هنگامی که کار پژوهش به پایان می­رسد، اولین پرسشی که به عمل می ­آید درباره اعتبار و قابلیت اعتماد یافته­ ها است. لذا «روایی^[۱۴۲]» و «پایایی^[۱۴۳]» دو مفهوم اساسی هستند که آشنایی پژوهشگر با معانی و انواع آنها از ضرورت­های پژوهش است (خاکی، ۱۳۹۰: ۲۲۹).
۱-۶-۳ روایی
مفهوم روایی به این سوال پاسخ می­دهد که ابزار اندازه ­گیری (در اینجا، پرسشنامه) تا چه حد خصیصه مورد نظر را می­سنجد. بدون آگاهی از روایی پرسشنامه نمی­ توان به دقت داده ­های حاصل از آن اطمینان داشت (سرمد و دیگران، ۱۳۹۰: ۱۷۰).
روایی محتوایی این اطمینان را به وجود می ­آورد که مقیاس، شامل مجموعه ­ای از موردهای کافی برای استفاده از مفهوم (متغیر) است و با این پرسش­ها پیگیری می­ شود: آیا مقیاس مورد نظر، مناسب اندازه ­گیری متغیر است؟ آیا «متخصصان» تأیید می­ کنند که ابزار همان مفهوم یا متغیر را می­سنجد؟ (خاکی، ۱۳۹۰: ۲۳۰).

روایی پرسشنامه، با پاسخ مثبت اساتید محترم به سوالات بالا، و مصاحبه با تعدادی از اعضای جامعه، مورد تأیید قرار گرفت.
۲-۶-۳ پایایی پرسشنامه
پایایی مقیاس به این موضوع برمی‌گردد که تا چه اندازه می‌توان با تکرار اندازه‌گیری، به نتایجی یکسان دست یافت. پایایی، با اندازه‌گیری مکرر سازه یا متغیر مورد علاقه، به دست می‌آید. هر چه درجه همبستگی بین امتیازات حاصل از اندازه‌گیری بیشتر باشد، پایایی مقیاس بیشتر است. روش آلفای کرونباخ^[۱۴۴] مهم­ترین روش سنجش پایایی ابزار گردآوری داده ­ها می­باشد که از طریق نرم­افزار SPSS می­توان آن را محاسبه نمود. اگر مقدار آلفای کرونباخ کمتر از ۷۰درصد باشد، پایایی قابل تأیید نیست، و هر چه مقدار این شاخص بیشتر از ۷۰درصد باشد پایایی بهتری را نشان می‌دهد. در این پژوهش برای سنجش پایایی پرسشنامه، از ضریب آلفای کرونباخ برای ۳۱ نمونه نخست استفاده شده است. ضریب آلفای کرونباخ پژوهش در جدول ۳-۳ نشان داده شده است. به دلیل بیشتر بودن این ضریب از ۷۰ درصد است، پایایی پرسشنامه تأیید می­ شود.
جدول ۳-۳: محاسبه آلفای کرونباخ به منظور سنجش پایایی ابزار اندازه ­گیری

متغیرهای پنهان
آلفای کرونباخ (تعداد= ۳۰)
محدودیت­های درون فردی
۸۱۳/۰
محدودیت­های میان فردی
۸۰۹/۰
محدودیت­های ساختاری
۸۱۰/۰
محدودیت­های مقصد
۸۵۱/۰
کل
۸۴۳/۰

۷-۳ آزمون­های آماری و ابزارهای تجزیه و تحلیل داده ­ها
تجزیه و تحلیل داده‎ها، فرآیندی چند مرحله‎ای است که در آن داده‎هایی که با به کارگیری شیوه‎ها و ابزارهای گردآوری در نمونه (و یا جامعه) آماری فراهم آمده‎اند، خلاصه، کدبندی، دسته‎بندی و در نهایت پردازش می‎شوند تا امکان انواع تحلیل‎ها و برقراری ارتباط‎ها بین این داده‎ها به منظور آزمون فرضیه‎ها فراهم آید. در این فرایند، داده‎ها پالایش و با تکنیک‎های گوناگون آماری، از آنها اطلاعات استنتاج و تعمیم داده می‎شوند (خاکی، ۱۳۹۰: ۲۴۱).
۱-۷-۳ مدل معادلات ساختاری^[۱۴۵]
یک مدل معادله ساختاری کامل، از دو مؤلفه تشکیل شده است: الف) یک مدل ساختاری که ساختار علّی خاصی را بین متغیرهای مکنون^[۱۴۶] مفروض می‎دارد، ب) یک مدل اندازه‎گیری که رابطه‎هایی را بین متغیرهای مکنون و متغیرهای نشان‎گر (اندازه‎گیری شده) تعریف می‎کند. هنگامی که داده‎های به دست آمده از نمونه مورد بررسی به صورت ماتریس همبستگی درآمد، باید برازش آن را برای جامعه‎ای که نمونه از آن استخراج شده، فراهم آورد. متغیرهای مکنون در مدل معادلات ساختاری به دو صورت برون‎زا و درون‎زا تقسیم می‎شوند. متغیرهای برون‎زا متغیرهایی هستند که علت تغییرات آنها در مدل منظور نشده و خارج از مدل است. متغیرهای درون‎زا متغیرهایی هستند که تغییرات آنها توسط متغیرهای موجود در مدل پیش‎بینی شده است (خاکی، ۱۳۹۰: ۲۶۵). شیوه‎های متفاوتی برای قضاوت درباره برازش کل مدل وجود دارد. یک پژوهشگر باید از معیارهای مختلف برای قضاوت در مورد برازش مدل استفاده کند؛ زیرا، شاخص واحدی وجود ندارد که به طور قطعی برای آزمون مدل مورد قضاوت و ارزیابی قرار گیرد (کلانتری، ۱۳۸۸).
۲-۷-۳ روش حداقل مربعات جزئی (PLS)
روش تخمین PLS ضرایب را به گونه‌ای تعیین می‌کند که مدل حاصله، بیشترین قدرت تفسیر و توضیح را دارا باشد؛ بدین معنا که مدل بتواند با بالاترین دقت و صحت، متغیر وابسته نهایی، را پیش بینی نماید. روش حداقل مربعات جزئی که در بحث الگوسازی رگرسیونی آن ‌را با PLS نیز معرفی می‌کنند، یکی از روش‌های آماری چند متغیره محسوب می‌شود که به وسیله آن می‌توان علیرغم برخی محدودیت‌ها مانند: نامعلوم بودن توزیع متغیر پاسخ، وجود تعداد مشاهدات کم و یا وجود خود همبستگی جدی بین متغیرهای توضیحی؛ یک یا چند متغیر پاسخ را به طور هم زمان در قبال چندین متغیر توضیحی الگوسازی نمود. روش حداقل مربعات جزئی همانند همه روش­های مدل­یابی معادلات ساختاری، شامل یک جزء ساختاری است که روابط بین متغیرهای پنهان و یک جزء اندازه ­گیری را که بیانگر چگونگی ارتباط متغیرهای پنهان و مؤلفه­ های آن است را منعکس می­ کند. این روش، جزء سومی دارد که عبارت است از روابط وزنی برای برآوردهای عاملی متغیرهای پنهان به کار می­روند. در واقع ایده اصلی روش PLS این است که اول رابط وزنی که مؤلفه­ های یک متغیر پنهان با به کار گیری روابط وزنی و بر اساس میانگین موزون مؤلفه­ های آن محاسبه کرده و نهایتا این بارهای عاملی را برای برآورد پارامترهایی برای روابط ساختاری در مجموعه ­ای از معادلات رگرسیون به کار گیرد.
روش تخمین PLS ضرایب را به گونه ­ای تعیین می­ کند که مدل حاصله، بیشترین قدرت تفسیر و توضیح را دارا باشد؛ بدین معنا که مدل بتواند با بالاترین دقت و صحت، متغیر وابسته نهایی را پیش ­بینی نماید. به علاوه، روش PLS تمامی روابط موجود در مدل یعنی تأثیر متقابل مابین هر یک از متغیرهای پنهان و همچنین وزن تمامی شاخص­ های قابل اندازه ­گیری مربوط به هر یک از متغیرهای پنهان (ضرایب بیرون از مدل اندازه ­گیری) را تخمین می­زند. PLS یک روش آماری است که به منظور تجزیه و تحلیل متغیرهای پنهان مدل­های ساختاری به کار می­رود. برخلاف روش­هایی همچون لیزرل، هدف PLS به دست آوردن متغیرهای پنهان برای پیش ­بینی اهداف مورد نظر با بهره گرفتن از شاخص­ های قابل اندازه ­گیری است.
۸-۳ خلاصه فصل سوم
بشر در هر دوره تاریخی به آگاهی از روش و ابزار کسب معلومات و به عبارتی روش‎های تحقیق نیاز داشته و دارد. بنابراین لازم است پژوهشگران، اساتید، دانشجویان و اساساً هرکسی که می‎خواهد بداند و مجهولی را کشف نماید و یا بر دامنه معلومات بشر بیفزاید، از روش‎های تحقیق آگاهی یافته، فنون کشف واقعیت‎ها و شناخت حقایق را فراگیرد (حافظ نیا، ۱۳۸۲). این فصل با روش‎شناسی پژوهش در ارتباط بود و تمامی جنبه‎های طرح پژوهش را در بر داشت؛ به طوری که، پس از تبیین روش پژوهش و روش جمع‎آوری داده‎ها، آزمون­های آماری مورد استفاده در تجزیه و تحلیل این داده ­ها تشریح شدند.
فصل چهارم: تجـزیـه و تحلیـل یـافته­هـای آمـاری پـژوهـش