۸۱/۰

 

 

۱۶۰

 

 

 

 

ازآنجایی‌که مقدار مناسب برای این معیار بزرگ‌تر و مساوی ۷/۰ می‌باشد (Cronbach, 1951)؛ لذا همان‌طوری که در جدول ۳-۳ ملاحظه می‌شود، اکثر سازه‌های پژوهش از پایایی مناسبی برخوردار می‌باشند.
۳-۵-۳- نتایج آزمون بارتلت جهت بررسی کفایت نمونه
این معیار شاخصی برای مقایسه مقادیر ضرایب همبستگی ساده و جزئی بر روی همه متغیرها است. اگر مجموع ضرایب همبستگی جزئی بین همه زوج متغیرها در مقایسه با مجموع مجذورات ضرایب همبستگی کوچک باشد، اندازه KMO نزدیک به یک خواهد بود. مقادیر کوچک KMO بیانگر آن است که همبستگی بین زوج متغیرها نمی‌تواند توسط متغیرهای دیگر تبیین شود، بنابراین کاربرد تحلیل عاملی متغیرها ممکن است قابل توجیه نباشد.
با توجه به بررسی‌های صورت گرفته اگر مقادیر KMO، کمتر از ۵/۰ باشد، داده‌ها برای تحلیل عاملی مناسب نخواهند بود. اگر بین ۵/۰ تا ۵۹/۰ باشد، میزان تناسب ضعیف بوده، ۶۰/۰ تا ۶۹/۰، میزان تناسب متوسط، ۷۰/۰ تا ۷۹/۰، میزان تناسب خوب، ۸۰/۰ تا ۸۹/۰، میزان تناسب خیلی خوب و بالاتر از ۹۰/۰ نیز میزان تناسب عالی می‌باشد (زارع چاهوکی، ۱۳۸۹). همان‌طوری که در جدول (۳-۴) ملاحظه می‌شود، داده‌های جمع‌آوری‌شده از پژوهش حاضر با میزان KMO، ۷۴۵/۰ میزان تناسب خوب داده‌ها را نشان می‌دهد. بدین ترتیب نمونه انتخاب‌شده از کفایت لازم برای پژوهش حاضر برخوردار است.

 

برای دانلود فایل متن کامل پایان نامه به سایت 40y.ir مراجعه نمایید.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول ۳-۳- نتایج آزمون کفایت حجم نمونه (KMO) و بارتلت
اندازه کفایت نمونه کایزر – مایر – الکین		۷۴۵/۰
آزمون کرویت بارتلت	کای دو	۲۶۵/۳۱۲۴
	درجه آزادی	۸۱
	سطح معنی داری آماره کای دو	۰۰۰/۰

 

۳-۶- روش‌های آماری تجزیه‌وتحلیل داده‌ها
تجزیه‌وتحلیل داده‌ها در دو بخش آمار توصیفی و استنباطی انجام می‌شود. آمار توصیفی به توصیف اطلاعات به‌دست‌آمده می‌پردازد. این اطلاعات از ویژگی‌های جمعیت شناختی نمونهی آماری تشکیل می‌شوند که تحلیل‌های آماری صورت گرفته بر روی آن‌ها عموماً از قبیل شاخص‌های فراوانی و نمودارهای آماری می‌باشد. در رابطه با آمار استنباطی بنا به‌ضرورت پژوهش از تکنیک‌های آماری مناسبی در جهت اثبات یا رد فرضیه‌های پژوهش استفاده می‌شود. به همین ترتیب این پژوهش از تکنیک مدل‌سازی معادلات ساختاری[۵۴] (SEM) و روش حداقل مربعات جزئی[۵۵] (PLS) جهت آزمون فرضیه‌ها و برازندگی مدل استفاده می‌نماید (دلایل این انتخاب در ادامه توضیح داده می‌شود).
در مدل‌سازی معادلات ساختاری ارتباطات میان چندین متغیر در یک مدل موردبررسی قرارمی‌گیرد. در این تکنیک؛ اول، روابط بین متغیرها با استفاده از یک سری معادلات ساختاریافته تجزیه‌وتحلیل می‌شوند. دوم، این معادلات ساختاریافته در قالب مدل‌هایی ترسیم می‌شوند که به محقق امکان مفهوم‌سازی تئوری‌های پژوهش را با استفاده از داده‌ها می‌دهد (Byrne, 2010).
محققین از این روش برای آزمودن روابط پیچیده میان متغیرهای پنهان[۵۶] و آشکار[۵۷] و همچنین میان چند متغیر پنهان استفاده می‌کنند. این رویکرد، ساختار روابط درونی را در مجموعه‌ای از معادلات می‌آزماید. این معادلات همه روابط میان سازه‌هایی (متغیرهای پنهان مستقل و وابسته) را که در تحلیل وجود دارند، ترسیم می‌کند. سازه‌ها همان عناصر غیرقابل بررسی یا مکنون (پنهان) هستند که با یک یا چند متغیر مشاهده‌شده و درواقع آشکار (شاخص یا سؤال) می‌توان آن‌ها را تعریف نمود. در مدل‌سازی معادلات ساختاری دو نسل از روش‌های تجزیه‌وتحلیل داده‌ها معرفی‌شده‌اند. نسل اول روش‌های مدل‌سازی معادلات ساختاری کوواریانس محور هستند که هدف اصلی این روش‌ها تأیید مدل بوده و برای این کار به نمونه‌هایی با حجم بالا نیاز دارند. نرم‌افزارهای Lisrel، AMOS، EQS و MPLUS چهار عدد از پرکاربردترین نرم‌افزارهای این نسل هستند. چند سال پس از معرفی روش کوواریانس محور، به دلیل نقاط ضعفی که در این روش وجود داشت، نسل دوم روش‌های مدل‌سازی معادلات ساختاری که مؤلفه محور بودند معرفی شدند. روش‌های مؤلفه محور بعداً به روش حداقل مربعات جزئی (PLS) تغییر نام دادند. درواقع PLS، نگرشی مبتنی بر واریانس است که در مقایسه با تکنیک‌های مشابه معادلات ساختاری مانند Lisrel و AMOS، نیاز به شروط کمتری دارد (داوری و رضازاده، ۱۳۹۲).
۳-۶-۱- مراحل مدل‌سازی در معادلات ساختاری: