.۹۳۲

۵۳

پرسشنامه شماره(۲): پرسشنامه شماره (۲) براساس مقایسه زوجی می باشد، لذا قابلیت اعتماد این پرسشنامه بر مبنای نرخ نا سازگاری می باشد که در بخش بعدی توضیح داده خواهد شد. نرخ ناسازگاری کلی در پرسشنامه دوم ۰۴/۰ است، از آنجاییکه این عدد کمتر از ۱/۰ است لذا درجه بالایی از قابلیت اعتماد آن را نشان می دهد.
پرسشنامه شماره(۳): پرسشنامه شماره (۳ ) یک پرسشنامه TOPSIS که قابلیت اعتماد آن بر اساس نظر خبرگان مورد تأیید واقع شده است.
۳-۸- ابزار تجزیه و تحلیل داده ها
برای تجزیه و تحلیل داده ها از سه نرم افزار استفاده شده است :

پرسشنامه شماره (۱): این پرسشنامه برای انجام تحلیل عاملی اکتشافی داده ها طراحی شده است. که برای تجزیه و تحلیل این پرسشنامه از نرم افزار ۱۶SPSS استفاده گردیده است.
پرسشنامه شماره (۲): این پرسشنامه برای وزن دهی عامل ها با بهره گرفتن از روش AHP طراحی گردیده است که برای تجزیه و تحلیل این پرسشنامه از نرم افزار EXCPERT CHOICE استفاده شده است.
پرسشنامه شماره (۳): این پرسشنامه برای رتبه بندی دانشگاه ها با بهره گرفتن از روش TOPSIS طراحی گردیده است که برای تجزیه و تحلیل این پرسشنامه از نرم افزار TOPSIS استفاده شده است.
۳-۹-تحلیل داده ها
برای تجزیه و تحلیل داده ها از آزمون تحلیل عاملی و روش AHP و روش TOPSIS استفاده شده که در اینجا به شرح مختصر هرکدام پرداخته می شود.
۳-۹-۱-تحلیل عاملی
معمولاً در تحقیقات به دلایل مختلف با حجم زیادی از متغیرها روبرو هستیم. برای تحلیل دقیقتر داده ها و رسیدن به نتایج علمی تر و در عین حال عملیاتی تر، پژوشگران به دنبال کاهش حجم متغیرها و تشکیل ساختار جدیدی برای آن ها می باشند و بدین منظور از روش تحلیل عاملی استفاده می کنند. تحلیل عاملی سعی در شناسایی متغیرهای اساسی یا عامل ها^[۹۳] به منظور تبیین الگوی همبستگی بین متغیرهای مشاهده شده دارد. تحلیل عاملی نقش بسیار مهمی در شناسایی متغیرهای مکنون^[۹۴] یا همان عامل ها از طریق متغیرهای مشاهده شده دارد.
عامل، متغیر جدیدی است که از طریق ترکیب خطی مقادیر اصلی متغیرهای مشاهده شده به صورت رابطه۲ برآورد می شود. در این رابطه x_j بیانگر متغیر i ام، w_ji ضریب نمره عاملی متغیر i ام و از نظر عامل j ام، p تعداد متغیرها و F_j عامل j ام است.
رابطه ۲ x_p x_i = w_j1 x₁ + w_j2 x₂ + … + w_jp = F_j
تحلیل عاملی دارای کاربردهای متعددی است که عبارتند از:

• کاهش داده ها^[۹۵]؛

• شناسایی ساختار^[۹۶]؛

• سنجش اعتبار یک معیار یا شاخص؛

تحلیل عاملی بر دو نوع است: تحلیل عاملی اکتشافی^[۹۷] و تحلیل عاملی تأییدی^[۹۸]. در تحلیل عاملی اکتشافی پژوهشگر درصدد کشف ساختار زیر بنایی مجموعه نسبتاً بزرگی از متغیرها است و پیش فرض اولیه پژوهشگر، آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد. به عبارت دیگر پژوهشگر در این روش، هیچ تئوری اولیه ای ندارد. در تحلیل عاملی تأییدی پیش فرض اساسی پژوهشگر آن است که هر عاملی با زیر مجموعه خاصی از متغیرها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تأییدی این است که پژوهشگر در مورد تعداد عامل های مدل، قبل از انجام تحلیل، پیش فرض معینی داشته باشد. ولی در عین حال پژوهشگر می تواند انتظارات خود مبنی بر روابط بین متغیرها و عامل ها را نیز در تحلیل وارد نماید(مؤمنی و قیومی، ۱۳۸۹).
اگر محقق درباره تعداد عامل های مدل فرضیه ای نداشته باشد، تحلیل اکتشافی و در صورتی که فرضیه موجود باشد از تحلیل تأییدی استفاده می شود(سرمد و همکاران، ۱۳۹۰).
تحلیل عاملی دارای سه مرحله زیر می باشد:

• تشکیل ماتریسی از ضرایب همبستگی؛

• استخراج عامل ها از ماتریس همبستگی؛

• چرخش عامل ها به منظور به حداکثر رساندن رابطه بین متغیرها و عامل ها ( عامل های مورد نظر)، محاسبه نمره^[۹۹] عامل ها (بار عامل ها) که مقدار آن باید بیشتر از ۳/۰ ( به اعتقاد برخی صاحبنظران بیشتر از ۴/۰) باشد.

توجه به این نکته لازم به نظر می رسد که در تحلیل عاملی، تعداد موارد^[۱۰۰] حداقل باید ده برابر تعداد متغیرها باشد، گرچه بعضی از صاحب نظران معتقدند که تعداد موارد باید حداقل بیست برابر تعداد متغیرها باشد.

• شاخص KMO ^[۱۰۱] و آزمون بارتلت^[۱۰۲]

در انجام تحلیل عاملی، ابتدا باید از این مسئله اطمینان حاصل شود که می توان داده های موجود را برای تحلیل مورد استفاده قرار داد. به عبارت دیگر، آیا تعداد داده های مورد نظر ( اندازه نمونه و رابطه بین متغیر ها) برای تحلیل عاملی مناسب هستند یا خیر؟ بدین منظور از شاخص KMO و آزمون بارتلت استفاده می شود(مؤمنی و قیومی، ۱۳۸۹):
شاخص KMO : شاخصی از کفایت نمونه گیری است که کوچک بودن همبستگی جریی بین متغیرها را بررسی می کند و از این طریق مشخص می سازد آیا واریانس متغیرهای تحقیق، تحت تأثیر واریانس مشترک برخی عامل های پنهانی و اساسی است یا خیر. این شاخص در دامنه صفر تا یک قرار دارد. اگر مقدار شاخص نزدیک به یک باشد، داده های مورد نظر (اندازه نمونه) برای تحلیل عاملی مناسب هستند و در غیر این صورت (معمولاً کمتر از ۶/۰) نتایج تحلیل عاملی برای داده های موردنظر چندان مناسب نمی باشند. این شاخص از رابطه ۳ به دست می آید که در این رابطه r_ij ضریب همبستگی بین متغیرهای i وj، و a_ij ضریب همبستگی جزیی بین آنها است.
رابطه۳ KMO =
آزمون بارتلت: این آزمون بررسی می کند چه هنگام ماتریس همبستگی، شناخته شده (از نظر ریاضی ماتریس واحد و همانی) است و بنابراین برای شناسایی ساختار (مدل عاملی) نامناسب می باشد. ماتریس همبستگی دارای دو حالت است:
حالت اول) زمانی که ماتریس همبستگی بین متغیرها، یک ماتریس یکه می باشد، در این صورت ارتباط معنی داری بین متغیرها وجود داشته و بنابراین امکان شناسایی و تعریف عامل های جدیدی بر اساس همبستگی متغیرها وجود دارد. اگر سطح معنی داری(sig) آزمون بارتلت کوچکتر از ۵ درصد باشد تحلیل عاملی برای شناسایی ساختار (مدل عاملی) مناسب است، زیرا فرض یکه (واحد) بودن ماتریس همبستگی رد می شود.
۳-۹-۲- روش تحلیل سلسله مراتبی(AHP ^[۱۰۳])
روش AHP توسط فردی عراقی به نام ساعتی^[۱۰۴]، در دهه ۱۹۷۰ پیشنهاد شد. این روش، مانند آنچه در مغز انسان انجام می شود، به تجزیه و تحلیل مسائل می پردازد. AHP تصمیم گیرندگان را قادر می سازد اثرات متقابل و همزمان بسیاری از وضعیت های پیچیده و نامعین را تعیین کنند. این فرایند، تصمیم گیرندگان را یاری می کند تا اولویت ها را بر اساس اهداف، دانش و تجربه خود تنظیم نمایند؛ به نحوی که احساسات و قضاوت های خود را به طور کامل در نظر گیرند. برای حل مسائل تصمیم گیری از طریق AHP، باید مسأله را به دقت و با همه جزییات، تعریف و تبیین کرد و جزییات آن را به صورت ساختارِ سلسله مراتبی ترسیم نمود. AHP بر اساس سه اصل زیر استوار است (مؤمنی، ۱۳۸۹):
الف) اصل ترسیم درخت سلسله مراتبس؛