ادراک

 

 

827/0

 

 

 

 

ضريب آلفاي كرونباخ محاسبه شده در اين پژوهش، در يك مطالعه مقدماتي با توزيع 15 پرسشنامه 854/0 محاسبه گرديد، که از سطح حداقلی (7/0) که توسط نانلی پیشنهاد گردیده بالاتر می باشد، بنابراين پايائي پرسشنامه بسيار مطلوب و از روایی بالایی برخوردار است.
3-9) روش های آماری مورد استفاده
محقق پس از اینکه تحقیق خود را مشخص کرد و با استفاده از ابزارهای مناسب داده های مورد نیاز را برآی آزمون فرضیه های خود جمع آوری کرد، نوبت آن رسیده که با بهره گیری از تکنیکهای آماری مناسب که با روش تحقیق و نوع متغیر ها سازگاری دارد، داده های جمع آوری شده را دسته بندی و تجزیه و تحلیل نماید. در نهایت فرضیه هایی را که تا این مرحله او را در تحقیق هدایت کرده اند را، آزمون کند و نتایج علمی مربوطه را استخراج نماید. سرانجام بتواند راه حلی برای پرسشی که تحقیق تلاش سیستماتیک برای بدست آوردن آن دارد، بیابد ( خاکی، 1388). هدف از تحلیل و توصیف در آمار، برای جامعه آماری است که به دو طریق توصیف می شود. یا با سرشماریه کلیۀ عناصر جامعه و محاسبۀ “پارامترها” که در این صورت فنون آماری توصیفی به کار خواهد رفت و یا با استفاده از تخمین زدن. برای برآورد پارامتر، بخشی از آمار را استنباطی می گویند که شامل فنون “تخمین آماری” و “ورود آزمون فرضیه ها” می شود. اینکه از کدام طریق تخمین یا آزمون استنباط انجام می گیرد به نوع تحقیق بستگی دارد. اگر تحقیق از نوع سوال و صرفاً حاوی پرسش دربارۀ پارامتر باشد از تخمین آماری برای پاسخ به سوالات استفاده می شود و اگر حاوی فرضیه ها بوده و از مرحلۀ سوال گذر کرده باشد، آزمون فرضیه ها و فنون آماری آن بکار می رود (آذر و مومنی، 1380). در این بخش، توضیحاتی راجب روش های تجزیه و تحلیل اطلاعات مورد استفاده در این تحقیق اراﺋﻪ می شود.
3-9-1) آزمون کولموگروف- اسمیرنوف
آزمون کولموگوروف – اسمیرنوف، که به افتخار دو آماردان روسی به نامهای ا . ان . کولموگوروف[119] و ان . وی . اسمیرنوف[120] به این نام خوانده می شود، روش ناپارامتری سادهای برای تعیین همگونی اطلاعات تجربی با توزیعهای آماری منتخب است؛ بنابراین آزمون کولموگوروف – اسمیرنوف، که آنرا با KS نشان می دهیم، روشی برای همگونی یک توزیع فراوانی نظری برای اطلاعات تجربی است (آذر و مؤمنی، 1380).
مراحل این ازمون عبارتند از:
تعیین فرضیات آزمون
H0: توزیع مشاهدات با توزیع مشخصی (دراین تحقیق توزیع نرمال)، همگون است
H1: توزیع مشاهدات با توزیع مشخصی (دراین تحقیق توزیع نرمال)، همگون نیست
محاسبل آمارۀ آزمون
آمارۀ آزمون KS را با نشان می دهیم. آمارل ازمون برابر است با حداکثر قدرمطلق تفاضل فراوانی مشاهده نسبس تجمعی از فراوانی نظری نسبی تجمعیف یعنی:
Dn =Maximum| Fe – Fo |
که در آن Fe و Fo به ترتیبی از فراوانی نظری نسبی تجمعی و فراوانی مشاهده شده نسبی تجمعی است.
تصمیم گیری
اگر آمارۀ آزمون از مقدار جدول کمتر باشد، فرض صفر پذیرفته و در غیر این صورت رد می شود (آذر و مؤمنی، 1380). در تصمیم گیری بوسیلۀ داده های حاصل از تحلیل ه وسیلۀ نرم افزارهای کامپیوتری، اگر سطح معنی داری آمارۀ مورد نظر از سطح خطا () کوچکتر باشد، فرض در سطح اطمینان فوق رد می شود.
3-9-2) آزمون های تحلیل عاملی تآییدی و اکتشافی
تحليل عاملي[121] اصطلاحي است كلي براي تعدادي از تكنيك هاي رياضي و آماري مختلف اما مرتبط با هم به منظور تحقيق درباره ماهيت روابط بين متغيرهاي يك مجموعه معين. تحلیل عاملی از جمله روشهای چند متغیره است که در آن، متغیرهای مستقل و وابسته مطرح نیست زیرا این روش جزء تکنیکهای هم وابسته محسوب میگردد و کلیه متغیرها نسبت به هم وابسته اند. مساله اساسي تعيين اين مطلب است كه آيا تعداد زیادی متغير اصلی را مي توان به مجموعه کوچکتری از متغیرها ،با کمترین میزان ریزش اطلاعات تبدیل کرد؟ از روش تحليل عاملي جهت پي بردن به متغيرهاي زير بنايي يك پديده يا تلخيص مجموعه اي از داده‌ها استفاده مي‌شود. داده‌هاي اوليه براي تحليل عاملي، ماتريس همبستگي بين متغيرها است. تحليل عاملي، متغيرهاي وابسته از قبل تعيين شده اي ندارد. موارد استفاده تحليل عاملي را به دو دسته كلي مي‌توان تقسيم كرد : 1- مقاصد اكتشافي 2- مقاصد تاييدي. اگر شما هیچ حدسی از ساختار روابط میان گویه ها نداشته باشید از تحلیل عاملی اکتشافی استفاده می شود. اما اگر گویه ها را براساس ابعاد شناسائی کرده باشید باید از تحلیل عاملی تائیدی استفاده کنید (هومن، 1391).
تحلیل عاملی تأییدی (CFA)
در تحليل عاملي تاييدي[122] پژوهشگر به دنبال تهيه مدلي است که فرض مي‌شود داده‌هاي تجربي را بر پايه چند پارامتر نسبتاً اندک، توصيف تبيين يا توجيه مي‌کند. اين مدل مبتني بر اطلاعات پيش تجربي درباره ساختار داده‌ها است که مي‌تواند به شکل يک تئوري يا فرضيه، يک طرح طبقه بندي کننده معين براي گويه‌ها در انطباق با ويژگيهاي عيني شکل و محتوا، شرايط معلوم تجربي و يا دانش حاصل از مطالعات قبلي درباره دادههاي وسيع باشد. روشهاي تاييدي (آزمون فرضيه) تعيين مي‌کنند که داده‌ها با يک ساختار عاملي معين

 

دانلود متن کامل این پایان نامه در سایت abisho.ir

(که در فرضيه آمده) هماهنگ هستند يا نه (هومن، 1391).
تحلیل عاملی اکتشافی (EFA)
در تحليل اکتشافي[123] پژوهشگر به دنبال بررسي داده‌هاي تجربي به منظور کشف و شناسايي شاخصها و نيز روابط بين آنهاست. در اينجا از پيش مدل معيني وجود ندارد. به بيان ديگر تحليل اکتشافي علاوه بر آنکه ارزش تجسسي يا پيشنهادي دارد مي‌تواند ساختارساز، مدل ساز يا فرضيه ساز باشد. تحليل اکتشافي وقتي به کار مي‌رود که پژوهشگر شواهد کافي قبلي و پيش تجربي براي تشکيل فرضيه درباره تعداد عاملهاي زيربنايي داده‌ها نداشته و به واقع مايل باشد درباره تعيين تعداد يا ماهيت عامل‌هايي که همپراشي بين متغيرها را توجيه مي‌کنند داده‌ها را بکاود. بنابراين تحليل اکتشافي بيشتر به عنوان يک روش تدوين و توليد تئوري و نه يک روش آزمون تئوري در نظر گرفته مي‌شود.
برای اجرای تحلیل عاملی نیاز به تولید ماتریس همبستگی برای تمامی متغیرهای نمونه آماری ماتریس همبستگی ماتریسی مربعی از ضرایب همبستگی متغیرها با یکدیگر است. برای این کار باید مشخص شود که آیا هدف، محاسبه همبستگی بین متغیرهاست یا بین پاسخگویان. به عنوان مثال، ممکن است داده هایی از 70 نفر را در مورد 10 سوال مربوط به ازدواج گردآوری شده باشد این امکان وجود دارد که همبستگی بین هریک از 10 متغیر و یا بین هرکدام از پاسخگویان محاسبه شود.
اگر هدف مطالعه، تلخیص متغیرها باشد، در اینصورت باید همبستگی بین متغیرها محاسبه شود این روش به تحلیل عاملی نوع R  معروف است. اگر تحلیل عاملی برای ماتریس همبستگی بین پاسخگویان به کار برده شود، در اینصورت روش فوق را روش تحلیل عاملی، نوع Q میگویند.
تحلیل عاملی نوع Q، به دلیل مشکل بودن، کمترمورد توجه قرار گرفته و بیشتر از روش تحلیل خوشه ای برای طبقه بندی پاسخگویان استفاده میشود.
البته آماره های دیگری نیز وجود دارند که محقق از طریق آنها نیز قادر به تعیین و تشخیص مناسب بودن داده ها برای تحلیل آماری میباشد. از جمله این روشها می توان به روش های بارتلت و KMO اشاره کرد (هومن، 1391).
3-9-2-1) روش KMO
یکی از روش های آماری که به وسیلۀ آن محقق می تواند مناسب بودن داده ها را تعیین کند روش KMO می باشد، که به افتخار سه پژوهشگر به نام های Kaiser – Meyer – Olkin، نام گذاری شده است.
مقدار آمارۀ این آزمون همواره بین 0 و 1 در نوسان است در صورتی که KMO کمتر از 0.5 باشد داده ها برای تحلیل عاملی مناسب نخواهد بود و اگر مقدار آن بین 0. 5 تا 0.69 باشد داده ها متوسط بوده و اگر مقدار این شاخص،بزرگتر از 0.7 باشد همبستگی های موجود در بین داده ها برای تحلیل عاملی مناسب خواهند بود (حبیبی، 1391).
3-9-2-2) روش بارتلت
یکی دیگر از روشهای تشخیص مناسب بودن داده ها میباشد آزمون بارتلت، این فرضیه را که ماتریس همبستگی مشاهده شده متعلق به جامعه ای با متغیرهای نابسته است، می آزماید. برای اینکه یک مدل عاملی، مفید و دارای معنا باشد لازم است متغیرها همبسته باشند. پس فرضیه آزمون بارتلت به اینصورت است :
H0: داده ها نا همبسته اند
H1: داده ها همبسته اند