SPSS27 تغییرات اساسی را در تحلیل های آماری ارائه داده است از جمله این تغییرات عبارتند از :
1- تحلیل توان
2- آزمون گروه Z برای نسبت ها
3- اعتبارسنجی کاپای وزنی
4- بوت استرپ آمار توصیفی
5- محاسبه اندازه اثر در گروه های t
مدیریت موفق یک شرکت لجستیک کوچک
نویسنده مقاله؛ گوناسکاران - ای.دبیلیو تی ناگی(دانشگاه پلی تکنیک هنگ کنگ)
چکیده
در این مقاله، یک مطالعه موردی روی یک شرکت لجستیک یا حمل و نقل ثالث کوچک در هنگ کنگ ارائه شده است. این شرکت از این جهت جالب است که موسوم به پادشاه شرکت‌های لجستیک 3PL هنک کنگ است. این شرکت از نظر عملکرد کسب و کار و رضایت مشتریان، بسیار موفق عمل کرده است. ائتلاف راهبردی و استراتژیک این شرکت با هر دوی مشتریان و عرضه کنندگان به بهبود استفاده از منابع نظیر فضای انبار و ناوگان‌های حمل و نقل کمک کرده است. همچنین این شرکت در حال توسعه‌ی عملیات خود در چین با هدف تبدیل شدن به یک شرکت بالغ است. تحلیل این مورد بر فاکتورهای موفقیت بحرانی (استراتژی و فناوری‌هایی) متمرکز است که باعث شده تا یک شرکت کوچک تأسیس شده در 1996 بسیار موفق شود.
تکنیک‌های اقتصادسنجی مدرن مختلفی برای بررسی وجود یک رابطه بلند مدت بین متغیرها معرفی شدند. روش FMOLS برآوردهای قابل اعتمادی را برای اندازه نمونه کوچک تولید می‌کند و بررسی درستی نتایج را فراهم می‌کند. روش FMOLS در اصل توسط فیلیپس و هانسن (۱۹۹۰) برای تخمین یک رابطه هم انباشتگی که ترکیبی از (۱) I دارد، معرفی و توسعه داده شد.روش FMOLS نسبت به تکنیک‌های رشد اقتصادی در معرفی تصحیح مناسب برای غلبه بر مشکل استنباط در روش رشد اقتصادی دارای مزیت است و از این رو، آزمون t برای برآوردهای بلند مدت معتبر هستند. (Himansu, 2007)
نرم افزار minitab یکی از پرکاربردین نرم افزارهای تحلیل آماری در زمینه کنترل کیفیت، طرح آزمایشات ، سری زمانی و ... می باشد. در نسخه 20 این نرم افزار امکانات زیر اضافه شده است:
تفاوت بین برازش مدل معادلات ساختاری به روش PLS سنتی و PLSC سازگار
دیجکسترا و شمرله انگل[1] (2014) الگوریتم PLS سازگار(PLSc) را به عنوان الگوریتمی پیشنهاد کرده‌اند که هدف آن ایجاد برآوردهای نرمال مجانبی[2] و سازگار از بارهای مسیر و همبستگی میان متغیرهای پنهان برای سازه‌های به‌طور انعکاسی مدلسازی شده[3] می‌باشد. بدین‌ترتیب PLSc ابزاری برای غلبه بر ناسازگاری آماری مرتبط با الگوریتم برآورد PLS سنتی است. PLSc که بر اساس اصلاح برای کاهش[4] نانلی (1978) ایجاد شده است، یک الگوریتم اصلاح شده از PLS می‌باشد(دیجکسترا 2010، دیجکسترا و هنزلر 2015 الف و 2015 ب).
عدم وجود سازگاری[5] به این معنی است که برآوردهای PLS سنتی نمی‌توانند به مقادیر واقعی نزدیک شوند هنگامیکه اندازه نمونه افزایش می‌یابد. با PLSc، برآوردها مقادیر واقعی مجانبی را ارائه می‌کنند. PLSc سازگار، ضرایب مسیر، همبستگی‌های درون‌سازه‌ای و بارهای شاخص را در مدل‌های انعکاسی برآورد می‌کند. همچنین دیجیکسترا و هنزلر (2015 الف 299) در مطالعات شبیه‌سازی به این نتیجه رسیدند که PLSc ضعیف‌تر از روش SEM حداکثر درست‌نمایی کامل[6]( FIML) می‌باشد ولی مزیت‌هایی از نظر مدیریت داده‌های با توزیع غیر نرمال دارند.