۳-۸-۳ شاخص خطای مجموع مجذورا ت میانگین RMSEA
این شاخص، ریشه میانگین مجذورات تقریب می باشد. شاخص RMSEA برای مدل های خوب برابر ۰۵/۰ یا کمتر است. مدلهایی که RMSEA آنها ۱/۰ باشد برازندگی ضعیفی دارند. برپایه قرارداد مقدار RMSEA اگر کوچکتر از ۰.۱ باشد برازندگی مدل پذیرفته می شود.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۳-۸-۴ مجذور کای
آزمون مجذور کای (خی دو) این فرضیه مدل مورد نظر را هماهنگ با الگوی همپراشی که بین متغیرها مشاهده شده است 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. مقدار کای دو باید از لحاظ آمار معنادار باشد یعنی از میزان جدول بزرگتر باشد.
۳-۸-۵ شاخص نرم شده برازندگی NFI
شاخص NFI (که شاخص بنتلر بونت هم نامیده می شود) برای مقادیر بالای ۹/۰ قابل قبول و نشانه برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که درآن بین متغیرها هیچ رابطه ای نیست با مدل پیشنهادی مورد نظر، مقدار بهبود را نیز می آزماید. شاخص NFI بزرگتر از ۹/۰ قابل قبول و نشانه برازندگی مدل است.
۳-۹-۶ شاخص برازندگی فزاینده IFI
این شاخص طبق قرارداد باید حداقل مقدار ۹/۰ را داشته باشد تا مدل پذیرفته شود.
۳-۸-۷ شاخص برازندگی CFI
این شاخص برازندگی مدل موجود را با مدل صفر که در آن فرض می شود متغیر مکنون موجود در مدل ناهمبسته اند (مدل استقلال) مورد مقایسه قرار می دهددر واقع این شاخص مدل مورد نظر را با مدل بدون رابطه هایش مقایسه می کند. CFI از لحاظ معنا مانند NFI است با این تفاوت که برای حجم گروه نمونه جریمه می دهد. مقدار آن بر پایه قرار داد باید حداقل ۹/۰ باشد.
شاخص های دیگری نیز در خروجی نرم افزار دیده می شوند که برخی مثل AIC,CAICECVA, 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 تراست. برخی از شاخص ها نیز به شدت وابسته حجم نمونه اند و در حجم نمونه های بالا می توانند معنا داشته باشند.
۳-۸-۸ روش تحلیل داده ها در SEM
از جمله تحلیل‌های همبستگی، تحلیل ماتریس کوواریانس یا ماتریس همبستگی است. با توجه به هدف پژوهش و تحلیل‌هائی که روی این ماتریس صورت می‌گیرد به دو دسته اصلی تقسیم می‌شود: تحلیل عاملی Factor Analysis و مدل معادلات ساختاری Structural equationmodel, SEM. هر دو این تحلیل‌ها از طریق نرم افزار لیزرل قابل انجام است. مدل معادلات ساختاری یا Structural Equation Model یک ساختار علی خاص بین مجموعه‌ای از سازه‌های غیرقابل مشاهده است. یک مدل معادلات ساختاری از دو مولفه تشکیل شده است: یک مدل ساختاری که ساختار علی بین متغیرهای پنهان را مشخص می‌کند و یک مدل اندازه‌گیری که روابطی بین متغیرهای پنهان و متغیرهای مشاهده شده را تعریف می‌کند.
سازه‌ها یا متغیرهای پنهان و متغیرهای مشاهده شده دو مفهوم اساسی در تحلیل‌های آماری بویژه بحث تحلیل عاملی و مدل یابی معدلات ساختاری هستند. متغیرهای پنهان که از آنها تحت عنوان متغیر مکنون نیز یاد می‌شود متغیرهائی هستند که به صورت مستقیم قابل مشاهده نیستند. برای مثال متغیر انگیزه را در نظر بگیرید. انگیزه فرد را نمی‌توان به صورت مستقیم مشاهده کرد و سنجید. به همین منظور برای سنجش متغیرهای پنهان از سنجه‌ها یا گویه‌هائی استفاده می‌کنند که همان سوالات پرسشنامه را تشکیل می‌دهند. این سنجه‌ها متغیرهای مشاهده شده هستند. مدل کلی معادلات ساختاری از قوانینی پیروی می‌کند که شامل:
۱- هر بیضی در مدل معادلات ساختاری نشان‌دهنده یک متغیر پنهان است.
۲- هر مستطیل در مدل معادلات ساختاری نشان‌دهنده یک متغیر قابل مشاهده است.
۳- از هر متغیر پنهان (بیضی) به هر متغیرقابل مشاهده (مستطیل) پیکانی وجود دارد که با نماد λ نشان داده می‌شود. به λ وزن‌های عاملی یا بار عاملی گفته می‌شود. طبق گفته کلاین بارهای عاملی بزرگتر از ۳/۰ نشان‌دهنده با اهمیت بودن رابطه است.
۴- هر مقدار ε نیز نشان‌دهنده خطا در پیش بینی متغیرهای پنهان از یکدیگر است.
۵- ضریب رابطه علی بین دو متغیر پنهان مستقل و وابسته با γ نشان داده می‌شود.
۶- ضریب رابطه علی بین دو متغیر پنهان وابسته با β نشان داده می‌شود.
۳-۸-۹ بار عاملی (Factor Loading)
قدرت رابطه بین عامل (متغیر پنهان) و متغیر قابل مشاهده بوسیله بار عاملی نشان داده می‌شود. بار عاملی مقداری بین صفر و یک است. اگر بار عاملی کمتر از ۳/۰ باشد رابطه ضعیف درنظر گرفته شده و از آن صرف‌نظر می‌شود. بارعاملی بین ۳/۰ تا ۶/۰ قابل قبول است و اگر بزرگتر از ۰.۶ باشد خیلی مطلوب است. بار عاملی در شکل با λ نشان داده شده است. در تحلیل عاملی متغیرهائی که یک متغیر پنهان (عامل) را می‌سنجند، باید با آن عامل، بار عاملی بالا و با سایر عامل‌ها، بار عاملی پائین داشته باشند. جهت بررسی معنادار بودن رابطه بین متغیرها از آماره آزمون t یا همان t-value استفاده می‌شود. چون معناداری در سطح خطای ۰.۰۵ بررسی می‌شود بنابراین اگر میزان بارهای عاملی مشاهده شده با آزمون t-value از ۹۶/۱ کوچکتر محاسبه شود، رابطه معنادار نیست و در نرم افزار لیزرل با رنگ قرمز نمایش داده خواهد شد.
آزمون t تک نمونه ای
اگر فرضیه ای در خصوص میانگین یک جامعه آماری طراحی شود با بهره گرفتن از مراحل آزمون فرض آماری می توان صحت یا سقم فرضیه را در سطح معنی داری   تعیین کرد که از ازمون t تک نمونه ای برای این منظور می توان استفاده کرد. در این پژوهش جهت تبیین و تفسیر متغیر های مستقل و وابسته و اینکه هر متغیر با چه وضعیتی در جامعه آماری وجود دارد از آزمون t تک نمونه ای استفاده شده است.
آزمون رگرسیون خطی ساده
در رگرسیون به دنبال برآورد رابطهای ریاضی و تحلیل آن هستیم، بطوری که با آن بتوان کمیت متغیری مجهول را با بهره گرفتن از متغیر(های) معلوم تعیین کرد. مدل رگرسیون خطی به فرم   نوشته میشود که در آن   عرض از مبدا،   شیب خط، Y متغیر وابسته یا پاسخ، X متغیر مستقل یا پیشگو و   عامل خطا میباشد. هدف از رگرسیون خطی ساده این است که با برآورد کردن پارامترهای   و   مدل خطی ساده را به داده ها برازش کنیم. جهت آزمون فرضیه های فرعی پژوهش و بررسی وجود رابطه خطی بین تک تک متغیرهای مستقل و متغیرهای وابسته از آزمون رگرسیون خطی ساده استفاده شده است.
آزمون رگرسیون خطی چندگانه
در رگرسیون خطی چندگانه تاثیر همزمان و خطی دو یا چند متغیر را روی متغیر وابسته ای اندازه می گیریم. در واقع به مدل رگرسیونی که شامل بیش از یک متغیر مستقل میباشد، رگرسیون خطی چندگانه گفته میشود و بصورت   نوشته میشود که به Y متغیر وابسته و به   متغیرهای مستقل و نهایتا به   خطای مدل گفته میشود. جهت آزمون فرضیه های اصلی اول و دوم پژوهش و بررسی وجود رابطه خطی بین متغیرهای مستقل و متغیرهای وابسته (هنگامی که متغیرهای مستقل بر یکدیگر تاثیر میگذارند) از آزمون رگرسیون خطی چندگانه استفاده گردید.
تحلیل واریانس یک طرفه ANOVA
به کمک تحلیل واریانس یک طرفه به بررسی و تحلیل تفاوت بین بیش از دو میانگین نمونهای می پردازیم. در واقع با انجام آزمون تحلیل واریانس میخواهیم بررسی کنیم آیا بین میانگینهای نمونهای که از جامعههای مختلف گرفتیم تفاوتهای واقعی وجود دارد و یا آن مقدار تفاوت قابل اغماض بوده و میتوان آن را معلول تصادف دانست در این پژوهش از تحلیل واریانس جهت مقایسه بخشهای مختلف جامعه آماری استفاده میشود.
۳-۹.ساختار پرسشنامه:
سوالات مربوط به وفاداری(۱-۵)

سوالات مربوط به آگاهی (۶-۸)

سوالات مربوط به کیفیت درک شده(۹-۱۲)