Instrument badawczy i metody analizy danych

Zaprezentowane we wstępie pracy cele rozprawy doktorskiej oraz ustalony obszar ba-dawczy wymagał utworzenia instrumentu do pomiaru zmiennych, które poddano obserwacji w badaniu. Zaprojektowany kwestionariusz ankiety składał się z pytań zamkniętych ułożonych w blokach tematycznych – wybory strategiczne i systemy informatyczne zarządzania. W pyta-niach zastosowano skalę nominalną (trzystopniową) oraz porządkową skalę pomiarową, (w tym pięciostopniową skalę Likerta). Dodatkowo w części kwestionariusza zamieszczono pytania otwarte, które pozwoliły uzupełnić zakres i uszczegółowić odpowiedzi respondentów.

Dla grupy zmiennych w poszczególnych obszarach badawczych dokonano operacjonali-zacji, która obejmowała stwierdzenia bezpośrednio konfrontowane w badaniu. Poszczególne z nich zostały zapożyczone z innych badań lub zmodyfikowane ze względu na zidentyfikowany

80 Przeprowadzenie analizy asocjacji wynika z kilku przesłanek, które wskazują badacze przy zastosowaniu tej metody analizy danych. Jest to przede wszystkim chęć racjonalnego wykorzystania zgromadzonych danych, mo-gących stanowić problem przy analizie dużych zbiorów danych i wielu zmiennych oraz zamiar wyszukania reguł asocjacyjnych, które może pozwolić na odkrycie zupełnie nowych i nieznanych dotąd zależności (asocjacji) mię-dzy badanymi obiektami (Łapczyński, 2014, s. 45).

81 Cała baza adresów zawierała 285 789 pozycji (mikro, małe, średnie i duże przedsiębiorstwa). Średnie i duże przedsiębiorstwa stanowiły 46 992 rekordów dla wszystkich sekcji PKD. Dla ustalonych założeń otrzymano 10 000 pozycji (po usunięciu w bazie duplikatów i braków).

problem badawczy, a następnie potwierdzone przez grupę ekspertów. Respondenci byli pro-szeni o ustosunkowanie się do stwierdzeń i ocenę lub też o wybór określonych cech. W trosce o to, by nie skomplikować badań, a także mając na uwadze, że każda kolejna cecha (a zatem odpowiedni jej wskaźnik) zwiększa ryzyko napotkania problemów ze skompletowaniem da-nych źródłowych (odpowiedzi respondentów), zdecydowano się na uwzględnienie w badaniu zmiennych prostych, które składały się na zebrany materiał empiryczny.

Przed rozpoczęciem realizacji badania zasadniczego przeprowadzony został pilotaż utworzonego narzędzia badawczego. Celem pilotażu było sprawdzenie przydatności zawartych w kwestionariuszu pytań, stopnia ich zrozumiałości dla respondentów, trafności odpowiedzi, a także ustalenie liczby pytań, na które nie udzielono odpowiedzi. Określono również czas po-trzebny do wypełnienia kwestionariusza ankiety. Dane uzyskane w pilotażu zostały wykorzy-stane do opracowania ostatecznego narzędzia badawczego oraz instrukcji w nim zawartych dla respondentów. W badaniu pilotażowym brali udział eksperci (z obszaru zarządzania strategicz-nego oraz rozwiązań informatycznych przeznaczonych dla przedsiębiorstw). Badanie pilota-żowe pozwoliło na weryfikację trafności i rzetelności kwestionariusza ankiety, a także jasności użytych w nim sformułowań. W badaniach tych wzięło udział 68 respondentów z przedsię-biorstw o różnym profilu działalności. Badania pilotażowe były realizowane w grudniu 2016 roku. W wyniku ich przeprowadzenia zwiększono liczbę deskryptorów opisujących poszcze-gólne zmienne, ujednolicono skalę odpowiedzi oraz udoskonalono wizualizację pytań i odpo-wiedzi w kwestionariuszu, a także ustalono kolejność wykorzystywanych pytań. Poprawiono logikę zadawanych pytań, aby ułatwić respondentom udzielanie odpowiedzi, które wzajemnie nie będą się wykluczały i powtarzały. Wyniki badania pilotażowego miały wpływ na ostateczny kształt kwestionariusza ankiety. Konstruując narzędzie do pomiaru i oceny poziomu „zaawan-sowania” przedsiębiorstw w zakresie informacyjnego wspomagania wyborów strategicznych uwzględniono możliwość skonkretyzowania określonych zaleceń po badaniu dla uczestników.

Dane empiryczne uzyskane w wyniku przeprowadzonej procedury badawczej poddano analizie statystycznej. Dokonano przede wszystkim analizy sumarycznych mierników staty-stycznych, analizy siły związku między zmiennymi, porównania średnich poziomów natężenia badanych zjawisk przy wykorzystaniu testu t (Studenta) oraz różnic pomiędzy grupami stosując test U Manna-Whitneya, a także analizę reguł asocjacyjnych.

Szczegółowy opis wybranych metod analizy danych wraz z ich założeniami przedsta-wiono w tabeli 18.

Tabela 18. Metody analizy danych i założenia dla interpretacji wyników empirycznych

Metoda Opis Założenia i współczynniki Skala zmiennych

Analiza sumarycznych mierników statystycz-nych

Polega na prezentacji rozkładów bada-nych zmienbada-nych w postaci tabelarycznej lub wykresowej i wyznaczeniu struktury oraz natężenia i miar statystyki opiso-wej.

Głównie wskaźniki struktury odpowiedzi. ^{Skala nominalna} – trzystopniowa

Analiza siły związku między zmiennymi

Polega na analizie związków współwy-stępowania między dwiema zmiennymi (analiza dwuzmienna).

Wykorzystano współczynnik V Cramera (przybiera wartości od 0 do 1), gdzie siła związku: V < 0,3 – słaby związek, V < 0,5 – umiarkowany związek, V > 0,5 – silny związek. Skala nominalna – dwustopniowa i trzystopniowa (macierz 3x2) Porównanie średnich poziomów natężenia przy wykorzystaniu testu t (Studenta) dla prób niezależnych

Służy do porównania ze sobą średnich w dwóch grupach niezależnych.

Podawany w wyniku testu t poziom p re-prezentuje prawdopodobieństwo błędu związanego z przyjęciem hipotezy o ist-nieniu różnic.

Skala Likerta – pięciostopniowa

Porównanie różnic pomiędzy badanymi grupami przy wykorzy-staniu testu U (Manna-Whitneya) dla prób niezależnych

Jest to alternatywa (najsilniejszy odpo-wiednik) dla testu t, jeżeli dane nie speł-niają założeń dla jego zastosowania. Test U bada, czy dwie próby pochodzą z po-pulacji o jednakowym rozkładzie.

Nie wymaga równoliczności grup, roz-kładu normalnego czy też homogenicz-nych wariancji. Można z niego korzystać, gdy zmienna jest mierzona na skali dycho-tomicznej, dlatego, że jest to przypadek zmiennej nominalnej, która jest zarazem zmienną porządkową.

Podawany w wyniku testu U poziom p re-prezentuje prawdopodobieństwo błędu związanego z przyjęciem hipotezy o ist-nieniu różnic.

Zmienne mierzone na skali dychoto-micznej (czyli 0-1)

Analiza reguł asocjacyj-nych (skojarzeniowych)

Asocjacje to model data mining, który jest zaliczany do grupy modeli budowa-nych bez nauczyciela lub inaczej takso-nomii bezwzorcowej.

Model asocjacyjny przedstawia współ-występowanie wartości zmiennych w danym przypadku.

Reguła asocjacyjna przyjmuje postać A=>B, gdzie A i B to zbiory zmiennych. Oznacza on, że jeśli w danym przypadku zmienna A przyjmuje wartość 1 (prawda), to również zmienna B przyj-muje z określonym prawdo-podobień-stwem wartość 1 (prawda).

Współczynnik zaufania (ufność) – praw-dopodobieństwo warunkowe P(A|B) Współczynnik wsparcia – prawdopodo-bieństwo koniunkcji zdarzeń P(A∧B) Przyrost – iloraz prawdopodobieństwa koniunkcji zdarzeń A i B oraz iloczynu prawdopodobieństwa zdarzenia A i praw-dopodobieństwa zdarzenia B Zmienne mierzone na skali dychoto-micznej (czyli 0-1), konieczna była transpozycja da-nych do formatu transakcyjnego.