منابع پایان نامه درمورد تحلیل عامل، تحلیل عاملی، معادلات ساختاری، مشاهده پذیر

مي ‌كند، به كار مي‌رود (آقارفيعي ،1383،ص 132). این روش برای محاسبه هماهنگی درونی ابزار اندازهگیری به کار میرود . برای محاسبه آلفای کرونباخ از رابطه زیر استفاده می شود :

که در آن K تعداد سؤالات، واریانس سؤال i ام و واریانس کل سؤالات میباشد. هرچه این مقدار به عدد یک نزدیکتر باشد نشاندهنده پایایی بالاتر و هرچه این مقدار به صفر نزدیکتر باشد، نشان از عدم پایایی پرسش‌نامه یا تحقیق میباشد .
براي تعيين پايايي پرسشنامه اين تحقيق، از نرم افزار SPSS نسخه 20 و روش آلفاي كرونباخ استفاده شده است. آزمون آلفای کرونباخ برای کلیه متغیرهای مکنون نیز حاکی از پایایی خوب ابزار گردآوری داده هاست. بنابراین ابزار گردآوری داده‌ها از پایایی و ثبات نتایج مناسب در طی زمان برخوردار است. در جدول 3-3 نتایج سنجش پایایی درنمونه اولیه ارائه شده است .
جدول 3-6. تعیین آلفای کرونباخ

عامل

تعداد سوالات

آلفای کرونباخ

پیش آزمون
نمونه
عملکرد مالی ادراک شده
3
866/.
868/0
کیفیت ادراک شده بیانیه های اخلاقی
3
714/0
789/0
مسئولیت اجتماعی ادراک شده
4
698/0
805/0
وجهه ادراک شده سازمان
3
696/0
720/0
ادراک خطر(ریسک ادراک شده)
5
681/0
734/0
اعتماد مصرف کننده
6
789/0
822/0
وفاداری مصرف کننده
6
803/0
896/0
آلفای کل
30
845/0
867/0

3-8.روش‌های آماری تجزیه و تحلیل اطلاعات و آزمون فرضیه‌ها
تجزيه و تحليل اطلاعات عبارت است از روشي كه از طريق آن كل فرايند پژوهشي، از انتخاب مساله تا دسترسي به يك نتيجه هدايت مي شود. بنابراين پژوهشگر براي پاسخگويي به مسئله تدوين شده يا تصميم‌گيري درمورد رد يا تاييد فرضيه‌اي كه صورت بندي كرده از روش‌هاي مختلف تجزيه و تحليل استفاده مي‌كند (خاکی ، 1387).
در پژوهش حاضر برای تجزیه و تحلیل داده های جمع آوری شده از نرم افزار SPSSو LISREL استفاده می‌شود همچنین از آزمونهای آماری زیر بهره گرفته شده است :
*آمار توصیفی: جهت بررسی ویژگی های جمعیت شناختی جامعه آماری و تهیه و رسم جداول و نمودارهای مربوط به فراوانی هر کدام از ویژگیها .
*شاخصهای KMO و بارتلت : برای تعیین مناسب بودن مدل پژوهش برای انجام تحلیل عاملی .
شاخص KMO: شاخصی از کفایت نمونه‌گیری است که کوچک بودن همبستگی جزیی بین متغیرها را بررسی میکند و از این طریق مشخص میسازد آیا واریانس متغیرهای تحقیق، تحت تاثیر واریانس مشترک برخی عامل‌های پنهانی و اساسی است یا خیر. این شاخص در دامنه صفر تا یک قرار دارد . اگر مقدار شاخص نزدیک به یک باشد ، داده های مورد نظر برای تحلیل عاملی مناسب هستند و درغیر این صورت (معمولا کمتر از 6/ 0) نتایج تحلیل عاملی برای دادههای موردنظر چندان مناسب نمیباشد ( مؤمنی ، فعال قیومی، 1389 ، ص 193 )
آزمون بارتلت : این آزمون بررسی میکند که چه هنگام ماتریس همبستگی ، شناخته شده ( از نظر ریاضی ماتریس واحد و همانی) است و بنابراین برای شناسایی ساختار (مدل عاملی) نامناسب میباشد. ماتریس همبستگی دارای دو حالت میباشد :
حالت اول : زمانی که ماتریس همبستگی بین متغیرها یک ماتریس واحد و همانی می باشد، در این صورت متغیرها ارتباط معنی داری با هم نداشته و درنتیجه امکان شناسایی عامل‌های جدید، بر اساس همبستگی متغیرها با یکدیگر وجود ندارد (مؤمنی ، فعال و قیومی، 1389 ، ص 193) .
حالت دوم : زمانی که ماتریس همبستگی متغیرها یک ماتریس واحد و همانی نباشد که در این صورت ارتباط معنی داری بین متغیرها وجود داشته و بنابراین امکان شناسایی و تعریف عامل‌های جدید بر اساس همبستگی متغیرها وجود دارد ( مؤمنی ، فعال و قیومی، 1389 ، ص 193 ) .
*مدل معادلات ساختاری : جهت بررسی تایید و یا رد فرضیات مطرح شده از سوی پژوهشگر .
براي بررسي روابط علي بين متغيرها به صورت منسجم كوشش‌هاي زيادي در دهه اخير صورت گرفته است. يكي از روش‌هاي نويد بخش در اين زمينه مدل معادلات ساختاري يا تحليل چند متغيره با متغيرهاي مكنون است (کلاین، 1385 ، ص 71) . مدل‌سازی معادلات ساختاری82 روش آماری است که یک دیدگاه تاییدی (یک دیدگاه آزمون فرض) را در قبال پدیده‌ها به کار می‌گیرد. این روش دارای دو جنبه مهم است : جنبه نخست آن است که در فرآیندهای علمی مورد مطالعه توسط مجموعه ای از معادلات ساختاری ( یا به عبارتی رگرسیونی) بیان می‌شوند . جنبه دوم آنکه این روابط ساختاری را می‌توان به صورت گرافیکی مدل‌بندی نمود. این موضوع پژوهشگر را قادر می‌سازد تا مدل نظری مورد مطالعه را مفهوم سازی83 کند. به همین دلیل می‌توان پژوهش را از نظر آماری و در یک تجزیه و تحلیل همزمان مورد آزمون قرار داد و مشخص نمود که آیا مدل پژوهش با داده‌های پژوهش سازگار می‌باشد یا خیر.
*تحلیل عاملی تاییدی : جهت بررسی مناسب بودن مدل‌های اندازه گیری و متناسب بودن مکنون‌های مشاهده‌گر با مکنون‌های درونزا و برونزا (هومن، 1390، ص 47) .
مدل تحلیل عاملی84 قدیمی‌ترین و شناخته شده ترین روش آماری برای بررسی روابط بین مجموعه ای از متغیرهای پنهان و مشاهده پذیر می‌باشد. در این روش، پژوهشگر کوواریانس میان مجموعه ای از متغیرهای مشاهده پذیر در خصوص یک متغیر پنهان (عامل) را مورد بررسی قرار می‌دهد. دو نوع تحلیل عاملی وجود دارد: تحلیل عاملی اکتشافی85 و تحلیل عاملی تاییدی .
وقتی محقق علاقهمند به تبیین و تعیین متغیرهای مهمی که به مساله مرتبط می‌شوند می باشد ، این بررسی «پژوهش همبستگی» نامیده میشود. گاهی اوقات سعی بر آن است تا از طریق انواع تحلیل همبستگی یا رگرسیون و تجزیه و تحلیل مسیر، نوعی روابط علت و معلولی برقرار شود . این که یک بررسی چه موقع علی و چه موقع همبستگی است، بستگی به نوع پرسش‌های پژوهش و چگونگی تعریف مساله دارد (سبحانی فر، اخوان و خرازیان ،1391) .
3-9. آزمون های برازندگی مدل
انواع گوناگونی از آزمونهای برازندگی که به گونه کلی شاخصهای برازندگی86 نامیده میشوند، وجود دارند که به طور پیوسته در حال مقایسه، توسعه و تکامل میباشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقالههای مختلف، شاخصهای مختلفی را ارائه کرده اند و حتی نگارشهای مشهور برنامههای SEM مانند نرم افزارهای LISREL, AMOS, EQS نیز تعداد زیادی از شاخصهای برازندگی به دست میدهند (هومن، 1390: ص 40). این شاخصها به شیوههای مختلفی طبقهبندی شدهاند که یکی از عمدهترین آنها طبقهبندی به صورت شاخصهای خوب بودن و بد بودن میباشد. شاخصهای خوب بودن مانند NFI ,GFI ,AGFI هر چه مقدار بالاتری داشته باشند، نشاندهنده برازندگی بيشتر میباشند. شاخص‌های بد بودن مانند RMSEA χ2⁄df, هر چه مقدار پایینتری داشته باشند، نشاندهنده برازندگی بيشتر میباشد. برخی از این شاخص ها عبارتند از:
3-9-الف. شاخص های GFI و AGFI (اندازه های (LISREL
شاخص GFI87 مقدار نسبی واریانسها و کوواریانسها را به گونه مشترک از طریق مدل ارزیابی میکند. دامنه تغییرات GFI بین صفر و یک میباشد. مقدار GFI باید برابر یا بزرگتر از 90 درصد باشد. شاخص برازندگی دیگر AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی میباشد. این مشخصه معادل با کاربرد میانگین مجذورات بهجای مجموع مجذورات در صورت و مخرج ( – GFI1) است. مقدار این شاخص نیز بین صفر و یک می‌باشد (هومن، 1390: ص 40) .
3-9-ب. شاخص جذر برآورد واريانس خطاي تقريب RMSEA
این شاخص، ریشه میانگین مجذورات تقریب میباشد. شاخص 88 RMSEAبرای مدلهای خوب برابر 5 درصد یا کمتر است. مدل‌هایی که RMSEA آنها 1 درصد باشد، برازش ضعیفی دارند. برای این شاخص می‌توان فاصله اعتماد محاسبه کرد. ایدهآل آن است که حد پایین فاصله اعتماد به صفر نزدیک باشد و حد بالای آن خیلی بزرگ نباشد (هومن، 1390: ص 41) .
3-9-ج. آزمون مجذور كاي، مجذور كاي به درجه آزادي
از شاخص مجذور كاي اغلب به عنوان شاخص موفقيت نام برده ميشود. اين شاخص به سادگي نشان مي‌دهد كه آيا بيان مدل ساختار روابط ميان متغيرهاي مشاهده شده را توصيف ميكند يا خير. اين شاخص نسبت به اندازه نمونه حساس است، وقتي حجم نمونه برابر 75 تا 200 باشد، مقدار مجذور كاي يك اندازه معقول براي برازندگي است. اما برای مدلهایی با n بزرگتر از جمله این پژوهش مجذور كاي تقريبا هميشه از لحاظ آماري معنادار است. از طرف ديگر مجذور كاي تحت تأثير مقدار همبستگيهاي موجود در مدل نيز هست .هرچه اين همبستگيها زيادتر باشد، برازش ضعيفتر است (هومن، 1390: ص 41).
3-9-د. شاخص RMR یا RMSR
معيار ميانگين اختلاف بين دادهها و ماتريس كوواريانس – واريانس ضمني RMSR است. اين معيار هرچقدر كه كوچكتر باشد، براي تناسب مدل با دادهها بهتر است (زيرا 5 درصد بسیار عالی، زیر 8 درصد مناسب و بالای 9 درصد نامناسب است). این شاخص یک شاخص با ارزش است هنگامي كه ميانگين واريانس – كوواريانس دادهها شناخته شده باشد .ارزيابي آن هنگامي كه ماتريس واريانس – كوواريانس غيراستاندارد مورد استفاده قرار ميگيرد، سخت و مشكل است.
3-9-ر. شاخص بنتلر- بونت يا شاخص نرم شدگي برازندگي
NFIشاخص NFI که شاخص بنتلر-بونت هم نامیده میشود، مدل صفر را به عنوان مدلی که در آن تمام همبستگیها صفر است، تعریف میکند. چنانچه مقدار آن بین 90 درصد تا 95 درصد باشد، قابل قبول و مقادیر بالای 95 درصد عالی بوده و نشانه برازندگی مدل است.
3-9-ز. شاخص برازندگي تطبيقي CFI
اين شاخص بزرگتر از 90 درصد قابل قبول و نشانه برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که در آن بین متغیرها هیچ رابطهای نیست با مدل پیشنهادی مورد نظر، مقدار بهبود را نیز می‌آزماید. شاخص GFI از لحاظ معنا مانند NFI است با این تفاوت که برای حجم گروه نمونه جریمه میدهد. (هومن، 1390: ص 44-38). شاخص های نیکویی برازش مدل پژوهش در جدول زیر آورده شده است.
جدول 3-7. شاخص های نیکویی برازش مدل مفهومی پژوهش
شاخص
فاصله اعتماد برازش
مقدار
RMSEA
RMSEA≤8%
1.9%
NFI
95%≥NFI ≥90%
93%
NNFI
NNFI≥90%
95%
CFI
CFI≥90%
95%
IFI
IFI≥90%
95%
RMR
RMR≤5%
2.8%
GFI
GFI≥90%
96%
AGFI
AGFI≥80%
95%
χ2⁄df
χ2⁄df3
990.
3-10. متغیرها و اندازه های مورد استفاده
متغیر یک مفهوم است که بیش ازدو یا چندارزش یا عدد به آن اختصاص داده می شود . ویژگی هایی را که پژوهشگر مشاهده یا اندازه گیری می کند، «متغیر» نامیده می شود. به عبارت دیگر، متغیربه ویژگی هایی اطلاق می شودکه می توان دویا چند ارزش یا عدد برای آن جایگزین کرد. عدد یا ارزشی که به یک متغیر نسبت داده می شود نشان دهنده تغییر از فردی به فرد دیگر یا از حالتی به حالت دیگر است.
اغلب پژوهشگران علوم رفتاری، علاقه مند به مطالعه سازه های نظری هستند که به طور مستقیم قابل مشاهده نیستند. این پدیده های انتزاعی تحت عنوان متغیر پنهان89 شناخته می شوند. از آنجا که متغیرهای پنهان به طور مستقیم مشاهده پذیر نیستند، پس به طور مستقیم هم قابل اندازه گیری نمی باشند. بنابراین پژوهشگر بایستی متغیر پنهان را بر حسب نوع رفتاری که بیانگر آن متغیر می باشد تعریف نماید. به عبارت دیگر با استفاده از یک سری مشاهدات می توان یک متغیر پنهان را اندازه گرفت. در يک تحقيق براي پاسخ دادن به سوال‌هاي تحقيق و يا آزمون فرضيه‌ها، تشخيص متغيرها امری ضروري است. از آنجایی که در اين تحقيق از مدل معادلات ساختاری استفاده می شود بنابر این متغيرها بر دو نوع می باشند : متغیرهای پنهان برونی و درونی ( ابارشی و حسینی ،1391،ص23) .
الف. متغير برون زا : يک ويژگي از محيط فيزيکي يا اجتماعي است که بعد از انتخاب، دخالت يا دستکاري شدن توسط محقق، مقاديري را مي‌پذيرد تا تاثيرش بر روي متغير ديگر (متغير درونزا) مشاهده شود .
ب. متغير درون زا : متغيري است که تغييرات آن تحت تأثير متغير برونزا قرار مي‌گيرد (سرمد و همکاران، 1385).
متغیر برون زا در این تحقیق «الزامات مسئولیت پذیری اجتماعی شرکت» می‌باشد که بر طبق تعریف «استانالند90 و دیگران» به 2 بخش تقسیم گردیده است