کل

۲۸

۸۱۸/۰

چنانکه می دانیم مقدار آلفای کرونباخ بین صفر تا یک متغیر است . هر چه این مقدار به یک نزدیکتر باشد قابلیت اعتماد مقیاس هم بیشتر است( گودرزی ۱۳۸۸ ، ۳۳ )
نا تالی ( ۱۹۷۸) اشاره می کند ،ساختارهایی دارای پایایی هستند که آلفای کرونباخ آن ها ۰,۷ یا بیشتر باشد. در این تحقیق پایایی عوامل مورد نظر و پرسشنامه های مورد استفاده از طریق نرم افزار spssو به روش آلفای کرونباخ مورد تایید قرار خواهد گرفت و در صورت نیاز اصلاحات احتمالی مورد نیاز با توجه به نتایج آماری بدست آمده و با مشورت متخصصین امر و نیز اساتید راهنما و مشاور اعمال خواهد شد.
۳-۱۳ -شیوه های تجزیه و تحلیل یافته ها در پژوهش
برای تجزیه و تحلیل داده ­ها از شاخص­ های آمار توصیفی و آمار استنباطی با روش­های مدل­یابی معادلات ساختاری Amos و بویژه تحلیل عاملی تأییدی، استفاده شده است. جهت شناخت میزان و شدت رابط بین متغیرها از روش همبستگی پیرسون استفاده شده است.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

نرم افزار آموس Amosیک محصول نرم افزاری است که به منظور برآورد و آزمون مدل­های معادلات ساختاری طراحی شده است. این نرم افزار با بهره گرفتن از همبستگی و کوواریانس بین متغیرهای اندازه ­گیری شده، می‌تواند مقادیر بارهای عاملی، واریانس­ها و خطاهای متغیرهای مکنون را
برآورد یا استنباط کند، و از آن می‌توان برای اجرای تحلیل عاملی اکتشافی، تحلیل عاملی مرتبه دوم، تحلیل عاملی تاییدی و همچنین تحلیل مسیر(مدل یابی علّی با متغیرهای مکنون) استفاده کرد. هر گاه در یک تحقیق تعداد نسبتا زیادی متغیر وجود داشته باشد، یافتن رابطه­ها و یا به عبارت دیگر همبستگی بین این متغیرها به روش­های معمولی بسیار مشگل و گاه ناممکن می‌باشد.
روش تحلیل عاملی برای رفع این مشکل بوجود آمده است و بر مبنای آن متغیرها به گونه ­ای دسته­بندی می‌شوند که در نهایت به دو یا چند عامل که همان مجموعه متغیرها هستند محدود می‌گردند، به عبارت دیگر متغیرهای مورد استفاده در تحقیق بر اساس صفات مشترک شان به دو یا چند دسته محدود شده و این دسته­ها را عامل می­نامیم. پس از آن روابط بین عامل ها بدست آمده و در هر عامل نیز روابط بین متغیرهای آن محاسبه شده و در نهایت هدف اصلی تحقیق که روابط بین متغیرهای تحقیق است محاسبه می‌شوند. بنابراین هر عامل را می‌توان متغیری ساختگی یا فرضی در نظر گرفت که از ترکیب چند متغیر که از وجوهی به هم شباهت دارند، ساخته شده است. از طرف دیگر روش تحلیل عاملی به عنوان ابزاری برای کشف میزان ممکن کاهش داده ­ها به کار می‌رود(تحلیل عاملی اکتشافی) و یا تایید فرض­هایی که در مورد رابطه بین عامل­ها وجود دارد(تحلیل عاملی تأییدی).
۳-۹-۱ - آزمون­های برازندگی
در طی دهه گذشته برای مدل­های معادلات ساختاری شاخص­ های برازندگی متعددی ارائه شده است. با آنکه انواع گوناگون این شاخص ­ها پیوسته در حال توسعه و تکامل هستند ولی شاخص بهینه­ای که توافق همگانی برآن باشد وجود ندارد. به طور کلی شاخص های برازش مدل در سه دسته اصلی برازش مدل، تطبیق مدل و اقتصاد مدل قرار می گیرند. در این نوشتار به معرفی اجمالی این شاخص ها می پردازیم.
الف - تعیین برازش مدل (پارامترها)
گاه حتی اگر معیار برازش کلی مدل بیانگر ساختاری قابل قبول باشد، برآورد پارامترهای منفرد در یک مدل می تواند فاقد معنا و مغهوم باشد. بنابراین تفسیر پارامترها در تحلیل هر مدل موضوعی با اهمیت است. در این باره گام های چهارگانه زیر پیشنهاد می شود :
۱- بررسی کنید که آیا برآورد پارامترها دارای علامت مورد انتظار هستند یا خیر ؟
۲- بررسی کنید که آیا برآورد پارامترها در دامنه تغییرات مورد نظر واقع می شوند یا خیر ؟
۳- براورد پارامترها را برای تعیین معناداری آماری آن ها بررسی کنید.
۴- عدم تفاوت سنجش بین گروهی را بوسیله برابر قرار دادن پارامترها (قیدها) در گروه های مختلف آزمون کنید و سپس مقایسه های نسبی را بین برآورد پارامترها انجام دهید.
بررسی برآورد پارامترهای اولیه نیز می تواند به تعیین نقص در مدل یا مدل بد تدوین شده کمک کند. در این مورد برآورد اولیه پارامترها به عنوان مقادیر اولیه مورد استفاده قرار می گیرند. به عنوان مثال در LISREL برآورد های اولیه حداقل مربعات دو مرحله با مقادیر آغازین تعریف شده توسط محقق جایگزین می شوند.
در مسیر برآورد پارامترها با مشکلات بسیاری ممکن است روبه رو شویم. گاه برآورد پارامترها مقادیر غیرممکنی را می گیرند، به عنوان مثال در مواردی که همبستگی بین متغیرها از عدد یک فراتر می رود چنین مشکلی پیش می آید. گاهی نیز مقادیر واریانس منفی بدست می آید. علاوه براین ها داده های دورافتاده نیز می توانند برآورد پارامترها را تحت تأثیر قرار دهند. استفاده از حجم نمونه به اندازه کافی بزرگ و معرف های چندگانه برای هر متغیر پنهان، به عنوان راهکارهایی برای رسیدن به برآوردهای پایدار پارامترها پیشنهاد شده اند.
پس از آنکه این موضوعات مورد توجه قرار گرفتند تفسیر شاخص های اصلاح (آزمون های لاگرانژ و والد) و تغییرات بعدی در شاخص های برازش مدل می تواند آغاز شود. اعتبار مدل براساس دو نیمه کردن نمونه مورد مطالعه و یا بررسی یک نمونه مستقل دیگر هنگامی که به مدل قابل قبول دست می یابیم، همواره باید مورد توجه باشد تا از پایداری برآورد پارامترها و اعتبار مدل اطمینان یابیم. علاوه براین ها خودگردان سازی نیز یک روش باز نمونه گیری را با بهره گرفتن از یک نمونه منفرد به کار می گیرد تا کارآمدی و دقت برآوردهای نمونه ای را آزمون کند.
آزمون های معناداری پارامترهای برآورد شده :
آزمون های معناداری پارامترهای برآورد شده برای مدل های آشیان شده، شامل آزمون های نسبت درستنمایی(LR)، مضرب لاگرانژ(LM) و والد می باشد. پیش از آشنایی با هریک از این آزمون ها بایستی مفهوم مدل های آشیان شده را بیان نماییم. در یک مدل آشیان شده، یک ماتریس واریانس-کواریانس نمونه ای برای مدل اولیه با یک مدل مقید که در آن برآورد یک پارامتر برابر صفر قرار داده شده است مقایسه می شود. این روش با آزمون مدل های کامل در رگرسیون چندگانه قابل قیاس است. در مدل سازی معادله ساختاری هدف تعیین معناداری تغییرات آماره کای دو برای مدل کامل است. در روش های برآورد حداقل مربعات تعمیم یافته، حداکثر درستنمایی و حداقل مربعات وزنی، این موضوع شامل تعیین معناداری آماره .
کای دو با یک درجه آزادی برای برآورد یک پارامتر منفرد است. بنابراین باید مقدار کاهش آماره کای دو برابر یا بیش از مقدار شاخص اصلاح برای برآورد پارامتری باشد که برابر صفر قرار داده شده است.
آزمون نسبت درست نمایی بین مدل های جایگزین برای بررسی تفاوت در مقادیر آماره کای دو بین مدل اولیه (کامل) و مدل مقید (اصلاح شده) در جایی که برآورد پارامتر برابر صفر قرار داده شده است امکان پذیر است. آمون نسبت درستنمایی براساس رابطه زیر محاسبه می شود :
آزمون مضرب لاگرانژ برازش یک مدل مقید را با مدلی با قید کمتر مقایسه کرده و در این مقایسه از ماتریسی مشابه ماتریس واریانس-کواریانس نمونه ای استفاده می کند. این آزمون پارامترهایی را نشان می دهد که لازم است به مدل افزوده شده یا در مدل به حساب آیند. محقق در این آزمون متغیری را برمی گزیند که بیشترین کاهش را در آماره کای دو را به دنبال دارد.  مضرب لاگرانژ دارای توزیع کای دو با درجه آزادی برابر با تفاوت درجات آزادی مدل های مقیدی است که با یکدیگر مقایسه می شوند.
در آزمون والد یک بردار ۱*r از قیدها با نام r(θ) در نظر می گیرد (برداری از پارامترهای انتخاب شده توسط محقق که برابر صفر قرار داده می شوند). اگر این بردار مقادیر بزرگتر از صفر را نشان دهد آنگاه مدل مقید یک مدل معتبر نیست. آماره والد نیز دارای توزیع کای دو با درجه آزادی برابر با تعداد قیدها در r(θ) است. برخلاف آزمون نسبت درست نمایی هیچ یک از آماره های مضرب لاگرانژ و والد نیاز به برآوردهای جداگانه از قیدهای مدل های اولیه (کامل) و اصلاح شده (مقید) ندارند.
ب- تطبیق مدل
با در نظر گرفتن نقشی که آماره کی دو در برازش مدل هایی با متغیرهای پنهان ایفا می کند، سه شاخص دیگر به عنوان روش هایی برای مقایسه مدل های جایگزین طرح می شوند : شاخص توکرلوییس(TLI)، شاخص برازش هنجارنشده(NNFI) یا هنجار شده(NFI) بنتلر بونت(۱۹۸۷) و شاخص برازش تطبیقی (CFI ).
این شاخص ها نوعا” یک مدل پیشنهاد شده را با یک مدل صفر(مدل مستقل) مقایسه می کنند. توجه داشته باشید هر مدلی که پژوهشگر انتظار تفاوت مدل های جایگزین با آن را به عنوان یک مدل مبنایی داشته باشد، یک مدل صفر می باشد.
شاخص توکر- لوییس :
این شاخص در ابتدا توسط توکر و لوییس(۱۹۷۳) برای تحلیل عاملی مطرح شد. اما سپس آن را برای مبحث مدل سازی معادله ساختاری توسعه دادند. این شاخص می تواند برای مقایسه مدل های جایگزین یا یک مدل پیشنهاد شده در مقابل مدل صفر به کار رود. مقدار این شاخص به کمک آماره کای دو به صورت زیر محاسبه می شود :
مقدار این شاخص بین ۰ و ۱ تغییر می کند. مقدار ۰ نشان دهنده فقدان برازش و ۱ بیانگر برازش کامل است.
شاخص برازش هنجار شده :
شاخص برازش هنجار شده براساس تبدیل مقیاس کای دو ساخته شده و مقدار آن بین ۰ و۱ تغییر می کند. این شاخص برای مقایسه یک مدل مقید با مدل کامل بکار می رود وآماره معرفی شده برای آن به صورت مقابل است :
شاخص برازش مقایسه ای :
این شاخص که به عنوان شاخص برازش مقایسه ای بنتلر نیز نامیده می شود، برازش مدل موجود را با مدل صفری مقایسه می کند که در ان فرض شده است متغیرهای پنهان با یکدیگر ناهمبسته اند (مدل مستقل). در این روش با مقایسه ماتریس کواریانس پیش بینی شده براساس مدل و ماتریس کواریانس مشاهده شده در صد فقدان برازشی را که براساس حرکت از مدل صفر به مدل تعریف شده بوسیله محقق به حساب آمده است، تخمین می زند. به لحاظ معنا CFI مشابه NFI است که برای حجم نمونه اصلاح شده محاسبه شود. مقدارCFI نزدیک به ۱ برازش بسیار خوب را نشان می دهد.
ج- شاخص های اقتصاد مدل
اقتصاد مدل :
اقتصاد مدل به تعداد پارامترهای برآورد شده ای اشاره دارد که برای دستیابی به سطح خاصی از برازش مورد نیاز هستند. در این روش یک مدل فرامشخص با یک مدل مقید مقایسه می شود. شاخص هایی که در این زمینه مورد استفاده قرار می گیرند شامل کای اسکوئر هنجار شده (NC)، شاخص برازش مقتصد(PNFI,PCFI ) و معیار اطلاع آکائیک می باشند. این شاخص ها در واقع تعداد پارامترهایی را به حساب می آورد که برای رسیدن به مقدار خاصی از کای اسکوئر مورد نیاز است.