تجزیه و تحلیل اطلاعات

همبستگی پیرسون ، همبستگی پارامتری است که آن را با rp نشان می دهند. ارتباط خطی بین دو متغییر که یکی متغییر مستقل و دیگری متغییر وابسته است را نشان می دهد. به عبارت دیگر ضریب همبستگی پیرسون یک شاخص متقارن است. یعنی متغییر وابسته را می توان بر مبنای متغییر مستقل و متغییر مستقل را می توان بر مبنای متغییر وابسته محاسبه کرد که نتایج هر دو حالت، یکی است.

برای استفاده از آزمونهای غیرپارامتری شرایط کلی زیر مورد توجه است: داده های یا متغییر مورد مطالعه، دارای سطح اندازه گیری کیفی و به صورت اسمی و رتبه ای می باشند. توزیع داده ها در جامعه آماری، از توزیع نرمال پیروی نمی کند. در پژوهشی که شیوه نمونه گیری غیر احتمالی باشد، از آزمونهای غیرپارامتری استفاده می شود. در آزمونهای غیرپارامتری، میانه یک یا چند متغییر را در یک یا چند گروه مقایسه می کنند.

آمار پارامتریک که در خلال جنگ جهانی دوم شکل گرفت در برابر آمار ناپارامتریک قرار می گیرد.از تقسیم بندی­های رایج آمار، تقسیم بندی آن به آمار پارامتریک و ناپارامتریک است. به ساده‌ترین بيان بايد گفت كه براي سنجش فرضيه­ هايي كه متغير آن كمي ­اند، از آمار پارامتريك استفاده مي‌شود. متغيرهاي كمي به علت كمي بودن و واحد پذير بودن از اين ويژگي برخوردارند كه آنها را ميانگين‌پذير و انحراف معيار­پذير مي‌­كنند و به دليل همين ويژگي معمولا براي استفاده از آزمون هاي پارامتريك، پيش فرض هايي لازم است كه از جمله،‌ نرمال بودن توزيع جامعه است زيرا در حالتي كه توزيع جامعه نرمال نباشد، ميانگين و انحراف معيار، نمايي واقعي از داده ها را به تصوير نمي‌كشانند.

توزیع نرمال ، یکی از مهمترین “ توزیع های احتمالی پیوسته ” در تئوری احتمالات است. علت نام گذاری و اهمیت توزیع نرمال،هم خوانی بسیاری از مقادیر حاصل شده، هنگام نوسان های طبیعی و فیزیکی پیرامون یک مقدار ثابت با مقادیر حاصل از این توزیع است. دلیل اصلی این پدیده، نقش توزیع نرمال در قضیه حد مرکزی است. به زبان ساده، در قضیه حد مرکزی نشان داده میشود که تحت شرایطی، مجموع مقادیر حاصل از متغیرهای مختلف که هرکدام میانگین و پراکندگی متناهی دارند، با افزایش تعداد متغیرها، دارای توزیعی بسیار نزدیک به توزیع نرمال است. این قانون که تحت شرایط و مفروضات طبیعی نیز برقرار است، سبب شده که برایند نوسان های مختلفِ تعداد زیادی از متغیرهای ناشناخته، در طبیعت به صورت توزیع نرمال آشکار شود.

در تحليل اکتشافي(Exploratory factor analysis) پژوهشگر به دنبال بررسي داده‌هاي تجربي به منظور کشف و شناسايي شاخص‌ها و نيز روابط بين آنهاست و اين کار را بدون تحميل هر گونه مدل معيني انجام مي‌دهد. به بيان ديگرتحليل اکتشافي(Exploratory factor analysis) علاوه بر آنکه ارزش تجسسي يا پيشنهادي دارد مي‌تواند ساختارساز، مدل ساز يا فرضيه ساز باشد. تحليل اکتشافي وقتي به کار مي‌رود که پژوهشگر شواهد کافي قبلي و پيش تجربي براي تشکيل فرضيه درباره تعداد عامل‌هاي زيربنايي داده‌ها نداشته و به واقع مايل باشد درباره تعيين تعداد يا ماهيت عامل‌هايي که همپراشي بين متغيرها را توجيه مي‌کنند داده‌ها را بکاود. بنابر اين تحليل اکتشافي بيشتر به عنوان يک روش تدوين و توليد تئوري و نه يک روش آزمون تئوري در نظر گرفته مي‌شود.

این دو شاخص اولین بار توسط Joreskog& Sorbom به عنوان شاخص جایگزین کای اسکوئر در سال 1989 به وجود امد به حجم  نمونه بستگی نداشته و نسبت واریانس باز تولید شده را به کمک برآورد مقدار کواریانس مشاهده شده محاسبه می نماید(Tabachnick&fidell,2007).  با مشاهده واریانس و کواریانس باز تولید شده توسط مدل شاخص GFI بیانگر میزان دقت مدل در تکرار ماتریس کواریانس مشاهده شده است(Hooper et al.,2008:54).

از زمانی که روش حداقل مربعات جریی مورد توجه و استفاده پژوهشگران در رشته های مختلف مدیریتی مانند مدیریت استراتژیک، مدیریت بازاریابی و مدیریت سیستم های اطلاعات قرار گرفته است، تا به حال یک چالش هنوز پیش روی محققین قرار داد که مطالعات زیادی نیز درباره آن انجام نشده است. این موضوع همان ناهمگنی داده ها(heterogeneity) است که باعث گردیده تا یک قسمت به طور مجزا در نرم افزارهای PLS به این موضوع اختصاص یابد.