مرحله تخمین مدل: هنگامی که یک مدل بیان شد و حالت تعیین آن مورد ارزیابی قرار گرفت؛ کار بعدی به دست آوردن تخمین‌های پارامترهای آزاد از روی مجموعه‌ای از داده‌های مشاهده شده است. این مرحله شامل یک سری فرآیندهای تکراری است، که در هر تکرار یک ماتریس کوواریانس ضمنی ساخته می‌شود، و با ماتریس کوواریانس داده‌های مشاهده شده مقایسه می‌گردد. مقایسه این دو ماتریس منجر به تولید یک ماتریس باقی‌مانده می‌شود، و این تکرارها تا جایی ادامه می‌یابد، که این ماتریس باقی‌مانده به حداقل ممکن برسد (Holey, 1995).
گام‌های موجود در این مرحله به شرح زیر است:
گام اول: جمع آوری داده‌ها: در این مرحله انتخاب اندازه نمونه مهم است. زیرا بسیاری از روش‌های تخمین موجود در مدل معادلات ساختاری و شاخص‌های ارزیابی متناسب بودن مدل نسبت به اندازه نمونه حساس است. بنتلر^[۵۵] پیشنهاد نموده که همواره نسبت ۱۰ به ۱ بین اندازه نمونه و تعداد پارامترهای آزاد که می‌بایستی تخمین زده شود وجود داشته باشد (شمس،۱۳۸۶)
گام دوم: ساخت ماتریس واریانس – کوواریانس متغیرهای اندازه گیری شده: بعد از بیان مدل و جمع آوری داده‌ها، تخمین مدل با مجموعه‌ای از روابط شناخته شده بین متغیرهای اندازه گیری شده شروع می‌شود. این روابط در ماتریسی به نام ماتریس واریانس –کوواریانس یا ماتریس همبستگی مرتب می‌شود (شمس،۱۳۸۶).
گام سوم: ایجاد یک مجموعه‌ای از ماتریس‌ها برای برنامه لیزرل و اجرای آن: در یک تخمین هم زمان، به علت این که تخمین مدل ساختاری و مدل اندازه گیری به طور هم زمان صورت می‌گیرد، ممکن است یک راه حل برای پارامترهای مدل ساختاری و مدل اندازه گیری به هم وابسته شوند. بنابراین بهتر است، برای جلوگیری از ابهامات تفسیری متغیرهای مکنون، ابتدا مدل اندازه گیری و سپس مدل ساختاری تخمین زده شود.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
مرحله ارزیابی تناسب یا برازش: برازش یک مدل وقتی گفته می‌شود، با یک سری داده‌های مشاهده شده تناسب دارد؛ که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده‌های مشاهده شده، معادل شده باشد. بدین معنی که ماتریس نزدیک صفر باشد Holey, 1995). )
تنها گام موجود در این مرحله به این شرح است: بررسی معیار کلی تناسب مدل و قابلیت آزمون پذیری مدل و ارزیابی موضوع که آیا اصلاحات مورد نیاز است یا خیر؟
هنگامی که یک مدلی تخمین زده می‌شود؛ برنامه نرم افزاری یک سری آمارهایی از قبیل : خطای استاندارد، T – Value و غیره را درباره ارزیابی تناسب مدل با داده‌ها منتشر می‌کند. اگر مدل قابل آزمون باشد ولی با داده‌ها به طور مناسب تناسب نداشته باشد، شاخصهای اصلاحی که یک وسیله معتبر برای ارزیابی تغییرات مورد نظر در بیان مدل هستند، به کار گرفته می‌شوند، تا مدل متناسب با داده‌ها شوند. مهمترین شاخص تناسب مدل، آزمون ^۲χ است، ولی به خاطر این که آزمون ^۲χ تحت شرایط خاصی عمل می‌کند و همیشه این شرایط محقق نمی‌شود، لذا یکسری شاخص‌های ثانویه‌ای نیز ارائه می‌گردد. مهم‌ترین این شاخص‌ها عبارتند از: GFI، AGFI، RMSR
حالتهای بهینه برای این آزمون‌ها به شرح زیر است:
۱- آزمون ^۲χ هر چه کمتر باشد بهتر است، زیرا این آزمون اختلاف بین داده و مدل را نشان می‌دهد.
۲- آزمون GFI و AGFI از ۸۰ درصد بایستی بیشتر باشد.
۳- آزمون RMSR هر چه کمتر باشد بهتر است، زیرا این آزمون یک معیار برای میانگین اختلاف بین داده‌های مشاهده شده و داده‌های مدل است.
مرحله اصلاح مدل: یکی از مهم‌ترین جنبه‌های بحث برانگیز مدل معادلات ساختاری اصلاح مدل است. اصلاح مدل مستلزم تطبیق کردن یک مدل بیان شده و تخمین زده شده است، که این کار از طریق آزاد کردن پارامترهایی که قبلاً ثابت بوده‌اند، و یا ثابت کردن پارامترهایی که قبل از آن آزاد بوده‌اند، صورت می‌گیرد. این مرحله را می‌توان با مقایسه‌های تبعی یا Post Hoc در ANOVA قیاس کرد (Holey, 1995).
مهم‌ترین گام موجود در این مرحله به این شرح است: اگر اصلاحاتی مورد نیاز باشد، مشخصات مدل (پارامترها) را ارزیابی کنید؛ و مشخصات جدیدی را وارد کنید. اصلاحات این مرحله شامل شناسایی محدودیت‌ها و اضافه کردن پارامترهای اضافی است.
مرحله تفسیر مدل: اگر آزمون‌های تناسب نشان دهند، که مدل به طور کافی متناسب با داده‌ها می‌باشد، در این مرحله ما بر روی عوامل مشخص شده (پارامترهای مدل)، مدل متناسب شده تمرکز می نماییم. در این مرحله، معناداری پارامترهای مدل مورد ارزیابی قرار می‌گیرد. آزمون‌ها و مقایسه تخمین پارامترها و همچنین نمایش آن‌ها مستلزم تخمین‌های استاندارد شده‌ای است. به همین دلیل در این مرحله تخمین‌های غیر استاندارد را که عمدتاً به مقیاس خود وابسته هستند، را به تخمین‌های استاندارد شده‌ای که وابسته به مقیاس خود نیستند؛ تبدیل می‌کنیم، و این کار تا حدودی برازش و پارامترهای مدل را تحت تأثیر قرار می‌دهد (Holey, 1995).تنها گام این مرحله ارزیابی مدل و ضرایب پارامترهای مدل با آزمون فرض می‌باشد (شمس،۱۳۸۶).
ابلاغ یا نوشتن گزارش تحقیقاتی: در این مرحله نتایج مدل معادلات ساختاری به شکل نمودار مسیر ارائه می‌گردد. نمودار مسیر، یک نمایش گرافیکی از مدل معادلات ساختاری است. سه جزء اصلی این نمودار شامل مستطیلها، بیضی‌ها و پیکان‌ها هستند (Holey, 1995).
گام نهایی در هر تحقیق، گزارش نتایج تحقیق به روشی است؛ که سایر محققین بتوانند از منطق رویه ها و تجزیه و تحلیلهای تحقیق و تفسیرهای آن استفاده کنند.
آزمون‌های برازندگی مدل کلی
برازندگی، مناسب بودن و کفایت داده‌ها برای مدل مورد بررسی است. به این معنی که اگر شاخص‌های برازندگی نشان دهنده برازنده بودن مدل باشند، داده‌ها برای تجزیه و تحلیل و نتیجه‌گیری روابط موجود در مدل مناسب و کافی بوده‌اند (غفاری آشتیانی،۱۳۸۷). در دهه گذشته برای مدل‌های معادلات ساختاری آزمون‌های برازندگی متعددی ارائه شده است. با آن که انواع گوناگون آزمون‌ها که به گونه کلی شاخص‌های برازندگی نامیده می‌شوند؛ پیوسته در حال مقایسه، توسعه و تکاملند، اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد، و این شاخص‌ها به شیوه‌های مختلفی طبقه‌بندی شده است. انواع شاخص‌های برازندگی مدل عبارتند از: (هومن،۱۳۸۴، ص ۴۲).
شاخص مجذور کای (^۲χ) _ نخست شاخص کای دو برای آزمون این فرضیه صفر که مدل مورد نظر در جامعه موجه است، محاسبه می‌شود. کای دو معنادار دلالت بر رد فرضیه صفر دارد که بیان می‌کند، آن مدل در جامعه موجه نیست. وقتی حجم گروه نمونه برابر با ۷۵ تا ۲۰۰ باشد، مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدل‌های با n نمونه بزرگ‌تر، مجذور کای (همانند همه آزمون‌های معنادار بودن)، تقریباً همیشه از لحاظ آماری معنادار است. این مسئله با توجه به این مطلب که برای روش معادلات ساختاری (SEM)، گروه‌های نمونه با حجم زیاد توصیه می‌شود، تناقض دارد. علاوه بر این، مجذور کای تحت تأثیر مقدار همبستگی‌های موجود در مدل نیز هست. هرچه این همبستگی‌ها زیادتر باشد؛ برازش ضعیف‌تر است. به همین دلیل برای برازش مدل‌ها، اندازه‌های دیگری توسعه یافته است. یک راه‌ حل برای این مسئله توسعه شاخص‌های برازندگی است، که هر چند مبتنی بر مجذور کای است، اما به خاطر حجم نمونه از راهی کنترل می‌شود.
جذر برآورد واریانس خطای تقریب (RMSEA)- این اندازه که به صورت اعشاری گزارش می‌شود، مبتنی بر پارامتر غیر مرکزی است. این شاخص برای مدل‌های خوب برابر با ۰۵/۰ یا کمتر است. مدل‌هایی که RMSEA آن‌ها ۱۰/۰ یا بیشتر باشد، برازش ضعیفی دارند.
شاخص بنتلر- بونت^[۵۶]یا شاخص نرم شده برازندگی (NFI)_ شاخص نرم شده برازندگی (NFI)، مدل صفر را به عنوان مدلی که در آن همه همبستگی‌ها صفر است تعریف می‌کند. چنان چه مقدار این شاخص بین ۹۰/۰ تا ۹۵/۰ باشد قابل قبول، و مقادیر بالاتر از ۹۵/۰ عالی است. عیب آن این است که اگر پارامترهای بیشتری به مدل اضافه شود، شاخص مذکور نمی‌تواند کوچک‌تر شود، بنابراین هرچه پارامترهای زیادتری به مدل افزوده شود، شاخص مذکور بزرگ‌تر خواهد بود.
شاخص تاکر- لویز^[۵۷](TLI) یا شاخص نرم نشده برازندی ((NNFI)_ این شاخص ایراد به کار بردن شاخص نرم شده برازندی ((NFI) که برای افزودن پارامترها به مدل، جریمه‌ای وجود نداشت را با در نظر گرفتن چنین جریمه‌ای مطرح می‌کند. اگر این شاخص بزرگ‌تر از ۰/۱ باشد، برابر با ۰/۱ قرار داده می‌شود. همچنین چنانچه مقدار این شاخص بین ۹۰/۰ تا ۹۵/۰ باشد، قابل قبول تلقی می‌گردد.
شاخص برازندگی تطبیقی (CFI)_ اگر این شاخص بزرگ‌تر از ۰/۱ باشد، برابر با ۰/۱ و اگر کوچک‌تر از صفر باشد؛ برابر با صفر قرار داده می‌شود و همانند شاخص‌های قبلی چنان چه مقدار این کسر بین ۹۰% تا ۹۵% باشد، قابل قبول تلقی می‌گردد.
شاخص برازندگی (GFI) و شاخص تعدیل شده برازندگی (AGFI)_ شاخص‌های برازندگی به گونه کلی در دامنه بین صفر و یک قرار داده می‌شوند. ضرایبی که بالاتر از ۹۰% باشد، قابل قبول در نظر گرفته می‌شوند، هر چند این نیز مانند سطح ۰۵/۰=P، اختیاری است. به طور کلی مقادیر شاخص‌های GFI و AGFI با نزدیک‌تر شدن به عدد ۰/۱ برازندگی خوب مدل را نشان می‌دهند. از میان شاخص‌های ذکر شده، به گونه کلی RMSEA به عنوان یک شاخص مطلوب و CFI به عنوان بهترین شاخص در نظر گرفته می‌شود.
فصل چهارم
تجزیه و تحلیل داده‌ها

۴-۱) مقدمه

در این تحقیق برای تجزیه و تحلیل داده‌های جمع آوری شده ابتدا در سطح توصیفی با بهره گرفتن از شاخص‌های آماری به توصیف و تلخیص ویژگی‌های جمعیت شناختی افراد نمونه در تحقیق شامل جنسیت، سن، تحصیلات، وضعیت تأهل پرداخته می‌شود سپس آمار تحلیلی مطرح می‌گردد؛ که در آن مدل اندازه گیری تحقیق برازش شده و بعد مدل اصلی تحقیق بررسی می‌شود. در نهایت فرضیات تحقیق آزمون می‌شوند. تجزیه و تحلیل مذکور به وسیله نرم افزار Lisrel8.2 انجام می‌گیرد.

۴-۲) آمار توصیفی

برای توصیف متغیرها در این تحقیق از شاخص‌های آمار توصیفی استفاده خواهد شد. آمار توصیفی شامل تنظیم جداول فراوانی ، درصد فراوانی و برآورد مشخصه‌ های مرکزی و پراکندگی همچون( میانگین ، واریانس ، انحراف معیار و غیره.) و رسم گراف‌های آماری مرتبط می‌باشد.

۴-۲-۱) تحلیل جمعیت شناختی نمونه

در این بخش به تجزیه تحلیل وضعیت توزیع نمونه آماری حاصل از توزیع پرسشنامه از حیث متغیرهای جمعیت شناختی، پرداخته می‌شود. جنسیت، سن، تحصیلات، وضعیت تأهل از جمله متغیرهایی هستند که چگونگی توزیع آن‌ها در بین پاسخگویان به پرسشنامه مورد بررسی قرار می‌گیرد.
توصیف متغیرهای جمعیت شناختی

۴-۲-۱-۱) جنسیت

با توجه به جدول زیر مشاهده می‌شود که ۴۳% از پاسخگویان زن و ۵۶% مرد هستند.
جدول ۴- ۱۵فراوانی بر حسب جنسیت