۰٫۷۰۱

مناسب

کل

۲۰

۲۰-۱

۰٫۷۰۷

تایید

در جدول فوق معیار آلفای کرونباخ متغیرها چون بیشتر از ۷۰/۰ می­باشد پس می­توان گفت که این پرسش نامه پایاست.

روش‌ها و ابزار تجزیه و تحلیل داده‏ها
تعاریف عملیاتی:
۳-۸-۱-۱ ریسک­: ریسک در بانکداری نوین ریسک یا خطر، احتمال محقق نشدن برنامه­ ها در قالب اهداف کوتاه مدت و بلندمدت تعریف می­ شود.
۳-۸-۱-۲ مدیریت بهره­وری: بهره­وری عبارتست از بازدهی و کارایی بانک که توسط عملکرد کارکنان ایجاد می­ شود. بهره­وری مساوی است با کارایی+ اثربخشی. سوال­های ۱۷ال ۲۰ پرسشنامه مربوط به بهره­وری کارکنان در بانک ملی می­باشد.
۳-۸-۱-۳ کارایی: کارایی به معنای انتخاب و تنظیم درست برنامه­ ها( خدمات نوین) در شرایط بحرانی و رقابتی تعریف می­ شود. سوال­های ۳-۴-۷-۸-۱۱-۱۲-۱۵و۱۶پرسشنامه مربوط به کارایی و مولفه­های ریسک می باشد.
۳-۸-۱-۴ اثربخشی: انجام درست برنامه­ ها مستلزم عملکرد قوی کارکنان بانک است. سوال­های ۱-۲-۵-۶-۹-۱۰-۱۳ و ۱۴ پرسشنامه مربوط به اثربخشی کارکنان می باشد.

روش تجزیه و تحلیل داده ­های پژوهش
به منظور بررسی رابطه بین متغیرهای مستقل ومتغیرهای وابسته وفرضیه تحقیق، ازنرم­افزارExcel,DEA Maser,DEA Solver AMOS, استفاده شده­است. برای استفاده از تحلیل مسیر و روش های رگرسیونی باید خطاها، دارای توزیع نرمال باشند. برای بررسی این موضوع از آزمون کلموگروف- اسمیرنوف واز ضریب همبستگی استفاده شده است. در ادامه با دو معیار(کای دو و مقایسه مدل پیشنهادی و مستقل)مناسب مدل مشخص می­گردد.

(( 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. ))

نمودار(۱-۱) مدل مفهومی مطالعه رابطه بین یکپارچه سازی سیستم های حسابداری مالی و تصمیمات مدیریت (منبع نگارنده باربارا و همکاران،۲۰۱۱).
نمودار(۱-۱) مدل مفهومی مطالعه رابطه بین یکپارچه سازی سیستم های حسابداری مالی و تصمیمات مدیریت (منبع نگارنده باربارا و همکاران،۲۰۱۱).
نمودار(۱-۱) مدل مفهومی مطالعه رابطه بین یکپارچه سازی سیستم های حسابداری مالی و تصمیمات مدیریت (منبع نگارنده باربارا و همکاران،۲۰۱۱).
آزمون­های برازندگی مدل کلی
در طی دهه گذشته برای مدل­های معادلات ساختاری شاخص­ های برازندگی متعددی ارائه شده است. با آنکه انواع گوناگون این شاخص ­ها پیوسته در حال توسعه و تکامل هستند ولی شاخص بهینه­ای که توافق همگانی برآن باشد وجود ندارد. این شاخص ­ها به شیوه ­های مختلفی طبقه شده ­اند که یکی از عمده­ترین این طبقه ­بندی­ها متعلق به مارش و همکاران (۱۹۶۷) است. آن ها شاخص­ های برازندگی را به سه گروه مطلق، نسبی و تعدیل یافته تقسیم می­ کنند.
شاخص­ های مطلق
شاخص­ های مطلق این پرسش را مطرح می­سازد که آیا واریانس خطا که پس از برازش مدل باقی می­ماند مقدار قابل توجه­ای است یا خیر؟
شاخص­ های مطلق تابعی از برنامه­ی Amos (مانند تابع برازندگی بیشینه احتمال یا نسبت درستنمایی مقیاس­بندی شده) را به گونه ­ای به کار می­برند که ریشه­ میانگین باقی مانده، آزمون مجذور کای و نسبت  به درجه آزادی، شاخص برازندگی (GFI) و شاخص تعدیل یافته برازندگی(AGFI) را مینیمم کند. در میان شاخص­ های مطلق مجذور کای و نسبت  به درجه آزادی، به قدرمطلق باقی مانده ها توجه دارد. مشخصه­ی مجذور کای برای یک مدل کاملاً برازش یافته برابر صفربوده و نسبت  (نسبی مجذورکای به درجه آزادی) در یک برازش ایده آل برابر ۱ خواهد بود.
دیگر شاخص مطلق، شاخص ریشه­ میانگین مجذور باقی مانده­ها (RMR) می­باشد. این مقدار در واقع تفاوت بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریس­های برآورد یا پیش بینی شده با فرض درستی مدل مورد نظر است. مانده­های برازش یافته از تفاضل ماتریس کواریانس نمونه از ماتریس کواریانس برازش یافته حاصل می­ شود. هرچه مقدار این شاخص به صفر نزدیک­تر باشد، مدل مذکور برازش بهتری دارد.
شاخص­ های برازندگی GFI و AGFI که چارزکاگ و سوربوم (۱۹۸۹) پیشنهاد کرده ­اند بستگی به حجم نمونه ندارد و نشان می­دهد که مدل تا چه حد نسبت به عدم وجود آن، برازندگی بهتری دارد. شاخص GFI برپایه­ی تابع برازندگی F طبق فرمول زیر محاسبه می­ شود،
در این رابطه  معرف ساختار کواریانس برای متغیرهای مشاهده شده تصادفی،  معرف ماتریس کواریانس گروه نمونه،  مقداری از  است که  را مینیمم می­ کند و  تابع برازندگی در شرایطی است که همه پارامترهای مدل برابر با صفر باشند. این مشخصه در واقع مقدار نسبی واریانس­ها و کواریانس­ها را به گونه­ مشترک از طریق مدل ارزیابی می­ کند و دامنه­ تغییرات آن بین صفر و یک است. شاخص GFI هرچند مشابه  است ولی نمی­تواند به عنوان درصد خطای تبیین شده به وسیله­ مدل تفسیر شود زیرا درصد کواریانس­های مشاهده شده­ای است که از طریق کواریانس­های دیکته شده به وسیله ی مدل تبیین می­ شود. چون GFI نسبت به سایر مشخصه­های برازندگی اغلب بزرگتر است، برخی از پژوهشگران نقطه برش ۹۵/۰ را برای آن پیشنهاد کرده ­اند. برپایه ی قرارداد مقدار GFI باید برابر یا بزرگتر از۹/۰باشد تا مدل مورد نظر پذیرفته شود.
مقدار تعدیل یافته شاخص برازندگی برای درجه آزادی (یعنی AGFI) برپایه­ی فرمول زیر بدست می ­آید:
که در آن  تعداد اندازه ها در مدل و  بیانگر درجه آزادی مدل است. کمترین مقدار  و  باید صفر باشد، هرچند از لحاظ نظری ممکن است مقدار آن منفی و فاقد معنا شود. البته منفی بودن آن ها نشانه­ی آن است که مدل مورد نظر بسیار ضعیف بوده است.  با مدل­های دقیقاً همانند و  با مدل­هایی که دارای برازندگی بسیار ضعیف یا مبتنی بر نمونه­های باحجم کوچک باشد، همراه است. مقدار  مطلوب نیز باید بزرگ تر از ۹/۰ باشد.
-شاخص­ های نسبی
شاخص­ های نسبی در پی پاسخ به این سوال است که یک مدل بخصوص در مقایسه با سایر مدل­های ممکن از لحاظ تبیین مجموعه ­ای از داده ­های مشاهده شده تا چه حد خوب عمل می­ کند؟ رایج­ترین مدل­های نسبی، به مدل صفر معروف هستند زیرا در ماتریس واریانس- کواریانس تنها واریانس­ها را برازش می­ دهند و فرض می­ کنند همه کواریانس­ها برابر با صفر هستند.
برخی از شاخص­ های نسبی که مارش و همکاران(۱۹۸۸) به آن نوع اول می­گویند برازش دو مدل مختلف را با هم مقایسه می­ کنند. یکی از شاخص­ های نسبی نوع اول که قبلا به گونه­ گسترده به کار می­رفت، شاخص نرم شده برازندگی (NFI یاDELTA1) بوده است که مستلزم مفروضه­های مجذور کای نیست. این شاخص در حال حاضر به سبب آنکه تحت تأثیر حجم نمونه بوده است و برای نمونه­های با حجم کم ضعیف است توصیه نمی­ شود. سایر شاخص ­ها که نوع دوم نام دارند ضمن آن که مدل­ها را مقایسه می کنند، اطلاعاتی درباره مقدار مورد انتظار مدل­ها تحت یک توزیع مرکزی مجذور کای نیز بدست می­ دهند. شاخص­ های نوع دوم مختلفی وجود دارند که به صورت گسترده مورد استفاده قرار می­گیرند و نسبت به شاخص­ های مطلق یا نوع اول هماهنگی بیشتری با حجم نمونه دارند. یکی از این شاخص ­ها که اهمیت بسیاری دارد فرمول کلاسیک تاکر- لویز(۱۹۷۳) است که به وسیله ی بنتلر و بونت(۱۹۸۰) توسعه یافته و نه تنها در مقایسه­ یک مدل با مدل صفر بلکه در مقایسه­ مدل­های مختلف نیز کاربرد فراوان دارد. این شاخص اغلب شاخص نرم شده برازندگی (NNFI) نیز نامیده می­ شود.
علاوه براین هیو و بنتلر (۱۹۹۵) شاخص­ هایی نوع سوم و چهارم را نیز معرفی کردند. شاخص­ های نوع سوم، مقایسه­ مدل­ها را همراه با اطلاعاتی درباره مقدار مورد انتظار تحت توزیع غیر مرکزی مجذور کای و شاخص­ های نوع چهارم عمل مقایسه با اطلاعاتی درباره سایر شکل­های توزیع انجام می­دهد. شاخص برازندگی بنتلر(BFI) که از سوی مک دونالد و مارش (۱۹۹۰)  شاخص غیرمرکزی (RNI) توسعه یافته نامیده شد و شاخص برازندگی تطبیقی (CFI) از این نوع می­باشند.
-شاخص­ های تعدیل یافته
شاخص­ های تعدیل یافته این پرسش را مطرح می­ کنند که مدل مورد نظر چگونه برازندگی و صرفه جویی یا ایجاز را با هم ترکیب می­ کنند؟ نکته­ای که دارای اهمیت بسیاری است این است که اکثر مدل­ها وقتی می­توانند به داده ­ها برازش یابند که پارامترها به اندازه کافی برآورد شوند. بنابراین مدل­هایی ارزشمند است که تغییر پذیری داده ­ها را با تعداد نسبتاً کمی از پارامترهای آزاد توجیه کند. برخی از شاخص­ هایی که تاکنون معرفی شدند انواع گوناگونی دارند که در آنها برای مدل های مورد مقایسه ارزیابی مستقیمی از میزان صرفه­جویی و ایجاز نیز در نظر گرفته می­ شود. جیمز، مولائیک و برت (۱۹۸۲) شاخصی از این نوع با نماد PGFI برای شاخص GFI در نرم افزار لیزرل به صورت زیر ارائه کرده ­اند:

در این رابطه  نشان­دهنده درجه آزادی مدل مورد نظر و مخرج کسر نیز بیانگر درجه آزادی مدل استقلال برای  اندازه است. چون GFI یک شاخص مطلق است مخرج کسر تعدیل­یافته آن برابر با تعدادکل درجات آزادی موجود در ماتریس واریانس-کواریانس است. مولائیک و همکاران (۱۹۸۹) برای شاخص­ های نسبی نیز دو شاخص نسبی PNFI و PNFI2 را به ترتیب برای شاخص نرم­شده برازندگی و برای مدل نوع ۲ معرفی کرده ­اند.
توجه کنید که در شاخص­ های نسبی درجه آزای مدل صفر به صورت مخرج کسرهای بالا تعریف می­ شود.
فصل چهارم
تجزیه و تحلیل داده ­های پژوهش
۴-۱ مقدمه
پس از گردآوری داده ­ها، محقق باید داده ­های گردآوری شده را با بهره گرفتن از روش­های آماری مناسب تحلیل کند. تحلیل داده ­ها، به استنباط معنا از مشاهداتی که به عنوان بخشی از طرح تحقیق به عمل آمده­است، اطلاق می­ شود. تحلیل داده ­های کمی، مشتمل برقرار دادن مشاهدات به صورت عددی و دستکاری آن­ها بر حسب خواص ریاضی­شان است. مرحله عملی و اصلی یک کار پژوهشی دستیابی به پاسخ است که محقق در بدو تحقیق در پی رسیدن به آن است. جهت رسیدن به این مهم، اطلاعات جمع­آوری شده مورد تجزیه و تحلیل قرار می­گیرند. دراین بخش پس از مشخص شدن داده ­های بانک مورد پژوهش، فرضیه ­های تحقیق مورد آزمون قرار خواهد گرفت و یافته­های جانبی آن ارائه خواهد شد.
۴- ۲ آمار توصیفی
نمودارهای توصیفی مربوط به ویژگی­های جمعیت شناختی است. دراین بخش ویژگی­های جمعیت شناختی نمونه آماری تشریح می­گردد. ویژگی­های مورد توجه قرار گرفته­شده عبارتنداز: وضعیت افرادپاسخ دهنده از نظر رتبه شغلی،جنسیت، سن، میزان تحصیلات.