AD ALTA 

 

JOURNAL OF INTERDISCIPLINARY RESEARCH

 

 

 

Size of company is defined according to regulation of European 
Commission (Table 1). According to selected NACE groups, the 
basic population has been defined for individual country as 
follow in Table 2. Sample population of agriculture companies 
consist 4996 from whole Europe (see Table 2). 
 
Table 1 Limits for splitting of companies into individual 
categories 

 

Staff 

headcount 

Annual 

turnover 

Annual sum 

of balance 

Micro 

< 10 

≤ 2 mio € 

≤ 2 mio € 

Small 

< 50 

≤ 10 mio € 

≤ 10 mio € 

Medium 

< 250 

≤ 50 mio € 

≤ 43 mio € 

Source: Evropské společenství, 2006 

Table 2 Pivot table: company size and European region 

 

Micro 

& 

Small 

Medium 

Large 

Missing 

Total 

Western 

105 

24 

7 

159 

295 

Southern 

2259 

304 

41 

120 

2724 

Northern 

134 

20 

10 

36 

200 

Eastern 

1026 

476 

108 

167 

1777 

Total 

3524 

824 

166 

482 

4996 

Source: own work by authors 

Questionnaire survey as part of customers’ analysis was targeted 
on field of outdoor clothes, knowledge the producers’ brands. 
This survey was realised during spring of 2017 in Czech 
Republic. From group of customers there were selected 851 
respondents in random way to participate. From that amount 292 
questionnaires were returned back (relative amount is 34,31 %). 
 
Factor analysis is based on the selection of correlation and 
partial correlation coefficients. The correlation coefficient 
represents the closeness of linear dependence of individual 
variables and partial correlation coefficients. The partial 
correlation coefficient shows a similarity of two variables in 
such a situation that the other variables are assumed constant. If 
it is possible to explain the dependence of variables using 
common factors, the partial correlation coefficients are very 
small, close to zero. To assess the suitability of the factor 
analysis, two tests can be used (Tarnanidis et al., 2015; Conti et 
al., 2014): 
 


 

Kaiser-Meier-Olkin (KMO) is a coefficient which could 
reach values between 0 and 1. Its value consists of the rate 
of squares sum of the correlation coefficients and squares 
sum of the correlation and partial coefficients. 



 

The use of Bartlett’s sphericity test lies in testing the null 
hypothesis stating that the correlation matrix of variables is 
unit (on diagonal, there are only ones, others are zeros). If 
the null hypothesis is rejected, the factor analysis may be 
used for the defined variables. 

 
For the purposes of verification of the factor analysis Cronbach’s 
alpha indicator must be used. This indicator is understood as a 
reliability coefficient, used as a kind of analogy with the 
correlation coefficient. Normally, values oscillate in the interval 

〈0;1〉. Zero, as the extreme value, describes the situation in 
which individual variables are uncorrelated. On the other hand, 
the value 1 describes correlated variables. When the value is 
closer to 1, a higher degree of conformity is reported (Hrach, 
Mihol

a, 2006; Cronbach, 1951; Řehák, Brom, 2016). 

 
However, high Cronbach’s alpha does not imply that the 
measure is dimensionless. If, in addition to measuring internal 
consistency, you wish to provide evidence that the scale in 
question is dimensionless, additional analyses can be performed. 
Exploratory factor analysis is one of the method to check 
dimensionality. Cronbach’s alpha is not a statistical test; it is a 
coefficient of reliability (or consistency). The value could be 
expressed as the function of number of test items and the average 

inter-correlation among the items. Below, for conceptual 
purposes, we show the formula for the standardized Cronbach’s 
alpha: 
 

 

 

where N equals to the number of items; c-bar is the average 
inter-item covariance among the items; v-bar equals to the 
average variance. 

 
The values of Cronbach’s alpha could be from 0 to 1. If the 
values are close to 0.5, it signifies a bad level of internal 
consistency. Over 0.7 means that the value is acceptable and 
values close to 1 are excellent. A “high” value of the alpha is 
often used (along with substantive arguments and other 
statistical measures) as evidence that the items measure an 
underlying (or latent) construct (Hinton et al., 2004). 
 
Correspondence analysis describes relation between both two 
nominal variables in pivot table and individual categories. In 
pivot table there is category combination which should become 
significant or not. If any categories are similar or associated, 
there are located in graph near themselves. Correspond analysis 
itself is focused on association rate, usually by chi-square 
measure. There are nominal variables as input into correspond 
analysis, and kind of premise, that there is no ordering between 
variables (McGarigal, Cushman, Stratford, 2000; Beh, 2010, 
2008). Correspond analysis processes dimensional homogenous 
data which consist only positive values or zeros. Chi-square 
range has become coefficient which excludes zeros, and help to 
define relations between rows and columns. 
 
Calculation of correspondence analysis includes three steps: (1) 
pivot table transformation into table with support of Pearson chi-
square; (2) individual value decompositions are applied into 
defined table, then there are calculated new values and new 
vectors; (3) new matrix operations serve as input to graph 
design. Basis for two dimensional pivot tables is data matrix 
n×2, in which categorical variable A get r values (a

1

, a

2

, .. a

r

) 

and categorical variable B get s values (b

1

, b

2

, .. b

s

). Due 

realised observation there is created table by two dimensional 
separations of both variables. In the table is used n

ij

 frequency, 

which represents intersect of both variables. This n

ij

 provides 

number of observations, where are both a

i

 and b

j

. Except n

ij

 

there are used marginal frequency n

i+

, where own observation 

with a

i

 value are observed (similar approach is for n

j+

 in 

column). After estimating the theoretical frequencies there is 
designed chi-square statistics. This statistic has chi-square 
distribution and number of degrees of freedom (r-1)(s-1). On this 
basis, it is decided if exist dependency between variables in the 
population, and by using correspondence analysis is also 
possible to determine the structure of dependence (Beh, 2010; 
Kudlats, Money, Hair, 2014). 
 
4 Results 
 
Based on the economic data from Amadeus database, it is 
evident that companies commonly use traditional financial 
indicators for measurement of their own performance. These 
indicators were analysed: 
 


 

x

1

 – Cash flow [th EUR]; 



 

x

2

 – P/L for period (Net income) [th EUR]; 



 

x

3

 – Operating revenue (Turnover) [th EUR]; 



 

x

4

 – ROA using P/L before tax [%]; 



 

x

5

 – ROE before tax [%]; 



 

x

6

 –Gross profit [th EUR]; 



 

x

7

 – Shareholder funds [th EUR]. 

 
Based on the statistical characteristics of the examined groups 
the conclusions could be presented as an approximate result, 
limited by the resulting reliability. In the results of the paper 
there are characteristics of research barriers and future research 
possibilities. 

- 145 -