مدل اندازه گیری در سطح متغیر های مستقل
تدارکات:
این مدل در نرم افزار اجرا و روابط نشانگر های آن ترسیم شد. مدل اولیه اجرا شده در نرم افزار لیزرل دارای شاخص‌های مناسب برازش نبوده و به این منظور باید مدل اولیه وارد فاز اصلاح شود. عمدتاً در مرحله اصلاح مدل کنار گذاشتن نشانگر های کم اهمیت یا برقراری روابط آزاد در مدل به اجرا و برازش آن کمک شایان توجهی می‌نماید. به واقع در مدل برازش یافته بارهای عاملی و تمام رویکرد‌های مطالعه معنی‌داری آنها از اعتبار قاطعی برخوردار هستند.
مدل-۱-۱: مدل اولیه اندازه‌گیری متغیر تدارکات
جدول ۴-۹ تفاوت مقادیر کای اسکویر در تعیین اثر بخشی مدل اولیه اندازه گیری متغیر تدارکات
ردیف
مدل برازش یافته
Chi-Square
تفاوت Chi-Square
df
P-value
RMSEA
۱
مدل اول
۴.۳۸
۲
۰.۱۱۱۷
۰.۰۷۴
منبع: نتایج تحقیق
با توجه به جدول مشاهده می‌شود که مدل اولیه اجرا شده در نرم‌افزار شاخصه‌های مناسب برای برازش را ندارند و نیاز به اصلاح دارند.
همانگونه که در مدل مشاهده می‌شود مقادیر بارهای عاملی برای متغیرهای در مدل و همچنین سوالات برآورد کننده آنها به شرح زیر است.
جدول۴-۱۰بارهای عاملی در مدل اولیه برای متغیر تدارکات
سوالات برازش‌کننده مدل
بارهای عاملی در مدل
۱
تدارکات
سوال ۱
۰.۶۳
سوال ۲
۰.۷۵
سوال ۳
۰.۶۷
سوال ۴
۰.۳۷
بیشترین مقدار بار‌عاملی برای متغیر تدارکات مربوط به سوال۲ با میزان ۰.۷۵ و کمترین میزان بار عاملی مربوط به سوال ۴ با میزان ۰.۳۷ می‌باشد.
حال سوال اصلی اینجاست که تا چه مرحله‌ای باید اصلاح را ادامه داد؟ همان‌طور که در روش‌شناسی مدل معادلات ساختاری مطرح است محقق باید با استفاده از معنی داری مقدار تفاوت آماره کای اسکویر نسبت به اصلاح مدل و پیشبرد مراحل اقدام نماید. در این راستا از آزمون D2 که از روی مقدار کاهش کای اسکویر و تفاوت معنی داری آن قضاوت می‌کند استفاده شده است. بر اساس جداول زیر مشاهده می‌شود که مدل اولیه پس از یک مرحله اصلاح و در قالب مدل دوم به زیر بنای مناسب عاملی جهت استفاده در مدل ساختاری رسیده است؛ لذا انجام عملیات اصلاح که با آزاد نمودن مقدار کوواریانس های بین نشانگرها جهت دست‌یابی به بهترین ماتریس‌کوواریانس انجام شده است در مدل دوم متوقف شده است.
مدل ۴-۱-۲: مدل اندازه گیری اشباع شده متغیر تدارکات
مقادیر ریشه دوم برآورد واریانس خطای تقریب RMSEA، نیز در گام دوم به مقدار قابل قبول رسیده است؛ لذا می‌توان پارامتر های برآورد شده در مدل دوم را به لحاظ آماری قابل اتکا دانست و از آن جهت تطابق پذیری نشانگرها با سازه‌های مورد مطالعه استفاده نمود.
نشانگر های در کنار یکدیگر سازه‌های مربوط به خود را با توجه به ساختار مورد نظر محقق به درستی تائید نمودند زیرا که مدل حاضر با استفاده از روش تحلیل عاملی تأییدی به درستی اجرا شده است و تداخل قابل توجهی مشاهده نمی‌شود. با توجه به اینکه مقدار ریشه دوم برآورد واریانس خطای تقریب RMSEA برای مدل اصلاح شده کمتر از ۰۸/۰ گزارش نشده ( اختلاف بسیار کمی مشاهده می‌شود که قابل اغماز است)، بنابر این بر اساس یافته‌های این مدل می‌توان در مورد مناسب بودن سوالات انتخابی محقق تصمیم گیری نمود. نتایج نشان می‌دهد پارامتر های برآورد شده در مدل به لحاظ آماری قابل اتکا بوده و از آن جهت تطابق پذیری نشانگرها با سازه‌های مورد مطالعه استفاده نمود.
جدول۴-۱۱ مقادیر بارهای عاملی برای مدل اصلاح شده متغیر تدارکات
سوالات برازش کننده مدل
بارهای عاملی در مدل
۱
تدارکات
سوال ۱
.۰۵۶
سوال ۲
۰.۸۴
سوال ۳
۰.۵۹
سوال ۴
۰.۳۷
در جدول بالا بعد از اصلاح مدل بیشترین مقدار بار‌عاملی برای سوال ۲ با میزان ۰.۸۴ و کمترین بار‌عاملی مربوط به سوال ۴ با میزان ۰.۳۷ است.
جدول۴-۱۲ تفاوت مقادیر کای اسکویر
در تعیین اثر بخشی اصلاح مدل اولیه اندازه گیری.
ردیف
مدل برازش یافته
Chi-Square
تفاوت Chi-Square
df
P-value
RMSEA
سوالات مرتبط
۱
مدل اول
۴.۳۸
۲
۰.۱۱۱۷
۰.۰۷۴
Q_1,Q_3(0.23)
۲
مدل دوم(شروع اصلاح)
۲.۷۹
۱.۵۹
۱
۰.۰۹۵۰۱
۰.۰۹۱
منبع: نتایج تحقیق
با توجه به جدول مشاهده می‌شود که بعد از یک مرحله اصلاح مدل به شرایط پایدار برای قبول برازش رسیده است و دیگر نیازی به اصلاح ندارد.
مدل ۴-۱-۳: مقادیر t برای بررسی معنی داری پارامتر های مدل برازش یافته متغیر تدارکات
مقادیر محاسبه شده t برای هر یک از بار های عاملی هر نشانگر باقی مانده با سازه یا متغیر پنهان خود بالای ۹۶/۱ است؛ لذا می‌توان هم سویی سوالات پرسشنامه برای اندازه گیری مفاهیم را در این مرحله معتبر نشان داد. در واقع نتایج جدول زیر نشان می‌دهد آنچه محقق توسط سوالات پرسشنامه قصد سنجش آنها را داشته است توسط این ابزار محقق شده است؛ لذا روابط بین سازه‌ها یا متغیر های پنهان قابل استناد است. برای آنکه نشان دهیم این مقادیر به دست آمده تا چه حد با واقعیت‌های موجود در مدل تطابق دارد باید شاخص‌های برازش مورد مطالعه قرار گیرد. همچنین با توجه به بارهای عاملی موجود در هر یک از ابعاد می‌توان در مورد اهمیت هر یک از نشانگرها تصمیم گیری نمود. مشخصاً نشانگرهایی که از اندازه گیری هر یک از سازه‌ها کنار
گذاشته شده‌اند دارای بار مفهومی و آماری مناسبی برای اندازه گیری مفهوم مورد نظر محقق نیستند.
جدول۴-۱۳ نتایج مدل اندازه گیری متغیر تدارکات
ردیف
سازه تحقیق
سوالات برازش‌کننده مدل
بارهای عاملی در مدل اصلاح شده
T
p-value
۱
تدارکات
سوال ۱
۰.۵۶
۶.۱۹
کمتر از ۰.۰۵
سوال ۲
۰.۸۴
۷.۸۵
کمتر از ۰.۰۵
سوال ۳
۰.۵۹
۶.۴۱
کمتر از ۰.۰۵
سوال ۴
۰.۳۷
۴.۸۴
کمتر از ۰.۰۵
مقدار GFI گزارش شده برای این مدل با مقدار ۹۹/۰ است،مقدار نا چیز RMR در این پژوهش (۰۱۲/۰)، نشان از تبیین مناسب کوواریانس ها دارد. SRMR که برای تحقیق حاضر ۰۲۴/۰ محاسبه شده است. مقادیر بالای ۹/۰ شاخص های برازندگی (GFI)، شاخص نرم شده برازندگی(NFI) ، شاخص برازندگی فزاینده (IFI)، شاخص برازندگی تطبیقی (CFI)، حاکی از برازش بسیار مناسب مدل طراحی شده در مقایسه با سایر مدل‌های ممکنه است.
جدول ۴-۱۴ شاخص‌های برازندگی مدل اندازه گیری تحقیق متغیر تدارکات
شاخص
حد مطلوب
مقدار گزارش شده
میانگین مجذور پس‌ماندها RMR
نزدیک به صفر
۰۲۴/۰
میانگین مجذور پس‌ماندها استاندارد شده SRMR
نزدیک به صفر
۰۱۲ /۰
شاخص برازندگی GFI
۹/۰ و بالاتر
۰.۹۹
شاخص نرم‌شده برازندگی (NFI)
۹/۰ و بالاتر
۰.۹۸
شاخص نرم‌نشده برازندگی (NNFI)
۹/۰ و بالاتر
۰.۹۴
شاخص برازندگی فزاینده (IFI)
۹/۰ و بالاتر
۰.۹۹
شاخص برازندگی تطبیقی(CFI)
۹/۰ و بالاتر
۰.۹۹
ریشه دوم برآورد واریانس خطای تقریب، RMSEA
۰۸/۰ و کمتر
۰.۰۹۱
همان‌طور که مشخصه‌های برازندگی جدول نشان می‌دهد داده‌های این پژوهش با ساختار عاملی و زیربنای نظری تحقیق برازش مناسبی دارد و این بیانگر همسو بودن سوالات با سازه‌های نظری است. بعد از پالایش متغیر های مربوط به متغیر های مستقل، در این مرحله می‌توان مدل اندازه گیری ابعاد دیگر را مطالعه نمود.
انبار‌داری:
این مدل در نرم افزار اجرا و روابط نشانگر های آن ترسیم شد. مدل اولیه اجرا شده در نرم افزار لیزرل دارای شاخص‌های مناسب برازش نبوده و به این منظور باید مدل اولیه وارد فاز اصلاح شود. عمدتاً در مرحله اصلاح مدل کنار گذاشتن نشانگر های کم اهمیت یا برقراری روابط آزاد در مدل به اجرا و برازش آن کمک شایان توجهی می‌نماید. به واقع در مدل برازش یافته بارهای عاملی و تمام رویکرد های مطالعه معنی داری آنها از اعتبار قاطعی برخوردار هستند
مدل ۴-۲-۱: مدل اولیه اندازه‌گیری متغیر انبار‌داری
جدول۴-۱۵ تفاوت مقادیر کای اسکویر در تعیین اثر بخشی مدل اولیه اندازه گیری متغیر انبار‌داری
ردیف
مدل برازش یافته
Chi-Square
تفاوت Chi-Square
df
P-value
RMSEA
۱
مدل اول
۲۶.۶۷
۵
۰.۰۰۰۰۷
۰.۱۴۲
منبع: نتایج تحقیق
با توجه به جدول مشاهده می‌شود که مدل اولیه اجرا شده در نرم‌افزار شاخصه‌های مناسب برای برازش را ندارند و نیاز به اصلاح دارند.
همانگونه که در مدل مشاهده می‌شود مقادیر بارهای عاملی برای متغیرهای مکنون در مدل و همچنین سوالات برآورد کننده آنها به شرح زیر است.
جدول۴-۱۶ بارهای عاملی در مدل اولیه برای متغیر انبار‌داری
سوالات برازش‌کننده مدل
بارهای عاملی در مدل
۱
انبار‌داری
سوال ۵
۰.۶۵
سوال ۶
۰.۷۵
سوال ۷
۰.۵۸
سوال ۸
۰.۵۴
سوال ۹
۰.۴۵
بیشترین مقدار بار‌عاملی برای متغیرانبارداری مربوط به سوال ۶ با میزان ۰.۷۵ و کمترین میزان بار عاملی مربوط به سوال ۹ با میزان ۰.۴۵ می‌باشد.
حال سوال اصلی اینجاست که تا چه مرحله‌ای باید اصلاح را ادامه داد؟ همان‌طور که در روش شناسی مدل معادلات ساختاری مطرح است محقق باید با استفاده از معنی داری مقدار تفاوت آماره کای اسکویر نسبت به اصلاح مدل و پیشبرد مراحل اقدام نماید. در این ر
استا از آزمون D2 که از روی مقدار کاهش کای اسکویر و تفاوت معنی داری آن قضاوت می‌کند استفاده شده است. بر اساس جداول زیر مشاهده می‌شود که مدل اولیه پس از یک مرحله اصلاح و در قالب مدل دوم به زیر بنای مناسب عاملی جهت استفاده در مدل ساختاری رسیده است؛ لذا انجام عملیات اصلاح که با آزاد نمودن مقدار کوواریانس های بین نشانگرها جهت دست‌یابی به بهترین ماتریس کوواریانس انجام شده است در مدل دوم متوقف شده است.
مدل۴- ۲-۲: مدل اندازه گیری اشباع شده متغیر انبار‌داری
مقادیر ریشه دوم برآورد واریانس خطای تقریب RMSEA، نیز در گام دوم به مقدار قابل قبول رسیده است؛ لذا می‌توان پارامتر های برآورد شده در مدل دوم را به لحاظ آماری قابل اتکا دانست و از آن جهت تطابق پذیری نشانگرها با سازه‌های مورد مطالعه استفاده نمود.
نشانگر های در کنار یکدیگر سازه‌های مربوط به خود را با توجه به ساختار مورد نظر محقق به درستی تائید نمودند زیرا که مدل حاضر با استفاده از روش تحلیل عاملی تأییدی به درستی اجرا شده است و تداخل قابل توجهی مشاهده نمی‌شود. با توجه به اینکه مقدار ریشه دوم برآورد واریانس خطای تقریب RMSEA برای مدل اصلاح شده کمتر از ۰۸/۰ گزارش شده، از این بر اساس یافته‌های این مدل می‌توان در مورد مناسب بودن سوالات انتخابی محقق تصمیم گیری نمود. نتایج نشان می‌دهد پارامتر های برآورد شده در مدل به لحاظ آماری قابل اتکا بوده و از آن جهت تطابق پذیری نشانگرها با سازه‌های مورد مطالعه استفاده نمود.
جدول۴-۱۷مقادیر بارهای عاملی برای مدل اصلاح شده متغیر انبار‌داری
سوالات برازش‌کننده مدل
بارهای عاملی در مدل
۱
انبار‌داری
سوال ۵
۰.۴۶
سوال ۶
۰.۵۸
سوال ۷
۰.۶۷
سوال ۸
۰.۶۵
سوال ۹
۰.۵۰
در جدول بالا بعد از اصلاح مدل بیشترین مقدار بار‌عاملی برای سوال ۷ با میزان۰.۶۷ و کمترین بار‌عاملی مربوط به سوال ۵ با میزان ۰.۴۶ است.
جدول ۴-۱۸ تفاوت مقادیر کای اسکویر در تعیین اثر بخشی اصلاح مدل اولیه اندازه گیری.
ردیف
مدل برازش یافته
Chi-Square
تفاوت Chi-Square
df
P-value
RMSEA
سوالات مرتبط
۱
مدل اول
۲۶.۶۷
۵
۰.۰۰۰۰۷
۰.۱۴۲
Q-5,Q-6(0.29)–Q-7,Q-8(0.13)
۲
مدل دوم
(شروع اصلاح)
۳.۰۵
۲۳.۶۲
۳
۰.۰۳۸۳۴
۰.۰۰۹
منبع: نتایج تحقیق
با توجه به جدول مشاهده می‌شود که بعد از یک مرحله اصلاح مدل به شرایط پایدار برای قبول برازش رسیده است و دیگر نیازی به اصلاح ندارد.
مدل۴-۲-۳: مقادیر t برای بررسی معنی داری پارامتر های مدل برازش یافته متغیر انبار‌داری
مقادیر محاسبه شده t برای هر یک از بار های عاملی هر نشانگر باقی مانده با سازه یا متغیر پنهان خود بالای ۹۶/۱ است؛ لذا می‌توان هم سویی سوالات پرسشنامه برای اندازه گیری مفاهیم را در این مرحله معتبر]]>
