تصویر کیفیت محصول
تصویر کیفیت خدمات
شخصیت برند
نمودار (۴-۶) مدل مفهومی تحقیق: متغیرها، شاخصها و روابط مفروضه
H1
H2
H5
H4
H3
H6

۴-۳-۳ تخمین مدل[۵۶]

پس از بیان مدل مرحله بعد بدست آوردن تخمین پارامترهای آزاد از روی مجموعه ای از داده های مشاهده شده است. روش‌های تکراری[۵۷] از قبیل بیشینه درست نمایی[۵۸] یا حداقل مجذورات تعمیم یافته[۵۹] جهت تخمین مدل مورد استفاده قرار می‌گیرد.
روش کار در این رویه های تخمین به این صورت است که در هر تکرار، یک ماتریس کوواریانس ضمنی[۶۰] ساخته می‌شود و با ماتریس کوواریانس داده‌های مشاهده شده مقایسه می‌شود. مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده[۶۱] می‌شود و این تکرارها تا جایی ادامه خواهد یافت که این ماتریس باقیمانده مینیمم شود. محاسبات یا برآورد پارامترها حداکثر با ۲۵۰ تکرار امکان پذیر می‌باشد. در صورتی که تعداد تکرارها از ۲۵۰ تا بیشتر شود محاسبات مربوط به برآورد پارامتر متوقف می‌شود. متغیرهای تحقیق به دو دسته‌ی پنهان و آشکار تبدیل می‌شوند. متغیرهای آشکار یا مشاهده شده به گونه ای مستقیم به وسیله پژوهشگر اندازه گیری می‌شود، در حالی که متغیرهای پنهان یا مشاهده نشده به گونه ای مستقیم اندازه گیری نمی‌شوند، بلکه بر اساس روابط یا همبستگی‌های بین متغیرهای اندازه گیری ‌شده استنباط می‌شوند. متغیرهای پنهان به دو دسته‌ی برون ­زا و درون زا تقسیم‌ می‌شوند. متغیرهای پنهان بیانگر یکسری سازه های تئوریکی هستند مانند مفاهیم انتزاعی که مستقیماً قابل مشاهده نیستند و از طریق سایر متغیرهای مشاهده شده ساخته و مشاهده می‌شوند. متغیرهای پنهان به نوبه خود به دو نوع متغیرهای درون زا[۶۲] یا جریان گیرنده[۶۳] و متغیرهای برون‌زا[۶۴] یا جریان دهنده[۶۵] تقسیم می‌شوند. هر متغیر در سیستم مدل معادلات ساختاری می‌تواند هم به عنوان یک متغیر درون زا و هم یک متغیر برون زا در نظر گرفته شود. متغیر درون زا متغیری است که از جانب سایر متغیرهای موجود در مدل تأثیر می‌پذیرد. در مقابل متغیر برون زا متغیری است که هیچ‌گونه تأثیری از سایر متغیرهای موجود در مدل دریافت نمی‌کند، بلکه خود تأثیر می‌گذارد. در این تحقیق متغیرهای اطلاعات محصول، نقش و تصویر اجتماعی، لذت گرایی، عامل مزاحمت، مطلوبیت برای اقتصاد، مادی گرایی و کذب بودن متغیرهای برون زا هستند، و متغیرهای نگرش نسبت به تبلیغ، کیفیت درک شده، آگاهی از برند، تداعی برند و وفاداری به برند، متغیرهای درون زا می‌باشد.
پایان نامه - مقاله

۴-۳-۴ ساخت ماتریس کوواریانس

اساس تحلیل فرضیات تحقیق، بر مبنای ماتریس کوواریانس بین متغیرهای پنهان و آشکار است. جدول ۴-۱۷ معرف ماتریس کوواریانس (همبستگی) میان متغیرهای پنهان است. اعداد درون پرانتز آماره t هستند که معناداری ضرایب را نشان می‌دهد. می‌گوییم آماره (t-value) در سطح اطمینان ۹۵% معنی­دار می‌باشد اگر مقدار آن خارج بازه‌ی ( ۹۶/۱- تا ۹۶/۱+ ) قرار گیرد و اگر مقدار آماره‌ی t درون این بازه قرار گیرد، معنی­دار نمی‌باشد. همچنین، می‌گوییم آماره (t-value) در سطح اطمینان ۹۹% معنی­دار می‌باشد اگر مقدار آن خارج بازه‌ی ( ۵۸/۲- تا ۵۸/۲+) قرار گیرد.
یک نوع از روابط متغیرهای پنهان در مدل معادلات ساختاری بر مبنای همبستگی ( هم‌خوانی)[۶۶] می‌باشد. همبستگی رابطه ای است میان دو متغیر در یک مدل اما غیر جهت­دار[۶۷] و ماهیت این نوع رابطه به وسیله تحلیل همبستگی[۶۸] مورد ارزیابی قرار می‌گیرد.
با توجه به نتایج بدست آمده، تقریباً تمامی متغیرهای تحقیق در سطح اطمینان ۹۹ درصد رابطه معنی داری با هم دارند.
نمودار۴-و۷ ۴-۸ و ۴-۹، مدل‌های تحقیق را در حالت تخمین واستاندارد و معنی­داری بارهای عاملی و ضرایب مسیر نشان می‌دهد. با توجه به این مدل‌ها می‌توان بارهای عاملی و ضرایب مسیر را برآورد و سپس آزمون کرد. ضرایب موجود در این نمودارها به دو دسته تقسیم می‌شوند. دسته‌ی اول روابط بین متغیرهای پنهان (بیضی) و متغیرهای آشکار (مستطیل) می‌باشند، که این معادلات را اصطلاحاً بارهای عاملی گویند. و دسته‌ی دوم روابط بین متغیرهای پنهان و پنهان هستند که تحت عنوان معادلات ساختاری نام برده می‌شوند و برای آزمون فرضیات استفاده می‌شوند. تمامی ضرایب با بهره گرفتن از آماره t آزمون می‌گردند. با توجه به بارهای عاملی می‌توان گفت سهم کدام متغیر در اندازه گیری سازه مربوطه بیشتر است و سهم کدام متغیر کمتر. به بیان دیگر شاخصی که بار عاملی بزرگ‌تری داشته باشد، سهم بیشتری در اندازه گیری سازه مربوطه دارد و شاخصی که بار عاملی کمتری داشته باشد، سهم کمتری دارد.

نمودار(۴-۷) مدل تحقیق در حالت تخمین ضرایب مسیر

نمودار(۴-۸) مدل تحقیق در حالت استاندارد

نمودار(۴-۹) مدل تحقیق در حالت معناداری ضرایب ( t- value)

۴-۳-۵ ارزیابی تناسب مدل[۶۹]

وقتی گفته می‌شود مدل با یک سری داده های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده های مشاهده شده هم ارز (معادل) باشد؛ یعنی وقتی ماتریس باقیمانده و عوامل آن نزدیک صفر باشند. البته این تناسب به روش تخمین، مدل، ویژگی‌های داده های مشاهده شده بستگی دارد.
مهم‌ترین شاخص «تناسب مدل»[۷۰] آزمون مجذور کای است. البته استفاده از این آزمون متضمن یکسری مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، یکسری «شاخص‌های ثانویه»[۷۱] به وجود آمد.
تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص‌های تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است و هرچه ارزش آن کوچک‌تر باشد، نشان می‌دهد که مدل تناسب بهتری دارد. اما در مقابل شاخص‌های تناسب ثانوی [۷۲]GFI، [۷۳]NFI و [۷۴]AGFI شاخص‌های تناسب مدل هستند، در این شاخص‌ها هرچه ارزش آن‌ها بیشتر باشد، مدل تناسب بهتری دارد.
در ادامه به صورت مختصر برخی از شاخص‌های تناسب مدل شرح داده می‌شود:

۴-۳-۵-۱ آزمون مجذور کای ()، مجذور کای به درجه آزادی

از شاخص مجذور کای اغلب به عنوان شاخص موفقیت نام برده می‌شود. این شاخص به سادگی نشان می‌دهد که آیا بیان مدل ساختار روابط میان متغیرهای مشاهده شده را توصیف می‌کند یا خیر. این شاخص نسبت به اندازه نمونه حساس است، وقتی حجم نمونه برابر ۷۵ تا ۲۰۰ باشد، مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدل‌های با n بزرگ‌تر، مجذور کای تقریباً همیشه از لحاظ آماری معناداری است. از طرف دیگر مجذور کای تحت تأثیر مقدار همبستگی‌های موجود در مدل نیز هست. هر چه این همبستگی‌ها زیادتر باشد، برازش ضعیف‌تر است.
برخی از محققان از نسبت مجذور کای به درجه آزادی به عنوان شاخص جایگزینی استفاده می‌کنند. اگر این نسبت کمتر از عدد ۳ باشد، برازش مناسب است.

۴-۳-۵-۲ شاخص GFI و AGFI

این شاخص به وسیله اندازه نمونه تحت تأثیر قرار نمی‌گیرد. مقدار مطلوب آن می‌بایستی از ۹/۰ بیشتر باشد. البته این مقدار می‌تواند برای مدل‌هایی که به گونه ضعیفی فرمول بندی شده‌اند، بزرگ باشد. درباره کاربرد آن توافق کلی وجود ندارد.

۴-۳-۵-۳ شاخص RMSR یا RMR

شاخص RMSR معیار میانگین اختلاف بین داده‌ها و ماتریس کوواریانس- واریانس ضمنی است. این معیار هر چقدر که کوچک‌تر باشد، برای تناسب مدل با داده‌ها بهتر است (زیر ۰۵/۰ بسیار عالی، زیر ۰۸/۰ مناسب و بالای ۰۹/۰ نامناسب است ). این شاخص هنگامی که میانگین واریانس- کوواریانس داده‌ها شناخته شده باشد، یک شاخص با ارزش محسوب می‌شود. ارزیابی آن هنگامی که ماتریس واریانس-کوواریانس غیر استاندارد مورد استفاده قرار می‌گیرد، مشکل است.
هر چند از میان شاخص‌های فوق، به گونه کلی RMSEA به عنوان شاخص مطلوب و GFI به عنوان بهترین شاخص در نظر گرفته می‌شود، اما درباره آن‌ها توافق کلی وجود ندارد. شاخص‌های برازندگی به گونه کلی در دامنه بین صفر و یک قرار می‌گیرند. ضرایبی که بالاتر از ۹/۰ باشند، قابل قبول در نظر گرفته می‌شوند. هر چند که این سطح نیز مانند سطح خطای ۰۵/۰ اختیاری است (هومن، ۱۳۸۷، ۴۳). عاقلانه این است که همه این شاخص‌ها با هم در نظر گرفته و در گزارش قید شوند.

۴-۳-۶ تفسیر و تعبیر مدل[۷۵]

به طور کلی در کار با برنامه لیزرل، هر یک از شاخص‌های بدست آمده برای مدل به تنهایی دلیل برازندگی مدل یا عدم برازندگی آن نیستند، بلکه این شاخص‌ها را باید در کنار یکدیگر و با هم تفسیر کرد. اگر هم آزمون  و هم آزمون‌های تناسب ثانوی نشان دادند که مدل به طور کافی متناسب است، به سمت مشخص کردن عوامل مدل تناسب شده حرکت کرده و بر روی این عوامل تمرکز می‌کنیم. جدول(۴-۱۸) بیانگر مهم‌ترین این شاخص ­ها می‌باشد و نشان می‌دهد که الگو در جهت تبیین و برازش از وضعیت مناسبی برخوردار است، تمامی این شاخص‌ها حاکی از تناسب مدل با داده های مشاهده شده می‌باشد. شاخص‌های تناسب مدل، بیانگر مناسب بودن مدل اندازه‌گیری می‌باشد. زیرا نسبت کای‌دو بر درجه آزادی کمتر از ۳ ، شاخص RMSEA کمتر از ۰۹/۰ و مابقی شاخص‌ها نیز قابل قبول هستند. به بیان دیگر، مدل و چارچوب کلی معنی­دار و قابل پذیرش است.
جدول (۴-۷) شاخص های برازش مدل

 

نام شاخص مقدار شاخص حد مجاز
موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...