شاخص های برازش مدل

 

اولین مدل مربوط به متغیر تمایل است، این مدل در حالت مقادیر استاندارد شده ((T-values نمایش داده شده است .
مدل ۴-۱: تحلیلSEM
متغیرتمایل
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 بهره گرفتن از داده های گردآوری شده، خود بحث اصلی در «شاخص برازش مدل» را تشکیل می دهد شاخص هایی که گاه به نام شاخص نیکویی برازش(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 برازش (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 (GFI،AGFI ، RMSEA ، CFI) 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٫ مجذورکای
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 اسکوئراست 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=() 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