نوامبر 28

پایان نامه با واژگان کلیدی تحلیل عاملی، تحلیل عامل، معادلات ساختاری، استاندارد

ی توزیع نرمال است.
۱۰.۴.۴- آزمون نرمال بودن متغیر گرایش به خرید محصولات مصرفی با درگیری ذهنی پایین
درمتغیرگرایش به خرید محصولات مصرفی با درگیری ذهنی پایین طبق نمودار(۴-۲۵) مقدار P-valueآزمون اندرسون دارلینگ عدد ۱۱/۰است این مقدار بزرگتراز۰۵/۰است، پس این متغیر دارای توزیع نرمال است.
۱۱.۴.۴- خلاصه نتایج آزمون نرمال بودن متغیرهای پژوهش وروش تبدیل داده ها
در این قسمت خلاصه ای از نتایج مربوط به آزمون نرمال بودن متغیرهای پژوهش بیان می شود که در جدول(۴-۱۳) نشان داده شده است.
جدول۴-۱۳: خلاصه نتایج نرمال بودن متغیرها
ردیف
متغیر
آزمون
مقداراولیه۱۸۴
P-value
وضعیت اولیه
مقدارثانویه۱۸۵
P-value
وضعیت نهایی
۱
تمایل
اندرسون- دارلینگ
۰.۰۳۸
نرمال نیست
۰/۰۶۸
نرمال است
۲
ترجیح
اندرسون- دارلینگ
۰.۰۱۵
نرمال نیست
۰.۱۱۲
نرمال است
۳
مجاب شدن
اندرسون- دارلینگ
۰.۰۵۲
نرمال است


۴
مواجهه
اندرسون- دارلینگ
۰.۰۸
نرمال است


۵
توجه
اندرسون- دارلینگ
۰.۱۵
نرمال است


۶
درک
اندرسون- دارلینگ
۰.۲۱
نرمال است


۷
تبلیغات هیجانی
اندرسون- دارلینگ
۰.۲۷
نرمال است


۸
یادآوری تبلیغات هیجانی
اندرسون- دارلینگ
۰.۱۹
نرمال است


۹
گرایش به خرید محصولات مصرفی با درگیری پایین
اندرسون- دارلینگ
۰.۱۱
نرمال است


۵.۴- تحلیل عاملی تاییدی
۱.۵.۴- مدل سازی معادلات ساختاری
این روش که به واقع بسط تحلیل عاملی معمولی است، یکی از جنبه های مهم SEM است، که درآن فرضیه های معینی درباره ساختار بارهای عاملی و همبستگی های متقابل بین متغیرها مورد آزمون قرار می گیرد. از لحاظ سنتی، تحلیل عاملی با آشکار ساختن ابعاد زیربنایی یا واریانس عامل مشترک در مجموعه ای از پرسش ها یا سوالهای تستی سر و کار دارد. برای معرفی یک سازه نظری، معمولا مجموعه ای از پرسش ها تهیه می شود و تحلیل عاملی به تدوین شاخصی که در پژوهش به کار می رود ، کمک خواهد کرد. برای معرفی ابعاد زیربنایی سازه مورد نظر، تحلیل عاملی می تواند یک یا چند عامل را آشکار سازد. برپایه نتایج تحلیل عاملی می توان گفت که یک سازه، تک بعدی یا چند بعدی است. به این رویکرد، در حال حاضر، به سبب آنکه دارای ماهیت اکتشافی است و نه ماهیت آزمون فرضیه، تحلیل عاملی اکتشافی۱۸۶ گفته می شود. عامل ها چون در تحلیل عاملی مشاهده ناپذیر است متغیر مکنون خوانده می شود، این عامل ها در تحلیل عاملی، پیش بینی کننده پاسخ ها در متغیرهای اندازه گرفته شده و مشاهده شده هستند. همچنین روایی یک تحلیل عاملی تا حدودی از طریق تعیین این مطلب مشخص می شود که عامل ها با چه دقتی واریانس موجود در پرسش های انفرادی را توجیه می کنند. یعنی، چقدراز واریانس موجود در پرسش ها با عامل ها اشتراک دارد (دلاور،۱۳۸۶: ۳۶). مدل یابی معادلات ساختاری، علاوه بر تحلیل اکتشافی، تحلیل عاملی تاییدی۱۸۷ را نیز به کار می برد.این تحلیل اساساً یک روش آزمون فرضیه است، و بر این مفروضه متکی است که شما درباره اینکه “مؤلفه متغیرهای مکنون چیست” اندیشه ای دارید؛ یعنی به دنبال یافتن نشانگرها نیستید. SEM این مطلب را که آیا نشانگرهایی که برای معرفی سازه یا متغیرمکنون خود برگزیده اید، و ابعاد معرف آن است یا نه، می آزمایید و گزارش می دهد که نشانگرهای انتخابی با چه دقتی معرف یا برازنده متغیر مکنون است.
مدل یابی معادلات ساختاری بر پایه فرضیه هایی درباره وجود روابط علّی بین متغیرها، مدل های علّی را با دستگاه معادله خطی آزمون می کند. بدین ترتیب، SEM، روابط نظری بین شرایط ساختاری معین و مفروض را می آزماید و برآورد روابط علّی میان متغیرهای مکنون (مشاهده نشده) و نیز روابط میان متغیرهای اندازه گیری شده (مشاهده شده) را امکان پذیر می سازد. در مدل معادلات ساختاری که یک فن نیرومند تحلیل چند متغیره است، تک تک گویه ها با خطا های مجزا تحلیل می شود، دراین روش برای رسیدن به نتیجه نهایی، ابتدا باید از معنا داری و برازش جزئی اطمینان حاصل کرد، تا در نهایت به ترسیم مدل کلی اقدام نمود(همان منبع: ۵۲).
در این بخش اجزای مدل مفروض تحقیق به ترتیب آورده می شود، اولین مدل مربوط به متغیر تمایل است، این مدل در حالت مقادیر استاندارد شده ((T-values نمایش داده شده است.
۱.۱.۵.۴- تحلیل SEM متغیر تمایل
اولین مدل مربوط به متغیر تمایل است، این مدل در حالت مقادیر استاندارد شده ((T-values نمایش داده شده است .
۲.۱.۵.۴- شاخص های برازش مدل
پس از ترسیم مدل و اطمینان اولیه از صحت و معناداری اطلاعات ، مهمترین مبحث ، معناداری مدل توسط شاخصهایی است که که اصطلاحا «شاخص های نیکویی برازش» نامیده می شود، معیارهای علمی قابل قبول برای تایید مدل نظری تدوین شده با استفاده از داده های گردآوری شده، خود بحث اصلی در «شاخص برازش مدل» را تشکیل می دهد شاخص هایی که گاه به نام شاخص نیکویی برازش۱۸۸(چرا که هر چه مقدار آن شاخص ها افزایش یابند نشانه ای از حمایت قوی تر داده ها از مدل نظری تفسیر می شود) و گاه به نام شاخص بدی برازش۱۸۹ (زیرا که هر مقدار آن افزایش می یابد نشانه ای از حمایت ضعیف تر داده ها از مدل نظری تحقیق تلقی می شود). (هومن،۱۳۹۱: ۲۷۰). گرچه نیمی از شاخصهای برازش، شاخص های بدی برازش است که مقادیر آن همواره بایستی پایین تر یک مقدار مشخص باشد .در کل برای شاخص های برازش مدل آزمون های گوناگونی وجود دارد و هنوز درباره آزمونهای بهینه ای که مورد توافق همگان باشد، وجود ندارد. اما بطور کلی چندین شاخص برای سنجش برازش مدل مورد استفاده قرار میگیرد ولی معمولاً برای تایید مدل، استفاده از سه تا پنج شاخص کافی به نظر می رسد (دلاور،۱۳۸۶: ۵۹).که در این پژوهش نیز برای ارزیابی نیکویی برازش تمامی مدلها ازمعیارهای اشاره شده زیر استفاده شده و عدد مربوط به هریک از این شاخصهای مهم (۱۹۰GFI،AGFI191 ، ۱۹۲RMSEA ، ۱۹۳CFI) در جدول اختصاصی به تفکیک آورده شده است.
۱. شاخصهای GFI وAGFI
شاخص GFI مقدار نسبی واریانس ها و کواریانسها را به گونه مشترک از طریق مدل ارزیابی میکند. دامنه تغییرات GFI بین صفرویک می باشد. مقدار GFI باید برابریا بزرگتراز۹۰/۰ باشد. شاخص برازندگی دیگر AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی می باشد. این مشخصه معادل با کاربرد میانگین مجذورات به جای مجموع مجذورات در صورت و مخرج است. مقدار این شاخص نیز بین صفر و یک می باشد. شاخصهای GFI و AGFI کرده اند بستگی به حجم نمونه ندارد.
۲. شاخص RMSEA
این شاخص، ریشه میانگین مجذورات تقریب می باشد. شاخص RMSEA برای مدلهای خوب کمتر یا برابر ۰۵/۰ است. مدل هایی که RMSEA آنها ۱/۰ یا بالاتر باشد برازش ضعیفی دارند.
۳. مجذورکایx^2
آزمون مجذور کای (خی دو) این فرضیه را که آیا مدل مورد نظر هماهنگ با الگوی همپراشی بین متغیرهای مشاهده شده است یا خیر، را می آزماید، کمیت خی دو بسیار به حجم نمونه وابسته می باشد و نمونه بزرگ کمیت خی دو را بیش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد، افزایش می دهد (هومن،۱۳۹۱:۴۲۲-۴۱۸).
۴. شاخصNFI،CFI
شاخص NFI که (شاخص بنتلر- بونت هم نامیده می شود) برای مقادیر بالای ۹۰/۰ قابل قبول و نشانه برازندگی مناسب مدل است. شاخص CFIبزرگتر از ۹۰/۰ قابل قبول و نشانه برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که در آن بین متغیر ها هیچ رابطه ای نیست با مدل پیشنهادی مورد نظر، مقدار بهبود را نیز می آزماید. شاخصهای دیگری نیز در خروجی نرم افزار LISREL دیده می شوند که برخی مثلAIC, CAIC, ECVA برای تعیین برازنده ترین مدل از میان چند مدل مورد توجه قرار می گیرند. برای مثال مدلی که دارای کوچکترین AIC,CAIC,ECVA باشد برازنده تر است. برخی از شاخصها نیز به شدت وابسته حجم نمونه اند و در حجم نمونه های بالا می توانند معنا داشته باشند، اما در اغلب تحقیقات بیشتر تاکید محققان بر شاخص های برازش CFI و RMSEA می باشد چرا که این شاخص ها کمترین حساسیت را نسب به اندازه نمونه دارد و مقدار آنها به ترتیب بیشتر از ۹/۰ و کمتر از ۰۸/۰ می باشد، ضمنا این شاخص اغلب برای تست برازش مدل در نمونه های کمتر از ۲۰۰ نیز کاربرد دارد ( کلانتری،۱۳۸۷: ۱۳۲-۱۳۰).
اولین معیار قضاوت برازش مدل (۴-۱)، مقدار درجه آزادی بر روی کای اسکوئرx^2/dfاست که برای تک بعدی بودن سازه ها استفاده می شود که مقدار آن باید کمتر از ۳باشد، مقدار این شاخص ها برای مدل حاضر۱۲۶/۱=((x^2 47/33)/( df 42)) است. همچنین شاخص های برازش مهم دیگر به ترتیب در جدول (۴-۱۴) آورده شده است، همان گونه که مشاهده می شود تقریبا تمامی شاخص ها کفایت آماری دارند، بنابراین با اطمینان بسیار بالایی می توان دریافت در مورد این متغیر برازش کامل به دست آمده است.
جدول۴-۱۴: شاخص های برازش متغیر تمایل
شاخص
نام شاخص
اختصار
مقدار
برازش قابل قبول
شاخص های برازش مطلق
سطح تحت پوشش
Chi-Square
۴۹
بزرگ تر از ۵ درصد
شاخص نیکویی برازش
GFI
۹۷/۰
GFI%90
شاخص های برازش تطبیقی
شاخص نیکویی برازش اصلاح شده
AGFI
۹۶/۰
AGFI%90
شاخ های برازش تطبیقی
CFI
۹۹/۰
CFI%90
شاخص های برازش مقتصد
ریشه میانگین مربعات خطای برآورد
RMSEA
۰۲۲/۰
RMSEA%10
۳.۱.۵.۴- تحلیل SEM متغیرترجیح
دومین مدل مربوط به متغیر ترجیح است، مقدار درجه آزادی بر روی کای اسکوئرx^2/df برای مدل حاضر۵۱۴/۱=((x^2 19/69)/( df 13)) ، و مقدار۰۴۰/۰= RMSEA است، این مدل درحالت مقادیر استاندارد شده((T-values نمایش داده شده است.
جدول۴-۱۵: گزیده ای از شاخص های برازش متغیر ترجیح
شاخص
نام شاخص
اختصار
مقدار
برازش قابل قبول
شاخص های برازش مطلق
سطح تحت پوشش
Chi-Square
۱۹
بزرگ تر از ۵ درصد
شاخص نیکویی برازش
GFI
۹۸/۰
GFI%90
شاخص های برازش تطبیقی
شاخص نیکویی برازش اصلاح شده
AGFI
۹۶/۰
AGFI%90
شاخ های برازش تطبیقی
CFI
۹۹/۰
CFI%90
شاخص های برازش مقتصد
ریشه میانگین مربعات خطای برآورد
RMSEA
۰۴۰/۰
RMSEA%10
در جدول(۴-۱۵) مهم ترین و متداول ترین شاخص های برازش آورده شده است. همان گونه که در جدول زیر دیده می شود تقریبا تمامی شاخص ها کفایت آماری دارند، بنابراین با اطمینان بسیار بالایی می توان دریافت در مورد این متغیر برازش کامل به دست آمده است.
۴.۱.۵.۴- تحلیل SEM متغیرمجاب شدن
سومین مدل مربوط به متغیر مجاب شدن است ، مقدار درجه آزادی بر روی کای اسکوئرx^2/df برای مدل
حاضر۲۹۰/۱=((x^2 43/88)/( df 34)) ، و مقدار RMSEA=0/030 است، این مدل در حالت مقادیر



همه حقوق محفوظ است

Posted نوامبر 28, 2018 by admin2 in category "No category

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *