|
2.5.4 Probléma: Egy elégedettségvizsgálat tanulságai
Manapság egyre elterjedtebbek az elégedettségvizsgálatok, melyek eredményei jelentősen hozzájárulhatnak a munkahelyi légkör, s ezáltal a munka hatékonyságának javulásához. Nemcsak munkahelyeken, hanem egyéb területeken, például oktatási intézményekben is végeznek ilyen vizsgálatokat az oktatás színvonalának javítása érdekében. Felmerül a kérdés, hogy mely tényezők befolyásolják azt, hogy elégedett-e valaki, mely tényezők kerülhetnének be egy tolerancia kérdőív itemei közé. A negyedik példánkban ezt a kérdést járjuk körbe az egyetemi oktatással való elégedettség vizsgálata kapcsán.
A 2.41. R-forráskód segítségével előhívott adatbázis a következő kérdésekre adott válaszokat tartalmazza (A hozzá tartozó 2.42. R.eredmény a 2.6.3 mellékletben található):
Mennyire vagy elégedett...
- az egyetemen szerzett ismeretek felhasználhatóságával? (dk210)
- az egyetem ösztönző, fejlesztő tevékenységével? (dk212)
- az egyetemen az információ áramlással? (dk214)
- a szakodon tanított tárgyakkal? (dk215)
- a tanárok előadókészségével? (dk219)
- a tanárok szakmai felkészültségével? (dk220)
- az oktatóid tanítási módszereivel? (dk221)
- a kutatási lehetőségekkel? (dk217)
- a szakod által adott elhelyezkedési lehetőségekkel? (dk218)
|
g<-read.csv("c:/adat/elegvizsg.csv")
|
| |
2.42. R-forráskód
|
PC<- summary(princomp(~DK210+DK212+DK214+DK215+DK217+DK218+DK219+DK220+DK221, cor=TRUE, data=g))
PC
|
| |
2.43. R-forráskód
|
Importance of components:
Comp.1 Comp.2 Comp.3 Comp.4
Standard deviation 2.0412303 1.0104355 0.90650385 0.83765721
Proportion of Variance 0.4629579 0.1134422 0.09130547 0.07796329
Cumulative Proportion 0.4629579 0.5764001 0.66770559 0.74566888
Comp.5 Comp.6 Comp.7 Comp.8
Standard deviation 0.82245076 0.72107675 0.66360156 0.60837576
Proportion of Variance 0.07515836 0.05777241 0.04892967 0.04112456
Cumulative Proportion 0.82082724 0.87859965 0.92752932 0.96865388
Comp.9
Standard deviation 0.53114508
Proportion of Variance 0.03134612
Cumulative Proportion 1.00000000
|
| |
2.43. R-eredmény.
|
A 2.43. R-forráskóddal elsőként egy főkomponens analízist futtatunk az adatokra. A 2.43. R-eredményen láthatjuk, hogy az első főkomponens által magyarázott variancia („Proportion of Variance 0.445”) nagyjából az összvariancia 45%-át teszi ki. A 2.44. R-forráskóddal megnézhetjük, mely változók járulnak kevésbé hozzá az első főkomponens kialakításához.
Loadings:
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 Comp.7 Comp.8 Comp.9
DK210 -0.346 0.199 -0.103 0.647 0.136 0.453 0.408 -0.125
DK212 -0.378 0.212 0.176 0.124 0.532 -0.682 0.131
DK214 -0.268 0.217 0.735 0.455 -0.205 -0.107 0.283
DK215 -0.361 -0.119 0.395 -0.669 -0.449 -0.204
DK217 -0.290 0.242 0.123 -0.783 -0.445 0.125
DK218 -0.197 0.638 -0.576 0.345 -0.288 -0.105
DK219 -0.385 -0.357 -0.197 -0.124 0.188 -0.140 0.318 0.715
DK220 -0.344 -0.397 -0.128 0.183 -0.244 -0.336 0.620 -0.321 -0.124
DK221 -0.383 -0.344 -0.117 -0.106 0.276 -0.414 0.160 -0.658
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 Comp.7 Comp.8 Comp.9
SS loadings 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
Proportion Var 0.111 0.111 0.111 0.111 0.111 0.111 0.111 0.111 0.111
Cumulative Var 0.111 0.222 0.333 0.444 0.556 0.667 0.778 0.889 1.000
|
| |
2.44. R-eredmény.
|
cors<-cor(PC$scores[,1],g)
print(cors,digits=3)
|
| |
2.45. R-forráskód
|
DK210 DK212 DK214 DK215 DK217 DK218 DK219 DK220 DK221
[1,] -0.705 -0.77 -0.546 -0.738 -0.592 -0.403 -0.785 -0.701 -0.782
|
| |
2.45. R-eredmény.
|
A 2.44. R-eredmény (főkopmonenssúlyok) és a komponens mátrix (2.45. R-eredmény) szerint a DK214, DK217 és a DK218-as kérdés „lóg ki” a sorból, hiszen a hozzájuk tartozó főkomponenssúlyok rendre 0,268, 0,29 és 0,197, korrelációs értékek pedig 0,546, 0,592 és 0,403. Nézzük meg, hogy a Cronbach-alfa eredménye is alátámasztja-e a kérdéses item eltávolítását (2.46. R-forráskód).
rel<-reliability(cov(g[,c("DK210","DK212","DK214", "DK215","DK217","DK218","DK219", "DK220","DK221")], use="complete.obs"))
print(rel,digits=3)
|
| |
2.46. R-forráskód
|
Alpha reliability = 0.84
Standardized alpha = 0.848
Reliability deleting each item in turn:
Alpha Std.Alpha r(item, total)
DK210 0.819 0.828 0.601
DK212 0.809 0.819 0.687
DK214 0.837 0.844 0.442
DK215 0.816 0.825 0.630
DK217 0.832 0.840 0.491
DK218 0.851 0.856 0.322
DK219 0.813 0.820 0.659
DK220 0.823 0.830 0.574
DK221 0.814 0.821 0.658
|
| |
2.46. R-eredmény.
|
cor<-cor(d)
eigen<-eigen(cor)$values[1]
theta<-length(d)/(length(d)-1)*(1-1/eigen)
print(theta,digits=3)
|
| |
2.47. R-forráskód
|
A 2.46. R-eredményen láthatjuk, hogy a 218-as kérdés eltávolítása valóban javítaná a mérőszámot, hiszen a Cronbach-alfa értéke akkor 0,851-re javulna. A 2.47. R-eredményen látható Theta-érték már elfogadható nagyságú.
Futassuk újra az analízist a DK241, DK217 és DK218-as változók nélkül!
PC1<-summary(princomp(~DK210+DK212+DK215+DK219+DK220+DK221, cor=TRUE, data=g))
PC
|
| |
2.48. R-forráskód
|
Importance of components:
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
Standard deviation 1.8744373 0.9012260 0.72842467 0.66855923 0.64316148
Proportion of Variance 0.5855858 0.1353681 0.08843375 0.07449524 0.06894278
Cumulative Proportion 0.5855858 0.7209539 0.80938766 0.88388290 0.95282568
Comp.6
Standard deviation 0.53202061
Proportion of Variance 0.04717432
Cumulative Proportion 1.00000000
|
| |
2.48. R-eredmény.
|
d1<-d[c(1:2,4,7:9)]
cors<-cor(PC1$scores[,1],d1)
print(cors,digits=3)
|
| |
2.49. R-forráskód
|
DK210 DK212 DK215 DK219 DK220 DK221
[1,] -0.712 -0.744 -0.745 -0.826 -0.737 -0.82
|
| |
2.49. R-eredmény.
|
rel1<-reliability(cov(g[,c("DK210","DK212","DK215","DK219","DK220","DK221")], use="complete.obs"))
print(rel1,digits=3)
|
| |
2.50. R-forráskód
|
Alpha reliability = 0.856
Standardized alpha = 0.858
Reliability deleting each item in turn:
Alpha Std.Alpha r(item, total)
DK210 0.842 0.844 0.595
DK212 0.836 0.838 0.629
DK215 0.835 0.837 0.628
DK219 0.819 0.820 0.712
DK220 0.840 0.841 0.606
DK221 0.821 0.822 0.709
|
| |
2.50. R-eredmény.
|
cor<-cor(d1)
eigen<-eigen(cor)$values[1]
theta<-length(d1)/(length(d1)-1)*(1-1/eigen)
print(theta,digits=3)
|
| |
2.51. R-forráskód
|
A 2.48. R-eredmény alapján az első főkomponens által magyarázott variancia immár elérte az 50%-ot, vagyis magyarázóértéke ezen mutató alapján elégséges. A 2.49. R-eredmény komponens mátrixában szereplő korrelációs értékek megfelelőek.
A 2.50. R-eredmény alapján a Cronbach-alfa értékét már nem tudjuk tovább növelni a változók eltávolításával, a 2.51. R-eredményen látható Theta érték pedig egy kicsit javult.
Összegezve, az eredmények alapján csupán a szak által adott elhelyezkedési lehetőségek, az információáramlás és a kutatási lehetőségek nem kerülnek be az egyetemi oktatással való elégedettség mérőszámába, míg a többi változó eredményei igen.
|
