نرمال است


5.4- تحلیل عاملی تاییدی
1.5.4- مدل سازی معادلات ساختاری
این روش که به واقع بسط تحلیل عاملی معمولی است، یکی از جنبه های مهم SEM است، که درآن فرضیه های معینی درباره ساختار بارهای عاملی و همبستگی های متقابل بین متغیرها مورد آزمون قرار می گیرد. از لحاظ سنتی، تحلیل عاملی با آشکار ساختن ابعاد زیربنایی یا واریانس عامل مشترک در مجموعه ای از پرسش ها یا سوالهای تستی سر و کار دارد. برای معرفی یک سازه نظری، معمولا مجموعه ای از پرسش ها تهیه می شود و تحلیل عاملی به تدوین شاخصی که در پژوهش به کار می رود ، کمک خواهد کرد. برای معرفی ابعاد زیربنایی سازه مورد نظر، تحلیل عاملی می تواند یک یا چند عامل را آشکار سازد. برپایه نتایج تحلیل عاملی می توان گفت که یک سازه، تک بعدی یا چند بعدی است. به این رویکرد، در حال حاضر، به سبب آنکه دارای ماهیت اکتشافی است و نه ماهیت آزمون فرضیه، تحلیل عاملی اکتشافی گفته می شود. عامل ها چون در تحلیل عاملی مشاهده ناپذیر است متغیر مکنون خوانده می شود، این عامل ها در تحلیل عاملی، پیش بینی کننده پاسخ ها در متغیرهای اندازه گرفته شده و مشاهده شده هستند. همچنین روایی یک تحلیل عاملی تا حدودی از طریق تعیین این مطلب مشخص می شود که عامل ها با چه دقتی واریانس موجود در پرسش های انفرادی را توجیه می کنند. یعنی، چقدراز واریانس موجود در پرسش ها با عامل ها اشتراک دارد (دلاور،1386: 36). مدل یابی معادلات ساختاری، علاوه بر تحلیل اکتشافی، تحلیل عاملی تاییدی را نیز به کار می برد.این تحلیل اساساً یک روش آزمون فرضیه است، و بر این مفروضه متکی است که شما درباره اینکه “مؤلفه متغیرهای مکنون چیست” اندیشه ای دارید؛ یعنی به دنبال یافتن نشانگرها نیستید. SEM این مطلب را که آیا نشانگرهایی که برای معرفی سازه یا متغیرمکنون خود برگزیده اید، و ابعاد معرف آن است یا نه، می آزمایید و گزارش می دهد که نشانگرهای انتخابی با چه دقتی معرف یا برازنده متغیر مکنون است.
مدل یابی معادلات ساختاری بر پایه فرضیه هایی درباره وجود روابط علّی بین متغیرها، مدل های علّی را با دستگاه معادله خطی آزمون می کند. بدین ترتیب، SEM، روابط نظری بین شرایط ساختاری معین و مفروض را می آزماید و برآورد روابط علّی میان متغیرهای مکنون (مشاهده نشده) و نیز روابط میان متغیرهای اندازه گیری شده (مشاهده شده) را امکان پذیر می سازد. در مدل معادلات ساختاری که یک فن نیرومند تحلیل چند متغیره است، تک تک گویه ها با خطا های مجزا تحلیل می شود، دراین روش برای رسیدن به نتیجه نهایی، ابتدا باید از معنا داری و برازش جزئی اطمینان حاصل کرد، تا در نهایت به ترسیم مدل کلی اقدام نمود(همان منبع: 52).
در این بخش اجزای مدل مفروض تحقیق به ترتیب آورده می شود، اولین مدل مربوط به متغیر تمایل است، این مدل در حالت مقادیر استاندارد شده ((T-values نمایش داده شده است.
1.1.5.4- تحلیل SEM متغیر تمایل
اولین مدل مربوط به متغیر تمایل است، این مدل در حالت مقادیر استاندارد شده ((T-values نمایش داده شده است .
مدل 4-1: تحلیلSEM
متغیرتمایل
2.1.5.4- شاخص های برازش مدل
پس از ترسیم مدل و اطمینان اولیه از صحت و معناداری اطلاعات ، مهمترین مبحث ، معناداری مدل توسط شاخصهایی است که که اصطلاحا «شاخص های نیکویی برازش» نامیده می شود، معیارهای علمی قابل قبول برای تایید مدل نظری تدوین شده با استفاده از داده های گردآوری شده، خود بحث اصلی در «شاخص برازش مدل» را تشکیل می دهد شاخص هایی که گاه به نام شاخص نیکویی برازش(چرا که هر چه مقدار آن شاخص ها افزایش یابند نشانه ای از حمایت قوی تر داده ها از مدل نظری تفسیر می شود) و گاه به نام شاخص بدی برازش (زیرا که هر مقدار آن افزایش می یابد نشانه ای از حمایت ضعیف تر داده ها از مدل نظری تحقیق تلقی می شود). (هومن،1391: 270). گرچه نیمی از شاخصهای برازش، شاخص های بدی برازش است که مقادیر آن همواره بایستی پایین تر یک مقدار مشخص باشد .در کل برای شاخص های برازش مدل آزمون های گوناگونی وجود دارد و هنوز درباره آزمونهای بهینه ای که مورد توافق همگان باشد، وجود ندارد. اما بطور کلی چندین شاخص برای سنجش برازش مدل مورد استفاده قرار میگیرد ولی معمولاً برای تایید مدل، استفاده از سه تا پنج شاخص کافی به نظر می رسد (دلاور،1386: 59).که در این پژوهش نیز برای ارزیابی نیکویی برازش تمامی مدلها ازمعیارهای اشاره شده زیر استفاده شده و عدد مربوط به هریک از این شاخصهای مهم (GFI،AGFI ، RMSEA ، CFI) در جدول اختصاصی به تفکیک آورده شده است.
1. شاخصهای GFI وAGFI
شاخص GFI مقدار نسبی واریانس ها و کواریانسها را به گونه مشترک از طریق مدل ارزیابی میکند. دامنه تغییرات GFI بین صفرویک می باشد. مقدار GFI باید برابریا بزرگتراز90/0 باشد. شاخص برازندگی دیگر AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی می باشد. این مشخصه معادل با کاربرد میانگین مجذورات به جای مجموع مجذورات در صورت و مخرج است. مقدار این شاخص نیز بین صفر و یک می باشد. شاخصهای GFI و AGFI کرده اند بستگی به حجم نمونه ندارد.
2. شاخص RMSEA
این شاخص، ریشه میانگین مجذورات تقریب می باشد. شاخص RMSEA برای مدلهای خوب کمتر یا برابر 05/0 است. مدل هایی که RMSEA آنها 1/0 یا بالاتر باشد برازش ضعیفی دارند.
3. مجذورکای
آزمون مجذور کای (خی دو) این فرضیه را که آیا مدل مورد نظر هماهنگ با الگوی همپراشی بین متغیرهای مشاهده شده است یا خیر، را می آزماید، کمیت خی دو بسیار به حجم نمونه وابسته می باشد و نمونه ب
زرگ کمیت خی دو را بیش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد، افزایش می دهد (هومن،1391:۴۲۲-418).

دسته‌ها: متفرقه