چنانچه مشاهده می شود، براساس جدول (4-3) تعداد مولفه های قابل استخراج شده برابر با 2 می باشد و به دلیل آن که مقدار ویژه اولین مولفه بزرگتر از یک می باشد و حدود 887/41 در صد پراکندگی مجموعه داده ها را بازگو می نماید؛ مولفه اول بهترین انتخاب می باشد. در جدول (4-4) ضرایب محاسبه شده متغیرها برای مولفه های اول و دوم ارائه می شود.
جدول 4‑4: ضرایب محاسبه شده مولفه های اول و دوم برای شاخص های تمایلات
Component Matrixa NIPO RIPO TURN S
Component 1 502/0- 536/0 868/0 878/0 173/0-
2 640/0 519/0 294/0 081/0- 813/0
نمودار (4-1) تغییرات مقادیر ویژه را در ارتباط با عامل ها نشان می دهد. این نمودار برای تعیین تعداد بهینه مولفه ها بکار می رود. با توجه به این نمودار مشاهده می شود که از عامل دوم به بعد تغییرات مقدار ویژه کم می شود، پس می توان دو عامل را به عنوان عوامل مهم که بیشترین نقش را در تبیین واریانس داده ها دارند استخراج نمود.
. برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.
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” />
شکل 4‑1:تغییرات مقادیر ویژه در ارتباط با عامل ها
با توجه به نتایج ارائه شده در جدول (4-3) و شکل (4-1) ، می توان تمایلات سرمایه گذاران را با توجه به ترکیب خطی مولفه اول که بصورت زیر می باشد،اندازه گیری نمود:
(4‑1)
آمار توصیفی
در جدول(4-5) آمار توصیفی مربوط به تمایلات سرمایه گذاران و شاخص های اندازه گیری تمایلات ارائه شده و در جدول (4-6) آمار توصیفی متغیر های مورد نیاز برای آزمون فرضیه ارائه شده است. این
جدول میانگین، میانه، انحراف معیار، کمینه، چارک اول، چارک سوم و بیشینه متغیر های تحقیق را در بر دارد.
جدول 4‑5: آمار توصیفی تمایلات سرمایه گذاران و شاخص های اندازه گیری تمایلات
حق انحصاری © 2021 مطالب علمی گلچین شده. کلیه حقوق محفو