مقاله انگلیسی استفاده از تجزیه و تحلیل مقایسه ای کیفی مجموعه ای فازی برای درک دقیق کارآفرینی (2020 الزویر)

نظریه کارآفرینی تا حد زیادی با استفاده از روش های همبستگی متقارن توسعه داده شده و مورد آزمایش قرار گرفته است ، و به طور مؤثری پاسخ دهنده نمونه متوسط ​​را نشان می دهد و تفاوت های فردی را زیر سوال می برد. چنین روشهایی لزوماً بررسی عدم تقارنهایی که در کارآفرینی مشهود است ، محدود می کند و فقط یک توضیح واحد ارائه می دهد که مسیرهای چندگانه را به کارآفرینی مشاهده می کند که در عمل وجود دارد. در این مقاله از یک رویکرد مبتنی بر موردی- تجزیه و تحلیل کیفی مقایسه ای فازی (fsQCA) استفاده شده است تا بتواند پیکربندی صفات پیشین افراد را در گروه ها در نمونه ها مشخص کند ، بدین ترتیب عدم تقارن و مسیرهای کارآفرینی متعدد را نشان می دهد که در غیر اینصورت در داده ها پنهان می شوند. ما کاربرد fsQCA را برای آشکار کردن این موضوعات متداول در کارآفرینی توضیح می دهیم. نشان می دهد که چگونه fsQCA روشهای همبستگی را تکمیل می کند و درک ریز و درشتی از رفتار کارآفرینی فردی ارائه می دهد. و یک دستور کار جامع پژوهشی برای ساختن تئوری جدید کارآفرینی ارائه می دهد.

1. مقدمه

نظریه کارآفرینی تا حد زیادی برای آزمایش با روش های سنتی تحلیلی متقارن که به دنبال کشف عوامل کلی پدیده های کارآفرینی مشاهده شده هستند ، ساخته شده است. این روشها مانند تحلیل رگرسیون چندگانه و مدل سازی معادلات ساختاری نیاز به تمایل متقارن متقارن در داده های به کار گرفته شده دارند به گونه ای که می توان میانگین و انحراف استاندارد را به عنوان نماینده داده ها برای هر متغیر تفسیر کرد. علاوه بر این ، فرض می شود که داده ها برای هر متغیر به طور معمول در اطراف نمونه (یا با پسوند ، جمعیت) توزیع می شود. روشهای متقارن ، رابطه میانگین نمونه بین هر متغیر مستقل و متغیر وابسته را محاسبه می کنند ، تا معادله رگرسیون را که برای اندازه گیری تأثیر هر متغیر مستقل بر متغیر وابسته مشخص شده است ، محاسبه می کنند. معادله رگرسیون اضافه کردن خطی از ضرایب همبستگی متغیرهای مستقل با متغیر وابسته است. نکته مهم این است که هر متغیر مستقل بصورت پنهانی در نظر گرفته می شود ، یعنی ثابت نگه داشتن تأثیر سایر متغیرهای مستقل بر متغیر وابسته ، به جز تعداد محدودی از اصطلاحات تعاملی که ممکن است در تجزیه و تحلیل قرار بگیرند تا بازتاب وابستگی متقابل فرضیه دو یا چند متغیرهای پیشین

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

Abstract

Entrepreneurship theory has largely been developed and tested using symmetrical correlational methods, effectively describing the sample-average respondent and subsuming individual differences. Such methods necessarily limit investigation of asymmetries that are evident in entrepreneurship, and provide only a single explanation that belies the multiple pathways to entrepreneurship observed in practice. This paper employs a case-based approach—fuzzy-set Qualitative Comparative Analysis (fsQCA)—to identify configurations of antecedent attributes of individuals in groups within samples, thereby revealing asymmetries and multiple entrepreneurial pathways that are otherwise hidden in the data. We explain the application of fsQCA to reveal these common issues in entrepreneurship; demonstrate how fsQCA complements correlational methods and offers finer-grained understanding of individual entrepreneurial behavior; and offer a comprehensive research agenda to build new entrepreneurship theory.

1.Introduction

Entrepreneurship theory has been built largely for testing by traditional symmetric analytical methods that seek to discover the general determinants of observed entrepreneurial phenomena. These methods, such as multiple regression analysis and structural equation modelling, require symmetric central tendency in the data employed, such that the mean and standard deviation statistics can be interpreted as representative of the data for each variable. Moreover, the data for each variable is assumed to be normally distributed around the sample (or by extension, the population) means. Symmetric methods effectively calculate the sample-average relationship between each independent variable and the dependent variable, to find the regression equation that purports to measure the influence of each independent variable on the specified dependent variable. The regression equation is the linear addition of the correlation coefficients of the independent variables with the dependent variable. Importantly, each independent variable is considered discretely, that is, holding constant the impact of all other independent variables on the dependent variable, except for a limited number of interactive terms that may be included in the analysis to reflect the hypothesized interdependence of two or more antecedent variables.