انجام کارهای spss -مقاله-پایان نامه

: ارزیابی کلی مدل:

زمانی که مدل ما دارای ویژگی همانندی باشد، امکان آزمون آن و ارزیابی مدل فراهم می‌شود. جهت ارزیابی مدل  شاخص های متعددی وجود دارند، که در سه دسته کلی شاخص های مطلق، نسبی و تعدیل یافته  معرفی شده اند که  این شاخصها در جدول زیر  تشریح شده اند:

شاخص های مطلق:: به بررسی اینکه واريانس خطا يا تبيين نشده كه پس از برازش مدل باقي مي‌ماند، قابل توجه است یا خیر؟ می پردازند.

1- مجذور كاي  (X2) و نسبت X2/df

 وقتي حجم گروه نمونه برابر با 75 تا 200 باشد، مقدار مجذور كاي يك اندازه معقول برازندگي است. اما براي مدلهاي با n بزرگتر ، مجذور كاي (همانند همه آزمونهاي معنادار بودن) تقريباً هميشه از لحاظ آماري معنادار است. اين مسئله، با توجه به اين مطلب كه براي روش SEM، گروههاي نمونه با حجم زياد توصيه مي‌شود، تناقض دارد. علاوه بر اين، مجذور كاي تحت تأثير مقدار همبستگي‌هاي موجود در مدل نيز هست؛ هرچه اين همبستگي‌ها زيادتر باشد، برازش ضعيف‌تر است. در ميان شاخص‌هاي مطلق، مجذور كاي و نسبت X2/df، به قدر مطلق پس‌ماندها توجه دارد. بايد يادآور شويم كه توزيع مجذور كاي به گونه‌اي است كه مقدار مورد انتظار آن برابر با درجه آزادي آن است. بنابراين، نسبت X2/df در يك برازش «ايده‌آل»، برابر با 0/1 خواهد بود.اما بصورت کلی جهت تعیین اینکه آیا مدل برازش دارد یا نه باید به این نکته توجه کرد که سطح معناداری برای شاخص  خی دو باید بیشتر از 05/0 باشد تا این مطلب که مدل مفهومی با داده ها برازش دارد تائید گردد، همچنین نسبت خی دو بر درجه آزادی باید دارای مقدار 2 و کمتر از آن باشد.

2-ريشه ميانگين مجذور پس‌ماندها

 ريشه دوم ميانگين مجذور پس‌ماندها يعني تفاوت بين عناصر ماتريس مشاهده شده در گروه نمونه و عناصر ماتريس‌هاي برآورد يا پيش‌بيني شده با فرض درست بودن مدل مورد نظر است هرچه RMR براي مدل مورد آزمون نزديك‌تر به صفر باشد، مدل مذكور برازش بهتري دارد.جهت مقایسه دو مدل متفاوت با داده های یکسان استفاده می‌شود.حداقل مقدار این شاخص صفر است و بیانگر برازش کامل و ماتریس باقیمانده یک ماتریس صفر است.کوچک بودن مقدار این شاخص در مقایسه دو مدل حاکی از وضعیت مناسب برازش مدل است.این شاخص طبق فرمول زیر محاسبه می‌شود.

3-شاخص برازندگي (GFI)

 بستگي به حجم نمونه ندارد و نشان مي‌دهد كه مدل تا چه حد نسبت به عدم وجود آن، برازندگي بهتري دارد. چون GFI نسبت به ساير مشخصه‌هاي برازندگي اغلب بزرگتر است، برخي از پژوهشگرها نقطه برش 95/0 را براي آن پيشنهاد كرده‌اند. بر پايه قرارداد، مقدار GFI بايد برابر يا بزرگتر از 90/0 باشد تا مدل مورد نظر پذيرفته شود(جارزکاگ و سوربوم،1989). این شاخص طبق فرمول های زیر محاسبه می‌شود.

4-شاخص تعديل برازندگي (AGFI)

 شاخص AGFI نيز مانند GFI، مقدار AGFI نيز بايد برابر با بزرگتر از 90/0 باشد تا مدل مورد نظر پذيرفته شود(جارزکاگ و سوربوم،1989). این شاخص طبق فرمول های زیر محاسبه می‌شود.

ب-شاخص های نسبی به بررسی اینکه يك مدل به خصوص در مقايسه با ساير مدل‌هاي ممكن، از لحاظ تبيين مجموعه‌اي از داده‌هاي مشاهده شده تا چه حد خوب عمل مي‌كند می پردازند(ماریوما،1997).

1 -شاخص نرم‌شده برازندگي (NFI)

 بنتلر و بونت (1980) مقادير NFI برابر يا بزرگتر از 9/0 را در مقايسه با مدل صفر، به عنوان شاخص خوبي براي برازندگي مدل‌هاي نظري توصيه كرده‌اند.مهمترین نقطه ضعف این شاخص عدم حساسیت آن نسبت به افزایش پارامتر به مدل است،این شاخص با افزودن پارامترهای جدید به مدل دارای رابطه مثبت است. این شاخص طبق فرمول های زیر محاسبه می‌شود.

2-شاخص نرم‌نشده برازندگي^[6] (NNFI)

 هر چند مقدار آن نسبت به تغييرات حجم گروه نمونه مقاوم است، اما چون دامنه آن محدود به صفر و يك نيست تفسير آن نسبت به NFI دشوارتر است. بر پايه قرارداد، مقادير كمتر از 9/0 آن مستلزم تجديد نظر در مدل است. در دو جهت می توان از آن استفاده نمود:مقایسه دو یا چند مدل متفاوت با داده ها یکسان و مقایسه مدل مفروض با یک مدل صفر.اگر مقدار آن بیشتر از یک باشد ،مقدار آن یک در نظر گرفته می‌شود.این شاخص طبق فرمول های زیر محاسبه می‌شود:

3-شاخص برازندگي فزاينده (IFI)

 این شاخص بر اساس مقایسه ندل تدوین شده با مدل استقلال محاسبه  می‌شود و اولین بار توسط بولن(1989) ارائه شده است.مقدار IFI نيز، بر پايه قرارداد، بايد دست كم 90/0 باشد، تا مدل مورد نظر پذيرفته شود.این شاخص طبق فرمول های زیر محاسبه می‌شود:

4-شاخص برازندگي تطبيقي (CFI)

این شاخص بر مبنای همبستگی بین متغیرهای موجود در مدل محاسبه می‌شود ،هر چه ضرایب همبستگی بین متغیرهای موجود در مدل بالا باشد میزان این شاخص نیز بالا خواهد بود. مقدار آن بر پايه قرارداد، بايد دست كم 90/0 باشد تا مدل مورد نظر پذيرفته شود. این شاخص طبق فرمول های زیر محاسبه می‌شود.

ج-شاخصهای تعدیل یافته به بررسی اینکه مدل مورد نظر چگونه برازندگي و صرفه‌جويي يا ايجاز را با هم تركيب مي‌كند؟

PGFIو PNFI

آنچه اين شاخص‌ها انجام مي‌دهند، به واقع ضرب آنها در نسبت درجه آزادي در مدل نظري به درجه آزادي ديگري است كه مقدار آن در ماتريسي كه در مدل‌هاي مطلق به كار مي‌رود براي V اندازه برابر با (1+V) V5/0 ، و در مدل صفر كه در مدل‌هاي نسبي به كار مي‌رود برابر با (1-V) V 5/0 است. جيمز، مولائيك و برت^[11] (1982) شاخصي از اين نوع با نماد PGFI براي GFI در نرم‌افزار LISREL ارائه كرده‌اند. این شاخصها  طبق فرمول های زیر محاسبه می‌شوند.

ريشه دوم برآورد واريانس خطاي تقريب(RMSEA)

 مقدار RMSEA كه به واقع همان آزمون انحراف هر درجه آزادي است، براي مدل‌هايي كه برازندگي خوبي داشته باشد، كمتر از 05/0 است. مقادير بالاتر از آن تا 08/0 نشان‌دهنده خطاهاي معقولي براي تقريب در جامعه است. مدل‌هايي كه RMSEA آنها 10/0 يا بيشتر باشد برازش ضعيفي دارد. استیگر (1990) و هو و بنتلر (1999) به عنوان نقطه برش برازندگي خوب مدل، مقدار كوچكتر يا مساوي 06/0 را پيشنهاد كرده‌اند.