رگرسیون
SSR
K
MSR=SSR/k
MSR/MSE
P-Value
خطا
SSE
n-k-1
MSE=SSE/n-k-1
مجموع
SST
n-1
تصمیم گیری
اگر فرض را در سطح خطای ۰۵/۰ رد می کنیم و در غیر اینصورت را می پذیریم.
۳-۹-۲ معیارهای NFI،RFI،IFI،CFI،RMSEA
NFI : این شاخص به مقایسه مدل مستقل (مدلی که در آن بین متغیرها هیچ رابطه ای نیست به این مدل،مدل پایه نیز گفته می شود) با مدلی که توسط ما پیشنهاد داده می شود،می پردازد. این شاخص هرچه به عدد یک نزدیک تر باشد به این معناست که مدل پیشنهادی ما مناسب بوده است و به صورت زیر محاسبه می شود:
بطوریکه،A = مقدار آماره خی دو تحت مدل مستقل وB = مقدار آماره خی دو تحت مدل پیشنهادی هستند.
RFI : شاخص برازش نسبی است و مناسبت مدل ارائه شده را می سنجد و به صورت زیر محاسبه می شود:
که در فرمول فوق،A = مقدار آماره خی دو تحت مدل مستقل و B = مقدار آماره خی دو تحت مدل پیشنهادی هستند. و به ترتیب نشان دهنده درجه آزادی مدل مستقل و درجه آزادی مدل پیشنهادی هستند. هرچه مقدار RFI به یک نزدیک تر باشد،مدل بهتر است.
IFI : این معیار شاخص برازش نموی است و به صورت زیر محاسبه می شود:
بطوریکه A = مقدار آماره خی دو تحت مدل مستقل وB = مقدار آماره خی دو تحت مدل پیشنهادی و نشان دهنده درجه آزادی مدل پیشنهادی هستند. هرچه مقدار IFI به یک نزدیک تر باشد نتیجه می گیریم که مدل پیشنهادی مناسب است.
CFI: این معیار شاخص برازش مقایسه ای است و به صورت زیر محاسبه می شود:
در این فرمول نیز مقادیر A،B،d و همانند قبل تعریف می شوند. هرچه مقدار CFI به یک نزدیک تر باشد نتیجه می گیریم که مدل پیشنهادی مناسب است.
RMSEA : این شاخص نشان دهنده جذر میانگین مربعات خطای تقریبی است و به صورت تفاضل بین مجموع مربعات خطای کلیو مجموع مربعات خطای مدل پیشنهادی محاسبه می شود. در صورتی که مقدار RMSEA از ۰۵/۰ کمتر باشد نتیجه می گیریم مدل مناسب است. در صورتی که مقدار آن بین ۰۵/۰ تا ۰۸/۰ باشد، مدل برازش داده شده مناسب و در صورتی که از ۱/۰ بالاتر باشد نتیجه می گیریم که مدل برازش داده شده ضعیف است.
۳-۷-۳- آزمون کلموگروف- اسمیرنوف
از این آزمون برای بررسی نرمال بودن مشاهدات استفاده می کنیم. فرض کنید مشاهده iام را با نمایش دهیم و فراوانی تجمعی مشاهده شده و فراوانی تجمعی مورد انتظار را به ترتیب با و نمایش می دهیم. در این آزمون، در صورتیکه n مشاهده داشته باشیم، ابتدا برای هریک از مشاهدات و ، ،را محاسبه می کنیم. سپس کمیت های زیر را محاسبه می کنیم:
حال فرض صفر و مقابل را به صورت زیر تعریف می کنیم:
فرض صفر: (نرمال بودن مشاهدات)
فرض مقابل: مخالف فرض صفر.
حال اگر مقدار بزرگ باشد،فرض را رد می کنیم. (آمار کاربردی جان نتر و همکاران،ترجمه علی عمیدی).
فصل چهارم
تجزیه و تحلیل دادهها
۴-۱مقدمه
انواع روشهای تجزیه وتحلیل داده های پژوهش،با توجه به نوع تحقیق،مسئله تحقیق،ماهیت فرضیه ها،نوع نظریهسازی،ابزار به کار رفته برای جمعآوری اطلاعات و. .. متفاوت هستند،ولی با این وجود میتوان اذعان نمود که این روشها دارای مراحل مشترکی هستند. از این منظر،تجزیه و تحلیل و گزارش نویسی داده های پژوهش،فرآیندی چند مرحله ای است،که طی آن دادههایی که از طریق به کارگیری ابزارهای جمعآوری اطلاعات فراهم آمدهاند؛ خلاصه،کدبندی،دستهبندی و در نهایت پردازش میشوند،تا زمینه برقراری انواع تحلیلها و ارتباطها بین این داده ها به منظور آزمون فرضیه ها فراهم آید. در واقع تحلیل اطلاعات شامل سه عملیات اصلی میباشد : ابتدا شرح و آماده سازی داده های لازم برای آزمون فرضیه ها؛ سپس تحلیل روابط میان متغیرها و در نهایت مقایسه نتایج مشاهده شده با نتایجی که فرضیه ها انتظار داشتند (کامپن هود و کیوی،۱۳۸۷، ۳۷).
بر این اساس در پژوهش حاضر تفسیر و تجزیه وتحلیل داده های جمعآوری شده از جامعه مورد مطالعه،در قالب آمار تحلیلی و به دو صورت آمار توصیفی و استنباطی انجام گرفته است. به طوری که ابتدا دادههای مربوط به هر یک از متغیرها که از پاسخ پرسشنامه های استفاده شده منتج شده است،در قالب شاخص های عددی آماری توصیف گردیده و شناخت کافی از پراکندگی و ویژگیهای جمعیت شناختی و توصیف پاسخ دهندگان در بخشهای مختلف پژوهش حاصل شده است. در ادامه به بررسی روابط بین متغیرهای موجود در مدل مفهومی پژوهش پرداخته شده است و از طریق الگوهای آماری مناسب، فرضیه های پژوهش مورد آزمون قرار گرفتهاند. گذر از مراحل بالا مستلزم استفاده از روشهای تحلیل آماری مناسب و اطمینان از دقت و صحت این استنباط ها است،که در طی پژوهش با حساسیت بالایی،رعایت و بازنگری شده اند.
۴-۲ بخش اول : آمار توصیفی
ویژگیهای جمعیت شناختی پاسخ دهندگان