A siker attitűddel kapcsolatos eredmények

A kutatási kérdések megválaszolásához, a konceptualizációt, a modell elemeinek definiálását követően, azok mérhetővé tételét az előzetes kutatás során végeztem el. Az előkutatás eredményeként, az operacionalizálás során a hallgatók siker attitűdjére vonatkozóan 18 indikátort határoztam meg. A kérdőív első része vonatkozott a siker attitűd vizsgálatára, a hallgatók által megfogalmazott állítások formájában. A kitöltéskor a hallgatók az állításokat hét fokozatú Likert-skálán értékelték, megadva azt, hogy mennyire értenek egyet az egyes állításokkal (1 jelentette, hogy egyáltalán nem ért egyet; 7 pedig hogy teljes mértékben egyetért).

A 18 változó kapcsolatát áttekinteni azonban szinte lehetetlen, ezért szükséges megfelelő adatredukciós módszer alkalmazása. A változók számának csökkentésére a faktoranalízis módszerét használtam, amely tulajdonképpen a többváltozós statisztikai elemzések halmazát foglalja magában. A faktoranalízis lehetővé teszi egyrészt a változók mögöttes struktúrájának feltárását, másrészt a változók számának csökkentését (Babbie, 2003). A faktoranalízis módszerei közül a „Principal Components” módszert (főkomponens analízis) alkalmaztam, amely a változókat az eredetinél kisebb számú új változókká alakítja át lineáris transzformáció segítségével. A lineáris transzformáció azt jelenti, hogy az eredeti változókhoz különböző súlyokat rendel, úgy hogy az új változók az eredeti információtartalom minél nagyobb részét őrizzék meg, ugyanakkor a kapott új változók egymástól függetlenek (Székelyi & Barna, 2005). Az új változók jól leképezik a kiinduló változók tartalmát, ez biztosítja, hogy transzformált sokaságból nagyjából az eredetivel azonos következtetéseket lehet levonni (Ketskeméty & Izsó, 2005).

A faktoranalízis során először meg kell vizsgálni, hogy az adatok alkalmasak-e az analízis lefolytatására. Ahhoz, hogy a változók alkalmasak legyenek az a legjobb, ha korrelációs együtthatójuk se túl alacsony, se túl magas (ha túlságosan alacsony a változók közötti korreláció, akkor nem vonhatók össze, ha túlságosan magas, akkor multikollinearitás áll fenn). Az adatok alkalmasságának vizsgálatára szolgál a Kaiser-Meyer-Olkin (KMO) kritérium, és a Bartlett-teszt. A KMO értéke minél közelebb van az 1-hez, annál jobb eredményeket várhatunk az analízistől, de általában 0,5 érték alatt elfogadhatatlannak ítéljük. A Bartlett-teszt esetében a minél kisebb szignifikancia szint (0,05-nél alacsonyabb érték) jelenti azt, hogy a változók között van korreláció, a kiinduló változók alkalmasak az analízis elvégzésére (Sajtos & Mitev, 2007). Ezeket a mutatókat az SPSS program közvetlenül kiszámolja, így ha a változók alkalmasak az analízis elvégzésére, a következő lépésben a főkomponensek kiszámítása történik. Az analízis során kiszámolt főkomponensek egymással korrelálatlanok. Olykor

szükség lehet a modell könnyebb interpretálhatósága miatt, a főkomponensek rotációjára. A rotációs módszerek mindegyikében közös, hogy az a törekvés, hogy egy eredeti változó lehetőleg egy főkomponenshez tartozzon minél nagyobb súllyal (Székelyi & Barna, 2005). A rotáció eredményeként a magyarázott varianciahányad arányosabb lesz és a komponensek jelentése is egyértelműbbé válik (Sajtos & Mitev, 2007).

A faktorok számának meghatározása első lépésben a varianciahányad-módszer segítségével történt, ahol az összesített variancia %-os értéke mutatja meg, hogy az információ hány százalékát magyarázza az adott számú faktor a teljes változókhoz képest. A táblázat kezdeti (Initial), a faktorelemzés utáni (Extraction) és a rotációt követő (Rotation) eredményoszlopaiban a faktorhoz tartozó sajátérték (Total), a magyarázott varianciahányad (% of Variance) és az összesített varianciahányad (Cumulative %) értékei jelennek meg. Az adatok rögzítése után megvizsgáltam, hogy azok alkalmasak-e faktoranalízisre. Fontos, hogy csak olyan változók vonhatók össze, amelyek között van kapcsolat. Korrelációelemzéssel megvizsgáltam, hogy kimutatható-e összkimutatható-efüggés az indikátorok között. A Pkimutatható-earson-félkimutatható-e linkimutatható-eáris korrkimutatható-elációs kimutatható-együttható értékét és a szignifikaciaszintet tartalmazó korrelációs mátrixból megállapítottam, hogy van kapcsolat az indikátorok között (10. melléklet). A korrelációs mátrix 153 eleme közül mindössze 4 nem volt szignifikáns. A legmagasabb korrelációs érték (0,585) pedig a „tanulmányai befejezéseként a munkaerőpiacon versenyképes diplomát szerez”

és az ”olyan végzettséget szerez, amivel rövid időn belül el tud helyezkedni” állítások között adódott.

A korrelációs mátrix mellett az anti-image mátrixot is megvizsgáltam, amely a változók nem magyarázott szórásnégyzetére vonatkozik. Az anti-image kovariancia mátrix átlón kívüli elemei alacsony értéket mutatnak, ami azt jelenti, hogy a varianciának a többi változótól független része kicsi, tehát feltételezhetünk mögöttes kapcsolatot a változók között (a főátlón kívüli elemek nem több mint egynegyede nagyobb, mint 0,09).

Ugyanakkor az anti-image korrelációs mátrix átlójában nagy értékeket találunk, ami azt jelenti, hogy az egyes változók szoros kapcsolatban állnak egymással, az MSA-értékek (measure of sampling adequacy) között nincs 0,5-nél kisebb érték, tehát egy változót sem kell kizárni az elemzésből (11. melléklet). Ez arra enged következtetni, hogy a 18 eredeti változóból lehet kevesebb új változót konstruálni.

Annak megítélésére, hogy egy indikátor készlet mennyire alkalmas faktoranalízisre a Kaiser-Meyer-Olkin (KMO) mutató és a Bartlett-teszt alkalmas, amelyek az SPSS program segítségével meghatározhatók. A KMO érték az összes változóra vonatkozik egyidejűleg és ha értéke 0,5 alatt van, akkor nem végezhető faktoranalízis. A siker attitűd 18 indikátorának 0,88 KMO értéke azt jelenti, hogy ezek a változók kiválóan alkalmasak az elemzésre (9. táblázat). Ezzel összhangban van a Bartlett-teszt eredménye is, mely a változók korrelációjával kapcsolatos, és mivel értéke kisebb, mint 0,05, ez azt jelenti, hogy a siker attitűd változói alkalmasak faktoranalízisre.

9. táblázat A siker attitűd indikátorainak KMO és Bartlett-teszt eredménye

KMO and Bartlett's Test

,881 7050,523 153 ,000 Kaiser-Meyer-Olkin Measure of Sampling

Adequacy.

Approx. Chi-Square df

Sig.

Bartlett's Test of Sphericity

A faktorok meghatározását az SPSS program Principal Components módszerével végeztem és a jobb értelmezhetőség érdekében az ortogonális Varimax rotációs módszert alkalmaztam.

Az optimális faktorszám meghatározásában segítséget nyújt a „Scree Plot” diagram, amely a faktorok sajátértékét mutatja a sorrend függvényében (31. ábra). A diagramon mind a 18 változó szerepel és a görbe meredeksége egyre csökken.

31. ábra Az optimális faktorszám a siker attitűdre vonatkozóan

A 31. ábráról leolvasható, hogy a siker attitűd változói öt főkomponensbe vonhatók össze, mert ezekre igaz, hogy 1-nél nagyobb saját értékkel rendelkeznek.

A faktorstruktúra meghatározása során több feltétel teljesülését is ellenőriznem kellett.

A változók közül csak azok tekinthetők egy faktor alkotóelemének, amelyeknek a kommunalitása legalább 0,25, hiszen ebben az esetben igaz az, hogy az eredeti változó és a faktor közötti kapcsolat szorossága legalább 0,5-ös korrelációval jellemezhető (Székelyi & Barna, 2005). Ezt a feltételt mind a 18 változó teljesíti (12. melléklet).

A változók kevesebb számú főkomponensbe történő összevonása természetesen nem valósítható meg információveszteség nélkül. A varianciahányad módszer segítségével meghatározhatjuk a főkomponensek számát, mégpedig azon kritérium szem előtt tartásával, hogy a változók teljes információtartalmának minél nagyobb hányadát megőrizze (ez a hányad nem lehet kevesebb, mint egyharmad, jó ha 50 % felett van).

A főkomponensek értelmezhetőségének javítása érdekében ortogonális Varimax rotációs módszert alkalmaztam. A rotáció során sem a kommunalitás, se a magyarázott hányad nem változik, csak a faktorok sajátértékei módosulnak (13. melléklet). Az ortogonális rotáció előnye, hogy az így kapott főkomponensek egymással nem korrelálnak, elmentve őket, a kapott, magas mérési szintű új változók alkalmasak további elemezések elvégzéséhez.

Emellett nagyon fontos, hogy a főkomponensek sajátértéke ne legyen 1–nél kisebb. Az SPSS program segítségével meghatározhatjuk ezeket az értékeket. A „Total Variance Explained” első része a kezdeti értékeket, a második az elemzés utáni értékeket, a harmadik a rotáció utáni értéket mutatja. A siker attitűd változói öt főkomponensbe vonhatók össze, melyek sajátértéke nagyobb egynél, és a magyarázott varianciahányad 61,95% (13. melléklet).

Ugyanakkor a főkomponensek meghatározásához azt a szempontot is figyelembe kell venni, hogy lehetnek változók, amelyek több főkomponenssel is korrelálnak. Az elemzés során ezeket a változókat többféleképpen is megvizsgáltam, és végül kizártam az értékelésből, mert a kizárás nem módosította a struktúrát, a magyarázott hányad pedig, bár csupán néhány százalékkal, de nőtt.

A kapott főkomponenseket, illetve azokat alkotó indikátorokat az 10. táblázatban foglaltam össze. A jobb áttekinthetőség miatt a változók elemzésbe vonásának sorrendjét nem a kód, hanem a struktúrához igazítva adtam meg (a részletes adatok a 13. mellékletben láthatók).

10. táblázat A siker attitűd indikátorainak rotált faktorsúly mátrixa

Rotated Component Matrix^a

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

Rotation converged in 7 iterations.

a.

A táblázat adataiból látható, hogy mely indikátorok kerültek azonos főkomponensbe. A faktorsúlyok 0,5 és 0,85 közötti értékeket vettek fel. A megőrzött információhányadon az egyes főkomponensek a rotáció után egyenletesebben osztoztak meg (32. ábra).

5 10 15 20 25 30 35

0 1 2 3 4 5 6

rotáció előtt rotáció után

32. ábra A sikerattitűd főkomponenseinek magyarázott varianciahányada rotáció előtt és Varimax rotáció után

A 32. ábrán látható, hogy rotáció után a pontok meredeksége sokkal kisebb, mint a rotáció nélkül, ugyanakkor az együttes magyarázott hányad mindkét esetben azonos érték (61,95%). Az első főkomponens 6, a második 3, a többi pedig két-két változót tömörített. A főkomponensek értékének meghatározásához a társadalomtudományok területén elfogadott regressziós módszert választottam, a főkomponensek értékeit az SPSS program kiszámolta. A siker attitűd változóiból létrehozott főkomponenseket elnevezésük után elmentettem.

Az egyes főkomponensek elnevezésekor igyekeztem feloldani azt az ellentmondást, hogy egyrészről a névben megjelenjen az összes változó tartalma, jelentése, ugyanakkor lehetőleg tömör és rövid legyen. Az egy-egy főkomponensbe tartozó indikátorokat és a neveket a 11. táblázatban foglaltam össze.

11. táblázat A siker attitűd struktúrája és a főkomponensek elnevezése

szereti és élvezi azt, amit tanul beszél idegen nyelvet (nyelveket) kiváló kommunikációs készséggel rendelkezik boldognak és elégedettnek érzi magát a mindennapokban tanulmányaival kapcsolatosan eljut külföldre is (gyakorlat, ösztöndíj, tanulmányút, stb.) megtanul önállóan problémát kezelni

Tartalmas hallgatói élet

eredményesen szerepel tanulmányi versenyeken aktívan részt vesz a hallgatói közösségi életben társai és tanárai is elismerik, megbecsülik

Szakmai és közösségi elismerés

az egyetemi/főiskolai évek alatt sikerül jó kapcsolatokat kialakítania a tanulás mellett jut elég ideje magánéletre, szórakozásra, sportra

Emberi kapcsolatok

tanulmányai befejezéseként a munkaerőpiacon versenyképes diplomát szerez olyan végzettséget szerez, amivel rövid időn belül el tud helyezkedni

Munkaerőpiaci megfelelés

minden tárgyát a modelltantervben (mintatanterv) előírt félévben, vagy korábban teljesíti rendszeresen bejár órára

Szabálykövetés

Az eredeti 18 változóból az öt főkomponens 15 változó mögöttes struktúráját tárta fel.

Három változó egyidejűleg több főkomponenshez is tartozott, ezért ezeket kizártam az elemzésből. A kizárt változók a következők voltak:

1. minden vizsgáját a saját elvárásaihoz képest a lehető legjobb eredménnyel teszi le

2. az életben hasznosítani tudja a megszerzett tudását 3. a lehetőségekhez képest maximális ösztöndíjat kap.

Mindhárom változó kapcsolatban van a tanulmányok eredményességével, sőt a vizsgán szerzett jó jegyek és az ösztöndíj összege között egyértelmű összefüggés van. A válaszadók azonban mégsem vélekedtek egyformán ezen változók fontosságáról, ami miatt ezek a változók egyik főkomponenshez sem tartoztak egyértelműen. Ez különösen elgondolkodtató, ha figyelembe vesszük, hogy a megkérdezett hallgatók több mint 80%-a államilag finanszírozott képzésben vesz részt, mégsem társul gondolkodásukban a sikeresség érzéséhez a jó jegy, vagy a magas ösztöndíj.