Q26

۷۸/۰

۸۷/۸

۰۱/۰

کیفیت متصور از خرید

Q1

۷۷/۰

۱۵/۸

۰۱/۰

Q2

۷۸/۰

۳۰/۸

۰۱/۰

محلی بودن اقدامات مسئولیت اجتماعی

Q8

۵۷/۰

۶۱/۴

۰۱/۰

Q9

۳۹/۰

۴۸/۳

۰۱/۰

برای ارزیابی مدل تحلیل عاملی تاییدی و مدل مسیر چندین مشخصه برازندگی وجود دارد. در این پژوهش برای ارزیابی مدل تحلیل عاملی تاییدی از شاخص های x² ، میانگین مجذور پس‌ماندهاRMR، شاخص برازندگیGFI، شاخص تعدیل برازندگیAGFI، شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI)، شاخص برازندگی تطبیقی (CFI) و شاخص بسیار مهم ریشه دوم برآورد واریانس خطای تقریبRMSEA استفاده شده است.

از آزمون x² اغلب به عنوان شاخص موفقیت نام برده می‌شود. این شاخص به سادگی نشان می‌دهد که آیا بیان مدل ساختار روابط میان متغیرها مشاهده شده را توصیف می‌کند یا خیر. هر چقدر مقدار x² کوچکتر باشد بهتر است. این شاخص معمولاً تحت شرایط نرمال بودن چند متغیره^[۲۲] صادق است و نسبت به اندازه نمونه حساس است، زیرا ممکن است یک مدل در اندازه نمونه کم تناسب داشته باشد، ولی در نمونه زیاد برازش نداشته باشد. برخی از محققان از نسبت به عنوان شاخصی جایگزینی استفاده می‌کنند، اما این شاخص نیز محدودیت‌هایی مشابه با x² دارد. در مورد نسبت مجذور کای x² به درجه آزادی قطعیت وجود ندارد و در منابع تا مقدار زیر ۳ آن قابل قبول است. معیار GFIنشان دهنده اندازه ای از مقدار نسبی واریانس ها و کواریانس ها می باشد که توسط مدل تبیین می شود. این معیار بین صفر تا یک متغیر می باشند که هرچه به عدد یک نزدیکتر باشند , نیکویی برازش مدل با داده های مشاهده شده بیشتر است. مقدار GFI گزارش شده برای این مدل با مقدار ۹۱/۰است. ریشه دوم میانگین مجذور پس‌ماندها یعنی تفاوت بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریس‌های برآورد یا پیش‌بینی شده با فرض درست بودن مدل مورد نظر است .هرچه RMR برای مدل مورد آزمون نزدیک‌تر به صفر باشد، مدل مذکور برازش بهتری دارد، مقدار نا چیز RMR در این پژوهش(۱۳/۰)، نشان از تبیین مناسب کوواریانس ها دارد. SRMR، معیار میانگین اختلاف بین داده‌ها و ماتریس کواریانس- واریانس باز تولید شده (implied) است. این معیار هر چقدر که کوچکتر باشد(زیرا ۰۵/۰ بسیار عالی و زیر ۸۰/۰مناسب و زیر ۰۱/۰ نامناسب است) برای تناسب مدل با داده‌ها بهتر است. این شاخص یک شاخص با ارزشی است هنگامی که میانگین ماتریس واریانس- کواریانس داده‌ها شناخته شده باشد. ارزیابی آن هنگامی که ماتریس واریانس- کواریانس غیراستاندارد مورد استفاده قرار گیرد سخت و مشکل است. برای بررسی اینکه یک مدل به خصوص در مقایسه با سایر مدل‌های ممکن، از لحاظ تبیین مجموعه‌ای از داده‌های مشاهده شده تا چه حد خوب عمل می‌کند از مقادیر شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI) و شاخص برازندگی تطبیقی (CFI) استفاده شده است. مقادیر بالای ۹/۰ این شاخص ها حاکی از برازش بسیار مناسب مدل طراحی شده در مقایسه با سایر مدل های ممکنه است. در نهایت برای بررسی اینکه مدل مورد نظر چگونه برازندگی و صرفه‌جویی را با هم ترکیب می‌کند از شاخص بسیار توانمند ریشه دوم برآورد واریانس خطای تقریبRMSEA استفاده شده است. شاخص RMSEA، ریشه میانگین مجذورات تقریب می باشد. این شاخص برای مدلهای برازش یافته زیر ۰۸/۰ است.
جدول۴-۱۱شاخص های برازندگی مدل اندازه گیری متغیر های مدل

شاخص

حد مطلوب

مقدار گزارش شده

میانگین مجذور پس‌ماندها RMR

نزدیک به صفر