در مدل ساختاری روابط بین صفت های مکنون قابل توجه است. در واقع در مدل ساختاری به دنبال این هستیم که مشخص کنیم روابط موجود بین صفت های مکنون که بر اساس نظریه استخراج شده اند با توجه به داده های گردآوری شده از نمونه مورد تأیید قرار می‌گیرد یا خیر؟ مدل کلی مدل معادلات ساختاری به شکل زیر است که در آن:

Г (گاما)

ماتریس n × m نشان‌دهنده تاثیر مستقیم متغیرهای بر متغیرهای ،

β (بتا)

ماتریس m × m ، نشان‌دهنده تاثیر متغیرهای بر سایر متغیرهای ،

(زتا)

بردار ۱× m برای خطاهای معادلات در رابطه ساختاری بین و است.

ماتریس n ×n برای نشان دادن همبستگی بین ها

ماتریس m × m برای نشان دادن همبستگی بین

شکل ۳-۱: مدل کلی معادلات ساختاری

Г (گاما) نشان‌دهنده تاثیر مستقیم متغیرهای بر متغیرهای

β (بتا) نشان‌دهنده تاثیر متغیرهای بر سایر متغیرهای

(زتا) نماد خطاهای معادلات در رابطه ساختاری بین و

نماد همبستگی بین ها

نماد همبستگی بین ها می‌باشد.

رویکرد ها مختلفی برای برآورد پارامتر های مدل معادلات ساختاری وجود دارد، که یکی از پر کاربرد ترین آن ها استفاده از روش شناسی مبتنی بر واریانس به روش حداقل مربعات جزیی^[۵۶] یا همان مدل های نرم است که در مقابل مدل های ساختاری کوواریانس محور از انعطاف پذیری بالاتری برخوردار هستند. این روش در سال ۱۹۶۰ توسط اقتصاددانی به نام هرمان والد^[۵۷] ابداع و در اقتصاد سنجی کاربرد فراوان یافت و کم کم به سایر حوزه های علمی به ویژه بازاریابی کشیده شد. این روش در مقایسه با روش تحلیل حداکثر نمودن افزونگی که به دنبال یافتن فاکتورهایی در متغیر وابسته به شکلی که بیشترین واریانس را تبیین نماید بوده و توسط ون دن ولنبرگ^[۵۸] در سال ۱۹۷۷، ابداع شده از قدرت پیش‌بینی بالاتری برخوردار است. ‌به این علت ^[۵۹]PLS‌ به عنوان روشی جایگزین به علت قدرت بالای آن در تحلیل افزونگی شده است.

از زمان ارائه مدل معادلات ساختاری مبتنی بر کوواریانس به وسیله جارسکوگ^[۶۰] در ۱۹۷۳، این روش به عنوان روشی قابل قبول در بین محققان مختلف مطرح شده است. با وجود محبوبیت لیزرل برای اجرای مدل معادلات ساختاری سایر نرم افزار هایی که به حجم نمونه مانند لیزرل وابسته نیستند؛ امروزه مورد توجه محققان قرار گرفته است. یکی از جدیدترین رویکرد های مدل معادلات ساختاری روش حداقل مربعات جزیی است. این روش مدل معادلات ساختاری واریانس محور، زمانی که برای هر سازه تعداد متغیر زیاد و یا حجم نمونه کم است، بسیار مناسب بوده و نتایج مشابه لیزرل را برای تخمین مدل ایجاد می‌کند.

مدل معادلات ساختاری در قالب حداقل مربعات جزیی روشی برای مدل پیش‌بینی کننده سازه ای است. به ویژه زمانی که تعداد نشانگر های هر عامل زیاد و بین آن ها هم راستایی چند گانه وجود داشته باشد، این رویکرد گزینه ی اول برای برآورد مدل محسوب می‌گردد، زیرا در این تحقیق روش های مبتنی بر لیزرل عملاً پاسخگو نخواهند بود. از سوی دیگر این روش به نرمال بودن جامعه وابسته نیست و محقق به راحتی می‌تواند مدل خود را بدون نگرانی از وضعیت توزیع جامعه طراحی نماید.

از آنجا که شاخص های لیزرل استفاده از تخمین مسیر ها را با آن ناممکن نشان می‌دهند و غالب بودن واریانس ها نسبت به کوواریانس ها مشهود است، لذا در طراحی مدل ساختاری تحقیق حاضر از این رویکرد جهت برآورد بارهای عاملی و ضرایب مسیر استفاده خواهد شد(صمدی،۸۹، ۷۸).

۳-۹-۲- شاخص های برازندگی مدل کلی:

برازندگی مناسب بودن و کفایت داده ها برای مدل مورد بررسی است. ‌به این معنی که اگر شاخص‌های برازندگی نشان دهنده برازنده بودن مدل باشند داده ها برای تجزیه و تحلیل و نتیجه‌گیری روابط موجود در مدل مناسب و کافی بوده‌اند.

در دهه گذشته برای مدل‌های معادلات ساختاری آزمون‌های برازندگی متعددی ارائه شده است. با آنکه انواع گوناگون آزمونها که به گونه کلی شاخص‌های برازندگی نامیده می‌شوند پیوسته در حال مقایسه، توسعه و تکامل‌اند، اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد و این شاخص‌ها به شیوه های مختلفی طبقه بندی شده است (هومن، ۱۳۸۴، ۲۳۵).

برخی از این شاخص‌ها عبارتند از:

۳-۹-۲-۱-شاخص‌های ^[۶۱]GFIو^[۶۲]AGFI:

شاخصGFI مقدار نسبی واریانس‌ها و ‌کوواریانس‌ها را به گونه مشترک از طریق مدل ارزیابی می‌کند. دامنه تعییراتGFI بین صفر و یک می‌باشد. مقدارGFIباید برابر یا بزرگتر از ۰٫۹۰ باشد.

شاخص برازندگی دیگرAGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی می‌باشد. این مشخصه معادل با کاربرد میانگین مجذورات به جای مجموع مجذورات در صورت و مخرج(GFI-1) است. مقدار این شاخص نیز بین صفر و یک است.

شاخص‌های GFI , AGFI را که جارزکاگ و سوربوم(۱۹۸۹) پیشنهاد کرده‌اند بستگی به حجم نمونه ندارد.

۳-۹-۲-۲-شاخصRMSEA^[63]:

این شاخص ریشه میانگین مجذورات تقریب می‌باشد. شاخص RMSEA که به واقع همان آزمون انحراف هر درجه آزادی است ، برای مدل‌های خوب برابر ۰٫۰۵ یا کمتر است. مدلهایی که RMSEA آن ها ۰٫۱ باشد برازش ضعیفی دارند.

۳-۹-۲-۳-مجذور کای:

آزمون مجذور کای (خی دو) این فرضیه را که مدل مورد نظر هماهنگی الگوی همپراشی بین متغیرهای مشاهده شده و مدل را می آزماید، کمیت خی دو بسیار به حجم نمونه وابسته می‌باشد و در نمونه های بزرگ بیشتر مدل مورد تأیید قرار می‌گیرد تا این که بخواهد مدل را غلط برآورد کند.

۳-۹-۲-۴-شاخصNFI^[64] , CFI^[65] :

شاخص NFI (که شاخص بتلر- بونت هم نامیده می شود) برای مقادیر بالای ۰٫۹۰ قابل قبول و نشانه برازندگی مدل است. شاخص CFI بزرگتر از ۰٫۹۰ 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 موردنظر، مقدار بهبود را نیز می آزماید. شاخص CFI از لحاظ معنا مانند NFI است با این تفاوت که برای حجم گروه نمونه جریمه می‌دهد.

۳-۹-۲-۵-شاخص ^[۶۶]NNFI :

این شاخص مشابهNFI است اما برای پیچیدگی مدل جریمه می‌پردازد. چون دامنه این مدل محدود به صفر و یک نیست تفسیر آن نسبت بهNFI دشوارتر است. بر پایه قرداد مقادیر کمتر از ۰٫۹۰ آن مستلزم تجدید نظر در مدل است.

۳-۹-۲-۶-شاخص ^[۶۷]IFI :

این شاخص بر اساس مقایسه ندل تدوین شده با مدل استقلال محاسبه .مقدار IFI نیز، بر پایه قرارداد، باید دست کم ۹۰/۰ باشد، تا مدل مورد نظر پذیرفته شود.

فصل چهارم

تجزیه وتحلیل داده ها

مقدمه