شاخص‌های متفاوتی جهت تعیین برازندگی مدل با واقعیت وجود دارد، به طور کلی این شاخص‌ها به سه دسته تعلق دارند: مطلق، نسبی و تعدیل یافته. شاخص‌های مطلق به واریانس خطا یا واریانس تعدیل شده می‌پردازند که پس از برازش مدل باقی می‌ماند. شاخص‌های نسبی، درباره مقایسه یک مدل با مدل‌های ممکن دیگر می‌پردازند و در نهایت شاخص‌های تعدیل یافته به این مطالب می‌پردازند که مدل مورد نظر چگونه برازندگی و صرفه‌جویی را باهم ترکیب می‌کند، یعنی در عین داشتن برازندگی خوب از گستردگی بدون دلیل مدل نیز جلوگیری می‌شود (هومن، ۱۳۸۸).
کای اسکوئر:
هر چه درجه آزادی مدل از درجه آزادی یک مدل اشباع شده (برابر صفر) دور شود و به درجه آزادی یک مدل استقلال (برابر ۲۱) نزدیک شود مطلوب‌تر تلقی می‌شود. نمی‌توان کوچک بودن کای اسکوئر مدل را به تنهایی نشانه مطلوبی تلقی کرد. در مقابل وجود درجه آزادی بالا در کنار کوچک بودن مقدار کای اسکوئر می‌تواند نشانه‌ی مطلوبی تلقی شود (قاسمی، ۱۳۸۸).
تعداد پارامترهای آزاد در ستون NPAR
این مقدار نشان دهنده این امر می‌باشد که با آزاد گذاشتن چه تعداد پارامتر مشخص در مدل می‌توان به مقدار کای اسکوئر صفر دست یافت. مدلی که مقدار کای اسکوئر آن در بهترین وضعیت و درجه آزادی آن در بدترین وضعیت است. در این حالت شاخص‌های مطلق به طور کلی مطلوب و شاخص‌های مقتصد کاملاً نامطلوب تفسیر می‌شوند (قاسمی، ۱۳۸۸).
نسبت کای اسکوئر به درجه آزادی (MIN/DF)
در جهت قضاوت درباره مدل تدوین شده و حمایت داده‌ها از آن شاخص مناسب‌تری است. این شاخص که مقادیر ۱ تا ۵ برای آن مناسب و مقادیر نزدیک به ۲ تا ۳ بسیار خوب تفسیر می‌شود (قاسمی، ۱۳۸۸).

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

بررسی شاخص‌های تطبیقی، این شاخص‌ها مقادیری بین صفر تا یک را به خود می‌گیرند و مقایر بالاتر از ۹۰/۰ در اغلب منابع به عنوان مقادیر قابل قبول تفسیر شده‌اند. بر این مبنا می‌توان گفت که شاخص برازش افزایشی (IFI)، شاخص برازش توکر – لویس (TLI) شاخص برازش تطبیقی (CFI) حاکی از قابل قبول بودن مدل هستند. شاخص برازش هنجار شده بنتلر – بونت (NFI) و شاخص برازش نسبی (RFI) نیز اصلاحاتی جزئی در مدل را پیشنهاد می‌کند.
شاخص برازش هنجار شده مقتصد (PNFI) و شاخص برازش تطبیقی مقتصد (PCFI) دارای مقادیر ۵۰/۰ و بالاتر برای این دو شاخص مقادیر قابل قبول تلقی می‌‌‌شوند (قاسمی، ۱۳۸۸).
ریشه دوم میانگین مریعات باقیمانده (RMSEA) این شاخص که بصورت اعشاری گزارش می‌شود، مبتنی بر پارامتر غیر مرکزی است. اگر کوچکتر از درجه آزادی باشد، ریشه خطای میانگین مجذورات تقریب برابر صفر بدست می‌آید. این شاخص برای مدل‌های خوب برابر ۰۵/۰ یا کمتر است. مدل‌هایی که ریشه خطای میانگین مجذورات تقریب آنها ۱۰/۰ یا بیشتر باشد برازش ضعیفی دارند. برای این شاخص می‌توان فاصله اعتماد محاسبه کرد. ایده‌آل آن است که حد پایین فاصله اعتماد نزدیک به صفر باشد و حد بالایی آن خیلی بزرگ نباشد (هومن، ۱۳۸۸).
روش حداقل مربعات جزئی[۳۰]۲
تحلیل حداقل مربعات جزئی، تکنیک آماری چند متغیری است که اجازه می‌دهد تا مقایسه بین متغیرهای واکنش چندگانه و متغیرهای توضیحی چندگانه، صورت گیرد. حداقل مربعات جزئی یکی از روش‌های آماری مبتنی بر کوواریانس است که اغلب به عنوان مدل سازی معادلات ساختاری به آن اشاره شده است. این تکنیک جهت رگرسیون چند گانه، هنگامی که حجم نمونه کم بوده، مقادیر گمشده و همخطی بین متغیرهای مستقل وجود داشته باشد طراحی شده است (هومن، ۱۳۸۸).
فصل چهارم:
تجزیه و تحلیل داده‌های تحقیق
۴ – ۱ مقدمه
پس از تعیین مساله تحقیق، مراحل تعیین روش تحقیق، مشخص سازی ابزار مناسب جمع آوری داده‌ها و بکارگیری آنها در این مرحله، باید داده‌های جمع آوری شده را تجزیه و تحلیل کرد تا تکلیف فرضیه‌های پژوهش که گزاره‌های احتمالی و غیر یقینی بودند معین شوند. برای تجزیه و تحلیل داده‌های جمع آوری شده و تبدیل آنها به اطلاعاتی که با آنها بتوان فرضیه‌ها را آزمود باید مجموعه‌ای از قواعد را رعایت کرده و تکنیک‌ها و فنون آماری مناسب با داده‌ها را برگزید. تحلیل به معنی طبقه‌بندی، تنظیم، پردازش، دستکاری و خلاصه کردن داده‌ها برای یافتن پاسخ برای پرسشهای پژوهش است. هدف از تحلیل، تقلیل داده‌ها به شکل قابل فهم و قابل تفسیر است به نحوی که بتوان روابط متغیرهای گوناگون مرتبط با مساله پژوهش را مورد مطالعه قرار داد (خاکی، ۱۳۸۳: ۳۲۴) در این تحقیق داده‌های گروه نمونه با بهره گرفتن از علم آمار و نرم‌افزارهای آماری دسته بندی و یکپارچه گردیده، سپس تجزیه و تحلیل شده و مورد تفسیر قرار گرفته‌اند. در این فصل داده‌های جمع آوری شده توسط نرم افزارهای آماری[۳۱]۱ مورد تجزیه و تحلیل و سپس تفسیر می‌شوند.
۴ – ۲ توصیف داده‌ها
علم آمار به روش توصیفی و استنباطی تقسیم می‌شود. در بخش نخست تحقیق حاضر، از فنون آمار توصیفی شامل جداول فراوانی و نمودارهای دایره‌ای برای تجزیه و تحلیل داده‌های شناختی نمونه آماری استفاده شده است. در انتهای تحقیق از مدل معادلات ساختاری برای تحلیل نهایی پژوهش استفاده شده است. در این قسمت به بررسی تاثیر بین متغیرهای مورد مطالعه پرداخته شده است. با توجه به کیفی بودن متغیرهای مورد مطالعه با بهره گرفتن از طیف لیکرت، صفات پنهانی کیفی، از طریق پرسشنامه سنجش و گردآوری گردیده است. نوع داده‌ها کیفی و مقیاس آنها رنبه‌ای یا ترتیبی (ناپارامتری) می‌باشد. پاسخ هر سوال از ۱ تا ۵ رتبه بندی شده است که به ترتیب (۱= خیلی زیاد، ۲ = زیاد، ۳ = متوسط، ۴ = کم، ۵= خیلی کم) می‌باشد که به این ترتیب و با ارزش گذاری برای هر یک از گزینه‌های پنج گانه مقیاس به شبه فاصله‌ای[۳۲]۲ (پارامتری) تبدیل می‌شود.
۴-۳ ویژگی‌های جمعیت شناختی گروه نمونه
با توجه به اهمیت ویژگی‌های عمومی گروه نمونه در مطالعات پیمایشی، به توصیف این ویژگی‌های اندازگیری شده در مورد جنسیت، وضعیت تاهل، سن و میزان تحصیلات اشاره می‌کنیم.
۴ – ۳ – ۱ توزیع فراوانی جنسیت پاسخگویان
جدول (۴-۱) فراوانی افراد نمونه از لحاظ جنسیت

تعداد
درصد
مرد
۲۱۰
۶۶
زن
۱۰۷
۳۴
کل
۳۱۷
۱۰۰

نمودار (۴-۱). فراوانی افراد نمونه از لحاظ جنسیت
جدول و نمودار (۴-۱) فراوانی مربوط به جنسیت پاسخ دهندگان را نشان می‌دهد. همانطور که در جدول و نمودار مشاهده می‌شود ۶۶% از پاسخ دهندگان مرد و ۳۴% باقی مانده را زنان تشکیل می‌دهند. بر اساس این نتایج تقریباً بیشتر فراوانی مربوط به پاسخ دهندگان مرد می‌باشد.
۴ – ۳ – ۲ توزیع آماری وضعیت تاهل پاسخ دهندگان

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...