پایان نامه ارشد رایگان درمورد تحلیل عاملی، تحلیل عامل، تحلیل تشخیصی، تحلیل تشخیص

قیاس ثابت نباشد دیگر مدل اولیه CCR مناسب نخواهد بود. به همین دلیل مدل BBC ابداع گردید که در ارزیابی کارایی نسبی واحدها با بازده متغیر به مقیاس مناسب می‌باشد. مدل نسبی BCC را در فصل دوم توضیح دادیم. برای تبدیل آن به یک مدل خطی کافی است یک محدودیت به مدل اولیه اضافه کنیم. برای تبدیل این مدل به مدل ورودی محور ما محدودیت∑_(i=1)^m▒〖v_i x_i0 〗=1 را به مدل اضافه می‌کنیم. مدل مضربی BCC ورودی محور به شکل زیرخواهد بود:
Max Z_0=∑_(r=1)^s▒〖u_r y_r0 〗+ ω
st:
∑_(i=1)^m▒〖v_i x_i0 〗=1
∑_(r=1)^s▒〖u_r y_rj-∑_(i=1)^m▒〖v_i x_ij+ ω≤0〗〗 (j=1,2,….,n)
u_r,v_i≥0 آزاد در علامتω
مدل اولیه (مضربی) BCC ورودی محور
در مدل BCC علامت متغیر ω بازده به مقیاس را برای هر واحد می‌تواند مشخص کند.
الف. هرگاه ω<0 باشد نوع بازده به مقیاس، کاهشی است.
ب. هرگاه ω=0 باشد نوع بازده به مقیاس، ثابت است.
ج. هرگاه ω>0 باشد نوع بازده به مقیاس، افزایشی است.
اما برای تبدیل مدل کسری BCC به یک مدل برنامه‌ریزی خطی می‌توان از روش دیگری نیز استفاده کرد. در این روش با اعمال محدودیت ، مدل برنامه‌ریزی کسری BCC به مدل برنامه‌ریزی خطی زیر تبدیل می‌شود که بیانگر مدل مضربی BCC خروجی ـ محور است:

MinZ_0=∑_(i=1)^m▒〖v_i x_i0+ ω〗
st:
∑_(r=1)^s▒〖u_r y_r0 〗=1
∑_(i=1)^m▒〖v_i x_ij-∑_(r=1)^s▒〖u_r y_rj+ ω≤0〗〗 (j=1,2,….,n)
u_r,v_i≥ε
مدل اولیه (مضربی) BCC خروجی محور

2-1-9- تحلیل پوششی داده‏ای پنجره‏ای
چنان که کومبر و لاول بیان کرده‏اند، داده‏های مقطعی نگاهی گذرا از وضعیت تولید کنندگان و کاراییشان ارائه می‏دهند. داده‏های پانل نتایج قابل اتکاتری در مورد تولید کنندگان ارایه می‏دهد زیرا محقق را قادر می‏سازند که عملکرد هر تولید کننده را در بازه زمانی مشخص ارزیابی کند.
DEA ابتدا برای تحلیل داده‏های مقطعی استفاده شد که در این چارچوب یک واحد تصمیم گیرنده با همه واحدهای دیگر که در دوره زمانی مشابه فعالیت می‏کنند، مقایسه می‏شود و نقش زمان فراموش می‏گردد. داده‏های پانل بر داده‏های مقطعی ارجحیت دارد، زیرا نه تنها یک واحد تصمیم گیرنده را می‏توان با واحد تصمیم گیرنده دیگر مقایسه کرد، بلکه تغییر کارایی یک واحد تصمیم گیرنده خاص را می‏توان در طول زمان ارزیابی کرد. تحلیل پنجره‏ای ابتدا توسط چارنز، کلارک، کوپر و گلانی در سال 1985 مطرح شد.
ایده اصلی در نظر گرفتن هر واحد تصمیم گیرنده به عنوان واحد تصمیم گیرنده‏ای بود که در هر زمان مشاهده شده‏ای متفاوت است. بنابراین هر واحد تصمیم گیرنده لزوما با مجموعه‏ همه داده‏ها مقایسه نمی‏شود بلکه به جای آن تنها با زیر مجموعه‏های جایگزین داده‏های پانل مقایسه می‏شود. تحلیل پنجره‏ای باعث افزایش تعداد داده‏های مورد بررسی در تحلیل می‏گردد که این امر در صورت وجود تعداد داده‏های کم در نمونه مفید می‏باشد. تغییر عرض پنجره یعنی تعداد دوره‏های زمانی نشان دهنده طیفی از تحلیل‏های همزمان همراه با تحلیل‏های مقطعی می‏باشد. تحلیل پنجره‏ای می‏تواند حالت خاصی از یک تحلیل متوالی باشد. با این حال در تحلیل متوالی فرض می‏شود آنچه در گذشته عملی بوده‏است، عملی باقی می‏ماند و بنابراین تمام مشاهدات قبلی را شامل می‏شود.
روش DEA پویا (تحلیل پنجره‏ای) روشی است که امکان محاسبه کارایی در طول زمان و در نتیجه امکان محاسبه بهره‏وری را برای مدیران فراهم می‏آورد.
تحلیل پنجره‏ای بر اساس میانگین متحرک عمل می‏کند و برای یافتن روند عملکرد یک واحد در طول زمان مفید می‏باشد. تحلیل پنجره‏ای، متوسط کارایی مدل‏های با بازدهی ثابت و مدل‏های با بازدهی متغیر را محاسبه می‏کند و برای مشخص شدن روند کارایی در طول زمان به کار برده می‏شود، اما نظریه‏ای برای تعیین اندازه بهینه پنجره وجود ندارد.
از آنجا که این روش فرض می‏کند که کارایی فنی تمام واحدها در یک پنجره نسبت به همدیگر اندازه گیری می‏شود، به طور ضمنی فرض می‏کند که هیچ تغییر فنی در هیچ کدام از پنجره‏ها وجود ندارد. این مطلب یک مسئله کلی در DEA پنجره‏ای است. با کاهش عرض پنجره این مشکل تا حدی حل می‏شود و برای اعتبار بخشیدن به تحلیل پنجره‏ای بایستی عرض طبقات طوری انتخاب شود که چشم پوشی از تغییرات فنی منطقی باشد هرچند هیچ پشتوانه‏ نظری برای تعیین اندازه پنجره وجود ندارد.
مدل DEA پویا امکان مقایسه کارایی فنی ایستا را فراهم می‏آورد، از این جهت بین مفهوم کارایی فنی و مفهوم بهره‏وری تفاوت قایل می‏شود. مفهوم کارایی به یک مقطع زمانی و بهره‏وری به یک دوره زمانی اشاره دارد. در سنجش کارایی گفته می‏شود که کدام بنگاه کارا عمل می‏کند ولی در مفهوم بهره‏وری گفته می‏شود کدام بنگاه‏ها در طول زمان بهره‏وری عوامل تولید خود را تغییر داده‏اند. بنگاه‏هایی می‏توانند بهره‏وری عوامل تولید خود را در طول زمان افزایش دهند که در طول زمان به سمت عملکرد کاراترین بنگاه حرکت نمایند. از این رو روش‏های سنجش بهره‏وری با کارایی لزوما یکی نیستند. انتخاب تحلیل پنجره‏ای، محدودیت‏هایی برای تحلیل درونی ساختار بنگاه‏ها ایجاد می‏کند. از طرفی انعطاف مدل تحلیل پنجره‏ای نسبت به مدل‏هایی که قابلیت سنجش کارایی با فرض بازده متغیر نسبت به مقیاس را دارند، کم است و معمولا با فرض ثابت نسبت به مقیاس براورد می‏شوند. اگر سنجش کارایی بر مبنای بازده ثابت نسبت به مقیاس فرض شود، در این صورت کارایی بر اساس بازده متغیر نسبت به مقیاس و نیز کارایی مقیاس ق
ابل اندازه گیری نیستند و ثابت فرض می‏شوند. مدل تحلیل پنجره‏ای امکان مشاهده روند تغییر کارایی بنگاه‏ها را در طول زمان فراهم می‏آورد. از این ویژگی می‏توان برای فهم این موضوع استفاده کرد که آیا بنگاه‏ها در جهت افزایش بهره‏وری عمل کرده‏اند.
برای نمایش فرمولی این موضوع با فرض این که N واحد تصمیم گیرنده (DMU) در دوره زمانی 1 تا T وجود دارند و همه آن‏ها از r نهاده برای تولید S ستانده استفاده می‏کنند، ماتریس نهاده‏ها و ستانده‏ها برای تحلیل پنجره‏ای را می‏توان به ترتیب در بردارهای زیر مشاهده کرد.

ماتریس نهاده‏ها و ستانده‏های تحلیل پنجره‏ای
تحلیل پنجره‏ای DEA با فرض بازده ثابت نسبت به مقیاس به صورت زیر نوشته می‏شود:

مدل تحلیل پنجره‏ای

2-1-10- مزایای تحلیل پوششی داده‌ها :
یکی از مهم‌ترین مزایای تحلیل پوششی داده‌ها این است که در این روش برای هر واحد تصمیم گیری ناکارا یک مجموعه از واحد های کارا (واحد مجازی) مشخص می‌شود که می‌تواند به عنوان الگو برای بهبود عملکرد مورد استفاده قرار گیرد. واحد تصمیم گیری تشکیل دهنده این ترکیب به عنوان گروه‌های الگو برای واحد تصمیم گیری ناکارا مطرح هستند. همچنین این روش می‌تواند مقدار بهبود لازم را در هر یک از داده‌ها و ستانده‌های واحد ناکارا مشخص کند. از جمله سایر مزایای این روش می‌توان موارد زیر را نام برد:
تمرکز بر روی تک‌تک مشاهدات در مقابل تمرکز بر میانگین جامعه.
فراهم کردن یک شیوه اندازه‌گیری جامع و منحصر به فرد برای هر واحد که از ورودی‌ها برای ایجاد خروجی‌ها استفاده می‌کند.
استفاده همزمان از چندین ورودی و چندین خروجی.
سازگاری با متغیر های برون زا.
توانایی در نظر گرفتن متغیر های طبقه ای یا مجازی.
نیازمند آگاهی از وزن‌ها یا قیمت‌ها ورودی‌ها و خروجی‌ها نبوده و از ارزش گذاری بی نیاز است.
محدود نبودن به شکل تابع توزیع و روابط تولید.
امکان بکارگیری ورودی‌ها و خروجی‌های مختلف با مقیاس‌های اندازه‌گیری متفاوت با یکدیگر
ارائه جواب بهینه پارتو (Charnes et.al, 1995).
2-2- آنالیز اجزای اصلی
آنالیز اجزای اصلی یک روش اختیاری چند متغیری است. اگر در جایی اجبار به انتخاب مهم‌ترین متغیر یا تعداد محدودی از متغیرها دریک مجموعه است، می‏توان از آنالیز اجزای اصلی کمک گرفت.
درواقع آنالیز اجزای اصلی یکی از مهم‌ترین روش‏های کاهش بعد محسوب می‌گردد.
روش‌های کاهش بعد، یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می‌دهند. این روش‌ها به دو دسته خطی و غیر خطی تقسیم می‌شوند:
از روش‌های خطی می‌توان به تحلیل عاملی، DWT، PCA DFT و … اشاره کرد.
از روش‌های غیر خطی هم می‌توان به: Principal Curves، Self Organizing Maps، Vector and Quantization، Genetic and Evolutionary Algorithms، Regression اشاره کرد.
آنالیز اجزای اصلی یکی از مدل‌های مهم تحلیل عاملی است، که هنگامی‌که هدف محقق تلخیص متغیرها و دستیابی به تعداد محدودی از آن‏ها برای به‌کارگیری در مدل بعدی باشد، از آن بهره گرفته می‏شود.
2-2-1-تحلیل عاملی
تحلیل عاملی نامی عمومی است که برای برخی از روش‌های آماری چند متغیره که هدف اصلی آن خلاصه کردن داده‌هاست . این روش به بررسی همبستگی درونی تعداد زیادی از متغیرها می‌پردازد و در نهایت آن‏ها را در قالب عامل‌های عمومی محدودی دسته بندی کرده و تبیین می‌کند (کلانتری، 1389).
تحلیل عاملی ( برخلاف رگرسیون چندگانه ،تحلیل تشخیصی یا همبستگی کانونی که در آن یک یا چند متغیر وابسته و تعداد زیادی متغیر مستقل وجود دارد ) روشی هم وابسته بوده که در آن کلیه متغیرها بطور همزمان مد نظر قرار می‌گیرند . در این تکنیک ، هر یک از متغیرها به عنوان یک متغیر وابسته لحاظ می‌گردد .
این روش در دهه های اخیر به ویژه با عمومیت یافتن استفاده از رایانه در پژوهشات در سطح وسیع مورد استفاده محققان قرار گرفته است .
2-2-2-فرآیند تحلیل عاملی
هدف اصلی تحلیل عاملی تلخیص تعداد زیادی از متغیرها در تعداد محدودی از عامل‌ها می‌باشد، به‌طوریکه در این فرآیند کمترین میزان گم شدن اطلاعات وجود داشته باشد . تحلیل عاملی کاربردهای مختلفی در تحلیل داده‌ها دارد که مهم‌ترین آن را می‌توان به شرح ذیل خلاصه کرد .
دستیابی به ابعادی که بصورت پنهانی در مجموعه وسیعی از متغیرها وجود دارد ولی به آسانی قابل مشاهده نمی‌باشند . این نوع تحلیل عاملی به تحلیل عاملی نوع R معروف است که در آن تعداد زیادی متغیر در تعداد محدودی از عامل‌ها خلاصه می‌شوند .
ابداع روشی برای ترکیب و تلخیص تعداد زیادی از افراد در گروه‌های مختلف در درون یک جامعه بزرگ. این روش به تحلیل عاملی نوع Q معروف است که در آن افراد یا موارد در تعدادی گروه طبقه بندی می‌شوند .
شناسایی متغیرهای مناسب از بین مجموعه وسیعی از متغیرها به منظور استفاده از آن‏ها برای تحلیل‌های بعدی در رگرسیون چندگانه ، یا تحلیل تشخیصی.
ایجاد مجموعه کوچک و کاملا” جدیدی از متغیرها که بطور کامل به جای متغیرهای اصلی در تحلیل‌های بعدی رگرسیون ، یا تحلیل تشخیصی مورد استفاده قرار گیرد .
رهیافت‌های اول و دوم به منظور شناسایی ابعاد یا عامل‌ها مورد استفاده قرار می‌گیرد . روش سوم با دستیابی به بارهای عاملی، آن‏ها را به عنوان پایه ای برای شناسایی متغیرها برای تحلیل‌های بعدی به وسیله سایر تکنیک‌های آماری قرار می‌دهد. روش چهارم ، رهیافتی ا
ست که از طریق آن مقادیر عاملی محاسبه گردیده و سپس این مقادیر به عنوان متغیرهای مستقل در تحلیل رگرسیون یا تحلیل تشخیصی مور استفاده قرار می‌گیرد .
اگر هدف از پژوهش ، کاهش داده‌ها و خلاصه کردن آن‏هاست ، تحلیل عاملی تکنیک مناسبی برای آن می‌باشد . در این مرحله سئوالاتی که محقق باید از خود بپرسد این است که چه نوع متغیرهایی باید در تحلیل به کار گرفته شود ؟ چند متغیر در تحلیل باید مورد استفاده قرار گیرد ؟ نوع داده‌ها از نظر سطوح اندازه گیری چگونه باید باشد ؟ و حجم نمونه چقدر باید باشد ؟ در پاسخ به این سئوالات باید گفت که هر نوع متغیر مرتبط با مسئله پژوهش را می‌توان در تحلیل به کار گرفت. داده‌های خام برای تحلیل عاملی باید از نوع کمی باشند. اما در مواقعی می‌توان از متغیرهای مجازی با کدهای (0 و1 ) و غیر پارامتری یا کیفی نیز استفاده کرد.
یکی از روش‌های انتخاب متغیرهای مناسب برای تحلیل عاملی استفاده از ماتریس همبستگی است . از آنجا که اساس روش تحلیل عاملی بر همبستگی بین متغیرها اما از نوع غیر عاملی استوار است ، بنابراین در استفاده از این روش باید ماتریس همبستگی بین متغیرها نیز استفاده گردد . معمولا” این‌گونه ماتریس‌های همبستگی وجود رابطه بین برخی متغیرها و عدم ارتباط آن با برخی دیگر را نشان می‌دهند . این الگو در تحلیل عاملی موجب شکل گیری خوشه‌هایی می‌گردد که متغیرهای درون خوشه با یکدیگر همبستگی داشته و با متغیرهای خوشه های دیگر همبستگی نداشته باشند . توصیه می‌شود متغیرهایی که با هیچ متغیری همبستگی لازم را نداشته باشند از تحلیل حذف گردند .
در تحلیل عاملی مدل‌های مختلفی وجود دارد که از میان آن‏ها دو روش تحلیل مؤلفه های اصلی و تحلیل عاملی مشترک از پرکارترین این روش‌هاست . انتخاب هر یک از این مدل‌ها به هدف محقق بستگی دارد . مدل تحلیل مؤلفه های اصلی زمانی مورد استفاده قرار می‌گیرد که هدف محقق تشخیص متغیرها و دستیابی به تعداد محدودی عامل برای هدف پیش بینی باشد . در مقابل ، تحلیل عاملی مشترک زمانی بکار می‌رود که هدف شناسایی عامل‌ها با ابعادی باشد که به سادگی قابل شناسایی نیستند .
بسته به دلایل استفاده از تکنیک تحلیل عاملی، محقق ممکن است با استفاده از عامل‌ها کار خود را به اتمام برساند و یا ممکن است به محاسبه مقادیر عاملی بپردازد تا داده‌هایی برای تحلیل‌های بعدی به وسیله سایر تکنیک‌های آماری به دست آید . اگر هدف ، ترکیب منطقی متغیرها و یا پاسخگویان باشد، در این صورت فرآیند تحلیل با تفسیر عامل‌ها پایان می‌یابد . اگر هدف شناسایی متغیرهای مناسب برای کاربردهای بعدی توسط سایر تکنیک‌های آماری باشد ، محقق ماتریس عاملی را مورد بررسی قرار داده و متغیرهایی که بیشترین بار عاملی را داشته باشند به عنوان جانشین برای بعد خاصی از عامل انتخاب می‌کند و اگر هدف ایجاد مجموعه کوچک کاملا” جدیدی از متغیرها به منظور جایگزین کردن متغیرهای اصلی برای استفاده از سایر تکنیک‌های آماری باشد ، مقادیر عاملی ترکیبی برای معرفی هر یک از عامل‌ها محاسبه می‌گردد . در این صورت مقادیر عاملی به عنوان داده های خام به جای متغیرهای مستقل در تحلیل رگرسیون ، تحلیل تشخیصی و غیره استفاده می‌گردد .
تحلیل عاملی مشترک و تحلیل مؤلفه های اصلی :
در تحلیل عاملی ، دو مدل اساسی وجود دارد که محقق می‌تواند از آن‏ها استفاده کند . این مدل‌ها عبارتند از تحلیل عاملی مشترک و تحلیل مؤلفه های اصلی . برای انتخاب مناسب‌ترین مدل ، محقق باید یک نکته را در مورد انواع واریانس‌ها مورد توجه قرار دهد . با توجه به هدف تحلیل عاملی مجموعأ سه نو

دیدگاهتان را بنویسید