تحلیل مفهومی متغیرهای تعدیل کننده و میانجی در پژوهش‌های کسب و کار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد ممتاز حسابداری، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران

2 استادیار حسابداری، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران

3 دانشجوی مقطع دکتری حسابداری، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران

10.22034/iaas.2023.190956

چکیده

هدف اصلی این مقاله گسترش دامنه پژوهش‌‍‌های کسب و کار با ارائه تحلیل مفهومی از متغیرهای تعدیل‌کننده و میانجی و بررسی تأثیرات قوی آنها در پژوهش‌های کسب و کار است. برای ارائه مفاهیم خاص ، الگوی کانگ و همکاران (2015) با توجه به فن ارزیابی متوازن به صورت مفهومی گسترش یافته‌است. مبانی نظری مربوط به متغیر‌های تعدیلی، میانجی و تمایزات عمده آنها به همراه آزمون‌های آماری مناسب قابل اجرا در هر موقعیت نیز ارائه شده‌اند. این الگو همچنین به واکاوی اثرات متقابل طرح‌های میانجی و میانجی تعدیل‌شده و آزمایش آنها می‌پردازد. این مقاله نتیجه می‌گیرد که: 1) ماهیت مشکلات پیچیده کسب و کار با در نظر گرفتن متغیرهای تعدیل‌کننده و میانجی شفاف تر می‌شود، 2) بدون تعیین متغیرهای تعدیل‌کننده و میانجی الگوهای کسب و کار ناقص هستند و بنابراین قادر به رفع موانع واقعی کسب و کار نیستند. عدم گنجاندن اثرات تعدیل‌کننده و میانجی یکی از دلایل قابل قبولی است که نشان می‌دهد چرا اکثر الگوهای کسب و کار در واقعیت عمل نمی‌کنند، 3) متغیرهای تعدیل‌کننده و میانجی در حال گستردن دامنه تئوری‌های رایج کسب و کار هستند، و 4) متغیرهای تعدیل‌کننده و تعدیل‌کننده، پاسخگویی به پرسش‌های مربوط به اینکه «چه زمانی» «چگونه» و «چرا» رابطه خاصی بین متغیرهای مستقل و وابسته وجود دارد را امکان‌پذیر می‌کنند. از این رو، این مطالعه بر پژوهش‌های همبستگی و تجربی آینده درباره کسب وکار تأثیر زیادی می‌گذارد.

کلیدواژه‌ها

مراجع

  1. اسدی، غلامحسین و رضایی، مصطفی. (1390). "تاثیر پیاده‌سازی ارزیابی‌متوازن(BSC) بر عملکرد بنگاه (مطالعه موردی)". نشریه تحقیقات حسابداری و حسابرسی، انجمن حسابداری ایران، 3 (10)، 56-71.
  2. Aiken, L. S., West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Newbury Park, London, Sage.
  3. Aroian, L. A. (1944/1947). “The probability function of the product of two normally distributed variables”. Annals of Mathematical Statistics, 18, 265-271.
  4. Baron, R. M., Kenny, D. A. (1986). “The moderator-mediator variable distinction in social psychological research: Conceptual, strategic and statistical considerations”. Journal of Personality and Social Psychology, 51, 1173-1182.
  5. Box, G. E. P. (1976). “Science and Statistics”. Journal of the American Statistical Association, 71(356), 791-799.
  6. Edwards, J. R., Lambert, L. S. (2007). “Methods for integrating moderation and mediation: A general analytical framework using moderated path analysis”. Psychological Methods, 12(1), 1-22.
  7. Farooq, A. and Hussain, Z. (2011). “Balanced scorecard perspective on change and performance: A study of selected Indian companies”. Procedia - Social and Behavioral Sciences, 24, 754-768.
  8. Frazier, P. A., Tix, A. P., Barron, K. E. (2004). “Testing moderator and mediator effects in counseling psychology research”. Journal of Counseling Psychology, 51, 115-134.
  9. Fritz, M. S., MacKinnon, D. P. (2007). “Required sample size to detect the mediated effect”. Psychological Science, 18, 233-239.
  10. Goodman, L. A. (1960). “On the exact variance of products”. Journal of the American statistical association, 55(292), 708-713.
  11. Hayes, A. F. (2013). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach. New York: Guilford Press.
  12. Imai, K., Keele, L., Tingley, D. (2010). “A general approach to causal mediation analysis”. Psychological Methods, 15, 309-334.
  13. Judd, C. M., Kenny, D. A., (1981). “Process analysis: Estimating mediation in treatment evaluations”. Evaluation Review, 5, 602-619.
  14. Kang, J-S, Chiang, C-F, Huangthanapan, K. and Dowing, KS. (2015). “Corporate social responsibility and sustainability balanced scorecard: The case study of family owned hotels”. International Journal of Hospitality Management, 48, 1 24-134.
  15. Kaplan, R. S., & Norton, D. P. (1996). “Using the balanced scorecard as a strategic management system”. Harvard Business Review, 74 (1), 75-85.
  16. Karabulut, A. T., (2015). “Effects of innovation types on performance of manufacturing firms in Turkey”. Proceed a-Social and Behavioral Sciences, 195, 1355-1364.
  17. Kenny, D. A. (2014) “Mediation”. http://davidakenny.net/cm/mediate.htm.
  18. Kenny, D. A., Judd, C. M. (2014). “Power anomalies in testing mediation”. Psychological Science, 25(2), 334-339.
  19. Kenny, D. A., Kashy, D. A., Bolger, N. (1998). Data analysis in social psychology. In the handbook of social psychology ,Vol. 1, 4th ed., (pp. 233-265). Boston, MA: McGraw-Hill.
  20. MacKinnon, D. P., Lockwood, C. M., & Williams, J. (2004). “Confidence limits for the indirect effect: Distribution of the product and resampling methods”. Multivariate Behavioral Research, 39, 99-128.
  21. MacKinnon, D. P.; Lockwood, C. M.; Lockwood, J. M.; West, S. G.; Sheets, V. (2002). “A comparison of methods to test mediation and other intervening variable effects”, Psychological Methods, 7 (1), 83–104.
  22. Muller, D.; Judd, C. M.; Yzerbyt, V. Y. (2005). “When moderation is mediated and mediation is moderated”. Journal of Personality and Social Psychology, 89 (6), 852–863.
  23. Namazi, M., & Namazi, N. R. (2016). “Conceptual analysis of moderator and mediator variables in business research”. Procedia Economics and Finance, 36, 540-554.
  24. Namazi, M., Shokrollahi, A., Sadeghzadeh Maharlui. M. (2015). “Detecting and ranking relative importance of various determinants of the free cash flow risks via neural networks technique”. Journal of Business Research, in print.
  25. Niresh J. A., Velnampy, T. (2014). “Firm size and profitability: A study of listed manufacturing firms in Sri Lanka”. International Journal of Business and Management, 9( 4) ,57-64.
  26. Pearl, J. (2001). “Direct and indirect effects, Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence”. Morgan Kaufmann, 411–420.
  27. Pivato, S., Misani, N. Tencati, A. (2008). “The impact of corporate social responsibility on consumer trust: The case of organic food”. Business Ethics: A European Review, 17 (1), 3–12.
  28. Preacher, K. J., Selig, J. P. (2012). “Advantages of Monte Carlo confidence intervals for indirect effects”. Communication Methods and Measures, 6, 77-98.
  29. Preacher, K. J., Zyphur, M. J., Zhang, Z. (2010). “A general multilevel SEM framework for assessing multilevel mediation”. Psychological Methods, 15, 209-233.
  30. Preacher, Kristopher J.; Hayes, Andrew F. (2008). “Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models”. Behavior Research Methods, 40 (3), 879–891.
  31. Ro,H. (2012). “Moderator and mediator effects in hospitality research”. International Journal of Hospitality Management, 31,952-961.
  32. Robins J. M., Greenland S. (1992). “Identifiability and exchangeability for direct and indirect effects”. Epidemiology, 3, 143-155.
  33. Selig, J. P., Preacher, K. J. (2008). Monte Carlo method for assessing mediation: An interactive tool for creating confidence intervals for indirect effects [Computer software]. June, Available from http://quantpsy.org/.
  34. Shrout, P. E., Bolger, N. (2002). “Mediation in experimental and nonexperimental studies: New procedures and recommendations”. Psychological Methods, 7, 422-445.
  35. Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. In S. Leinhardt (Ed.), Sociological Methodology 1982. Washington DC: American Sociological Association.
  36. WU, H. C., KO, J. Y. (2013). “Assessment of service quality in the hotel industry”. Journal of Quality Assurance in Hospitality& Tourism, 14, 218- 244.
مطالعات حسابداری و حسابرسی
دوره 12، شماره 48
دی 1402
صفحه 5-26

فایل ها

هم رسانی

ارجاع به این مقاله

آمار