Abstract:
یافتههای پـژوهشی حاصل از روش رگرسیون کمترین مجذورهای متداول (OLS) دربـاره غیبت کارکنان، بهویژه بهدلیل همبستـگی متغیرهای پیشبینیکننده مـورد انتقاد قـرار گرفتـه است. در این پژوهش نتایـج پیشبینی غیبت کارکنان بر پایه چهار متغیر دلبستگی شغلی، غیبت در مقایسه بادیگران، تنیدگی رویدادهای زندگی و تعداد فرزندان، با دو روش رگرسیونی کمترین مجذورهای متداول (OLS) و تحلیل توبیت (Tobit) مقایسه شد. 197 نفر از کارکنان مرد کارخانه ذوب آهن و فولاد مبارکه اصفهان (با میانگین سنی 28 و انحراف استاندارد 10 سال) به مقیاسهای فهـرست تنیدگی رویدادهای زندگی تویتس (1981)، غیبت در مقایسه بـا دیگران (بابا، 1990)، دلبستگی شغلی (لودال و کجنر، 1965) پاسخ دادند. تحلیل توبیت، غیبت شغلی را نسبتا دقیقتر و با 13 درصد تبیین واریانس بیشتر (1/42=2R) پیشبینی کرد.
Machine summary:
پیشبینی غیبت کارکنان با استفاده از دو روش رگرسیونی کمترین مجذورهای متداول و توبیت Predicting Employee Absenteeism Using Tobit Regression and OLS Models دکتر حجتالله فراهانی دکتر حمیدرضا عریضی روانشناس استادیار دانشگاه اصفهان دکتر محمدکاظم سلیمیزاده استادیار دانشگاه علامه طباطبایی چکیده واژههای کلیدی : دریافت : 23/8/86 received : 13 Nov 2007 پذیرش : 17/9/87 accepted : 7 Dec 2008 Hojjattollah Farahani, PhD Hamid R.
A sample of 197 male employees of factories in Esfa- han city mean age : 28, SD : 10 responded to the Life Eve- nts Stress Inventory (Thoits, 1981), The Absenteeism Com- pared to Others Inventory (Baba, 1990), and the Job In- volvement Inventory (Lodahl & Kejner, 1965).
وقتی از این مفروضهها عدول میشود، مانند هنگامی که از رگرسیون کمترین مجذورهای متداول2 (OLS) برای دادههای غیرنرمال استفاده میشود بـرآورد حاصل ممکن است دقیق نباشد چون عدم توجه به این مفروضهها، نادیده گرفتن روابط موجود یا شناسایی یک رابطه کاذب و تصنعی را در پی دارد.
هامر و لاندائو (1981) برخی از مسـائل روششنـاختی مربوط به پژوهشهای انجام شده در مـورد غیبت کارکنان را مورد بحث و بررسی قرار داده و معتقدند از آنجایی که در سنجش غیبت مقدار منفی وجود ندارد و فراوانی بالای غیبت اندک است، توزیع در اکثر مواقع دارای چولگی شدید است و نمیتوان برای تحلیل آن از روش OLS استفاده کرد.
برای پیشبینی مدت زمان غیبت کارکنان براساس متغیرهای پیشبین از دو مدل OLS و Tobit استفاده شد و این دو مدل مورد مقایسه قرار گرفت.