منبع تحقیق درباره
رگرسیون، تحلیل مسیر، ضریب همبستگی، ارزش ویژه برند

منبع تحقیق درباره رگرسیون، تحلیل مسیر، ضریب همبستگی، ارزش ویژه برند

ساختاری یک مجموعه معادلات رگرسیون بر حسب متغیرهای مستقل و وابسته مدل تدوین میشود. تأثیر یک متغیر بر متغیر دیگر، هم میتواند مستقیم باشد و هم از طریق تأثیرگذاری بر متغیر میانی دیگر غیرمستقیم. اکثر تغییرات مستقیم همان تغییراتی هستند که در یک نمودار تحلیل مسیر به وسیله پیکانهای یک طرفه مشخص و توسط پارامترهای مدل برآورده میشوند. (قاسمی، 1389) یک مدل ساختاری کامل با یک نمودار مسیر که معرف روابط نظری مورد بررسی میان متغیرهای مستقل و وابسته است، شروع میشود. در این پژوهش تجزیه و تحلیل دادهها از طریق تکنیک تحلیل مسیر (الگویابی معادلات ساختاری) و با استفاده از نرمافزار LISREL 8.5 انجام شده است.
3-10-1- معیارهای برازش مدل
معیارهای علمی قابل قبول برای تأیید مدل نظری تدوین شده با استفاده از دادههای گردآوری شده، خود بحث اصلی در «معیارهای برازش مدل» را تشکیل میدهد. معیارهایی که گاه به نام معیارهای نیکوئی برازش70(چرا که هر چه مقدار آن شاخصها افزایش مییابند نشانهای از حمایت قویتر دادهها از مدل نظری تفسیر میشود) و گاه به نام معیارهای بدی برازش71 (زیرا که هر چه مقدار آن شاخصها افزایش مییابد نشانهای از حمایت ضعیفتر دادهها از مدل نظری تلقی میشود) خوانده میشوند (قاسمی، 1389).
در روشهای آماری سنتی، محققان اغلب با یک معیار منفرد برای تصمیم درباره رد یا تأیید فرضیه صفر مواجه بودند. اما در مدلسازی معادله ساختاری چنین معیار منفردی وجود ندارد تا تنها و تنها بر مبنای آن معیار، پژوهشگر تصمیم بگیرد که آیا مدل نظری خود را مدلی به لحاظ علمی قابل قبول تلقی کند یا خیر. چنین حالتی ناشی از پیچیدگی و ترکیبی بودن این نوع مدلهاست (قاسمی، 1389). تعداد این معیارها پیوسته رو به افزایش است و هیچگونه توافق همگانی در مورد یک آزمون بهینه وجود ندارد. اما آنچه که در اغلب تحقیقات جهت تأیید مدل رایج است استفاده از 3 تا 5 معیــار میباشد و محققان این تعداد را کافی میدانند (شوماخر و لومکس، 1388).
در تحقیق حاضر برای ارزیابی نیکوئی برازش مدلهای اندازهگیری و برازش مدل کلی از معیارهایی که در جدول 3-7 به آنها اشاره شده است، استفاده شده است.
جدول 3-7 معیارهای برازش و تفسیر برازش قابل قبول
معادل فارسی معیار برازش مدل
معادل انگلیسی
اختصار
سطح قابل قبول
کای اسکوئر
Chi-Square
Chi-Square
مقدار کای اسکوئر جدول
کای اسکوئر هنجار شده
Normed Chi-Square
Chi-Square/DF
1 تا3
نیکوئی برازش
Goodness-of-Fit
GFI
0(عدم پذیرش) تا 1(برازش کامل)
نیکوئی برازش اصلاح شده
Adjusted Goodness-of-Fit
AGFI
0(عدم پذیرش) تا 1(برازش کامل)
شاخص برازش هنجار شده یا شاخص برازش بنتلر- بونت
Normed Fit Index Bentler- Bonett Index
NFI
0(عدم پذیرش) تا 1(برازش کامل)
شاخص توکر لوئیس یا شاخص برازش هنجار نشده
Tucker-lewis Index Non- Normed Fit Index
TLI
0(عدم پذیرش) تا 1(برازش کامل)
شاخص برازش تطبیقی
Comparative Fit Index
CFI
0(عدم پذیرش) تا 1(برازش کامل)
ریشه میانگین مربعات خطای برآورد
Root Mean Squared Error of Approximation
RMSEA
کوچکتر از 05/0
ریشه میانگین مربعات باقیمانده
Root Mean Squared Residual
RMR
نزدیک به صفر باشد

مطلب مرتبط :   منبع پایان نامه ارشد درمورداعتماد به سازمان، جامعه شناختی، مدیریت ریسک

3-10-1-1- معیار کای اسکوئر72
کای اسکونر را میتوان به عنوان عمومیترین و پرکاربردترین معیار برازش در مدلسازی معادله ساختاری تلقی کرد. درباره تفسیر مقدار کای اسکوئر میتوان اظهار کرد که هر چه مقدار آن کوچکتر باشد، برازش دادهها به مدل بهتر است، تا جایی که مقدار صفر برای آن نشانه برازش کامل است. مقدار ای اسکوئر به لحاظ نظری در دامنه بین صفر تا بینهایت تغییر میکند. از نظر گروه متخصصین آمار دانشگاه ایالتی کالیفرنیای شمالی (2008) به چند دلیل قضاوت درباره برازش مدل، که صرفاً بر مبنای مقدار کای اسکوئر و سطح معناداری آن انجام شده باشد میتواند گمراه کننده باشد و بنابراین پژوهشگر اغلب نیازمند توجه به معیارهای برازش دیگری برای تصمیمگیری نهایی است (قاسمی، 1389). این دلایل به شرح زیر هستند:
هر چه مدل پیچییدهتر باشد، احتمال برازش بهتر دادهها به مدل افزایش مییابد به نحوی که در یک مدل اشباعشده، برازش مدل کامل خواهد بود.
با توجه به حساسیتی که مقدار کای اسکوئر به حجم نمونه دارد با افزایش حجم نمونه، به طور کلی احتمال رد فرضیه صفر افزایش مییابد.
این شاخص همچنین نسبت به انحراف از مفروضه نرمال بودن چندگانه بسیار حساس است.
3-10-1-2- کای اسکوئر هنجار شده یا نسبی73
یکی از شاخصهای عمومی برای به حساب آوردن پارامترهای آزاد در محاسبه شاخص برازش، کای اسکوئر به هنجار یا نسبی است که از تقسیم ساده مقدار کای اسکوئر بر درجه آزادی مدل محاسبـه میشود. اغلب مقادیر بین 2 تا 3 را برای این شاخص قابل قبول میدانند. با این حال دیدگاهها در این باره متفاوت است. شوماخر و لومکس (1388) مقادیر بین 1 تا 5، کارماینز و مک ایور (1981) مقادیر بین 2 تا 3، اولمن (2001) مقادیر بین 1 تا 2 و کلاین (2005) مقادیر بین 1 تا 3 را قابل قبول میدانند (قاسمی، 1389).
3-10-1-3- معیار نیکوئی برازش (GFI) و نیکوئی برازش اصلاح شده (AGFI)
نرم افزار لیزرل از قابلیت محاسبه شاخص نیکوئی برازش (نسبت مجموع مجذورات تبیین شده توسط مدل به کل مجذورات ماتریس برآورد شده در جامعه) برخوردار است. این شاخص از لحاظ مطلوبیت به ضریب همبستگی شباهت دارد. هر دوی این معیارها بین صفر تا یک متغیر هستند؛ گرچه از لحاظ نظری ممکن است منفی باشند (گرچه نباید چنین ات
فاقی بیفتد زیرا حاکی از عدم برازش قطعی مدل با دادههاست). هرچه GFI و AGFI به عدد یک نزدیکتر باشند، نیکوئی برازش مدل با دادههای مشاهده شده بیشتر است (شوماخر و لومکس، 1388).
3-10-1-4- معیار برازش هنجار شده بنتلر- بونت (NFI)
این شاخص اولینبار توسط بنتلر و بونت (1980)، در مقالهای با عنوان آزمونهای معناداری و نیکوئی برازش در تحلیل ساختارهای کوواریانس مطرح شد. مهمترین نقطه ضعف آن، عدم حساسیتش به افزودن پارامتر به مدل است به نحوی که هر چه پارامتر به مدل افزوده میشود مقدار این شـاخص نیز افزایش می‌یابد. مقدار قابل قبول برای این شاخص حداقل 90/0 و مقداری که نشاندهنده یک برازش خوب است حداقل 95/0 در نظر گرفته شده است (قاسمی، 1389).
3-10-1-5- معیار توکر- لوئیس (TLI)
شاخص توکر – لوئیس تلاش میکند تا نقطه ضعف شاخص بنتلر – بونت در بحساب نیاوردن جریمه شاخص برای افزودن پارامتر را مرتفع کند. این شاخص بر مبنای متوسط ضرایب همبستگی بین متغیرها در مدل قرار دارد. هر چه این ضرایب کوچکتر باشند، شاخص توکر- لوئیس نیز مقدار کوچکتری را نشان خواهد داد. از این شاخص در دو جهت میتوان استفاده کرد؛ اول، مقایسه دو یا چند مدل متفاوت با داده‌های یکسان و دوم، مقایسه مدل مفروض با یم مدل صفر نظیر مدل استقلال. این شاخص نیز بین یک تا صفر تغییر میکند و مقدار 95/0 یا بیشتر منعکس کننده یک مدل خوب است. اگر این شاخص بزرگتر از یک شود برابر با یک قرار داده خواهد شد. این معیار به نام معیار برازش هنجار نشده یا NNFI نیز خوانده میشود (قاسمی، 1389).
3-10-1-6- معیار برازش تطبیقی (CFI)
یکی دیگر از شاخصهای برازش مدل، شاخص برازش تطبیق است. این شاخص نیز بر مبنای همبستگی بین متغیرهای حاضر در مدل قرار دارد؛ به نحوی که ضرایب بالای همبستگی بین آنها به مقادیر بالای شاخص برازش تطبیقی میانجامد. هر اندازه که مقدار این شاخص به یک نزدیک باشد مناسب است و اگر مقدار آن از یک بزرگتر شود آن را برابر با یک قرار میدهند (قاسمی، 1389).
3-10-1-7- معیار ریشه میانگین مربعات خطای برآورد (RMSEA)
این شاخص برای اولینبار توسط اشتایگر معرفی شده است. این شاخص بر مبنای تحلیل ماتریس باقیمانده قرار دارد و از ویژگیهای مهمی برخوردار است. برخلاف بسیاری از معیارهای برازش دیگر در مدلسازی که تنها دارای برآورد نقطهای هستند، این شاخص برای فواصل اطمینان مختلف نیز قابل محاسبه است که میتوان با استفاده از آنها مشخص کرد که آیا مقدار به دست آمده برای مدل تدوین شده با مقدار 05/0 تفاوت معنادار دارد یا خیر؛ مقداری که اغلب بعنوان نقطه برش برای مدلهای خوب و بد شناخته میشود. مقدار RMSEA که در حقیقت همان آزمون انحراف هر درجه آزادی است، برای مدلهایی که برازندگی خوبی داشته باشند، 05/0 یا کمتر است. مقادیر بالاتر از 08/0 نشاندهنده خطای معقولی برای تقریب در جامعه است و در مدلهایی که مقدار آنها 1/0 یا بیشتر است برازش ضعیفی دارند. توجه به این نکته ضروری است که مقدار این معیار هنگامی که درجه آزادی کوچک است و حجم نمونه نیز بزرگ نیست میتواند گمراه کننده باشد.
رکس. پی. کلاین (2005)، خاطر نشان میسازد که این شاخص به دلیل ترکیب منحصر به فرد ویژگیهی مختلف مورد توجه بسیار قرار گرفته است. مقدار این شاخص برابر با صفـر تنها نشان میدهد که کای اسکوئر مدل از درجه آزادی مدل کوچکتر است نه آنکه لزوماً کای اسکوئر برابر صفر باشد. چنانچه حد پایین این فاصله اطمینان کوچکتر از 05/0 باشد، مدل تدوین شده به واقعیت جامعه آماری نزدیک تلقی می‌شود. در حال آرمانی انتظار داریم که حد پایین این شاخص برابر صفر باشد. در هر حال وجود حجم نمونه اندک میتواند به حالتی بغرنج بیانجامد که حد پایین شاخص از 05/0 کوچکتر و حد بالای آن از 1/0 بزرگتر باشد (قاسمی، 1389).
3-10-1-8- معیار ریشه میانگین مربعات باقیمانده (RMR)
ماتریس باقیمانده یکی از ماتریسهای مهمی است که هم میتواند برای ارزیابی برازش کلی (مدل تدوین شده) و هم برازش جزئی (پارامتر تعریف شده بین دو متغیر) مورد استفاده قرار گیرد. این شاخص یکی از شاخصهی برازشی است که از آن برای مقایسه دو مدل متفاوت با دادههای یکسان استفاده میشود. حداقل مقدار برای این شاخص صفر است، یعنی حالتی که برازش کامل و ماتریس باقیمانده یک ماتریس صفر است (ماتریسی که همه درایههای آن صفر) است. اما حداکثر آن با توجه به مقادیر کوواریانسها در ماتریس باقیمانده میتواند عددی کوچک یا بزرگ باشد. در هر حال کوچکتر بودن مقدار RMR برای یک مدل در مقایسه با مدل دیگر میتواند به عنوان یکی از معیارهای بهتر بودن آن مدل تلقی شود (قاسمی، 1389).
3-11- تحلیل همبستگی پیرسون
ابتدا لازم است تا فرض همبستگی معنادار بین دو متغیر ثابت شود و سپس در صورت داشتن همبستگی معنادار، از تحلیل مسیر (مدل معادلات ساختاری) برای شناسایی میزان اثر یک متغیر بر روی متغیرهای دیگر استفاده شود. مقدار این ضریب همواره بین 1- تا 1+ میباشد و هر چه این مقدار به صفر نزدیکتر باشد نشان دهنده عدم رابطه بین دو متغیر میباشد. هرچه مقدار ضریب همبستگی به 1- نزدیکتر باشد نشان‌دهنده قویتر بودن رابطه عکس بین دو متغیر میباشد و هرچه به 1+ نزدیکتر باشد نشاندهنده رابطه مثبت و هم جهت بین دو متغیر میباشد. محاسبه ضریب همبستگی پیرسون با فرمول زیر میباشد (قاسمی، 1389). نتایج آزمون همبستگی در جدول 3-8 ارائه شده است.
(3-3)r_s =(∑▒〖(R_(i )-(R ) ̅ 〗)(S_(i )- S ̅))/√(∑▒〖〖(R_(i )- R ̅)〗^( 2)-√(∑▒〖(S_(i )- S ̅)〗^( 2) )〗)

مطلب مرتبط :   پایان نامه ارشد با موضوعتحول گرا، سابقه خدمت، عدم تمرکز

جدول 3-8- نتایج آزمون همب
ستگی
متغیرها
مسئولیت اجتماعی
تصویر قیمت
ارزش ویژه برند
رضایت
اعتماد
نگرش
وفاداری
تصویر قیمت
698/0

ارزش ویژه برند
635/0
956/0

رضایت
193/0
442/0
952/0

اعتماد
523/0
322/0
889/0
466/0

نگرش
587/0
749/0
024/0
541/0
048/0

وفاداری
698/0
354/0
846/0
786/0
430/0
421/0

قصد خرید
635/0
030/0
219/0
302/0
736/0
062/0
239/0
3-12- تحلیل رگرسیون
روش رگرسیون (چند متغیری) بسط ساده رگرسیون دو متغیری است. روش رگرسیون چندگانه روشی برای مطالعه سهم یک یا چند متغیر

دیدگاهتان را بنویسید

Close Menu