سوال۲۸

۰٫۸۶۹

سوال۲۹

۰٫۸۵

سوال۳۰

۰٫۸۵۷

سوال۳۱

۰٫۸۳۲

جدول فوق بارهای عاملی مربوط به شاخص‌های متغیر عوامل محتوایی را نشان می‌دهد. بارهای عاملی مربوط به ۴ عامل اصلی به تفکیک در جدول بالا نشان داده شده‌اند.

• نتایج تحلیل عاملی تأییدی دو مرحله‌ای

همانطور که در فصل قبل توضیح داده شد، پس از مشخص شدن ساختار عاملی متغیرهای تحقیق و به منظور آزمون صحت و سقم ساختار عاملی متغیرهای مشاهده شده، تحلیل عاملی تاییدی دومرحله ای با بهره گرفتن از نرم افزار LISREL انجام شده است. در همین راستا در ادامه نتایج تحلیل عاملی تأییدی دو مرحله‌ای برای سازه های عوامل زمینه‌ای، عوامل ساختاری و عوامل محتوایی تشریح شده است.

۸-۱٫ نتایج تحلیل عاملی تأییدی دو مرحله‌ای برای سازه عوامل زمینه‌ای
نمودار زیر مدل تحلیل عاملی تأییدی مرتبه دوم را برای سازه عوامل زمینه‌ای یا محیطی در حالت تخمین ضرایب استاندارد نشان می‌دهد.
نمودار ۴-۱۰: مدل تحلیل عاملی تأییدی مرتبه دوم عوامل زمینه ای در حالت تخمین ضرایب استاندارد
کلیه متغیرهای این مدل به دو دسته‌ی پنهان و آشکار تبدیل می‌شوند. متغیرهای آشکار (مستطیل) یا مشاهده شده به گونه‌ای مستقیم به وسیله پژوهشگر اندازه گیری می‌شود، در حالی که متغیرهای مکنون(بیضی) یا مشاهده نشده به گونه‌ای مستقیم اندازه گیری نمی‌شوند، بلکه بر اساس روابط یا همبستگی‌های بین متغیرهای اندازه گیری شده استنباط می‌شوند. متغیرهای مکنون بیانگر یکسری سازه‌های تئوریکی هستند مانند مفاهیم انتزاعی که مستقیماً قابل مشاهده نیستند و از طریق سایر متغیرهای مشاهده شده ساخته و مشاهده می‌شوند. در این نمودار اعداد و یا ضرایب به دو دسته تقسیم می‌شوند. دسته‌ی اول تحت عنوان معادلات اندازه گیری مرتبه اول هستند که نشان دهنده روابط بین متغیرهای پنهان(بیضی) و متغیرهای آشکار(مستطیل)می‌باشند. این معادلات را اصطلاحاً بارهای عاملی^[۳۲۵] مرتبه اول گویند. دسته‌ی دوم معادلات اندازه گیری مرتبه دوم هستند که روابط بین متغیرهای پنهان و پنهان می‌باشند. با توجه به مدل در حالت تخمین ضرایب می‌توان بارهای عاملی مرتبه اول و دوم را برآورد کرد. بر اساس بارهای عاملی، شاخصی که بیشترین بار عاملی را داشته باشد، در اندازه گیری متغیر مربوطه سهم بیشتری دارد و شاخصی که ضرایب کوچک‌تری داشته باشد سهم کمتری در اندازه گیری سازه مربوطه ایفا می‌کند.
نمودار زیر مدل تحلیل عاملی تأییدی مرتبه دوم را در حالت معناداری ضرایب (t-value) نشان می‌دهد.
نمودار ۴-۱۱: مدل تحلیل عاملی تأییدی مرتبه دوم عوامل زمینه ای در حالت معناداری (t-value)
این مدل در واقع تمامی معادلات اندازه گیری مرتبه اول و دوم (بارهای عاملی) را با بهره گرفتن از آماره t، آزمون می‌کند. بر طبق این مدل، ضریب مسیر و بار عاملی در حالت استاندارد در سطح اطمینان ۹۵% معنادار می‌باشد اگر مقدار آماره‌ t خارج بازه ۹۶/۱- تا ۹۶/۱+ قرار گیرد. مدل در حالت معناداری، نشان می‌دهد که تمامی بارهای عاملی در سطح اطمینان ۹۵% معنادار هستند. مقادیر محاسبه شده t برای هر یک از بارهای عاملی هر نشانگر با سازه یا متغیر پنهان خود بالای ۹۶/۱ است. لذا می‌توان هم‌سویی سؤالات پرسشنامه برای اندازه گیری مفاهیم را در این مرحله معتبر نشان داد. در واقع نتایج جدول فوق نشان می‌دهد آنچه محقق توسط سؤالات پرسشنامه قصد سنجش آن‌ها را داشته است توسط این ابزار محقق شده است. لذا روابط بین سازه‌ها یا متغیرهای پنهان قابل استناد است. برای آنکه نشان دهیم این مقادیر به دست آمده تا چه حد با واقعیت‌های موجود در مدل تطابق دارد باید شاخص‌های برازش مورد مطالعه قرار گیرد.
۸-۱-۱٫ تفسیر و تعبیر مدل
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. برای ارزیابی مدل تحلیل عاملی تأییدی و مدل مسیر چندین مشخصه برازندگی وجود دارد. در این پژوهش برای ارزیابی مدل تحلیل عاملی تأییدی از شاخص‌های کای دو(x²)، میانگین مجذورات باقیمانده(RMR)، شاخص برازندگی (GFI)، شاخص تعدیل برازندگی(AGFI)، شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI)، شاخص برازندگی تطبیقی (CFI) و شاخص بسیار مهم ریشه دوم برآورد واریانس خطای تقریبRMSEA استفاده شده است (هومن، ۱۳۹۰).
از آزمون x² 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. هر چقدر مقدار x² کوچک‌تر باشد بهتر است. این شاخص معمولاً تحت شرایط نرمال بودن چند متغیره^[۳۲۶] صادق است و نسبت به اندازه نمونه حساس است، زیرا ممکن است یک مدل در اندازه نمونه کم تناسب داشته باشد، ولی در نمونه زیاد برازش نداشته باشد. برخی محققان از نسبت به عنوان شاخص جایگزینی استفاده می‌کنند، اما این شاخص نیز محدودیت‌هایی مشابه x² دارد. در مورد نسبت مجذور کای دوx² به درجه آزادی قطعیت وجود ندارد و در منابع مقدار زیر ۳ قابل قبول است که در مدل حاضر این مقدار ۸۸/۰ محاسبه شده است. معیار GFI نشان دهنده اندازه‌ای از مقدار نسبی واریانس‌ها و کوواریانس ها می‌باشد که توسط مدل تبیین می‌شود. این معیار بین صفر تا یک متغیر می‌باشد که هرچه به عدد یک نزدیک‌تر باشد، نیکویی برازش مدل با داده‌های مشاهده شده بیشتر است.
مقدار GFI گزارش شده برای این مدل برابر با مقدار ۹۸/۰است. برای بررسی اینکه مدل مورد نظر چگونه برازندگی و صرفه‌ جویی را با هم ترکیب می‌کند از شاخص بسیار توانمند ریشه دوم برآورد واریانس خطای تقریبRMSEA استفاده شده است. شاخص RMSEA، ریشه میانگین مجذورات تقریب می‌باشد. این شاخص برای مدل‌های خوب ۰۵/۰ و کمتر است. هرچه RMSEA برای مدل مورد آزمون نزدیک‌تر به صفر باشد، مدل مذکور برازش بهتری دارد، مقدار ناچیزRMSEA در این مدل (۰۱/۰)، نشان از تبیین مناسب کوواریانس‌ها دارد. هنگامی که میانگین ماتریس واریانس- کوواریانس داده‌ها شناخته شده باشد،این شاخص یک شاخص با ارزشی است. ارزیابی آن هنگامی که ماتریس واریانس- کوواریانس غیراستاندارد مورد استفاده قرار گیرد سخت و مشکل است. برای بررسی اینکه یک مدل به خصوص در مقایسه با سایر مدل‌های ممکن، از لحاظ تبیین مجموعه‌ای از داده‌های مشاهده شده تا چه حد خوب عمل می‌کند از مقادیر شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI) و شاخص برازندگی تطبیقی (CFI) استفاده شده است. مقادیر بالای ۹/۰ این شاخص‌ها حاکی از برازش بسیار مناسب مدل طراحی شده در مقایسه با سایر مدل‌های ممکنه است (هومن، ۱۳۹۰). همان‌طور که مشخصه‌ های برازندگی نوشته شده در پایین مدل‌ها و جدول زیر نشان می‌دهد،داده‌های این پژوهش با ساختار عاملی و زیربنای نظری تحقیق برازش مناسبی دارد و این بیانگر همسو بودن سؤالات با سازه‌های نظری است.
جدول ۴-۳۹: شاخص‌های برازش مدل