kvantitative metoder regresjonsanalyse og eksperiment

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




2



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



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



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

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.


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.


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


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)).


N Mean Std. Deviation Variance

Cpc 276

4.5109 1.35676 1.841


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.


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


1 (Constant) 5.498 .194 28.388

.000

tsi -.134 .044 -.181 -3.057 .002

ny_gj_cpc .020 .008 .142 2.402 .017


25

Med kontrollvariabeler:

Coefficientsa

Model



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


Tabellen viser at det er opportunisme 1 som har størst påvirkning på de andre

variablene.

Med bare Opportunism1 variabelen:

Coefficientsa

Model

Unstandardized CoefficientsStandardized Coefficients


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


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).


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:


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


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:


N Mean

tsi 276 3.6522

cpc 276 4.5109


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



1 (Constant) 5.456 .264 20.635

.000

tsi -.133 .044 -.179 -3.002 .003

cpc .060 .047 .076 1.272 .204


Regresjonsanalyse med interaksjonsledd:

Coefficientsa

Model



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


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


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.


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.


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

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.


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


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.


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




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




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.


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.aftenbladet.no/nytte/1265764/ndash_M%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20Mye_sykefravaer_skyldes_livsstil.html

http://www.aftenbladet.no/nytte/1265764/ndash_M%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20Mye_sykefravaer_skyldes_livsstil.html

http://www.stat-help.com/factor.pdf

http://www.regjeringen.no/upload/FAD/Vedlegg/

Arbeidstid/Arbeidstid_Fafo_jan_06.pdf

Uio.no (2010): ”Hva er en medarbeidersamtale?”,

63

http://www.regjeringen.no/upload/FAD/Vedlegg/Arbeidstid/Arbeidstid_Fafo_jan_06.pdf

http://www.regjeringen.no/upload/FAD/Vedlegg/Arbeidstid/Arbeidstid_Fafo_jan_06.pdf

http://www.uio.no/for-ansatte/ansatt

/arbeidsmiljo/psykososialt_arbeidsmiljoe/arbeidsmiljoutvikling /hva_er_med a

arbeidersamtaler.html

64

kvantitative metoder regresjonsanalyse og eksperiment

Documents