برای اندازه گیری مهارتهای کارآفرینی مدیران بر اساس پرسشنامه ها و پژوهش های قبلی اوستربک و همکاران (۲۰۱۰)، گری (۲۰۱۳)، پیترز (۲۰۰۵) و ندوبیسی و افتخار (۲۰۱۲) پرسشنامه ای محقق ساخته تدوین شد. این پرسشنامه دارای ۳۵ سؤال است. ۱۰ سوال مهارت مدیریتی کارآفرینی، ۱۱سؤال مهارت فنی کارآفرینی و ۱۴ سؤال مهارت شخصی کارآفرینی را می سنجند. سؤالات بر اساس طیف پنج درجه ای لیکرت از کاملا مخالفم تا کاملاً موافقم اندازه گیری می شوند.

روش‌های تجزیه و تحلیل داده‏ها

برای تحلیل داده های این پژوهش از آزمونهای توصیفی (میانگین و انحراف معیار) و استنباطی استفاده خواهد شد. در بخش استنباطی از آزمونهای همبستگی پیرسون، تحلیل عاملی و مدل معادلات ساختاری استفاده خواهد شد. جهت تحلیل داده های پژوهش از نرم افزارهای SPSS و SMART PLS استفاده خواهد شد. تحلیل عاملی تأییدی زمانی استفاده میشود که پژوهشگر بر اساس دانش نظری، تحقیق تجربی و مطالعات قبلی، فرض میکند بین متغیرهای مشاهده شده و عاملهای بنیادی رابطه وجود دارد و سپس به آزمون این فرض میپردازد.

برای غلبه بر محدودیتهای روش های پیشین، نویسندگان بهطور فزایندهای از مدلیابی معادلات ساختاری به عنوان یک راه حل مناسب استفاده کردند. در مقایسه با روش های رگرسیونی، که در آنها فقط یک سطح از رابطه بین متغیرهای مستقل و وابسته به صورت همزمان تحلیل میشوند، در مدلیابی معادلات ساختاری به عنوان روش ثانویه امکان مدلیابی ارتباط میان چندین سازه مستقل و وابسته وجود دارد (گفن، اشتراب و بودرئو،۲۰۰۰). مزایایی که روش های مبتنی بر مدلیابی معادلات ساختاری نسبت به روش های پیشین دارند انعطافپذیری این روشها در بررسی اثر متقابل نظریه و داده ها است. اگر مبانی نظری قوی باشد، محققان میتوانند در تحلیل داده ها بیشتر به نظریه متکی شوند و هنگامیکه مبانی نظری قابل اطمینانی وجود نداشته باشد محققان میتوانند بیشتر به داده های تجربی متکی شوند (عباسزاده و همکاران، ۱۳۹۱). از آنجا که در پژوهش حاضر حجم جامعه آماری کم است و در مدل معادلات ساختاری با بهره گرفتن از نرم افزار لیزرل به نمونه بالا نیاز داریم از رویکرد حداقل مجذورات جزئی با نرم افزار (SMART PLS) استفاده می شود زیرا در این رویکرد حجم نمونه بالا ضروری نیست و با نمونه پایین هم امکان بررسی رابطه متغیرها وجود دارد. علاوه بر این زمانی که رابطه بین متغیرها از لحاظ نظری و تجربی کمتر بررسی شده است استفاده از رویکرد حداقل مجذورات جزئی نسبت به لیزرل ارجح تر است (عباسزاده و همکاران، ۱۳۹۱).
فصل چهارم

تجزیهتحلیل داده ها

مقدمه

برای تجزیه و تحلیل داده ها از روش آمار توصیفی و استنباطی استفاده گردید. در بخش آمار توصیفی از میانگین و انحراف معیار استفاده شده است.در بخش آمار استباطی از مدل یابی معادلات ساختاری به روش PLS برای برآورد ضرایب مسیر(Beta) و همچنین آزمون فرضیه های پژوهش استفاده شد. همچنین برای محاسبه معنی داری ضرایب مسیر و بدست آوردن آماره T از آزمون بوت استراب (روش باز نمونه گیری از طریق جایگذاری) استفاده شد. شایان ذکر است که جهت وارد نمودن و تجزیه و تحلیل مقدماتی داده ها از نرم افزار Spss18 و جهت مدل یابی به روش PLS از نرم افزار SmartPLS استفاده شد.

رویکرد حداقل مجذورات جزئی به مدل یابی معادلات ساختاری

مدل یابی معادلات ساختاری بر اساس روش های مبتنی بر کوواریانس که در نرم افزار لیزرل مورد استفاده قرار می گیرد، برای پژوهشگران کاملا شناخته شده است. در حقیقت بسیاری از پژوهشگران علوم اجتماعی و رفتاری به طور نامناسبی روش های مبتنی بر کوواریانس را مترادف مدل یابی معادلات ساختاری در نظر می گیرند (چین، ۱۹۸۸). چین (۱۹۸۸) علت این محبوبیت را وجود نرم افزارهای کاربرپسندی مانند، Lisrel، Amosو EQS عنوان می کند. این روشها سعی می کنند پارامترهای جامعه آماری را از طریق یافتن ماتریس کوواریانسی که با ماتریس کوواریانس مشاهده شده در داده ها مطابق باشد، پیش بینی کنند. بر این اساس این روشها نیاز به نرمال بودن توزیع داده ها دارند.
تکنیک دیگری که کمتر معروف است روش حداقل مجذورات جزئی PLS نام دارد. این روش در سال ۱۹۷۵ توسط والد برای حل مسائل اقتصادسنجی مطرح گردید و ترکیبی از روش تحلیل مولفه های اصلی^[۱۶۷] و تحلیل رگرسیون چند متغیره می باشد (چین، ۱۹۸۸). روش PLS به علت وابستگی کمتر به مقیاسهای اندازه گیری (لازم نیست سطح سنجش مقیاسها، فاصله ای یا نسبی باشد) ، اندازه نمونه، و توزیع باقیمانده، می تواند به عنوان یکی از روش های توانمند تحلیل مورد استفاده قرار گیرد (چین، مارکولین^[۱۶۸] و نیوستد^[۱۶۹]، ۱۹۹۶). از این روش علاوه بر آزمون نظریه، جهت مقاصد پیش بینی نیز میتوان استفاده کرد (چین، ۱۹۸۸). به عبارت دیگر هدف PLS بدست آوردن ارزشهای تعیین شده برای متغیرهای نهان با هدف پیش بینی و کمینه ساختن واریانس تمام متغیرهای وابسته می باشد. همچنین PLS نمرات مولفه متغیرهای مکنون را با بهره گرفتن از جمع وزنی نشانگرها ایجاد می کند (چین، مارکولین و نیوستد، ۱۹۹۶). به طور کلی رویکرد مبتنی بر کوواریانس برای آزمون نظریه و رویکرد حداقل مجذورات جزئی برای کشف روابط موجود در دادها و در واقع شکل دادن به نظریه مناسب است (کریسمس^[۱۷۰] ، ۲۰۰۵).

بررسی قابلیت اعتماد و اعتبار ابزارهای اندازه گیری (آزمون الگوی اندازه گیری)

مدل PLS نیز همانند دیگر هم خانواده خود، یعنی روش های مبتنی بر کوواریانس، در دو مرحله یا گام آزمون و تفسیر می شود. ۱- الگوی اندازه گیری^[۱۷۱] و ۲- الگوی ساختاری^[۱۷۲]. الگوی اندازه گیری یا قسمت تحلیل عاملی تاییدی، برای پاسخگویی به سوالات مربوط به اعتبار و قابلیت اعتماد اندازه گیری، تعیین می کند که چگونه متغیرهای نهان یا سازه های فرعی در قالب تعداد بیشتری متغیر قابل مشاهده اندازه گیری شده اند. الگوی ساختاری نیز روابط بین سازه ها (متغیرهای نهان) و قدرت تبیین آنها را نشان می دهد. در این بخش آزمون الگوی اندازه گیری و در ادامه به آزمون الگوی ساختاری می پردازیم.

بررسی قابلیت اعتماد ابزارهای اندازه گیری

آزمون الگوی اندازه گیری شامل بررسی قابلیت اعتماد (همسانی درونی^[۱۷۳]) و اعتبار (اعتبار واگرا^[۱۷۴]) سازه ها و ابزارهای پژوهش می شود. قابلیت اعتماد آزمون به دقت اندازه گیری و ثبات آن مربوط است، پس دو معنای متفاوت دارد: یک معنای قابلیت اعتماد، ثبات و قابلیت اعتماد نمره های آزمون در طول زمان است. بدین معنا که اگر یک آزمون چند بار در مورد یک پاسخگو اجرا شود، نمره آن در همه موارد یکسان است. معنای دوم قابلیت اعتماد، به همسانی گویه ها اشاره دارد. مفهوم آن این است که سوال های آزمون تا چه اندازه ای با یکدیگر همبستگی دارند (غیاثوند، ۱۳۸۷). جهت بررسی قابلیت اعتماد سازه ها فرنل^[۱۷۵] و لاکر^[۱۷۶] (۱۹۸۱) سه ملاک را پیشنهاد می کنند که شامل: ۱- قابلیت اعتماد هریک از گویه ها، ۲- قابلیت اعتماد ترکیبی^[۱۷۷] هریک از سازه ها و ۳- متوسط واریانس استخراج شده^[۱۷۸] AVE . در مورد قابلیت اعتماد هریک از گویه ها، بار عاملی ۶/۰ و بیشتر هر گویه در تحلیل عاملی تاییدی نشانگر سازه خوب تعریف شده است. همچنین بارعاملی گویه ها باید حداقل در سطح ۰۱/۰ معنی دار باشند(گیفن^[۱۷۹] و اشتراب، ۲۰۰۵). جهت محاسبه آماره T برای تعیین معنی داری بارهای عاملی از آزمون بوت استراپ^[۱۸۰] (با ۳۰۰ زیرنمونه) استفاده شد. برای بررسی قابلیت اعتماد ترکیبی هر یک از سازه ها از ضریب دیلون – گلداشتاین^[۱۸۱] (_cρ ) استفاده شد. از آنجایی که PLS بر خلاف رگرسیون چندگانه ^[۱۸۲]OLS از نمرات عاملی آزمودنی ها برای تحلیل استفاده می کند، در نظر گرفتن بار عاملی هر یک از گویه ها در محاسبه شاخص قابلیت اعتماد ضروری است. این در حالی است که ضریب آلفای کرانباخ وزن برابری به گویه ها می دهد و قابلیت اعتماد را کمتر نشان می دهد، بنابراین از ضریب _cρ استفاده شد (مانوئل ^[۱۸۳] و همکاران ، ۲۰۰۹). مقادیر قابل پذیرش _cρ باید ۷/۰ یا بیشتر باشند (فرنل و لارکر، ۱۹۸۱). نشانگر سوم بررسی قابلیت اعتماد، میانگین واریانس استخراج شده می باشد (فرنل و لارکر، ۱۹۸۱). فرنل و لارکر مقادیر AVE 5/0 و بیشتر را توصیه می کنند و این امر به معنای آن است که سازه مورد نظر حدود ۵۰ درصد و یا بیشتر واریانس نشانگرهای خود را تبیین می کند (چین، ۱۹۸۸). در جداول ۴-۱ تا ۴-۵ بارهای عاملی،_cρ، AVE و ضریب آلفای هر یک از سازه ها ارائه شده اند. مقادیر این جدولها نشان دهنده قابلیت اعتماد کافی و مناسب سازه ها هستند.
جدول ‏۴-۱: شاخص های قابلیت اعتماد قابلیت‌های نوآوری