخت.
۱-۱۰-۳- انواع تحلیل عاملی
۱) تحلیل عاملی اکتشافی^[۱۲۷] :
محقق درصدد کشف ساختار زیربنایی مجموعه نسبتاً بزرگی از متغیرها است بدون وجود هیچ تئوری اولیه ای. هر متغیری ممکن است با هر عاملی ارتباط داشته باشد.
کاربردها: کاهش داده ها^[۱۲۸] یا شناسایی ساختارها^[۱۲۹]
۲) تحلیل عامل تأییدی^[۱۳۰] :
پیش فرض اساسی محقق، آن است که هر عاملی با زیرمجموعه خاصی از متغیرها ارتباط دارد. حداقل شرط لازم این است که محقق در مورد تعداد عاملهای مدل قبل از انجام تحقیق، پیش فرض معینی داشته باشد.
در هر روش استخراجی که مد نظر باشد، یک راه حل مناسب و خوب باید پاسخ مناسبی به این دو سوال ارائه کند:۱- چه تعداد عامل برای معرفی متغیرها لازم است؟ ۲- عاملها چه معنا و مفهومی دارند؟

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۱۰-۳- مراحل انجام تحلیل عاملی

1. 1. تشکیل ماتریسی از ضرایب همبستگی متغیرها،

1. 1. استخراج عاملها از ماتریس ضریب همبستگی،

1. 1. چرخش عاملها به منظور به حداکثر رساندن رابطه بین متغیرها و عاملها

1. 1. محاسبه بار عاملی (نمره عاملها) برای تعیین عاملهای مورد نظر

نکته ۱: معمولاً عاملهایی انتخاب می شوند که بار عاملی آنها بیشتر از ۴/۰ باشد.
نکته ۲: برخی از صاحبنظران معتقدند در تحلیل عاملی، تعداد مشاهدات حداقل باید ۱۰ برابر تعداد متغیرها باشد. برخی حتی اعتقاد به حداقل ۲۰ برابر تعداد متغیرها دارند.
۱۱-۳- آزمون‏های آماری
آزمون‏های مورد استفاده به منظور بررسی مدل و فرضیه‌ها به قرار زیر است:
۱-۱۱-۳- آزمون معنی­دار بودن اثرات فردی F لیمر^[۱۳۱]
برای انتخاب بین روش‌های داده ­های تابلویی و داده‏های تلفیقی، از آماره F لیمر استفاده می‏شود. این آزمون مقایسه بین مجموع مربعات جملات خطا (RSS)^[132] در روش داده ­های تابلویی و داده ­های تلفیقی می­باشد. از آنجا که در روش داده ­های تلفیقی، پارامترهای محدود کننده بیشتری (ازقبیل آنکه ضرایب عرض از مبدأ α در طول زمان و در بین داده ­های مقطعی، ثابت در نظر گرفته می­شوند) وجود دارد، لذا انتظار بر این است که روش داده‏های تلفیقی نسبت به داده ­های تابلویی، RSS بیشتری داشته باشد. بنابراین اگر RSS مدل حداقل مربعات معمولی (OLS)^[133] ، با اضافه شدن محدودیت­ها به طور معنی­داری افزایش پیدا نکند، بهتر است که این روش استفاده گردد. در غیر این صورت، روش داده ­های تابلویی مناسب تر می باشد.
۲-۱۱-۳- آماره هاسمن
برای بررسی این موضوع که آیا عرض از مبدأ بصورت اثرات ثابت است یا اینکه در ساختار واحدهای مقطعی (کشورها) بصورت تصادفی عمل می­ کند از این آماره استفاده می‏شود. فرضیه این آماره به صورت زیر است:

آزمون هاسمن :

ماتریس واریانس- کوواریانس به روش اثرات تصادفی
ماتریس واریانس- کوواریانس به روش اثرات ثابت
برآورد به روش اثرات تصادفی  برآورد به روش اثرات ثابت
درصورتی که فرضیه  رد گردد باید از روش اثرات ثابت استفاده کرد و اگر این فرضیه پذیرفته شود روش اثرات تصادفی ملاک تجزیه و تحلیل قرار خواهد گرفت
۳-۱۱-۳- آزمون t
آزمونt برای نمونه‏های کوچک کاربرد دارد. توزیع t از بسیاری جهات شبیه توزیع نرمال است و زمانی که حجم نمونه به ۳۰ برسد تقریباً با توزیع نرمال یکی می­ شود (حافظ نیا،۱۳۸۲). در پژوهش حاضر به منظور بررسی معنی­دار بودن ضرایب محاسبه شده، ضرایب همبستگی و مدل‌های رگرسیونی از این آزمون استفاده شده است. بر این اساس، چنانچه سطح معنی‏داری^[۱۳۴] محاسبه شده کمتر از ۰۵/۰ باشد، در این صورت مقادیر محاسبه شده از لحاظ آماری در سطح اطمینان ۹۵ درصد معنی­دار هستند.
۴-۱۱-۳- آزمون F
معمولاً از آزمون t برای مطالعه تفاوت و اثرگذاری در رابطه با دو متغیر استفاده می‏شود. در مواردی که اثرگذاری چند متغیر مد نظر باشد آزمون t صرفا قادر است به طور مجزا به بررسی اثرگذاری هر یک از متغیرهای مستقل بر متغیر وابسته بپردازد در این صورت بروز اشتباهات آماری و محاسبات غلط اجتناب ناپذیر خواهد بود. به منظور رفع این مشکل از آزمون F فیشر استفاده می‏شود. این روش امکان تشخیص تفاوت‏های معنی‏دار بین گروه‏ها و تاثیر کل متغیرها به صورت همزمان را فراهم می‏آورد (حافظ نیا، ۱۳۸۲)
۵-۱۱-۳- ضریب تعیین
ضریب تعیین مهمترین معیاری است که با آن می‏توان رابطه بین دو متغیر x و y را توضیح داد. این ضریب شاخصی است که بیانگر درصد تغییرات بیان شده بوسیله معادله رگرسیون است. بعبارت دیگر این شاخص نشان می‏دهد که چند درصد مقادیر پیش‏بینی شده متغیر وابسته با مقادیر واقعی انطباق دارد.
۶-۱۱-۳- فروض مدل رگرسیون خطی کلاسیک
تحلیل رگرسیون مبتنی بر چند فرضیه اساسی و ساده می‏باشد و اگر یک یا چند مورد از این مفروضات برقرار نباشد، تفسیر مربوط به تحلیل رگرسیون نادرست بوده و پیش‏بینی‏های انجام شده بر اساس آن ضعیف خواهد بود. این مفروضات عبارتند از:
الف- عدم وجود ناهمسانی واریانس U_i ها.
ب- عدم وجود هم خطی کامل بین متغیرهای توضیحی.
ج- عدم وجود خود همبستگی بین U_i ها.
د- میانگین اجزای باقیمانده (خطاها) مساوی صفر است [E(U_i)=0].
ه- کوواریانس صفر بین U_i ها و X_i ها.
و- عدم وجود تورش تصریح.
ز- غیر تصادفی بودن متغیرهای توضیحی.
در مدل داده‏های تابلویی دو مورد ازاهمیت بیشتری برخوردار است که در ادامه توضیح داده شده است.
۷-۱۱-۳- ناهمسانی واریانس
یکی از مهمترین فروض مدل کلاسیک رگرسیون خطی این است که اجزای اخلالU_i که تابع رگرسیون جامعه ظاهر می‏شوند، دارای واریانس همسان هستند. اگر ناهمسانی واریانس‏ها وجود داشته باشد آزمون‏های t و F نتایج غلطی را ارائه می‏دهند و آنگاه نمی‏توان فرضیه‏ها را با آزمون F و tتجزیه و تحلیل کرد (گجراتی^[۱۳۵]، ۱۳۸۶).
۸-۱۱-۳- عدم خود همبستگی جملات خطا