kvantitative metoder regresjonsanalyse og eksperiment
TRANSCRIPT
Forord Formålet med oppgaven er å se på de kvantitative metoder som trengs for å utføre
modelltesting ved regresjonsanalyse hvor vi må ta hensyn til regresjonsforutsetningene.
Videre handler oppgaven om målutvikling og målvalidering samt utvikling av hypoteser
og rasjonale. Del 2 av oppgaven omhandler eksperimentanalyse og til slutt et forslag til
nytt eksperiment angående sykefravær.
Ved å løse en slik oppgave har vi lært en del nye ting, samt bygd på de kunnskapene vi
hadde fra før. Oppgaven har latt seg gjennomføre greit, men noen problemer og
misforståelser oppsto underveis. Alt i alt er dette en nyttig oppgave som har gitt stor
læringseffekt. Oppgaven er gjennomført av to mastergradsstudenter ved Høgskolen i
Buskerud avd. Hønefoss. Vi har tidligere samarbeidet på prosjekter, og ser på dette som
en fordel.
Vi vil rette en stor takk til emneansvarlig Kåre Sandvik, Øystein Sørebø og Bendik
Samuelsen for gode forelesninger og datalabkurs.
______________________ ______________________
Erik Bjercke Bjørn Kjellevoll
1
Innholdsfortegnelse1 Målutvikling………………………………………………………………………………..5
1.1 Modell for effekter av outsourcing...........................................................................5
1.1.1 Problemstilling..................................................................................................7
1.1.2 Variabler...........................................................................................................7
1.1.3 Forskningsmodell.............................................................................................8
1.1.4 Hypoteser og rasjonale....................................................................................8
1.2 Målutvikling.............................................................................................................9
1.2.1.1 Ytelse............................................................................................................9
1.2.1.2 Translasjonsspesifikke investeringer...........................................................10
1.2.1.3 Nærhet til nåværende kompetanse.............................................................11
1.3 Målvalidering.........................................................................................................12
1.3.1 Konvergent validitet........................................................................................12
1.3.1.1 Transaksjonsspesifikke investeringer..........................................................13
1.3.1.2 Nærhet til nåværende kompetanse.............................................................13
1.3.2 Divergent validitet...........................................................................................14
1.3.2.1 Nærhet til nåværende kompetanse og
transaksjonsspesifikke investeringer.......................................................................15
1.4 Modelltest..............................................................................................................16
1.5 Regresjonsforutsetninger......................................................................................18
1.5.1 Regresjonsforutsetning 1................................................................................18
1.5.2 Regresjonsforutsetning 2................................................................................19
1.5.3 Regresjonsforutsetning 3................................................................................19
1.5.4 Regresjonsforutsetning 4................................................................................21
2
1.5.5 Regresjonsforutsetning 5................................................................................23
1.5.6 Regresjonsforutsetning 8................................................................................25
1.5.7 Ny regresjonsanalyse.....................................................................................26
1.6 Interaksjonseffekt mellom TSI og CPC.................................................................28
1.6.1 Regresjonsanalyse og interaksjonsledd.........................................................29
1.7 Implikasjoner.........................................................................................................30
2 Eksperiment dataanalyse……………………………………………………………...32
2.1 Modelltest..............................................................................................................32
2.2 Modelltest II...........................................................................................................37
2.3 Modelltest III..........................................................................................................44
2.4 Design av eksperiment – oppfølgingsstudie.........................................................55
Begrepsdefinisjon:...................................................................................................56
3 Litteraturliste……………………………………………………………………….……59
Appendix
3
InnledningDenne oppgaven er andre del av hjemmeeksamen i kvantitative metoder.
Hovedinnholdet i oppgaven dreier seg om å løse oppgaver i målutvikling, regresjons og
eksperimentdata analyse. I oppgave 1 har vi utarbeidet problemstilling, hypoteser,
rasjonale. Vi har videre gjennomført målutvikling, målvalidering og modelltesting,
deretter så vi på regresjonsforutsetning og gjennomførte disse. Oppgave 1 avsluttes
med å se på en eventuell interaksjonseffekt mellom TSI og CPC. I oppgave 2 tar vi for
oss eksperimentanalyse med to forskjellige uavhengige variabler. Analysene i begge
oppgavene er løst, forklart og kommentert underveis.
4
1 Målutvikning
1.1 Modell for effekter av outsourcing
I denne første oppgaven skal vi se på transaksjonens ytelse og hvordan ytelse kan
forklares av nærhet til egen kompetanse eller transaksjonsspesifikke investeringer.
Videre utarbeider vi en problemstilling, en forskningsmodell, hypoteser og rationale.
I oppgaven er det tre begreper og disse skal vi nærmere på. Vi skal forklare
transaksjonens ytelse, og ytelse ved hjelp av nærhet til egen kompetanse (CPC) og
kjøpers transaksjonsspesifikke investeringer (TSI).
CPC er et mål som sier noe om firmaets nåværende kunnskaper, erfaringer og
ferdigheter kan brukes for til utføre den nye aktiviteten (Gulbrandsen, Sandvik og
Haugland, 2009). Dette gir oss to dimensjoner, CPC og taus kunnskap. Dimensjonene
sier noe om i hvilken grad en kjøper er i stand til å utføre de aktiviteter leverandøren
utfører. Har bedriften de nødvendige forutsetninger, kan den velge å utføre aktivitet
internt. Hvis bedriften ikke har de nødvendige forutsetninger, vil det kreve tid og være
kostbart å integrere aktiviteten. Ut fra dette definerer vi nærhet til egen kompetanse som
graden av likhet mellom bedriftens nåværende kompetanse og ny kompetanse som
trengs for å utføre aktiviteten til leverandøren.
Det neste begrepet er kjøpers transaksjonsspesifikke investeringer. Begrepet kommer
fra transaksjonskostnadsteori, blir brukt til empiriske studier og er positivt relatert til
vertikal integrasjon (Gulbrandsen, Sandvik og Haugland, 2009). Begrepet referer til i
hvilken grad aktiva som er brukt i transaksjonen kan bli gjenbrukt til andre formål eller
brukes uten å minske produktivitetsverdien (Roberts, 2004 i Williamson, 1991). Basert
på dette velger vi å definere kjøpers TSI som varige investeringer som er utført for å
støtte oppunder spesifikke transaksjoner (Williamson, 1985).
Begrepet ytelse måles i oppgaven med en indikator, og det er spørsmål C1.10. Ytelse
kan betraktes i to perspektiv, effisient og effektivitet. Hvor det første går på former for
økonomiske utfall som ROI (Return On Investment) og profitt, det andre perspektivet går
5
på kapasitets utnyttelse og vekst (Sandvik og Sandvik, 2003). I vår sammenheng måles
ytelse med i hvilken grad leverandøren tilfredsstiller de forventinger som er knyttet til
aktiviteten det andre selskapet utfører for bedriften. Omfanget av begrepet bestemmes
ut fra om det er effisiente eller effektivitets forventinger som ligger til grunn. For å dekke
hele begrepet kan man velge å betrakte begge perspektivene. Basert på den
informasjonen vi har om indikatoren, og teori velger vi å si at bedriftens forventinger
knyttet til aktiviteten er basert på økonomiske vinninger grunnet leverandørens utførelse
av aktiviteten. Det forventes altså en økonomisk gevinst av dette. Dette perspektivet på
ytelse dreier seg kun om å se på begrepet på bakgrunn av en indikator.
Vi skal nå gå et skritt videre og se på transaksjonen ytelse forklart med de to variablene
TSI og CPC. Begge disse begrepene er definert tidligere, og det er disse definisjonene
og indikatorene disse kan måles med, vi legger tilgrunn for den videre forklaringen av
begrepene. TSI og CPC har 4 potensielle indikatorer hver. Williamson (1985) definerer
fire typer spesifikke investeringer, og den viktigste investeringen var i menneskelige
ressurser, pga. begrenset rasjonalitet og opportunisme. Med menneskelige ressurser
menes spesifikke investeringer i menneskelig kapital eller kunnskap som er rettet mot
TSI. Basert på dette velger vi å ta med de to indikatorene som måler opplæring (D1.2 og
1.4). Den første indikatoren går på om de ansatte i busselskapet har fått opplæring, den
andre indikatoren går på om leverandørens ansatte har fått opplæring. Begge
indikatorene er adoptert fra tidligere forskning og D1.2 kommer fra Berton et al (2003) i
Gulbrandsen, et al (2009) og D1.4 kommer fra Zaheer (1995). Den siste indikatoren
(D1.1) vi tar med kommer også fra Berton et al (2003). Vi har da et mål for TSI som
både tar for seg kunnskap og effektiviseringsgevinster. Om dette blir de indikatorene
som blir tatt med i testen vil vi først se etter målutviklingsoppgaven, foreløpig gir dette
oss en mulighet til å forklare ytelse ved hjelp av TSI.
Det neste begrepet som skal være med på å forklare transaksjonens ytelse er CPC.
CPC har fire potensielle indikatorer. Basert på definisjonen om at det er likhet mellom
nåværende kunnskap og kunnskap som er påkrev ved utførelse av nye aktiviteter. De
fire indikatorene måler i hvilken grad respondenten oppfatter at det er likheter i
6
ferdigheter, kunnskap og utførelse av aktivitet. Basert på det vi finner i spørreskjema
velger vi å ta med alle indikatorene som måler dimensjonene til begrepet.
CPC og TSI skal forklare transaksjonens ytelse. Det gjør de ved at graden av tilfredshet
blir påvirket av i hvilken grad respondentene sier at de gjenkjenner sin bedrift i
beskrivelsen av disse begrepene. TSI forklarer den delen av ytelse som går på
effektivitetsdelen av utrykket, i tillegg til å måle effektivitets gevinster som går på
effisiens. CPC måler bedriftens kunnskap mot leverandørens. Ytelse forklares med i
hvilken grad bedriften oppfatter at kartlegging og investeringer i kunnskap både internt
og i leverandøren gir de forventende resultater både i form av rene økonomiske
gevinster og effektivitets utnyttelse. Basert på dette definerer vi ytelse som i hvilken grad
den spesifikke transaksjonen gir de ønskede resultater både rent økonomisk og grad av
effektivisering.
Med utgangspunkt i det foregående har vi kommet frem til følgende:
1.1.1 Problemstilling
Fører transaksjonsspesifikke investeringer og graden av
nærhet til egen kompetanse til innfridde forventinger
knyttet til leverandørens aktivitet
1.1.2 Variabler
Avhengig variabel: Ytelse
Uavhengige variabler: Nærhet til egen kompetanse (CPC)
Kjøpers transaksjonsspesifikke
investeringer (TSI)
7
1.1.3 Forskningsmodell
H1 +
H2 +
TSI
CPC
Ytelse
1.1.4 Hypoteser og rasjonale
Ved å investere i opplæring av både egne ansatte og leverandørens ansatte vil
kunnskapen til begge parter øke. Dette vil føre til at de mål som er satt for
transaksjonens ytelse, altså de forventingene bedriten har i større grad blir innfridd ved
at leverandøren sitter på kunnskap som er større eller tilsvarende enn de selv har på
området. Tilfredshet er ikke bare den glede av en opplevelse, det er den evaluerte
opplevelsen som skal være minst like god som den var ment å være (Hunt, 1977 i
Klein.S, 1993). Kvaliteten på aktiviteten vil øke da leverandøren blir bedre rustet for å
utføre de aktiviteter bedriften etterspør. Partene blir også i stand til å kommunisere på et
faglig høyt nivå, noe som vil sikre at aktiviteten blir utført etter de spesifikasjoner som
bedriften setter. Basert på dette fremmer vi hypotesen:
H1: Transaksjonsspesifikke investeringer vil være positivt relatert til ytelse
Ved at busselskapet har kartlagt egen kunnskap, kompetanse, ferdighet, rutiner og
prosedyrer innen for den spesifikke aktivitet, setter dette dem i stand til å sammenligne
disse med leverandørens. Finner bedriften at disse er tilsvarende eller eventuelt litt
lavere enn leverandørens gjør dette at bedriften på en faglig måte kan vurdere om de
ytelser leverandøren utfører tilfredsstiller de krav bedriften setter. Dette betyr altså at
med høy kunnskap om det produktet leverandøren leverer, og klare forventinger til
ytelsen i aktiviteten, kan bedriften analysere resultatene for å se om de tilfredsstiller
forventingene. Basert på dette fremmer vi hypotesen:
H2: Nærhet mellom kjøpers nåværende kompetanse og kompetansen bedriften trenger
for å utføre en spesiell aktivitet vil være positivt relatert til ytelse.
8
1.2 Målutvikling
I denne delen av oppgaven skal vi utvikle mål for de tre begrepene i forskningsmodellen.
Vi må utvikle et mål for å kunne ”se” begrepene som i seg selv ikke er observerbare
(Sørebø. Ø, 2010). Det uobserverbare er begrepet eller den latente variabelen. For å
observere denne må vi benytte oss av observerbare variabler eller indikatorer, item.
Itemene knytter seg til spørreskjema er gir oss verdier for hver av itemene. Hvert av
begrepene må ha en teoretisk og en operasjonell definisjon. Den teoretiske definisjonen
forklarer hva som menes med begrepet ut fra teorien som finnes på området. Den
operasjonelle definisjonen beskriver prosedyren som former målet for den latente
variabelen som representerer begrepet. (Bollen, 1989). I oppgaven er det begrepene
ytelse, transaksjonsspesifikke investeringer og nærhet til nåværende kompetanse som
skal måles. Vi starter med å se på begrepet ytelse.
1.2.1.1 Ytelse
Ytelse kan defineres enten som efficiency (effisiens) som er netto marginer, ROI eller
relativ profitt. Eller man kan betrakte ytelse som effectivneness (effektivitet) som er
kapasitetsutnyttelse, salgsvekst eller andre effektivitets mål for bedriften (Sandvik og
Sandvik, 2003).
I denne sammenhengen definerer vi ytelse som i hvilken grad den spesifikke
transaksjonen gir de ønskede resultater både rent økonomisk og grad av effektivisering.
Operasjonell definisjon: Måles ved i hvilken grad aktiviteten tilfredsstiller de
forventninger bedriften har til den spesifikke aktiviteten.
Ytelse
Leverandøren tilfredsstiller våre forventninger til denne aktiviteten
9
1.2.1.2 Translasjonsspesifikke investeringer
Transaksjonsspesifikke investeringer er varige investeringer som er gjort med den
hensikt å støtte spesifikke transaksjoner (Gulbrandsen, Sandvik, Haugland, 2009).
I vår sammenheng er dette investeringer som er gjort i effektiviseringstiltak og opplæring
av ansatte i egen- og leverandørbedrift.
Operasjonell definisjon: Begrepet måles med effektiviserings gevinster, opplæring av
ansatte, og ressurser brukt på opplæring av samarbeidspartner.
Opplæring operasjonaliseres med følgende item:
Opplæring:
1. Ansatte som arbeider med leverandøren ble gitt spesiell opplæring.
2. Vi har brukt ressurser på opplæring og utvikling av leverandørens personell i
forbindelse med samarbeidet.
Effektiviseringstiltak:
3. For å utnytte effektiviseringsgevinsten av samarbeidet med leverandøren har vi
omorganisert deler av hver virksomhet.
Alle item måles med en 7 punkts Likert skala som spenner fra svært dårlig beskrivelse til
svært god beskrivelse.
Dette resulterer i følgende refleksive modell:
Opplæring Effektiviserings tiltak
1 2
Nærhet til nåværende kompetanse
3
10
1.2.1.3 Nærhet til nåværende kompetanse
Nærhet til nåværende kompetanse i hvilken grad bedriftens kunnskaper og kompetanse
er lik de kunnskaper og kompetanse som kreves for å utføre aktiviteten i bedriften
(Gulbrandsen, Sandvik, Haugland, 2009).
I vår sammenheng er dette i hvilken grad bedriften har de samme rutiner / prosedyrer,
kunnskap og ferdigheter som bedriften trenger for å utføre en aktivitet til leverandøren.
Operasjonell definisjon: Begrepet måles ved likheter mellom selskapenes kunnskap,
ferdigheter og rutiner / prosedyrer.
Operasjonalisering:
Kunnskap:
1. Busselskapets kompetanse er i nærheten av den kompetansen leverandøren
tilbyr i forbindelse med gjennomføringen av aktiviteten.
2. Vår kunnskap kan sammenlignes med de kunnskaper leverandørens personell
har i utførelsen av aktiviteten.
Ferdigheter:
3. Busselskapets ferdigheter er godt egnet for utførelsen av aktiviteten,
sammenlignet med leverandørens ferdigheter.
Prosedyrer og rutiner:
4. Våre rutiner er godt egnet som grunnlag for å utføre aktiviteten, tilnærmet like
godt egnet som leverandørens.
Alle item måles med en 7 punkts Likert skala som spenner fra svært dårlig
beskrivelse til svært god beskrivelse.
11
Dette resulterer i følgende refleksive modell:
44 1 2
Rutiner / prosedyrer
Kunnskap
Ferdigheter
3
Nærhet til nåværende kompetanse
1.3 Målvalidering
Validiteten for en variabel er hvorvidt den måler det den er ment å måle. Validitet kan
aldri bli bevist, men man kan finne sterk støtte for det. De fire mest brukte typene for
validitet er innholdsvaliditet, internvaliditet, begrepsvaliditet og konvergent-
/divergentvaliditet (Bollen, 1989). I denne delen av oppgaven utførte vi konvergent-
/divergentvaliditet analyse på begrepene.
Faktoranalyse er en tilnærmingsmåte som er brukt for å se på relasjoner mellom
observerte variabler. Observerte variabler er lineære kombinasjoner av underliggende
faktorer. Kombinasjonen av disse målene utgjør faktorene.
1.3.1 Konvergent validitet
Det første vi testet er om indikatorene representerer (måler) begrepet det er ment å
måle. Ved å se om målene lader, vil man se om de måler samme begrep. Hvis målene
deler seg i forskjellige faktorer og ikke deler varians med andre mål, gir dette en
indikasjon på at målene ikke måler samme begrep. Hvis noen av faktorene ikke lader på
samme faktor bør disse vurderes fjernet fra analysen. Faktorladningene viser
korrelasjon mellom en indikator og faktoren. Minste kravet for faktorladningene er at de
må være større enn +/- 0,3. Hvis ladningene er større enn + / - 0,4 er de betydningsfulle.
Hvis ladningene overstiger +/- 0,5 er de betraktet som meget signifikant eller
betydningsfull ladning for å representere faktoren (Sørebø. A, 2009).
12
Da vi utførte analysen brukte vi metoden maximum likelihood. Denne metoden for
faktoranalyse, er på et strengere nivå i forhold til andre faktormetoder. Hvis denne
metoden ikke fungerer kan analysene utføres med principal component ekstraksjon
(Jamie DeCoster, 1998). I våre analyser benyttet vi bare maximum likelihood.
1.3.1.1 Transaksjonsspesifikke investeringer
Factor Matrixa
Factor
1
Kjøpers TSI1 ,801
Kjøpers TSI2 ,816
Kjøpers TSI4 ,551
Extraction Method: Maximum Likelihood.
a. 1 factors extracted. 3 iterations required.
Tabellen over viser hvor mye hver av indikatorene lader på begrepet TSI. Alle
indikatorene lader på samme faktor som betyr at alle indikatorene måler kun en variabel.
Indikatorene lader på over 0,5 og kan betraktes som betydningsfulle for variabelen.
Dette betyr at vi beholder alle indikatorene for denne variabelen.
1.3.1.2 Nærhet til nåværende kompetanse
Factor Matrixa
Factor
1
CPC1 ,919
CPC2 ,948
CPC3 ,568
CPC4 ,430
Extraction Method: Maximum Likelihood.
a. 1 factors extracted. 5 iterations required.
Tabellen viser faktorladningene for hver av indikatorene for variabelen CPC. Også på
denne variabelen lader hver av indikatorene svært tilfredsstillende. På indikatoren CPC3
og CPC4 er faktorladningene noe lavere enn på CPC1 og CPC2. Indikatorene CPC1 og
13
CPC2 måler samme variabel, kunnskap. Indikatorene CPC3 og CPC4 måler ferdigheter
og rutiner og prosedyrer i busselskapet. Ved at to første indikatorene måler samme
variabel, og de to neste indikatorene måler hver sin variabel kan være årsaken til denne
forskjellen. Siden alle målene har tilfredsstillende verdier bruker vi alle indikatorene
videre til å måle variabelen.
1.3.2 Divergent validitet
Divergent validitet beskriver i hvilken grad spørsmålene for en faktor skiller seg fra
spørsmålet som tilhører andre faktorer. Dette vil si at vi må se på alle spørsmålene i
sammenheng og se etter om noen av spørsmålene er overlappende, og hvilket begrep
de faktisk måler. I divergent validitetsanalyse inngår alle spørsmålene som ladet
tilstrekkelig på den konvergente validitetsanalysen (Sørebø. A, 2009). Dette betyr at alle
spørsmålene som var med i de operasjonelle definisjonene på de refleksive
målmodellene i oppgave 1.2 blir med i analysene.
14
1.3.2.1 Nærhet til nåværende kompetanse og transaksjonsspesifikke investeringer
Divergent validitet analyse utføres neste på samme måte som en konvergent validitets
analyse. Eneste forskjellen er at den divergente analysen tvinger spørsmålene å falle
innenfor to mulige variabler. Dette er for å se om noen av indikatorene overlapper
hverandre.
Factor Matrixa
Factor
1 2
Transkost1 ,827
Transkost2 ,612
Transkost4 ,805
CPC1 ,928
CPC2 ,937
CPC3 ,571
CPC4 ,445
Extraction Method: Maximum Likelihood.
a. 2 factors extracted. 5 iterations required.
Som vi ser av analysen over er alle indikatorene innenfor hver sin respektive faktor, som
igjen betyr at målene måler akkurat og kun det begrepet som de er ment å måle. Dette
betyr at hvert av målene er rett formulert og nok spisset for å kunne brukes til å si noe
om nærhet til nåværende kompetanse og transaksjonsspesifikke investeringer.
15
1.4 Modelltest
I dette kapitelet vil vi teste de ulike hypotesene ved hjelp av multivariat
regresjonsanalyse. Testingen vil skje med utgangspunkt i hele forskningsmodellen, og vi
vil bruke en regresjonsanalyse som vil belyse sammenhengen mellom de uavhengige
og den avhengige variabelen. Signifikansnivået for testen ligger på .05 nivået.
H1+
H2+CPC
Ytelse
TSI
Det første vi tar for oss er hele modellen, dette vises i modellsammendraget.
Model Summary
Model R R SquareAdjusted R
SquareStd. Error of the
Estimate
1 .189a .036 .029 1.054
a. Predictors: (Constant), cpc, tsi
Hvis vi begynner med å se på R Square,vi ser at modellen forklarer bare ,036 (3.6%) av
målt varians i den avhengige variabelen. Hvis R Square er under 0,3 kan det siste at det
er svak korrelasjon (Jacobsen, 2000 i Sørebø, 2009). Så vår modell kan sies å ha en
meget svak forklaringskraft.
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 11.213 2 5.607 5.052 .007a
Residual 303.004 273 1.110
Total 314.217 275
a. Predictors: (Constant), cpc, tsi
b. Dependent Variable: Performance2
16
Tabellen tar for seg forskningsmodellen som helhet. Ved at signifikants nivået er på ,007
er modellen signifikant. Derfor kan vi stole på at de funnene som er gjort ikke er
tilfeldige.
I koeffisienttabellen kan vi se forklaringskraften til hver av de uavhengige variablene til
modellen. Vi kan også se på hvilke av 0-hypotesene som må forkastes eller ikke. Alle
sig. nivå dekker to halet test. Hvis man har en retning (+/-) på hypotesen, noe vi har (+),
kan man tillate seg og dele sig. nivået på to.
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 5.456 .264 20.635 .000
tsi -.133 .044 -.179 -3.002 .003
cpc .060 .047 .076 1.272 .204
a. Dependent Variable: Performance2
H1: Transaksjonsspesifikke investeringer vil være positivt relatert til ytelse
Hvis vi begynner med å se på beta verdien (stigningstallet) er denne -.133 dette betyr at
det er en negativ retning, altså transaksjonsspesifikke investeringer er negativt relatert til
ytelse. Signifikansnivået er tilfredsstillende, men dette hjelper lite når retningen er feil.
Derfor forkastes hypotesen og 0-hypotesen beholdes.
H2: Nærhet mellom kjøpers nåværende kompetanse og kompetansen bedriften
trenger for å utføre en spesiell aktivitet vil være positivt relatert til ytelse.
Når det gjelder den hypotesen er retningen rett, altså nærhet mellom kjøpers
nåværende kompetanse og kompetanse som trengs for å utføre en spesiell aktivitet er
positivt relatert til ytelse. Selv om vi deler sig. nivået (,204) i to vil ikke denne hypotesen
være signifikant og må derfor forkastes.
Vi konkluderer med at vi ikke fikk støtte for noen av hypotesene.
17
18
1.5 Regresjonsforutsetninger
For å utføre statistiske analyser er det viktig at datamaterialet tilfredsstiller visse krav.
Hvis forskeren har stor innsikt og forståelse for regresjonsforutsetningene gir dette
muligheter til å se de styrker og svakheter ved estimatene, slik at en kan gjøre de
nødvendige tiltakene for å få en tilfredsstillende modell og analyser (Berry, 1993).
Hensikten med dette er å kunne komme frem til beta verdier uten systematiske målefeil
eller med for stor variasjon. Vi brukte seks av de åtte forutsetningene som står i
understanding regression assumptions av Berry (1993). Vi brukte 1 til 5 av Gauss-
Markov forutsetninger, samt et åttende krav som er redegjort av Berry (1993). Metoden
for å finne frem til estimatene er OLS (Ordinary Least Square).
1.5.1 Regresjonsforutsetning 1
Alle uavhengige variabler (X1,X2,… Xx) er kvantitative eller dikotome, og de avhengige
variablene er kvantitative, kontinuerlig og naturlige. Alle variablene er mål uten målefeil
(Berry, 1993). Det viktig og huske at man ikke kan bruke variabler på nominalnivå, da
disse ikke har logiske eller faste avstander mellom hvert alternativ. På intervallskalaer
bør det bør det være 5 måle alternativer inkludert midtpunkt. Derfor må variabel være på
ordinal-, intervall-, eller forholdstallsnivå for at regresjonskoeffisienten (B) skal gi
mening. En dikotom variabel er to delt og har verdien 0 eller 1. Ved å se etter tilfeldige
og systematiske målefeil vil man se om kravet til ingen målefeil oppnås. Tilfeldige
målefeil påvirker reliabiliteten og kan derfor føre til feil i forklart varians. Systematiske feil
påvirker validiteten og fører til skjevhet i datamaterialet. Forklart varians og alle andre
målte estimater blir derfor "feil".
Måten å utføre denne første regresjonsforutsetningen på er ved hjelp av
validitetsanalyse. I oppgave 1.3 gjennomførte vi både konvergent og divergent
faktoranalyse. Faktoranalysene hjalp oss til å komme frem til de begrepene som faktisk
måler det vi ønsker å måle, dette var de faktorer som ladet på et og samme begrep.
Formålet med reliabilitetstesting er å kunne si noe om målemodellen er god, og om
modellen kan benyttes som en skala. Reliabilitetsanalysen måler om det er intern
19
konsistens mellom indikatorene som skal måle begrepet. Verdien 0,7 er en grense som
er et brukbart nedre nivå for å opprettholde tilfredsstillende reliabilitet (Gulbrandsen,
Sandvik og Haugland, 2009).
Variabel
Antall gjenstående indikatorer
av variabelen
Cronbach’s
Alpha Verdi
Merknader
TSI 3 av 3 0,759 Ingen fjernetCPC 4 av 4 0,840 Ingen fjernet
Begge Cronbachs alpha verdiene er innenfor den akseptable grensen og ingen av
itemene til begrepene fjernet. Tallmaterialet oppfyller kravene til regresjonsforutsetning 1
og er egnet til videre analyser.
1.5.2 Regresjonsforutsetning 2
Alle uavhengige variabler må ha varians som er forskjellig fra null. Hvis ikke de
uavhengige variablene hadde varians så ville beta ha blitt null, og man kunne ikke ha
sagt noe om sammenhengen mellom den uavhengige og den avhengige variabelen. For
å sørge for varians må en ta hensyn til utvalget og målene.
Descriptive Statistics
N Mean Std. Deviation Variance
tsi 276 3.6522 1.43541 2.060
cpc 276 4.5109 1.35676 1.841
Valid N (listwise) 276
Ved å kjøre en deskriptiv analyse på datamaterialet ser vi at begge de uavhengige
variablene har en varians på >0. Tallmaterialet oppfyller kravene til
regresjonsforutsetning 2 og er egnet til videre analyser.
1.5.3 Regresjonsforutsetning 3
Denne forutsetningen går på at det ikke skal være perfekt multikollinearitet, altså det
skal ikke være noen perfekte lineær relasjon mellom to eller flere uavhengige variabler
(Berry, 1993). Hvis det er perfekt multikollinearitet vil det ikke være mulig å isolere
effekten av en uavhengig variabel på den avhengige variabelen når den er kontrollert av
en annen uavhengige variabel. Problemet blir at vi ikke får estimert betaverdien riktig.
20
En korrelasjonsanalyse vil avsløre om det er perfekt multikollinearitet. Hvis verdiene på
testen overstiger 0,8 er det perfekt multikollinearitet og datamaterialet tilfredsstiller ikke
regresjonsforutsetningen.
Det første vi gjorde vår å utføre en bivariat korrelasjonsanalyse på de uavhengige
variablene. Så lenge ingen av dem overstiger 0,8 er det ikke noen grunn for å fortsette
regresjonsforutsetning 3 (Sandvik, 2010). Hvis noen av variablene var over 0,8 hadde
dette indikert at man burde ta en nærmere titt på disse. Da ville man ha fortsatt med
tolerance og VIF (Varianse Inflation Faktor) analyser (Sanvik, 2008).
Correlations
tsi cpc
Tsi Pearson Correlation 1 .077
Sig. (2-tailed) .204
N 276 276
Cpc Pearson Correlation .077 1
Sig. (2-tailed) .204
N 276 276
Med en korrelasjons koeffisient på ,077 oppfyller tallmaterialet kravene til
regresjonsforutsetning 3 og er egnet til videre analyser.
21
1.5.4 Regresjonsforutsetning 4
For hvert sett av verdier for k uavhengig variabel skal E(εj|X1j,X2j…Xkj) = 0. Dette betyr at
gjennomsnittet på feiltermen skal være null. Den vertikale spredningen rundt
regresjonslinja skal ha like stort avvik over som under, som igjen gir en gjennomsnittlig
feilterm på null. Det er spesielt viktig å se på dette når man bruker OLS analyse, da man
ser på lineære sammenhenger. Hvis feiltermen ikke er lineær på grunn av feilterm
på > 0 kan man ikke bruke OLS analysen videre. Hvis dette er utfallet må det gjøres
matematiske endringer av variablene slik OLS analysen kan brukes videre.
Når man skal analysere dette er det greit å inspisere spredningen visuelt først, dette
gjøres med et scatter-plot.
Som vi ser på plottene over er regresjonslinjen til CPC avvikende. Ved å se på
resultatene fra parameter estimatimates tabellen ser vi ser at cubic har høyest R2.
22
Model Summary and Parameter Estimates
Dependent Variable:Performance2
Equation
Model Summary Parameter Estimates
R Square F df1 df2 Sig. Constant b1 b2 b3
Linear .004 1.062 1 274
.304 5.018 .049
Quadratic
.085 12.641 2 273
.000 7.318 -1.226
.156
Cubic .087 8.611 3 272
.000 8.208 -2.032
.370 -.017
The independent variable is cpc.
Vi har dermed en ikke-lineær sammenheng, og vi er nødt til å endre denne variabelen
matematisk slik at vi kan bruke variabelen videre i OLS analysen. Måten dette gjøres på
er å gjennomsnittssentrere CPC (ny_gj_CPC = (cpc – 1,357) * (cpc – 1,357)).
Descriptive Statistics
N Mean Std. Deviation Variance
Cpc 276
4.5109 1.35676 1.841
Valid N (listwise) 276
Etter gjennomsnittssentreringen ble P-P plottet og parameter estimates seende slik ut.
23
Model Summary and Parameter Estimates
Dependent Variable:Performance2
Equation
Model Summary Parameter Estimates
R Square F
df1 df2 Sig.
Constant b1 b2 b3
Linear .018 4.888 1 274 .028 5.022 .018
Quadratic .060 8.783 2 273 .000 5.371 -.073 .004
Cubic .072 7.084 3 272 .000 5.543 -.181 .015 .000
The independent variable is ny_gj_cpc.
Plottet til den nye gjennomsnittsentrerte variabelen viser forskjell fra det andre CPC
plottet. Vi ser at lineær R2 har økt fra .004 til .018 noe som tyder på at det er en mer
lineær sammenheng nå. Sig. nivået ligger nå på .028, noe som betyr at det er en 2,8 %
sjanse for at dette skyldes tilfeldigheter. Cubic og Quadratic har også sunket, og dette
indikerer også en mer lineær sammenheng. Tallmaterialet oppfyller nå kravet i
forutsetning 4, og i de videre analyser bruker vi den gjennomsnittsentrerte variabelen.
1.5.5 Regresjonsforutsetning 5
Formålet med regresjonsforutsetning 5 er å se om hver uavhengig variabel er ukorrelert
med feiltermen i den avhengige variabelen. Berry (1993)har det han kaller den ”sanne
modellen” som kan avgjøre hvilken av de uavhengige variablene som eventuelt påvirker.
Utførelsen av testen gjøres ved at vi ser på korrelasjonsanalysen for variablene og
hvordan disse korrelerer med hverandre. I korrelasjonsanalysen setter vi opp de aktuelle
uavhengige og avhengige variablene mot hverandre.
Ut i fra korrelasjonsanalysen ser vi at årstall, utfallsmål1, opportunisme1, opportunisme3
og transkost4 korrelerer med samtlige av variablene i modellen og er signifikante. Disse
variablene er potensielle kontrollvariabler. Vi utførte en regresjonsanalyse med og uten
kontrollvariabel for og kunne se eventuelle effekter.
Uten kontrollvariabel:
24
Coefficientsa
Model
Unstandardized Coefficients Standardized Coefficients
t Sig.B Std. Error Beta
1 (Constant) 5.498 .194 28.388
.000
tsi -.134 .044 -.181 -3.057 .002
ny_gj_cpc .020 .008 .142 2.402 .017
a. Dependent Variable: Performance2
25
Med kontrollvariabeler:
Coefficientsa
Model
Unstandardized Coefficients Standardized Coefficients
t Sig.B Std. Error Beta
1 (Constant) 23.757 12.552 1.893 .060
tsi -.012 .052 -.014 -.227 .821
ny_gj_cpc .009 .009 .061 1.043 .298
Start årstall -.009 .006 -.084 -1.338 .182
Utfallets mål1 -.131 .047 -.195 -2.771 .006
Opportunisme1
-.232 .051 -.290 -4.558 .000
Opportunisme3
-.005 .051 -.007 -.092 .927
Transkost4 -.163 .064 -.205 -2.550 .011
a. Dependent Variable: Performance2
Tabellen viser at det er opportunisme 1 som har størst påvirkning på de andre
variablene.
Med bare Opportunism1 variabelen:
Coefficientsa
Model
Unstandardized CoefficientsStandardized Coefficients
t Sig.B Std. Error Beta
1 (Constant) 5.929 .204 29.097 .000
tsi -.060 .045 -.080 -1.341 .181
ny_gj_cpc .012 .008 .088 1.528 .128
Opportunisme1 -.230 .045 -.309 -5.096 .000
a. Dependent Variable: Performance2
Tabellen under sammenligner Beta verdier med og uten kontroll variabel.
Uten kontrollvariabel Med kontrollvariabelStandardisert β Standardisert β
TSI -.181 -.080CPC .142 .088a
Opportunisme1 -.309a ny_gj_cpc
26
Tabellen viser at det er forskjeller i Beta verdiene og dette indikerer at det er spuriøse
eller maskerte effekter (Gulbrandsen, Sandvik, Haugland, 2009). For å fange opp disse
effektene, og oppfylle forutsetning 5 må vi ta med kontroll variablene i videre analyser.
Datamaterialet tilfredsstiller forutsetninger 1 til og med 5, som settes for
regresjonsanalyse, dette innebærer at OLS estimatene for regresjonsmodellens
koeffisienter har to ønskede effekter Unbaised og efficient (Berry, 1993).
1.5.6 Regresjonsforutsetning 8
For hvert sett av verdier for k uavhengig variabel så er ε jnormalfordelt. Det er to
tilnærminger til dette, multinormalitet og univariat normalitet. Multinormalitet fordeling er
avhengig av univariat fordeling, dette vil si at hver variabel er normalfordelt. Kravet til
skjevhet er < +/-2 (max 5), og spisshet < +/-2 (Sandvik, 2010) . Hvis datamaterialet
bryter med forutsetningene, påvirker dette effisiensen til beta. Ikke normalfordeling kan
ha sitt opphav i spørsmål som er uheldig formulert, utvalget for lite eller utvalget ikke kan
gi nok varierte svar på spørsmålet, dette vil si feil utvalg i forhold til problemstillingen.
Hvis variabelen overstiger et avvik på 2 skal den vurderes om den skal utelates. Når
dette er gjennomført ser vi etter såkalte uteliggere eller ekstremverdier.
27
Begynner med å se på standardavviket til regresjonslinje for de ulike variablene.
Skjevhet og kurtosis:
Descriptive Statistics
N Skewness Kurtosis
Statistic Statistic Std. Error Statistic Std. Error
Opportunisme1 276 .453 .147 -.951 .292
Performance2 276 -1.353 .147 1.695 .292
Kjøpers TSI1 276 -.141 .147 -1.286 .292
Kjøpers TSI2 276 -.103 .147 -.891 .292
Kjøpers TSI4 276 .426 .147 -.788 .292
CPC1 276 -.632 .147 -.895 .292
CPC2 276 -.488 .147 -.962 .292
CPC3 276 -.313 .147 -1.144 .292
CPC4 276 -.303 .147 -.919 .292
tsi 276 -.211 .147 -.698 .292
ny_gj_cpc 276 .163 .147 -.929 .292
Valid N (listwise) 276
Tabellen viser at alle indikatorer og variabler har verdier som er innefor de grenser vi har
beskrevet.
Det neste vi har tatt for oss er uteliggere, etter å ha sett på plottene til de forskjellige
variablene ser vi at det bare er plottet til ytelse og TSI som har nevneverdige uteliggere,
etter vi fjernet disse gikk R2 Linjen fra 0.030 til 0.031(appendiks). Dette utgjør en så liten
forskjell at det ikke vil ha noen innvirkning på utfallet av analysen som sådan.
1.5.7 Ny regresjonsanalyse
Tallmaterialet vi nå benytter i analysen har gjennomgått 6 tester for å kartlegge om det
har de kvaliteter en regresjonsanalyse forutsetter. Forandringene som er blitt gjort ble
utført fordi tallmaterialet ikke tilfredsstilte forutsetning 5 og 6. CPC er nå
gjennomsnittsentrert og det er lagt til en kontrollvariabel. Da vi sammenlignet de to
analysene fant vi følgende.
28
Sammenlignes forklaringskraften må adjusted R2 verdier sammenlignes. Ustandardisert
R2 øker med antall variabler. I test 1 var forklaringskraften .029, i test 2 økte den til .123.
Dette innbærer at variansen i det nye tallmaterialet forklarer mer av variansen i ytelse
enn det gjort før regresjonsforutsetningene. Signifikans nivået for modellen som helhet
har gått fra .007 til .000 og modellen er signifikant.
Analyse 1 Analyse 2
Std. B t Sig Std B t Sig
TSI -.179 -3.002 .00
3
-.080 -1.341 .181
CPC .076 1.272 .20
4
.088 1.528 .128
Opportunism
e
-.309 -5.096 .000
I motsetning til det hypotese 1 sier, er stigningstallet for TSI negativ i begge analyser, og
i den siste analysen er signifikansnivået for høyt. Hypotese 1 får ikke støtte i noen av
analysene. Hypotese 2 har riktig retning i begge tesene, men signifikansnivået i begge
testene er for høyt selv om det har sunket noe. Analyse nr 2. hypotesen 2 får ikke støtte.
29
1.6 Interaksjonseffekt mellom TSI og CPC
En moderatorer som endrer formen på relasjonen mellom uavhengige (X) og avhengige
(Y) variabelen kalles for kvasimoderatorer. Hvis moderatoren ikke er i relasjon til X eller
Y, er det en pure- eller homologizermoderatorer (Sharma et al. 1981).
I denne oppgaven testes interaksjonseffekten mellom TSI og CPC som en
kvasimoderator. Først lager vi et interaksjonsledd som skal benyttes videre i oppgaven,
for å lage dette leddet benytter vi oss av den beskrivende statistikk for modellene.
Forskningsmodell:
Ved å gjennomsnittssentere variabelen CPC og TSI lager vi interaksjonsleddet.
Interaksjonsleddet brukes til å se på og beskrive endringen av sammenhengen mellom
X og Y variabelen gjennom en tredje variabel. For å unngå mulig korrelasjon mellom x
variablene (multikollineariten), må vi gjennomsnittetssentrere variablene. Dette gjøres
ved å trekke gjennomsnittsverdien fra alle verdiene.
Interaksjonsleddet er laget slik:
Descriptive Statistics
N Mean
tsi 276 3.6522
cpc 276 4.5109
Valid N (listwise) 276
CPC_TSI = (TSI - 3,65)*(CPC – 4,51)
30
CPC
Ytelse
TSI
H1+
H2+
1.6.1 Regresjonsanalyse og interaksjonsledd
Regresjonsanalyse uten interaksjonsledd:
Coefficientsa
Model
Unstandardized Coefficients Standardized Coefficients
t Sig.B Std. Error Beta
1 (Constant) 5.456 .264 20.635
.000
tsi -.133 .044 -.179 -3.002 .003
cpc .060 .047 .076 1.272 .204
a. Dependent Variable: Performance2
Regresjonsanalyse med interaksjonsledd:
Coefficientsa
Model
Unstandardized Coefficients Standardized Coefficients
t Sig.B Std. Error Beta
1 (Constant) 5.641 .264 21.385
.000
tsi -.157 .044 -.211 -3.571 .000
cpc .041 .046 .052 .893 .373
CPC_TSI -.105 .029 -.214 -3.611 .000
a. Dependent Variable: Performance2
Vi ser av tabellen at analysen med interaksjonleddet har et sig. nivå på 0,00. Dette vil si
at CPC moderer forholdet mellom TSI og Ytelse. Denne moderatoreffekten gjør at det
enten er en pure- eller kvasimoderator, da den har signifikant interaksjon (0,187**) med
den uavhengige variabelen. En kvasimoderator må ha relasjon til en av de uavhengige
eller den avhengige variabelen, i vår forskingsmodell er det relasjon her (Sharma et al.
1981). Dette sier oss at interaksjonsleddet vi har med å gjøre er en kvasimoderator.
31
1.7 Implikasjoner
I denne delen skal vi se på de ledelsesmessige implikasjoner basert på analysene og
resultatene av disse. De to første analysene dreier seg om TSI og CPC har en effekt på
ytelse og i så tilfelle hvilken effekt disse variablene har hver for seg. En eventuell
interaksjonseffekt vil vi se nærmere på mot slutten av denne delen. Det er den
avhengige variabelen ytelse som på virkes av de to uavhengige variablene. Ytelse har
elementene forventning og tilfredsstillelse, og måles med i hvilken grad leverandøren
tilfredsstiller de forventinger bedriften har til den. I analyse 1 fant vi en lav forklaringskraft
og et signifikant funn. Funnet hadde et negativt stigningstall og hadde dermed en annen
retning enn hypotesen foreslo. Dette betyr at jo mindre investeringer bedriften gjør i
opplæring av egne og leverandørens ansatte sammen med lite omorganisering i
bedriften fører til at de forventninger de hadde til transaksjonen blir innfridd. Jo mindre
kunnskap bedriften har om leverandørens tjenester og ytelser, jo enklere er det for
leverandøren å innfri ytelsen. Dette må komme av at når bedriten ikke har kvalifikasjoner
som skal til for å kunne bedømme ytelsen på et faglig nivå er lav blir også forventingene
lette å innfri. Lave forventinger er lettere å innfri enn høye forventinger. Funnet kan tyde
på at for leverandøren vil det være gunstig å holde sin kunnskap til en viss grad for seg
selv, for derfor å ha en mulighet til å levere et enklere produkt og fremdeles tilfredsstille
de forventinger som settes. Har bedriften gode kunnskaper om det som skal leveres fra
leverandøren vil bedriften ha høye forventinger til ytelsen i transaksjonen de har og
funnet i undersøkelsen viser at tilfredsheten i dette tilfellet er lavt. Høye
transaksjonsspesifikke investeringer ser ikke til å gi den ytelsen bedriften hadde
forventet. En gjennomgang av bedriftens ressurser ville kunne gi svar på hvor aktuelt
det kunne være å tenke på om man bør integrere den aktuelle aktiviteten i bedriften.
Den andre testen hvor tallmaterialet tilfredsstilte alle regresjonsforutsetninger og det var
tatt med en kontrollvariabel vise at resultatene i de to testene fikk forskjellige verdier.
Dette indikerer at det er andre forklaringsfaktorer som ligger bak som ikke er tatt med i
analysene. Videre analyser på tallmaterialet må inkludere de variabler som er
tilgjengelige for å kunne si noe om årsaker til at forventningene til ytelse skal bli innfridd.
32
Moderator analysen viste at det er en signifikant interaksjonseffekt mellom TSI og CPC.
Videre viste analysene at TSI fortsatt er signifikant og at relasjonen med
interaksjonseffekten er en kvasimoderator. For bedriften betyr dette at i tillegg til det som
er nevnt ovenfor har en effekt på ytelse som ikke skyldes variablene i seg selv, men
kombinasjonen av disse. En slik effekt kan ha store konsekvenser for bedriften da det
ikke er enkelt å vite om disse interaksjonseffektene uten å analysere seg frem til dem.
Interaksjonens effekten og TSI er har negative stigningstall noe som forsterker effekt av
ikke bedriften mener de får tilfredsstilt de forventinger de har til leverandøren. Moderator
effekt påvirker forholdet mellom TSI, CPC og ytelse. Den påvirker ikke styrken på
forholdet, men formen. Det betyr at den for eksempel styrker forholdet opp til et visst
punkt for deretter å svekke det, eller omvendt.
Konklusjonen blir at vi med det datamaterialet vi har kan si at TSI hadde en effekt på
ytelse og at effekten var negativ, CPC hadde ingen signifikant effekt på ytelse. Det er
også en interaksjonseffekt tilstede som bedriften må være klar over, og at forholdene
mellom TSI og CPC blir moderert av en interaksjonseffekt.
33
2 Eksperiment dataanalyseI denne oppgaven skal vi utføre en analyse av et eksperiment. I første oppgave dreier
det seg om et ”basic design”, hvor målet er å kunne si noe om medarbeidersamtale har
en effekt på sykefravær. Deretter utfører vi analyser på et 2x2 faktorielt design med
sykefravær som avhengigvariabel. I oppgave 2.3 gjør vi begge testene på nytt med
”tilfredshet med å jobbe i avdelingen” som avhengigvariabel. Alle konklusjoner blir
presentert fortløpende etter hvert eksperiment. Deretter ser vi på de ledelsesmessige
implikasjonene.
Oppgaven omhandler variabler og disse definerer vi på følgende måte. Vi forutsetter at
det ikke er påkrevd med noen teoretisk bakgrunn for disse definisjonene.
Sykefravær: er i denne sammenheng perioden en medarbeider har vært borte fra jobb
grunnet sykdom. Måles i antall dager.
Fornøyd med å jobbe i din avdeling: er i denne sammenhengen om en medarbeider er
tilfreds med sin arbeidssituasjon. Måles med i hvor stor grad man er tilfreds.
Medarbeidersamtale: Samtale medarbeider har med sin nærmeste overordnede.
Manipuleres med deltagelse eller ikke deltagelse på medarbeidersamtale.
Tilfredshet med oppfølging av tidligere medarbeidersamtale: Mener den ansatte at det
som ble avtalt på medarbeidersamtalen er fulgt opp på en tilfredsstillende måte. Måles
med tilfreds eller ikke tilfreds.
2.1 Modelltest
I denne delen av oppgaven skal vi se på hvorvidt sykefravær er påvirket av
medarbeidersamtale. Dette vil være et basic eksperiment med en uavhengig og en
avhengig variabel. Ut fra det oppgaven beskriver setter vi opp følgende modell for videre
analyse.
34
Medarbeidersamtale Sykefravær
2
1
Den avhengige variabelen er sykefravær, og den uavhengige variabelen som ventes å
gi effekt på sykefravær er medarbeidersamtale. Den uavhengige variabelen er dikotom
og delt i ikke deltatt og deltatt på medarbeidersamtale, dette er illustrert med tallene 1 og
2 i modellen. Dette gjør at vi kan se hvilke effekt medarbeidersamtale har på
sykefravær.
Tilstand A:
Ikke deltatt på medarbeidersamtale
Tilstand B:
Deltatt på Medarbeidersamtale
Eksperimentet vårt består av to celler hvor antall respondenter i hver celle bør være
mest mulig likt. I cellene er det henholdvis 744 respondenter som ikke har deltatt og 587
som har deltatt på medarbeidersamtale. Grunnen til at antallet bør være mest mulig likt
er for å styrke internvaliditeten. Det er en kontroll- og en eksperimentgruppe, det er bare
eksperimentgruppa som blir utsatt for stimuli.
For å avgjøre om stimuli har en effekt, må vi finne signifikante forskjeller mellom de to
gruppene. For å finne ut av dette er det mulig å bruke en ANOVA, T-test (Michell og
Jolley, 2007) eller Univariate (Samuelsen, 2010).
For å kunne si noe om en eventuell effekt av medarbeidersamtaler må vi sammenligne
gruppe gjennomsnitter. Selv om bare halvparten av respondentene er i den ene gruppen
kan vi gå ut fra at dette gir en god representasjon av populasjonen (Michell og Jolley,
2007).
35
Descriptive Statistics
Dependent Variable:Omtrent hvor mange dager har du vært borte fra jobb de siste 12 måneder?
Hva er dine erfaringer med medarbeidersamtale(r) siste året? Mean Std. Deviation N
Har ikke hatt Medarbeidersamtale
2.4772 1.86258 744
Har hatt Medarbeidersamtale, og er fulgt opp
2.3884 1.74845 587
Total 2.4380 1.81299 1331
Gruppegjennomsnittene finner vi i tabellen deskriptive statistikk og cell means eller
”simple main effects” som beskriver variansen innenfor en celle. Cell means beskriver
variansen innen en celle, mens marginal means beskriver variansen mellom hver av
cellene (Samuelsen, 2008)
Deretter ser vi på hvor store ulikheter det er mellom gruppene og om denne forskjellen
er signifikant. Er den det, betyr det at medarbeidersamtale har en effekt på
sykefraværet.
36
MedarbeidersamtaleIkke deltatt påmedarbeidersamtale
Deltatt påmedarbeidersamtale
Marginal Means
2,477 2,388 2,433
Plottet under viser at det er en endring mellom gjennomsnittene i tilstand A og B. Ser
man nærmere på plottet ser vi at endringen ikke er på mer enn 0,089.
A: 2,477
B: 2,388
For å avgjøre om det er en signifikant forskjell mellom gruppene i eksperimentet benytter
vi oss av en ANOVA test (Analysis of variance test). Denne testen benyttes fordi den
setter oss i stand til å sammenligne between groups variance med within groups
variance og dermed kunne fastslå om stimuli har effekt (Michell og Jolley, 2007). Ser vi
på F-verdien (0,786) ser vi at denne er lavere enn nivået på 3,4 hvor vi kan forvente
signifikante sammenhenger (Samuelsen, 2010). Vi ser av signifikansnivået at det ikke er
en signifikant forskjell mellom gruppene. Dette tyder på at medarbeidersamtale ikke har
noen effekt på sykefraværet.
37
ANOVA
Omtrent hvor mange dager har du vært borte fra jobb de siste 12 måneder?
Sum of Squares df Mean Square F Sig.
Between Groups 2.584 1 2.584 .786 .376
Within Groups 4369.053 1329 3.287
Total 4371.636 1330
Som bakgrunnen for eksperimentet ville en hypotese kunne være, medarbeidersamtale
har effekt på sykefravær.
T-test bygger oppunder det vi har funnet frem til nå, så lenge ikke t-verdi er over 1,960
(uendelig df). T-verdien er 0,887 og derfor er den ikke signifikant
Independent Samples Test
Levene's Test for Equality of
Variances t-test for Equality of Means
95% Confidence Interval of the
Difference
F Sig. t dfSig. (2-tailed)
Mean Difference
Std. Error Difference Lower Upper
Omtrent hvor mange dager har du vært borte fra jobb de siste 12 måneder?
Equal variances assumed
4.853 .028 .887 1329 .376 .08873 .10010 -.10763 .28510
Equal variances not assumed
.8931289.69
5.372 .08873 .09935 -.10617 .28364
Funnene i undersøkelsen rapporteres på følgende måte.
I motsetning til hypotesen hadde ikke medarbeidere som har deltatt på
medarbeidersamtale (M = 2,388 ) ikke signifikant mindre sykefravær enn de som ikke
har deltatt på medarbeidersamtalen (M = 2,477), t(1329) = 0,887, p > .05.
38
2.2 Modelltest II
På bakgrunn av oppgaveteksten skal vi se om det er en interaksjonseffekt mellom
medarbeidersamtale og oppfølging av tidligere medarbeidersamtaler. Følgende modell
brukes for videre analyser.
1
2
1
2
Medarbeidersamtale
Oppfølging av tidligere medarbeidersamtaler
Sykefravær
Den avhengige variabelen er sykefravær, de uavhengige variablene er
medarbeidersamtale og oppfølging av tidligere medarbeidersamtaler. Tallene bak de
uavhengige variablene illustrerer at variabelen er delt i to: deltatt / ikke deltatt og
tilfreds / ikke tilfreds med oppfølging av tidligere medarbeidersamtaler. Pilene fra de
uavhengige variablene illustrerer hovedeffektene i undersøkelsen. Interaksjonseffekten
illustreres med streken og pilen mellom de uavhengige og til den avhengige variabelen.
Matrisen under er basert på forskingsmodellen og har et 2 x 2, faktorielt design.
Oppfølging av tidligere medarbeidersamtaler
Medarbeidersamtale
Nei
Nei JaTilstand A:ikke medarbeidersamtale og ikke oppfølging
Tilstand B:ikke medarbeidersamtale og oppfølging
JaTilstand C:medarbeidersamtale og ikke oppfølging
Tilstand D:medarbeidersamtale og oppfølging
Matrisen viser alle fire mulige kombinasjoner av medarbeidersamtale og oppfølging.
Fordelingen av respondenten i de fire cellene bør være mest mulig likt, for at vi tydelig
skal kunne se stimulus er årsaken til ulikhetene mellom cellene. Det er også viktig for
internvaliditeten at fordelingen av respondentene i hver celle er relativt lik. Antall
39
respondenter innenfor hver celle varierer fra 108 til 363. At det er så stor forskjell i fra
celle til celle kan få innvirkning på resultatet, men vi vil ikke ta høyde for dette i de videre
analysene.
Hvilke celleforhold vi skal sammenligne avhenger av om vi ønsker å se på cellenes
hovedeffekt eller interaksjonseffekt. For å finne interaksjonseffektene vil vi sammenligne
de fire tilstandene med hverandre for å finne ut av effekten av at en uavhengig variabel
endrer seg ved ulike nivåer av en annen uavhengig variabel. I en 2 x 2 matrise kan det
forkomme fire ulike effekter på den avhengige variabelen dersom det foreligger en
interaksjon mellom de to uavhengige variablenes nivåer (Michell og Jolley, 2007).
Interaksjonseffekten vises ved at det er betydelige ulikheter på tvers av cellene. For å
finne interaksjonseffekten sammenligner vi effekten av inndelingen deltatt / ikke deltatt
og oppfølging / ikke oppfølging om den er ulik avhengig av den andre uavhengige
variabelen. Det er ulikhetene i mellom simple main effektene vi studerer. Dersom man
finner en signifikant forskjell mellom simple main effektene vil det være en
interaksjonseffekt (Michell og Jolley, 2007).
For å se om det er en signifikant interaksjonseffekt mellom de uavhengige variablene
utfører vi en ANOVA analyse. Resultatet er vist i tabellen under.
Tests of Between-Subjects Effects
Dependent Variable:Omtrent hvor mange dager har du vært borte fra jobb de siste 12 måneder?
SourceType III Sum of
Squares dfMean
Square F Sig.
Corrected Model 39.671a 3 13.224 3.968 .008
Intercept 4869.965 1 4869.965 1461.208 .000
Medarbeidersamtale 8.218 1 8.218 2.466 .117
Tilfreds_oppfølging_medarbeiderundersøkelser 11.490 1 11.490 3.448 .064
Medarbeidersamtale * Tilfreds_oppfølging_medarbeiderundersøkelser
11.373 1 11.373 3.412 .065
Error 3216.187 965 3.333
Total 9215.000 969
Corrected Total 3255.858 968
a. R Squared = ,012 (Adjusted R Squared = ,009)
40
Tabellen viser mye informasjon og vi ser raskt på hva de forkjellige kolonene inneholder.
Sum of squares er variansen som er skapt av stimuli. Df er antall frihetsgrader for hver
variabel. Frihetsgradene er antall nivåer på faktorene minus 1. Mean square er
gjennomsnittet for skapt stimuli. F-verdien viser hovedeffekten av en uavhengig variabel
på den avhengige variabelen, F-verdien kommer man frem til med å dele summer av
kvadrerte avvik med kvadrerte feil innenfor hvert nivå av cellene. Får man en F-verdi på
under 1 er variansen innefor gruppen større enn variansen mellom gruppene. Variansen
mellom cellene forklares med at behandlingen de ulike cellene er utsatt for skal gi ulike
gjennomsnitt. Dette skyldes at stimulus er ulik. Innenfor cellene er effekten av stimulus
tatt med, og variansen skyldes feiltermen. Dette innebærer at det bare forligger en effekt
når faktorene har høyere variansen mellom cellene enn i cellene (Samuelsen, 2008).
Med utgangspunkt i denne gjennomgangen ser vi nå på tabellen over. Signifikante
effekter vises ved signifikansnivå på under 0,05. Ser vi på den uthevede linjen ser vi
interaksjonseffekten. Ut av tabellen kan vi se at interaksjonseffekten mellom de
uavhengige variablene har en p > .05. F-verdi er 3,412 som er litt høyere enn 3,4.
Ved F-verdier på mer enn 3,4 skal man være oppmerksom på det kan være signifikante
funn (Samuelsen, 2010). I vårt tilfelle er F-veridien veldig nær 3,4 og signifikansnivået er
rett i overkant av 0.05 nivået. Dette betyr at vi ikke har en signifikant interaksjonseffekt
mellom medarbeidersamtale og oppfølgning av tidligere medarbeidersamtale. Ikke
signifikante funn skal ikke behandles videre, men for oppgavens del fortsetter vi videre
med analysene.
En eventuell interaksjonseffekt kan vises grafisk, det blir da to plot hvor vi ønsker å
sammenligne simple main effekter for å se etter interaksjonseffekter. Plottet lages ved å
betrakte 2 x 2 designet som to basic eksperiment (Michell og Jolley, 2007). Y-aksen er
den avhengige variabelen, mens X-aksen vil bestå av en av de to uavhengige
variablene. Det har ingen betydning hvilken variable som ligger på hvilken akse, da
interaksjonseffekten uansett vil vises. Plottene med grafene blir da som vist under.
41
Oversiktstabell
Har ikke hatt medarbeidersamtale i år
Har hatt medarbeidersamtale i år
Gjennomsnitt SD(n) Gjennomsnitt SD(n)Tidligere medarbeidersamtale
Ikke tilfreds 2,81 1,96 (261) 2,37 1,78 (108)
Tilfreds 2,33 1,83 (237) 2,37 1,73 (363)
C: 2,37 D: 2,37
A: 2,81
B: 2,33
Dette plottet tar for seg forholdet A til B, har ikke hatt medarbeidersamtale og C til D, har
hatt medarbeidersamtale. Tilstand A og B endrer seg med 0,48 og tilstanden C og D
endrer seg ikke.
Disse to grafene er ikke parallelle og vi ser at det er en interaksjon, men denne er ikke
signifikant. Hvis de hadde vært parallelle ville forskjellen mellom gruppene vært 0, dette
hadde betydd ingen interaksjonseffekt. Det er ulikheten mellom simple main effektene,
42
og dette viser grafen. Effekten av inndelingen i de ulike nivåene er ulikt avhengig av en
annen uavhengig variabels nivå (Michell og Jolley, 2007).
De som ikke var tilfreds med oppfølgning og ikke har hatt medarbeidersamtale i år
hadde et høyere sykefravær enn de som var tilfreds med oppfølgningen og ikke hadde
hatt medarbeidersamtale i år. Har man hatt medarbeidersamtale i år ser vi at det ikke
har noen effekt om man er tilfreds eller ikke tilfreds med medarbeidersamtalen.
En endring fra tilstand A til B har en tydeligere endring enn mellom tilstand C og D. De
som ikke har hatt medarbeidersamtale i år er tydelig mer påvirket av om de er fornøyd
med oppfølgningen av tidligere medarbeidesamtaler eller ikke.
Neste plot representerer forholdet A til C, ikke tilfreds med oppfølging og forholdet
B til D, er tilfreds med oppfølging.
43
Oversiktstabell
Ikke tilfreds med tidligere medarbeidersamtale
Tilfreds med tidligere medarbeidersamtale
Gjennomsnitt SD(n) Gjennomsnitt SD(n)Medarbeidersamtale
Har ikke hatt 2,81 1,96 (261) 2,33 1,83 (237)
Har hatt 2,37 1,78 (108) 2,37 1,73 (363)
A: 2,81
B: 2,33
D: 2,37
C: 2,37
Sammenligner vi tilstand A til C ser vi at det gir et ulikt sykefravær på 0,44. Dette vil si at
av de som ikke er tilfreds med tidligere medarbeidersamtaler har et høyere sykefravær
om de ikke har hatt medarbeidersamtale enn de som har hatt medarbeidersamtaler.
I tilstanden B til D ser vi at forskjellen mellom de som er tilfreds med oppfølgning av
medarbeidersamtaler og hatt medarbeidersamtale i år og de som ikke har hatt
medarbeidersamtale i år, har så å si likt sykefravær (forskjell på 0,04). Disse to plotene
endrer seg ikke parallelt og det forligger en interaksjonseffekt, men denne er ikke
signifikant. På dette siste plotet ser vi at grafene heller i motsatte retninger. Dette
44
indikerer at effekten et stimulus har med en gruppe er motsatt fra den effekten det har
på den andre gruppen. Denne interaksjonseffekten er ofte kalt crossover interaction
(Michell og Jolley, 2007).
Verdiene for plotene kan også vises i tabellarisk form. Det interessante er å
sammenligne tallverdiene i matrisen.
Oppfølging av tidligere medarbeidersamtaler
Medarbeidersamtale
NeiNei Ja2,81 2,33 = - 0,48
Ja 2,37 2,37 = 0
= -0,44
= 0,04
Vi tar verdiene inne gruppen og sammenligner disse mot hverandre. Det er cellenes
gjennomsnitt som er av betydning. For å finne interaksjonseffekten kan man regne ut
gjennomsnittet til hver av cellene og sammenligne disse (Michell og Jolley, 2007).
For medarbeidersamtale siste året:
B til A : 2,33 – 2,81 = -0,48
D til C : 2,37 – 2,37 = 0,00
Gjennomsnitt = -0,48 / 2 = -0,24
For oppfølging av tidligere medarbeidersamtaler:
C til A : 2,37 – 2,81 = -0,44
D til B : 2,37 – 2,33 = 0,04
Gjennomsnitt = -0,40 / 2 = -0,20
Disse gjennomsnittene kalles overall main effekts, og hvis gjennomsnittet her er ulike
indikerer dette at det er interaksjon mellom faktorene. Forskjellen er minimal og
interaksjonen er som tidligere nevnt ikke signifikant.
45
46
Konklusjon
Interaksjonseffekten mellom medarbeidersamtale og oppfølgning av
medarbeidersamtale i vår studie er ikke signifikant, F(1, 965) = 3,412, p = .065.
2.3 Modelltest III
I denne delen av oppgaven skal vi se på hvorvidt tilfredshet med å jobbe i avdeling er
påvirket av medarbeidersamtale. Dette eksperimentet skiller seg fra oppgave 2.1 og 2.2
ved at den avhengige variabelen er byttet ut. Vi vil ikke være like utfyllende i
beskrivelsen av teorien i denne delen av oppgaven da dette er gjort i oppgave 2.1 og
2.2.
Dette vil være et basic eksperiment med en uavhengig og en avhengig variabel. Ut fra
det oppgaven beskriver setter vi opp følgende modell for videre analyse.
Medarbeidersamtale
2
1Tilfredshet med å jobbe i avdelingen
Den avhengige variabelen er tilfredshet med å jobbe i avdeling, og den uavhengige
variabelen som ventes å gi effekt på tilfredsheten med å jobbe i avdeling er
medarbeidersamtale. I et basic eksperiment har den uavhengige variabelen to verdier
(Michell og Jolley, 2007). Den uavhengige variabelen er delt i ikke deltatt og deltatt på
medarbeidersamtale, dette er illustrert med tallene 1 og 2 i modellen. Dette gjør at vi kan
se hvilke effekt medarbeidersamtale har på tilfredshet med å jobbe i avdeling.
Tilstand A:
Ikke deltatt på medarbeidersamtale
Tilstand B:
Deltatt på medarbeidersamtale
47
Eksperimentet vårt består av to celler hvor antall respondenter i hver celle bør være
mest mulig likt for å styrke internvaliditeten. I cellene er det henholdsvis 753
respondenter som ikke har deltatt og 585 som har deltatt på medarbeidersamtale. Det er
en kontroll- og en eksperimentgruppe, det er bare eksperimentgruppa som blir utsatt for
stimuli. For å kunne si noe om en eventuell effekt av medarbeidersamtaler må vi
sammenligne gruppe gjennomsnitter.
Descriptive Statistics
Dependent Variable:tilfreds_jobb_avdeling
Hva er dine erfaringer med medarbeidersamtale(r) siste året? Mean Std. Deviation N
Har ikke hatt Medarbeidersamtale
5.4236 1.51230 753
Har hatt Medarbeidersamtale, og er fulgt opp
6.0034 1.21209 585
Total 5.6771 1.41805 1338
Gruppe gjennomsnittene finner vi i tabellen deskriptive statistikk og cell means eller
”simple main effects” som beskriver variansen innenfor en celle. Vi har valgt å kode om
verdiene i variabelen fornøyd med å jobbe i din avdeling. De originale verdiene var delt i
7/100. De omkodede verdiene er lik de i spørreskjemaet og er fra 1 til 7. Hvorav 1 er ”i
svært lite grad” og 7 er ”i svært stor grad”.
Deretter ser vi på hvor store ulikheter det er mellom gruppene og om denne forskjellen
er signifikant. Er den det, betyr det at medarbeidersamtale har en effekt på tilfredshet på
avdelingen.
48
MedarbeidersamtaleIkke deltatt påmedarbeidersamtale
Deltatt påmedarbeidersamtale
Marginal Means
5,424 6,003 5,714
Plottet under viser den gjennomsnittelige endringen mellom tilstand A og B. Ser man
nærmere på plottet ser vi at endringen er på 0,579.
A: 5,424
B: 6,003
For å avgjøre om det er en signifikant forskjell mellom gruppene i eksperimentet benytter
vi oss av en ANOVA test (Analysis of variance test). Denne testen benyttes fordi den
setter oss i stand til å sammenligne between groups variance med within groups
variance og dermed kunne fastslå om stimuli har effekt (Michell og Jolley, 2007). Ser vi
på F-verdien (57,355) ser vi at denne er høyere enn nivået på 3,4 hvor vi kan forvente
signifikante sammenhenger (Samuelsen, 2010 -i Forlesning). Vi ser av signifikansnivået
at det er en signifikant forskjell mellom gruppene. Dette betyr at medarbeidersamtale har
en effekt på trivselen i avdelingen, og at det er de som har hatt medarbeidersamtale
som er mest tilfreds.
49
ANOVA
Tilfreds_jobb_avdeling
Sum of Squares df Mean Square F Sig.
Between Groups 110.668 1 110.668 57.355 .000
Within Groups 2577.852 1336 1.930
Total 2688.520 1337
Som bakgrunnen for eksperimentet ville en hypotese kunne være, medarbeidersamtale
har effekt på tilfredshet i avdeling.
T-test bygger oppunder det vi har funnet frem til nå, hvis t-verdi er over 1,960 (1336 df).
T-verdien er -7,573 og derfor er den signifikant.
Independent Samples Test
Levene's Test for Equality of
Variances t-test for Equality of Means
95% Confidence Interval of the
Difference
F Sig. t df
Sig. (2-
tailed)Mean
DifferenceStd. Error Difference Lower Upper
tilfreds_jobb_avdeling Equal variances assumed
60.646 .000 -7.573 1336 .000 -.57978 .07656 -.72996 -.42960
Equal variances not assumed
-7.783 1334.699
.000 -.57978 .07449 -.72591 -.43365
Funnene i undersøkelsen rapporteres på følgende måte.
Som hypotesen sier hadde medarbeidere som har deltatt på
medarbeidersamtale (M = M = 6,003) signifikant høyre tilfredshet i avdelingen
enn de som ikke har deltatt på samtalen (M = 5,424), t(1336) = 7,573, p < .05.
50
Det neste vi skal ta for oss er å se på om det forligger en interaksjonseffekt mellom
medarbeidersamtale og oppfølging av tidligere medarbeidersamtale. Ref. oppgave 2.2
Følgende modell brukes for videre analyser.
1
2
1
2
Medarbeidersamtale
Oppfølging av tidligere medarbeidersamtaler
Tilfredshet med å jobbe i avdelingen
Den avhengige variabelen er tilfredshet med å jobbe i avdelingen, de uavhengige
variablene er medarbeidersamtale og oppfølging av tidligere medarbeidersamtaler.
Tallene bak de uavhengige variablene illustrerer at variabelen er delt i to: deltatt / ikke
deltatt og tilfreds / ikke tilfreds med oppfølging av tidligere medarbeidersamtaler. Pilene
fra de uavhengige variablene illustrerer hovedeffektene i undersøkelsen.
Interaksjonseffekten illustreres med streken og pilen mellom de uavhengige og til den
avhengige variabelen.
Matrisen under er basert på forskingsmodellen og har et 2 x 2, faktorielt design.
Oppfølging av tidligere medarbeidersamtaler
Medarbeidersamtale
Nei
Nei JaTilstand A:ikke medarbeidersamtale og ikke oppfølging
Tilstand B:ikke medarbeidersamtale og oppfølging
JaTilstand C:medarbeidersamtale og ikke oppfølging
Tilstand D:medarbeidersamtale og oppfølging
Matrisen viser alle fire mulige kombinasjoner av medarbeidersamtale og oppfølging.
Fordelingen av respondenten i de fire cellene bør være mest mulig likt, for at vi tydelig
skal kunne se stimulus er årsaken til ulikhetene mellom cellene. Det er også viktig for
51
internvaliditeten at fordelingen av respondentene i hver celle er relativt lik. Antall
respondenter innenfor hver celle varierer fra 109 til 363. At det er så stor forskjell i fra
celle til celle kan få innvirkning på resultatet, men vi vil ikke ta høyde for dette i de videre
analysene.
Hvilke celle forhold vi skal sammenligne avhenger av om vi ønsker å se på cellenes
hovedeffekt eller interaksjonseffekt. For å finne interaksjonseffektene vil vi sammenligne
de fire tilstandene med hverandre for å finne ut av effekten av at en uavhengig variabel
endrer seg ved ulike nivåer av en annen uavhengig variabel. Teorien bak dette er
beskrevet i oppgave 2.2.
For å se om det er en signifikant interaksjonseffekt mellom de uavhengige variablene
utfører vi en ANOVA analyse. Resultatet er vist i tabellen under.
Tests of Between-Subjects Effects
Dependent Variable:tilfreds_jobb_avdeling
SourceType III Sum of
Squares df Mean Square F Sig.
Corrected Model 376.405a 3 125.468 73.526 .000
Intercept 25361.117 1 25361.117 14861.886 .000
Medarbeidersamtale 28.395 1 28.395 16.640 .000
Tilfreds_oppfølging_medarbeiderundersøkelser
243.484 1 243.484 142.684 .000
Medarbeidersamtale * Tilfreds_oppfølging_medarbeiderundersøkelser
3.950 1 3.950 2.315 .128
Error 1658.673 972 1.706
Total 33960.000 976
Corrected Total 2035.078 975
a. R Squared = ,185 (Adjusted R Squared = ,182)
Tabellen viser mye informasjon og er beskrevet i oppgave 2.2, vi tar bare for oss
funnene og de aktuelle verdiene.
Signifikante effekter vises ved signifikansnivå på under 0,05. Ser vi på den uthevede
linjen ser vi interaksjonseffekten. Ut av tabellen kan vi se at interaksjonseffekten mellom
de uavhengige variablene har en p > .05. F-verdi er 2,315 som er lavere enn 3,4.
52
Ved F-verdier på mer enn 3,4 skal man være oppmerksom på det kan være signifikante
funn (Samuelsen, 2010). I vårt tilfelle er F-veridien lavere enn 3,4 og signifikansnivået er
på 0,13 som er over 0,05 nivået. Dette betyr at vi ikke har en signifikant
interaksjonseffekt mellom medarbeidersamtale og oppfølgning av tidligere
medarbeidersamtale. Ikke signifikante funn skal ikke behandles videre, men for
oppgavens del fortsetter vi videre med analysene.
En eventuell interaksjonseffekt kan vises grafisk, det blir da to plot hvor vi ønsker å
sammenligne simple main effekter for å se etter interaksjonseffekter. Plottet lages ved å
betrakte 2 x 2 designet som to basic eksperiment (Michell og Jolley, 2007).
Plottene med grafene blir da som vist under.
53
Oversiktstabell
Har ikke hatt medarbeidersamtale i år
Har hatt medarbeidersamtale i år
Gjennomsnitt SD(n) Gjennomsnitt SD(n)Tidligere medarbeidersamtale
Ikke tilfreds 4,81 1,69 (262) 5,32 1,55 (109)
Tilfreds 6,05 1,20 (242) 6,28 0,92 (363)
A: 4,81
B: 6,05
D: 6,28
C: 5,32
Dette plottet tar for seg forholdet A til B, har ikke hatt medarbeidersamtale og C til D, har
hatt medarbeidersamtale. Tilstand A og B endrer seg med 1,24 og tilstanden C og D
endrer seg med 0,96.
Disse to grafene er ikke parallelle og vi ser at det er en interaksjon, men denne er ikke
signifikant. Hvis de hadde vært parallelle ville forskjellen mellom gruppene vært 0, dette
hadde betydd ingen interaksjonseffekt. Det er ulikheten mellom simple main effektene,
54
og dette viser grafen. Effekten av inndelingen i de ulike nivåene er ulikt avhengig av en
annen uavhengig variabels nivå (Michell og Jolley, 2007).
De som ikke var tilfreds med oppfølgning og ikke har hatt medarbeidersamtale i år er
mindre tilfreds med å jobbe i avdeling enn de som var tilfreds med oppfølgningen og
ikke hadde hatt medarbeidersamtale i år. Har man hatt medarbeidersamtale i år ser vi
her at de som tilfreds med oppfølging av tidligere medarbeidersamtaler liker mer å jobbe
i avdelingen enn de som ikke er tilfreds med oppfølging.
Endringen fra tilstand A til B har en brattere stigning enn mellom tilstand C og D. De som
ikke har hatt medarbeidersamtale i år er mer påvirket av om de er tilfreds med
oppfølgningen av tidligere medarbeidesamtaler enn de som har hatt
medarbeidersamtale og fulgt opp. Interaksjonen er ikke signifikant.
Neste plot representerer forholdet A til C har hatt oppfølgning og forholdet B til D har
ikke hatt oppfølgning.
55
Oversiktstabell
Har ikke hatt medarbeidersamtale i år
Har hatt medarbeidersamtale i år
Gjennomsnitt SD(n) Gjennomsnitt SD(n)Tidligere medarbeidersamtale
Ikke tilfreds 4,81 1,69 (262) 6,05 1,20 (242)
Tilfreds 5,32 1,55 (109) 6,28 0,92 (363)
A: 4,81
B: 6,05
C: 5,32
D: 6,28
Sammenligner vi tilstand A til C ser vi at det gir et ulikt trivselsnivå på 0,51. Denne
grafen har en brattere stigning enn forholdet B til D (0,23). Dette vil si at av de som ikke
er tilfreds med tidligere medarbeidersamtaler og er fulgt opp har et høyere trivselsnivå
enn de som ikke har hatt medarbeidersamtale i år. I tilstanden B til D ser vi at forskjellen
mellom de som er tilfreds med oppfølgning av medarbeidersamtaler og har hatt
medarbeidersamtale i år er mer tilfreds enn de som ikke har hatt medarbeidersamtale i
år. Endringen fra tilstand A til C har en brattere stigning enn mellom tilstand B og D.
56
De som ikke er tilfreds er mer påvirket av om de har hatt medarbeidersamtale enn de som er tilferds. Dette ville vært en interaksjonseffekt, men i vårt tilfelle er interaksjonen ikke signifikant.
Verdiene for plotene kan også vises i tabellarisk form. Det interessante er å
sammenligne tallverdiene i matrisen.
Oppfølging av tidligere medarbeidersamtaler
Medarbeidersamtale
NeiNei Ja4,81 6,05 = 1,24
Ja 5,32 6,28 = 0,96
= 0,51
= 0,23
Vi tar verdiene inne gruppen og sammenligner disse mot hverandre. Det er cellenes
gjennomsnitt som er av betydning. For å finne interaksjonseffekten kan man regne ut
gjennomsnittet til hver av cellene og sammenligne disse (Michell og Jolley, 2007).
For medarbeidersamtale siste året:
B til A : 6,05 – 4,81 = 1,24
D til C : 6,28 – 5,32 = 0,96
Gjennomsnitt = 2,20 / 2 = 1,10
For oppfølging av tidligere medarbeidersamtaler:
C til A : 5,32 – 4,81 = 0,51
D til B : 6,28 – 6,05 = 0,23
Gjennomsnitt = 0,74 / 2 = 0,37
Disse gjennomsnittene kalles overall main effekts, og hvis gjennomsnittet her er ulike
indikerer dette at det er interaksjon mellom faktorene. Det er forskjell, men interaksjonen
er ikke signifikant.
57
Konklusjon
Interaksjonseffekten mellom medarbeidersamtale og oppfølgning av
medarbeidersamtale i vår studie er ikke signifikant, F(1, 972) = 2,315, p = .128.
2.4 Design av eksperiment – oppfølgingsstudie
Denne delen av oppgaven skal vi se på en ny problemstilling og et nytt forskningsdesign
knyttet til de funn som er gjort i eksperiment analysen. Resultatene av disse analysene
kan oppsummeres ved å si at verken medarbeidersamtalen eller oppfølging av denne
hadde hver for seg (hovedeffekter) eller sammen (interaksjon) har signifikant effekt på
sykefraværet. Det analysen derimot viste var at de samme uavhengige variablene alene
eller kombinasjonen hadde signifikante effekter på trivsel i avdelingen. I det nye
designet vi skal utarbeide forutsetter vi at det er sykefraværet som er fokuset for
bedriften og eventuelt hva som påvirker dette. Videre forutsetter vi at oppgaven går på å
designe eksperimentet, og ikke på å begrunne faktorer og definisjoner i teori.
Sykefraværet kan ha mange grunner, det er blant annet funnet sterke sammenhenger
mellom sykefravær og konjunktursvingninger (Nossen, 2009). Vi velger å se på om et er
andre faktorer enn det vi hadde i det tidligere eksperimentet som har effekter på
sykefraværet. De uavhengige variablene (faktorer) i et eksperiment må kunne
manipuleres, ikke måles. Det er bare den avhengige variabelen som måles (Samuelsen,
2009). Vi benytter sykefravær som avhengigvariabel. Vi trenger da en eller to variabler
for å kunne utføre et eksperiment og samtidig ha en oversiktlig studie.
Basert på Henriette Øien, avdelingsdirektør i Helsedirektoratet sin uttalelse om at ” Det
kan bidra til at folk spiser mer frukt totalt sett, og vi vet at mer frukt og grønt i kosten kan
bidra til å forebygge en del sykdommer” (Aftenbladet, 2009). Velger vi å ta med faktoren
jobbfrukt. En annen faktor som kan trekkes inn i dette eksperimentet er arbeidstid.
Arbeidstidsreformen av 2006 hvor regjeringen ville bidra til å forsøke med 6 timers dager
danner grunnlaget for den andre faktoren vi velger å ta med i eksperimentet.
58
Vi ser bort fra andre implikasjoner knyttet til arbeidstid, vi ser bare på eventuelle effekter
knyttet til sykefraværet. Etter denne gjennomgangen sitter vi igjen med tre begreper:
sykefravær, arbeidstid og jobbfrukt.
Problemstilling: Hvilken effekt har kosthold og arbeidstid på sykefraværet i bedriften.
Begrepsdefinisjon:
Sykefravær: er i denne sammenheng perioden en medarbeider har vært borte fra jobb
grunnet sykdom. Måles i antall dager.
Arbeidstid: er i denne sammenheng hvor mange arbeidstimer den ansatte har fastsatt i
sin ansettelses kontrakt. Måles i kort: 6 timer, og lang; 8 timer.
Jobbfrukt: Er i denne sammenheng om den ansatte har gratis frukt tilgjengelig, og om
den spises. Måles med om man spiser jobbfrukt regelmessig eller ikke.
Basert på disse begrepene kommer vi fram til følgende modell.
Jobbfrukt
Arbeidstid
Sykefravær
1
2
2
1
Den avhengige variabelen er sykefravær, de uavhengige variablene er jobbfrukt og
arbeidstid. Tallene bak de uavhengige variablene illustrerer at variabelen er delt i to:
tilgang / ikke tilgang, og kort / lang. Pilene fra de uavhengige variablene illustrerer
hovedeffektene i undersøkelsen. Interaksjonseffekten illustreres med streken og pilen
mellom de uavhengige og til den avhengige variabelen.
59
Matrisen under er basert på forskingsmodellen og har et 2 x 2, faktorielt design med
post-test.
Arbeidstid
Jobbfrukt Nei
Kort LangTilstand A:Kort arbeidstid og ikke jobbfrukt
Tilstand B:lang arbeidstid og ikke jobbfrukt
JaTilstand C:Kort arbeidstid og jobbfrukt
Tilstand D:lang arbeidstid og jobbfrukt
Eksperimentet vil bli gjennomført i bedriften og vil være et felteksperiment.
Felteksperimentet har en høy grad av realisme, og har bedre ytre validitet enn indre
validitet (Ringdal, 2001). En lav indre validitet vil føre til at muligheten til å trekke sikre
slutninger på bakgrunn av resultatene i undersøkelsen blir mindre. Dette betyr for oss at
vi ikke med sikkerhet kan si at det er arbeidstid, kosthold eller begge som er årsaken til
resultatet. Vi kan styrke internvaliditeten ved å påse at det er ganske likt antall deltakere
i cellene i matrisen ovenfor. Med et felteksperiment styrkes den ytrevaliditeten, dette vil i
vårt tilfelle bety at vi kan si at effekten vi ser i vårt eksperiment også gjelder i for
eksempel i hele bedriften eller utover dette. Da eksperimentet ikke har noen fullstendig
kontroll for årsaksfaktoren arbeidstid, blir dette et kvasieksperiment. I et ekte
eksperiment kan alle årsaksfaktorene kontrolleres (Ringdal, 2001). Vi har altså ikke
kontroll hvem som har hvilken arbeidstid da bedriften allerede har delt den opp i 6 eller 8
timers arbeidsdag, som forutsatt tidligere.
Når det gjelder hvem som har kort eller lang arbeidstid er det enten slik at dette
eksisterer i bedriften fra før av, eller så er vi nødt til å innføre dette som en
prøveordning. Prøveordningen baseres på frivillighet om man har redusert arbeidstid i
en periode. Vi baserer oss på at bedriften har innført 6 timers arbeidsdager for de som
ønsker det. Hvis man skal se eventuelle effekter av stimuli er det viktig at perspektivet i
eksperimentet er av en slik varighet at man faktisk har mulighet til å la stimuliene få en
effekt. Når det gjelder varigheten ville vi støttes oss tidligere analyser av helsemessige
gevinster av kostomlegging.
60
Andre forhold som kan true eksperimentet er instrumenteffekter. Dette kan være om
deltageres atferd formes av at de er med i et eksperiment (Hawtorne effekten), eller om
de opplever en placeboeffekt (Ringdal, 2001). Den første faktoren i dette kan spille en
rolle for oss, men en mulighet er å holde undersøkelsen skjult for de som er med på
den. Denne faktoren eksisterer allerede og innføring av jobbfrukt på noen avdelinger vil
ikke virke unaturlig.
Dataene samles inn i etterkant i form av spørreskjema hvor man da får tilbake data om
hvem som har blitt utsatt for stimuli og hvem som har hatt kort eller lang arbeidstid.
Opplysningene vil etter å ha blitt punsjet inn i for eksempel SPSS kunne gi oss svar på
om det er signifikante hovedeffekter eller interaksjonseffekter i eksperimentet.
61
LitteraturlisteSandvik, I. L. and Sandvik, K (2003):
The Impact of Market Orientation on Product Innovativeness and Business
Performance. International Journal of Research in Marketing, 20 (4), 355-376.
Gulbrandsen, B., Sandvik, K. & Haugland S.A. (2009): “Antecedents of vertical
integration: Transaction cost economics and resource-based explanations“
Journal of Purchasing & Supply Management, 15: 89-102.
Bollen, K.A. (1989): Structural Equations with Latent Variables,Wiley, kap. 6., 179-225
Roth,V., Klein, S. (1993): ”Satisfaction with InternationalMarketing Channels”
Journal of the Academy of Marketing ScienceVolume 21, pages 39-44.
Ringdal, K.(2001): Enhet og mangfold Bergen: Fagbokforlaget.
Sørebø, A.(2009): En innføring i kvantitativ datanalyse med SPSS – 16.0.
Willamson O.E. (1985): “The economic institutions of capitalism”
Andre kilder:
Samuelsen, B. (2010): Handouts fra forlesninger i eksperiment analyse
Sørebø, Ø. (2010): Handouts fra forlesninger i målutvikling
Sandvik, K. (2010): Forlesning i regresjonsanalyse
DeCoster, J. (1998): ”Overview of Factor Analysis”, http://www.stat-help.com/factor.pdf
Aftonbladet (2010): ”Mye sykefravær skyldes livsstil”,
http://www.aftenbladet.no/nytte/1265764/ndash_
M Mye_sykefravaer_skyldes_livsstil.html
Olberg, D. (2006): ” Innspill – forsøk med 6-timers dag/arbeidstidsreformer”,
62
http://www.regjeringen.no/upload/FAD/Vedlegg/
Arbeidstid/Arbeidstid_Fafo_jan_06.pdf
Uio.no (2010): ”Hva er en medarbeidersamtale?”,
63
http://www.uio.no/for-ansatte/ansatt
/arbeidsmiljo/psykososialt_arbeidsmiljoe/arbeidsmiljoutvikling /hva_er_med a
arbeidersamtaler.html
64