۳-۷ تعیین مناسب بودن مجموعه‏ی متغیرها در ماتریس همبستگی جهت تحلیل عاملی
برای این منظور از آماره KMO که دامنه‏ی آن از ۰ تا ۱ است بهره گرفته می‌شود. چنانچه مقدار این آماره بیش از ۷۰% باشد، همبستگی‏های موجود به طور کلی برای تحلیل عامل مناسب‏اند. اگر مقدار آن بین ۵۰% تا ۶۹% بود باید دقت‏ زیادی به خرج داد و مقادیر کمتر از ۵۰% بدان معناست که تحلیل عامل برای آن مجموعه از متغیرها مناسب نیست. حذف بعضی از متغیرها که با متغیرهای دیگر به اندازه‏ی کافی همبسته نیستند، می‏تواند مفید باشد و همچنین می‏توان‏ اندازه‏های مشابه مقدار KMO را برای هر متغیر به دست آورد تا به تشخیص متغیرهای بی‏ربط و حذف آن‌ها کمک‏ کرد. (نظری و مختاری، ۱۳۸۸)

۳-۷-۱ پیش‏فرض‏های تحلیل عاملی
متغیرهایی که در تحلیل عاملی مورد استفاده قرار می‏گیرند باید دارای شرایطی باشند که در ذیل بهترین شرایط متغیرها برای تحلیل عاملی معرفی شده‏اند که عبارتند از:
حجم نمونه: حداقل ۵ مورد برای هر متغیر و بر اساس یک قاعده‏ی سرانگشتی:برای هر متغیر،ماده یا شاخص‏ اندازه‏گیری ۱۰ آزمودنی داشته باشیم.نمونه‏ی ۱۰۰ موردی قابل قبول است،ولی بیش از ۱۰۰ مورد مناسب است.
نرمال بودن: متغیرها دارای توزیع نرمال باشند.
خطی بودن متغیرها: خطی بودن مهم است زیرا تحلیل عاملی مبتنی بر همبستگی است و متغیرهای اندازه‏گیری‏ شده،به صورت خطی با عامل‏ها ارتباط دارند و اگر چنین نباشد ممکن است راه حل معتبر نباشد.
دورافتاده‏ها در میان موردها: تحلیل عاملی به موردهای دور افتاده حساس است.این موارد نیاز است مشخص‏ شوند یا از مجموعه داده‏ها حذف شوند.
دورافتاده‏ها در میان متغیرها: یک متغیر با محذور ضریب همبستگی چندگانه‏ی پایین با دیگر متغیرها و همبستگی پایین با همه‏ی فاکتورهای مهم،دورافتاده محسوب می‏شود و این متغیر باید از لیست متغیرها حذف شود.
کمی باشند،دامنه‏ی نمرات آن‌ها بزرگ،دارای توزیع متقارن و تک نمایی (unimodally) باشند. (نظری و مختاری، ۱۳۸۸)
۳-۷-۲ مراحل انجام تحلیل عاملی
۱- برای تمام ترکیب‏های متغیرها ماتریسی از ضرایب همبستگی ایجاد می‏شود.
۲-از ماتریس همبستگی فاکتورهایی استخراج می‏شود. متداول‏ترین آنجا استخراج فاکتورهای اصلی است (factors principa) نامیده می‏شود(اغلب به غلط به آن استخراج اجزای اصلی گفته می‏شود به همین دلیل از خلاصه (PC) استفاده می‏شود.
۳-فاکتورها یا محورها چرخانده می‏شود تا رابطه‏ی بین متغیرها و بعضی فاکتورها به حد اکثر برسد.شایع‏ترین روش‏ چرخش واریماکس نامیده می‏شود که در آن استقلال بین فاکتورهای ریاضی حفظ می‏شود.این موضوع از نظر مهندسی‏ به این معنی است که در هنگام چرخش،محورها اورتوگونال یا متعامد باقی می‏مانند یعنی زوایای قائمه حفظ می‏شود.
۴-مرحله چهارم هم می‏شود اضافه کرد:که در آن امتیازات شرکت‏کننده‏ها در هر یک از فاکتورهای به دست آمده از آنالیز،محاسبه می‏شود.باید تأکید کرد که امتیازات به دست آمده از یک فاکتور نتایج یک آزمون واقعی نیست که بر روی‏ شرکت‏کنندگان انجام شده باشد.این مقادیر برآوردهای مقادیر شرکت‏کنندگان در متغیرهای مخفی فرضی است که از روی آنالیز فاکتوری مجموعه‏ای از داده‏ها به صورت محورهای ریاضی به دست آمده است.اما امتیازات فاکتوری می‏تواند خیلی مفید واقع شود،زیرا می‏توان از آن‌ها در آنالیزهای آماری بعدی به عنوان ورودی استفاده کرد. (نظری و مختاری، ۱۳۸۸)
۳-۷-۳ استخراج عامل‏ها
هدف این مرحله به دست آوردن سازه‏های زیربنایی است که تغییرات متغیرهای مورد مشاهده را موجب شده است و مشتمل بر استخراج عوامل از یک ماتریس همبستگی است.نخستین عامل استخراج شده از یک تحلیل مؤلفه‏های اصلی‏ (راه حل چرخش داده نشده)برای بیشترین میزان تغییرپذیری بین متغیرهای اندازه‏گیری شده در نظر گرفته می‏شود. دومین عامل حد اکثر تغییرپذیری بعدی و به همین ترتیب الی آخر. تغییر پذیری یک عامل را ارزش ویژه می‏دانند. نرم افزار spss نخست تقریب‏هایی از متغیرها را که همبستگی‏های آن‌ها بالاترین میزان از واریانس کل‏ مشاهده شده را نشان می‏دهد، انتخاب می‏کند.این مجموعه، عامل ۱ را می‏سازد، عامل ۲ مجموعه متغیرهایی است که‏ بالاترین سهم را در تبیین واریانس باقی‏مانده دارند،این روند ادامه پیدا می‏کند تا تعداد عامل‏های استخراج شده برابر با تعداد متغیرها گردد.همبستگی هر متغیر با هر عامل را بار عاملی (factor loading) گویند و مقدار آن بین ۱+ و ۱- تغییر می‏کند.واریانس تبیین شده توسط هر عامل برابر است با مجموع مجذور بارهای عاملی آن عامل.این واریانس‏ مقدار ویژه (eigen value) نامیده می‏شود، اولین مقدار ویژه همیشه بیشترین بوده و از ۱ بزرگ‌تر می‏باشد و مقدار ویژه‏ برای عامل‏های بعدی کوچک‌تر می‏شود.
۳-۷-۴ استخراج مجموعه‏ی اولیه عامل
در استخراج عامل‏ها تصمیم‏ گیری در دو مورد ضرورت دارد،یکی تعیین روش استخراج عامل‏هاست و دوم تعیین تعداد عامل‏هاست. از آنجا که هدف تحلیل عامل ارائه‏ هرچه ساده‏تر یک رشته متغیر است.بهترین تحلیل عامل آن است که در برگیرنده‏ی حداقل عوامل لازم باشد.با تحلیل عامل می‏توان به تعداد متغیرها، عامل استخراج کرد،ولی بسیاری از این عوامل بی‏معنا بوده و ارزشی ندارند و فقط باید بهترین عامل‏ها را انتخاب کرد. اما بهترین عامل‏ها کدامند؟(نظری و مختاری، ۱۳۸۸)
۳-۷-۵ بهترین عامل‏ها
یکی از متداول‏ترین طرق برای این امر،استفاده از آماره مقدار ویژه است.تحلیل عامل،آزمون مدلی علی است که‏ عامل‏های ناشناخته،متغیرهای مستقل آن و متغیرهای منفرد،متغیر وابسته‏ی آن می‏باشند.از آنجا که در بادی امر نمی‏دانیم چند عامل وجود دارد،می‏توان از هر تعداد مدل سود جست(تحلیل عامل بدواً به تعداد متغیرها عامل ایجاد می‏کند).مسئله تعیین بهترین عامل‏هاست.به بیانی بهترین مدل،ساده‏ترین مدل است؛یعنی با کمترین عامل بیشترین‏ واریانس مجموعه‏ی اولیه‏ی متغیرها را تبیین کند.بهترین عامل‏ها آ نهایی‌اند که بیشترین واریانس مجموعه‏ی متغیرهای‏ منفرد را تبیین می‏کنند و مقدار ویژه اندازه‏ای است که نشان‏دهنده‏ی مقدار واریانس در مجموعه‏ی متغیرهای اولیه است‏ که توسط یک عامل تبیین می‏شود.هرچه این مقدار بیشتر باشد آن عامل واریانس بیشتری را تبیین می‏کند.عامل‏هایی‏ که مقدار ویژه‏ی آن‌ها بیشتر از ۱ است. بهترین عامل‏ها هستند. در نتیجه با مشخص شدن تعداد عامل‏ها، برای تلخیص متغیرها از این تعداد عامل استفاده می‏کنیم. بعد از مشخص شدن تعداد عامل‏های واجد شرایط،ماتریس‏ عاملی را تشکیل می‏دهیم.در این ماتریس به هر عامل منتخب ستونی اختصاص دارد که ارقام آن مبین همبستگی(بار) آن عامل با متغیرهای خاص(در سطرها) است. مقدار ویژه‏ی هر عامل واریانس همه‏ی متغیرهاست که توسط آن عامل‏ تبیین می‏شود.این رقم با مجذور کردن همبستگی‏ها در ماتریس عوامل برای به دست آوردن نسبت واریانس تبیین‏ شده‏ی هر متغیر و جمع کردن ارقام مجذور شده در ستون به دست می‏آید. عاملی که بیشترین واریانس‏ را تبیین می‏کند عامل اول و عامل بعدی عامل دوم و الی آخر.یکی از اندازه‏های تحلیل عامل مناسب،کل واریانس‏ متغیرهای اولیه است که توسط عامل‏ها تبیین شده است.هرچه مقدار کل واریانس تبیین شده بیشتر باشد،راه حل بهتر است. اما برای افزایش مقدار کل واریانس تبیین شده،باید به تعداد عامل‏ها افزود و همین امر یکی از دلایل قاعده کاربرد عامل‏هایی است که مقدار ویژه‏ی آن‌ها بیش از یک است.گاه مقدار ویژه‏ی تعداد زیادی عامل از یک بیشتر می‏شود که‏ لاجرم برای سادگی کار باید پاره‏ای از آن‌ها را حذف کرد.اما کدام عامل‏ها را حذف کنیم؟یکی از طرق کاهش این نوع‏ عامل‏ها بررسی مقدار کل واریانس تبیین شده‏ی مجموعه‏ی تمام متغیرها به وسیله‏ی شماری از عامل‏هاست.یعنی ستون درصد تجمعی این اطلاعات را به ما می‏دهد.با افزایش تعداد عامل‏ها،بر مقدار واریانس تبیین شده،افزوده می‏شود. اما با افزایش هر عامل جدید مقادیر کوچک‏تری بر واریانس تبیین شده افزوده می‏شود.در اینجا باید نقطه‏ای را که بعد از آن‏ افزایش عامل‏ها منجر به افزایش زیادی در مقدار کل واریانس تبیین شده نمی‏شود،تعیین کرد و فقط عامل‏های بالای‏ این نقطه را انتخاب کرد.پیداست می‏توان با افزایش عامل‏ها مقدار کل واریانس تبیین شده را افزایش داد؛اما از آنجا که غالباً این امر مطلوب نیست سعی می‏کنیم با حذف متغیرهای ناجوری که واریانس آن‌ها را،عامل‏های اصلی تبیین‏ نمی‏کنند،مقدار کل واریانس تبیین شده را به حد اکثر برسانیم.برای تشخیص چنین متغیرهای ناجوری از آماره ای به نام‏ اشتراک (communality) که برای هر متغیر محاسبه می‏شود،استفاده کنیم.(همان:۲۵۸).برای احتساب اشتراک‏ هر متغیر-که همان نسبت واریانس تبیین شده‏ی آن متغیر توسط ترکیبی از عامل‏های منتخب است-از همبستگی‏ متغیر با هر یک از چند عامل اصلی استفاده می‏کنیم.جهت این امر ضریب همبستگی متغیر را که با هر عامل اصلی در ماتریس عامل آمده به توان دو می‏رسانیم و باهم جمع می‏کنیم تا مقدار اشتراک آن متغیر به دست آید.دامنه‏ی اشتراک‏ از ۰ تا ۱ است. هرچه مقدار اشتراک بالاتر باشد،مجموعه‏ی عامل‏های منتخب، به نحو بهتری واریانس آن متغیر را تبیین‏ می‏کنند.اگر مقدار اشتراک پایین باشد، بدان معناست که واریانس آن متغیر توسط عامل‏های منتخب تبیین نشده است. معمولاً بهتر است متغیرهایی را که مقدار اشتراک آن‌ها کم است، حذف کرد تا بر مقدار کل واریانس تبیین شده توسط چند عامل افزود. در واقع باید موازنه‏ی مطلوبی بین حد اکثر واریانس تبیین شده و حداقل عامل‏های مقتضی برقرار کرد^[۷۳].
۳-۸ پایایی و روایی
پایایی (reliability) با این امر سر و کار دارد که ابزار اندازه گیری در شرایط یکسان تا چه اندازه نتایج یکسانی به دست می‌دهد . به عبارت دیگر ، «همبستگی میان یک مجموعه از نمرات و مجموعه دیگری از نمرات در یک آزمون معادل که به صورت مستقل بر یک گروه آزمودنی به دست آمده است» چقدر است. به بیان دیگر اگر ابزار اندازه‌گیری را در یک فاصله زمانی کوتاه چندین بار به یک گروه واحدی از افراد بدهیم نتایج حاصل نزدیک به هم باشد.در این پژوهش برای بررسی میزان ضریب آلفای کرون باخ از نرم افزار spss بهره گرفته شد.
در مورد روایی نیز باید اذعان کرد مقصود این است که آیا ابزار اندازه‌گیری مورد نظر می‌تواند ویژگی و خصوصیتی که ابزار برای آن طراحی شده است را اندازه‌گیری کند یا خیر؟ به عبارت دیگر مفهوم روایی(validity) به این سؤال پاسخ می‌دهد که ابزار اندازه‌گیری تا چه حد خصیصه مورد نظر را می‌سنجد. برای رسیدن به این هدف از نظرات کارشناسان و خبرگان امر در طرح پرسش نامه بهره گرفته شد تا میزان روایی در سطح مطلوبی قرار داشته باشد.^[۷۴]
فصل چهارم
یافته های تحقیق
۴-۱ مقدمه
در فصول قبل به بیان ادبیات نظری و ادبیات تجربی پژوهش اختصاص داشت. بررسی ادبیات و نمای کلی^[۷۵] (طرح کلی) مربوط به چارچوب نظری پیشنهاد شده برای مطالعه، به تصمیم ­گیری در مورد انتخاب روش و ساختار طرح پژوهش مناسب کمک می­ کند. بر مبنای نظریه نمایندگی، هدف اصلی پژوهش حاضر نقش یکپارچگی اطلاعات و برنامه ریزی منابع سازمانی در پیاده سازی هوش تجاری می‌باشد. در این راستا، ابتدا به تشریح ادبیات نظری پژوهش در خصوص متغیر های مورد بررسی همچون یکپارچگی اطلاعات، هوش تجاری و … پرداخته شد.
این فصل جزئیات روش پژوهش بکار گرفته شده را بر مبنای اهداف و مقصود پژوهش، تشریح می­ کند. در این راستا، ابتدا فلسفه یا دیدگاه روش­شناختی پژوهش بیان شده، سپس، طرح یا روش پژوهش بیان و در ادامه فرضیه ­های پژوهش توسعه یافته و متغیرهای پژوهش و نحوه اندازه ­گیری آن­ها ارائه شده است. با بهره گرفتن از روش AHP فازی و تحلیل عاملی به بررسی فرضیات مورد بررسی خواهیم پرداخت.
۴-۲ تحلیل فازی
تعریف ماتریس‌های مقایسات زوجی، ماتریس مقایسات زوجی با ۹ گزینه (ترجیحات فازی) توسط ساعتی تعریف گردید . ماتریس مقایسه به شکل زیر می‌باشد: