8.3.4. تفسیر خروجی(برونداد) تحلیل عاملی تأییدی متغیر های نابی
در جدول بالا، شاخص های متعدد خوب برازندگی و نخستین شاخص مجذور کای نشان داده شده است. آزمون های مجذور کای این فرضیه را که مدل مورد نظر هماهنگ با الگوی همپراشی بین متغیر های مشاهده شده است، می آزماید. مقادیر کوچک تر آن نشان دهنده برازندگی بیشتر است. مقدار مجذور کای مدل نابی با 215 درجه آزادی برابر با 106.85 است که از لحاظ آماری معنادار نیست. چون سطح معناداری آن نسبتا بزرگ (p=0.87 ) است، می توان نتیجه گرفت که آزمون مجذور کای برازش دقیق مدل را با داده های مشاهده شده تأیید می کند.
از سوی دیگر، نسبت مجذور کای به درجه آزادی ( ) نیز برابر با 0.49 است. هرچند این شاخص فاقد یک معیار ثابت برای یک مدل قابل قبول است، اما مقدار کوچک تر آن نشان دهنده برازندگی بیشتر است. این روش دیگری برای توصیف مشخصه برازندگی مجذور کای است که بگوییم مشخصه مذکور در واقع این فرضیه صفر را که ” در ماتریس های قطری ساختار کوواریانس از لحاظ آماری تفاوت معنادار وجود ندارد” می آزماید. چون نتیجه معنادار این مشخصه آماری منجر به رد برازش یک مدل معین می شود، شاخص عدم برازش نیز خوانده می شود. چنان که پیش از این نیز گفتیم مشخصه مجذور کای نسبت به حجم نمونه خیلی حساس است، و همین امر در بسیاری از موقعیت ها موجب این تردید می شود که آیا اهمیت آماری مجذور کای ناشی از عدم برازش مدل یا در واقع ناشی از حجم گروه نمونه است. این عدم قطعیت منجر به تهیه مشخصه های دیگری برای ارزشیابی برازش کلی مدل شده است. یکی از معتبرترین شاخص هایی که برای بررسی برازندگی مدل به کار می رود GFI یعنی اندازه ای از مقدار نسبی واریانس ها و کوواریانس هاست که به گونه مشترک به وسیله مدل توجیه می شود. چنانکه پیش از این نیز گفتیم، این شاخص را می توان به عنوان مشخصه ای مشابه در رگرسیون چند متغیری در نظر گرفت. مدلی دارای برازش بهتر است که ” دارای نسبت پایین تری به عنوان پارامتر غیر مرکزی تقسیم بر درجه آزادی” باشد. هرچه GFI نزدیک تر به 1 باشد مدل با داده ها برازش بهتری دارد. شاخص GFI در این مدل، برابر با 0.97 است ، که نشان می دهد مدل با داده ها برازش دارد. علاوه بر این، جذر برآورد واریانس خطای تقریب (RMSEA) نیز تقریبا برابر با صفر و فاصله اطمینان 90 درصدی آن بین 0.03 و 0.43 قرار دارد. چون حد پایین این مقدار از سطح 0.05 کوچکتر است، می توان نتیجه گرفت که درجه تقریب مدل در جامعه بزرگ نیست. شاخص ریشه میانگین مجذور پس ماند RMR برابر با 0.081 و نسبتا کوچک است، که این نیز بیانگر خطای اندک مدل و برازش قابل قبول آن است.
با توجه به تحلیل های صورت گرفته در زمینه نابی می توان نتیجه گرفت که سازمانی که در زمینه تولید کاشی و سرامیک فعالیت می کند درصورتی که موارد ذکر شده زیر را در بخش های مختلف خود به کار بندد را می توان سازمانی ناب در این زمینه تولیدی قلمداد نمود.
1- به کارگیری اصول زیر در بخش منابع انسانی:

.000

2.4.4. جدول اشتراکات (Communalities)
در این بخش میزان همبستگی بین واریانس متغیر مورد نظر با واریانس سایر متغیرها مورد بررسی قرار میگیرد. ستون اول نتایج این جدول (Initial)، اشتراکات استخراج شده از دادههای ابتدایی هستند که بالا بودن آن (حداکثر 1) استفاده از تحلیل عاملی را مناسب بیان مینماید. از طرف دیگر، در ستون دوم مقدار اشتراکات استخراج از عوامل بیان شده است که در اینجا نیز مقدار بزرگتر از 5/0 تأییدی از مناسب بودن دادهها برای تحلیل عاملی میباشد. اگر برای یک یا چند متغیر، مقدار مورد نظر پایین باشد (کوچکتر از 5/0)، نشان میدهد که این متغیرها همچون سایر متغیرها برای تحلیل عاملی مناسب نمیباشند.
همانطور که نتایج جدول مربوطه در پیوست نشان داده شده است، (مقدار بالای ستون اول [همگی 1] و مقادیر معنیدار ستون دوم [همگی بزرگتر از 5/0]) نشان دهنده مناسب بودن استفاده از تحلیل عاملی از نظر همبستگی واریانسها می باشد..
3.4.4. جدول واریانس کل استخراج شده (Total Variance Explained)
در کل این جدول تعداد عوامل استخراج شده از دادهها (متغیرهای اولیه) را نشان میدهد. عواملی در این بخش مؤثر شناخته شدهاند که مقدار مقدار ویژه آنها (ستون مجموع) بزرگتر از یک باشد. ستون آخر این جدول نشان میدهد که تمامی عوامل (از عامل اول تا عامل فعلی) با یکدیگر چند درصد از تغییرپذیری متغیرهای اصلی را نشان میدهد.
جدول مربوط به واریانس کل متغیرهای رقابت پذیری در پیوست آورده شده است. همانطور که در پیوست مشاهده می فرمایید، مقدار مقدار ویژه در جدول واریانس کل، برای 6 عامل بزرگتر از یک میباشد، لذا تعداد عوامل استخراجی پیشنهاد شده با استفاده از تحلیل عاملی 6 عدد میباشد که تغییرات این 6 عامل نزدیک به 72% تغییرات کلیه متغیرهای مورد بررسی را شامل میشود.
4.4.4. ماتریس اجزاء (ابعاد) اولیه
این ماتریس نحوه چیدمان اولیه دادهها و موقعیت هر یک از سنجهها در عوامل استخراج شده را نشان میدهد. در این تحقیق حداقل بار عاملی مطلوب 4/0 در نظر گرفته شده است. اما از انجایی که در عوامل استخراج شده هر سئوال فقط و فقط باید به یک عامل اختصاص یابد (یا به عبارت دیگر هر سئوال در یک عامل دارای بار بزرگتر از 4/0 باشد) و از سوی دیگر هیچ عاملی نباید بدون بار (بدون سئوال اختصاص یافته) باقی بماند، از چرخش واریماکس به منظور اصلاح ترکیببندی عوامل استفاده شده است.