پس از این مرحله، مسیرها و روابط علّی بین متغیرهای نهفته نظری در مدل ساختاری مشخص گردید (مرحله دوم). در مدل ساختاری به این سوال پاسخ داده می شود که چگونه میتوان روابط علّی بین متغیرهای نهفته را بررسی و تاثیرات علّی و میزان واریانس تبیین شده را مورد بررسی قرار داد؟ به عبارت دیگر، مدل ساختاری نشان میدهد که چه میزان از واریانس متغیر نهفته توسط سایر عوامل (به جز متغیر یا متغیرهای نهفته مورد نظر در مدل) تبیین می شود (کلانتری، ۱۳۸۸).
۳-۵-۲-۱ فرضهای مدل سازی معادلات ساختاری
همانند هر روش آماری، معادلسازی معادلات ساختاری نیز با برخی فرضها مواجه میباشد. حجم نمونه، تعداد متغیرهای موجود در مدل، نرمال بودن توزیع داده ها و گزینه های بیپاسخ مواردی است که هنگام استفاده از مدلسازی معادلات ساختاری باید مورد توجه قرار گیرد. در خصوص تعداد نمونه مورد نیاز برای مدلسازی معادلات در بین صاحبنظران اجماع وجود ندارد. برخی مانند (Anderson and Gerbing,(1988 اعتقاد دارند که مدلسازی معادلات ساختاری با ۵۰ نمونه قابل اجراست. این در حالی است که هایر حداقل تعداد نمونه را برای اطمینان به برآورد حداکثر درست نمایی ۱۰۰ مورد میداند (Hair et al,1995). به طور کلی در این نوع مطالعات، نتایج حاصل از حجم نمونه کمتر از ۱۰۰ عدد از اعتبار لازم برخوردار نیستند (کلانتری، ۱۳۸۸). با این حال، هرچه تعداد متغیر در یک مدل بیشتر باشد باید حجم نمونه نیز افزایش یابد. تعداد نمونه در این پژوهش ۳۹۰ مورد میباشد که برای استفاده از مدلسازی معادلات ساختاری مناسب میباشد.
( 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. )
در مورد تعداد متغیرهای موجود در مدل نیز در بین صاحبنظران اتفاق نظر وجود ندارد و تعداد این متغیرها به موضوع مورد مطالعه، هدف تحقیق و امکان سنجش این متغیرها بستگی دارد. در مجموع هر چه مدل طراحی شده پیچیده باشد دستیابی به برازش مدل مشکلتر می شود. از سوی دیگر، محدود کردن بیش از حد متغیرها در مدل یا حذف متغیرهای نهفته مهم یا متغیرهای آشکار، منجر به افزایش خطا در مدل ساختاری میگردد. بنابراین باید تعادل مناسبی از نظر تعیین تعداد متغیرها در مدل مد نظر قرار گیرد. هرچند که قاعده قطعی برای تعیین تعداد متغیرهای یک مدل وجود ندارد، اما عدهای معتقدند که در یک مدل نباید بیش از ۲۰ متغیر (نهفته و آشکار) وارد کرد (کلانتری، ۱۳۸۸). تعداد متغیرهای نهفته و آشکار در این پژوهش ۸ متغیر است که برای استفاده از مدلسازی معادلات ساختاری مناسب میباشد.
۳-۵-۲-۲ نحوه ارزیابی برازش مدل
منظور از برازش مدل این است که مدل تدوین شده برمبنای چارچوب نظری و پیشینه تجربی تا چه اندازه با واقعیت انطباق دارد؟ حال اگر داده های گردآوری شده از یک نمونه آماری را برآوردی از واقعیت تلقی کنیم میتوان سؤال مذکور را به این نحو تغییر داد که داده های گردآوری شده تا چه حد حمایت کننده مدلی است که به لحاظ نظری تدوین شده است؟ محقق با توجه به تلاشی که در تدوین مدل نظری خود و گردآوری داده ها به انجام رسانده است، این انتظار را دارد که برازش داده ها به مدل، در پژوهش او بر اساس معیارهای علمی قابل قبول باشد. تائید مدل نظری با بهره گرفتن از داده های گردآوری شده، از طریق شاخص های برازش مدل امکان پذیر است (قاسمی،۱۳۸۹).
در مدلسازی معادلات ساختاری، مجموعه ای از شاخص های نیکویی برازش وجود دارد که مشخص‌کننده برازش مدل با دادههاست. اگرچه شاخص های زیادی (بیش از ۳۰ شاخص) برای برازش مدل وجود دارد ولی در بین محققان و صاحبنظران در خصوص کارایی و میزان مفید بودن این شاخص ها توافق وجود ندارد. برای مثال، کلاین (۱۹۹۸) حداقل چهار شاخصGFI, NFI یا CFI, NNFI, RMSEA را برای برازش مدل توصیه می کند. (Anderson and Gerbing,(1988 یک یا چندشاخص کلی نیکویی برازش را پیشنهاد می کنند.
سه گروه کلی از شاخص های برازش مدل عبارتند از: شاخص های برازش مطلق[۶۳]، شاخص های برازش افزاینده[۶۴] و شاخص های برازش کاهنده[۶۵]. در این پژوهش نیز، از هر گروه از شاخص های برازش، آن شاخص هایی انتخاب گردید که عموماً در تحقیقات بازاریابی از آنها برای برازش مدل استفاده می کنند. شاخص های انتخاب شده در جدول ۳- ۳ ارائه شده است:
جدول ۳-۳ : شاخص های استفاده شده در این تحقیق برای برازش مدل
نام شاخص
سطح قابل قبول
توضیحات
شاخص های برازش مطلق:
مقدار کای اسکوئر به لحاظ نظری در دامنه بین صفر تا بی نهایت تغییر می کند. هر جه مقدار این شاخص کوچک‌تر باشد برارزش داده ها به مدل بهتر است این شاخص به نمونه زیاد خیلی حساس است بویژه برای نمونههای بالاتر از ۲۰۰ عدد (Bogazzi and yi,1998; Marsh et al,1998). محققان از این شاخص به تنهایی برای رد یا پذیرش برازش مدل استفاده نمیکنند اما در کنار سایر شاخص‌ها از آن برای ارزیابی کلی مدل استفاده می کنند.
کای اسکوئر
شاخص نیکویی برازش[۶۶]
(GFI)
۹۰/۰ یا بیشتر
مقدار نزدیک به صفر نشان دهنده برازش ضعیف و مقدار نزدیک به یک نشان دهنده برازش کامل مدل است.
ریشه میانگین مربعات
خطای برآورد[۶۷]
(RMSEA)
کمتر از ۰۸/۰
این شاخص هنگامی که درجه آزادی کوچک است و حجم نمونه نیز بزرگ نیست می تواند گمراه کننده باشد (قاسمی، ۱۳۸۹). مقدار کمتر از ۰۵/۰ نشان دهنده برازش خوب مدل، بین ۰۵/۰ تا ۰۸/۰ برازش قابل قبول، بین ۰۸/۰ و ۱/. برازش متوسط و بزرگ‌تر از ۱/. بزازش ضعیف میباشد (کلانتری، ۱۳۸۸ و قاسمی، ۱۳۸۹)
شاخص های برازش افزاینده:
مقدار نزدیک به صفر نشان دهنده برازش ضعیف و مقدار نزدیک به یک نشان دهنده برازش کامل است.
شاخص برازش هنجار شده[۶۸] (NFI)
۹۰/. یا بیشتر
شاخص های برازش کاهنده
