• • تحلیل مسیر بوسیله نرم‌افزار آموس و شاخص‌های برازندگی، برای آزمون فرضیه‌های اصلی تحقیق و تعیین نوع و شدت رابطه مستقیم و غیرمستقیم متغیرهای مستقل بر روی متغیر وابسته.

3-8-1-ضریب آلفای کرونباخ^[170]
همان‌طور که در قسمت پایایی و روایی نیز اشاره شد، ضریب آلفای کرونباخ روشی برای تعیین پایایی آزمون با تأکید بر همسانی درونی است و با بهره گرفتن از رابطه زیر محاسبه می­ شود. در این رابطه(3-2) r_α ضریب پایایی کل آزمون، k تعداد سؤالات(بخش‌های) آزمون، σ _j² واریانس نمرات سؤال(بخش) j و σ² واریانس نمرات کل سؤالات(آزمون) می­باشد.
(3-2)

3-8-2-شاخص KMO^[171] و آزمون بارتلت^[172]
در انجام تحلیل عاملی، ابتدا باید از این مسئله اطمینان حاصل شود که می‌توان داده‌های موجود را برای تحلیل مورد استفاده قرار داد. به عبارت دیگر آیا تعداد داده‌های موردنظر(اندازه نمونه و رابطه بین متغیرها) برای تحلیل عاملی مناسب هستند یا خیر؟ بدین منظور از شاخص KMO و آزمون بارتلت استفاده می‌شود(مؤمنی و فعال قیومی، 1391، ص 193).
3-8-2-1-شاخص KMO
شاخصی از کفایت نمونه‌گیری است که کوچک بودن همبستگی جزیی بین متغیرها را بررسی می‌کند و از این طریق مشخص می‌سازد آیا واریانس متغرهای تحقیق، تحت تأثیر واریانس مشترک برخی عامل‌های پنهانی و اساسی است یا خیر. این شاخص در دامنه صفر تا یک قرار دارد. اگر مقدار شاخص نزدیک به یک باشد، داده‌های مورد نظر(اندزه نمونه) برای تحلیل عاملی مناسب هستند و در غیر این صورت(معمولاً کمتر از 6/.) نتایج تحلیل عاملی برای داده‌های موردنظر چندان مناسب نمی‌باشند. این شاخص از رابطه(3-3) به دست می‌آید که در این رابطه r_ij ضریب همبستگی بین متغیرهای i و j، و a_ij ضریب همبستگی جزیی بین آن‌ها است(مؤمنی و فعال قیومی، 1391، ص 193).
(3-3)
KMO=
3-8-2-2-آزمون بارتلت
این آزمون بررسی می‌کند چه هنگام ماتریس همبستگی، شناخته شده(از نظر ریاضی ماتریس واحد و همانی) است و بنابراین برای شناسایی ساختار(مدل عاملی) نامناسب می‌باشد. ماتریس همبستگی دارای دو حالت است(مؤمنی و فعال قیومی، 1391، ص 193):
حالت اول) زمانی که ماتریس همبستگی بین متغیرها، یک ماتریس یکه می‌باشد، در این صورت متغیرها ارتباط معناداری با هم نداشته و در نتیجه امکان شناسایی عامل‌های جدید، بر اساس همبستگی متغیرها با یکدیگر وجود ندارد.
حالت دوم) زمانی که ماتریس همبستگی بین متغیرها یک ماتریس واحد و همانی نباشد، که در این صورت ارتباط معناداری بین متغیرها وجود داشته و بنابراین امکان شناسایی و تعریف عامل‌های جدیدی بر اساس همبستگی متغیرها وجود دارد. اگر سطح معنی‌داری(sig) آزمون بارتلت کوچک‌تر از 5 درصد باشد، تحلیل عاملی برای شناسایی ساختار(مدل عاملی) مناسب است، زیرا فرض یکه(واحد) بودن ماتریس همبستگی رد می‌شود.
3-8-3-مدل یابی معادلات ساختاری ^[173](SEM)
یکی از عمده‌ترین مشکلات، توجیه باورها و نظرهایی است که درباره‌ی روابط فرضی بین متغیرها با بهره گرفتن از داده‌های غیرآزمایشی ارائه می‌دهند. مدل یابی معادلات ساختاری از جمله مدل‌های آماری برای بررسی روابط خطی بین متغیرهای مکنون(مشاهده نشده) و متغیرهای آشکار(مشاهده شده) است. متغیرهای آشکار یا مشاهده شده به شکل مستقیم به وسیله پژوهشگر اندازه‌گیری می‌شود درحالی‌که متغیرهای مکنون یا مشاهده نشده به شکل مستقیم اندازه‌گیری نمی‌شوند بلکه بر اساس روابط یا همبستگی‌های بین متغیرهای اندازه‌گیری شده استنباط می‌شوند‌. مدل معادلات ساختاری دو مؤلفه دارد: مدل اندازه‌گیری که در آن متغیرهای مکنون پیشنهاد و از طریق تحلیل عاملی تأییدی آزمون می‌شود. مدل ساختاری که در آن متغیرهای مکنون و نیز متغیرهای مشاهده نشده‌ای که نشانگر متغیرهای مکنون است از یک راه منطقی با هم مرتبط می‌شود(هومن، 1384).
نرم‌افزار آموس^[174] باEqs وحید قاسمی(1390) برای برآورد آزمون مدل‌های معادلات ساختاری طراحی شده‌اند. این نرم‌افزار با بهره گرفتن از همبستگی و کوواریانس بین متغیرهای اندازه‌گیری شده، می‌تواند مقادیر بارهای عاملی، واریانس‌ها و خطاهای متغیرهای مکنون را برآورد و یا استنباط کند و از آن‌ها می‌توان برای اجرای تحلیل عاملی اکتشافی، تحلیل عاملی تأییدی و نیز تحلیل مسیر استفاده کرد.
مدل‌‌یابی معادله ساختاری یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند‌متغیری است که به پژوهشگر امکان می‌دهد مجموعه‌ای از معادلات رگرسیون را به‌گونه همزمان مورد آزمون قرار دهد(هومن، 1384). مدل‌سازی معادله ساختاری به‌عنوان یکی از پیشرفت‌های روش‌شناختی نویدبخش در علوم اجتماعی و رفتاری می‌تواند مدل‌های سنتی را مورد آزمون قرار دهد و درعین‌حال امکان بررسی روابط و مدل‌های پیچیده‌تری مانند تحلیل عاملی(تأییدی) را فراهم آورد(بنتلر^[175]،1980). در این تحقیق بسته به نیاز از کاربردهای این تکنیک در مقاصد زیر استفاده می­گردد:

• تحلیل عاملی تأییدی و بررسی روایی سازه

• مدل یابی علی یا تحلیل مسیر

3-8-3-1-تحلیل عاملی
یکی ازمهم‌ترین شیوه‌های تحلیل روایی سازه استفاده از تحلیل عاملی است. تحلیل عاملی نشان می‌دهد که سنجه‌ها با چه الگویی مرتبط هستند که این ارتباط توسط بارهای عاملی ارائه می‌شود. در تحلیل عاملی باید سؤالاتی که برای ارزیابی یک صفت طرح شده‌اند، دارای یک بار عاملی مشترک باشند. این شاخص‌ها را عامل^[176] می‌نامیم(نگهبان،1384). معمولاً در تحقیقات به دلایل مختلف با حجم زیادی از متغیرها روبرو هستیم. برای تحلیل دقیق‌تر داده‌ها و رسیدن به نتایج علمی‌تر و درعین‌حال عملیاتی‌تر، محققان به دنبال کاهش حجم متغیرها و تشکیل ساختار جدیدی برای آن‌ها می‌باشند و بدین منظور از روش تحلیل عاملی استفاده می‌کنند. تحلیل عاملی سعی در شناسایی متغیرهای اساسی یا عامل‌ها به منظور تبیین الگوی همبستگی بین متغیرهای مشاهده شده دارد. تحلیل عاملی نقش بسیار مهمی در شناسایی متغیرهای مکنون^[177] یا همان عامل‌ها از طریق متغیرهای مشاهده شده دارد. عامل، متغیر جدیدی است که از طریق ترکیب خطی مقادیر اصلی متغیرهای مشاهده شده برآورد می‌شود.
تحلیل عاملی دارای کاربردهای متعددی است که عبارتند از:

• کاهش داه‌ها^[178]

• شناسایی ساختار^[179]

• سنجش اعتبار یک مقیاس یا شاخص و غیره.

تحلیل عاملی بر دو نوع است که شامل تحلیل عامل اکتشافی^[180] و تحلیل عامل تأییدی^[181] می‌باشد. در تحلیل عاملی اکتشافی محقق درصدد کشف ساختار زیربنایی مجموعه نسبتاً بزرگی از متغیرها است و پیش‌فرض اولیه محقق آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد. در تحلیل عاملی تأییدی پیش‌فرض اساسی محقق آن است که هر عاملی با زیرمجموعه خاصی از متغیرها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تأییدی این است که محقق در مورد تعداد عامل‌های مدل، قبل از انجام تحلیل، پیش‌فرض معینی داشته باشد. ولی در عین حال محقق می‌تواند انتظارات خود مبنی بر روابط بین متغیرها و عامل‌ها را نیز در تحلیل وارد نماید.
تحلیل عاملی معمولاً دارای چهار مرحله می‌باشد:

• ماتریس ضرایب همبستگی تمام متغیرها محاسبه و از متغیرهایی که با سایر متغیرها همبستگی نشان داده بودند، اشتراک بدست می‌آید.

• از ماتریس همبستگی، عامل‌هایی استخراج می‌شود که متداول‌ترین آن‌ها عامل‌های اصلی هستند.

• چرخش عامل‌ها به منظور به حداکثر رساندن رابطه بین متغیرها و عامل‌ها(عامل‌های مورد نظر)، محاسبه نمره عامل‌ها(بار عامل‌ها) که مقدار آن باید بیش از 3/0(به اعتقاد بعضی صاحب‌نظران بیش از 4/0 باشد).

• برای آن‌که بدانیم تحلیل عاملی در این بررسی مجاز است و تناسب نمونه‌گیری وجود دارد، آماره KMO(آزمون کفایت نمونه‌‌گیری) محاسبه می‌شود. این آماره شاخصی برای مقایسه مقادیر ضرایب همبستگی ساده و جزئی بر روی همه متغیرها است.

3-8-3-2-تحلیل عاملی تأییدی
این تحلیل اساساً یک روش آزمون فرضیه است، و بر این مفروضه متکی است که اندیشه­ای برای مؤلفه­ های یک متغیر مکنون وجود دارد و پژوهشگر به دنبال یافتن نشانگرها نیست. آموس این مطلب را که آیا نشانگرهایی که پژوهشگر برای معرفی سازه یا متغیر مکنون برگزیده است، واقعاً معرف آن است یا نه، می­آزماید و گزارش می‌دهد که نشانگرهای انتخابی به چه دقتی معرف یا برازنده متغیر مکنون است. در حقیقت تحلیل عاملی تأییدی به بررسی این مطلب می ­پردازد که آیا داده ­های موجود با ساختار به شدت محدود شده پیش‌تجربی که شرایط همانندی را برآورده می­سازد، برازش دارد یا نه.
تحلیل عاملی تأییدی ابزاری برای ارزشیابی ماهیت روابط میان متغیرها و تحقق روایی سازه است. بنابراین برای قبول روایی یک مدل و در نتیجه روایی نشانگرهای آن سازه، لازم است نشان دهیم که میان این نشانگرها هماهنگی و همسویی وجود دارد. تحلیل عاملی تأییدی احتمالاً مفیدترین روشی است که به برآورد پارامتر و آزمون­های فرضیه ­ها، با توجه به تعداد عامل‌های زیربنایی روابط میان مجموعه نشانگرها می‌پردازد(هومن، 1384).
3-8-4-تحليل مسير^[182] برقراري روابط علّی در مدل
در تحلیل رگرسیون، متغیرهای تحقیق هم‌عرض هستند و فقط به تأثیر مستقیم متغیرها می ­پردازد و امکان محاسبه تأثیرهای غیرمستقیم ممکن نیست. تحلیل مسیر که برای نخستین بار از سوی سوول رایت^[183] توسعه یافت، گسترش روابط رگرسیون و در حقیقت کاربرد رگرسیون چند متغیری در ارتباط با تدوین بارز مدل­های علی است و هدف آن به دست آوردن برآوردهای کمی روابط علی بین مجموعه ­ای از متغیرهاست. بوسیله تحلیل مسیر می­توان به مطالعه تأثیر مستقیم و غیرمستقیم متغیرهای مستقل بر وابسته پرداخت و معمولاً آن را با نمودار مسیر نشان می­ دهند. بنابراین، نمودار مسیر^[184] وسیله­ای برای به نمایش در آوردن الگوی روابط علی در میان مجموعه ­ای از متغیرهاست(هومن، 1384). نمودارهاي مسير نقش اساسي در مدل یابی ساختاري دارند. معادلات ساختاري با يك نمودار مسير كه روابط نظري مورد آزمون را به نمايش مي‌گذارد، شكل مي‌گيرد. از معادلات ساختاري تعريف شده بر مبناي نمودار مسير، براي محاسبه چندين شاخص برازندگي بهره گرفته مي‌شود. بررسي پارامترهاي برآورد شده و شاخص‌هاي گوناگون برازندگي نشان مي‌دهد كه در مدل مورد مطالعه بايد چه تغييراتي انجام و در چه مواردي اصلاحات صورت گيرد؟ اصلاحات مدل بايد با احتياط صورت گرفته و از لحاظ نظري بامعنا باشد.
3-8-5-برازندگی مدل
داده‌های خام قبل از آنکه به عنوان درونداد برنامه رایانه‌ای به کار رود، معمولاً ابتدا به یک ماتریس کوواریانس یا همبستگی از روابط بین متغیرهای مشاهده‌شده تبدیل می‌شود. اندازه‌های برازندگی برای یک مدل از طریق مقایسه ماتریس کوواریانس یا همبستگی از روابط بین متغیرهای مشاهده شده تبدیل می‌شود. اندازه‌های برازندگی از طریق مقایسه ماتریس کوواریانس برآورد شده برای جامعه با ماتریس کوواریانس نمونه که از روی داده‌ها محاسبه شده است به دست می‌آید(کنی^[185]، 2001). هیچ‌گاه پرسش این نیست که «آیا این مدل به گونه کامل برازش دارد؟»، بلکه پرسش حقیقی این است که «آیا این مدل به اندازه کافی برازش دارد که تقریب مفیدی برای واقعیت و یک تبیین مستدل و منطقی از روندهای موجود در داده ­ها باشد؟». بنابراین برازندگی به معنای تأیید یک مدل نیست، زیرا هرگز هیچ مدلی تأیید نمی شود و تنها می ­تواند رد شود(درصورتی‌که با داده‌ها برازش نداشته باشد) یا عدم تأیید آن به نتیجه نرسد(برازش یابد). از سوی دیگر، یک برازندگی خوب نیز به معنای قدرت رابطه نیست. یعنی ممکن است متغیرهای موجود در مدل، همگی ناهمبسته باشند ولی مدل دارای برازندگی خوبی باشد(هومن، 1384).
برای اندازه ­گیری برازندگی مدل شاخص­ های متفاوتی وجود دارد. در این زمینه یک آزمون که مورد توافق همگان باشد وجود ندارد و در مقالات متفاوت شاخص­ های مختلفی ارائه شده است. به‌طورکلی می­توان این شاخص ­ها را به صورت جدول 3-2 دسته‌بندی و معرفی کرد.
3-8-5-1-شاخص­ های مطلق
این شاخص ­ها به بررسی این موضوع می­پردازند که واریانس خطای تبیین نشده که پس از برازش مدل باقی می­ماند قابل توجه است یا خیر. یا به عبارتی دیگر این شاخص ­ها درباره این‌که مدل­های برازش‌یافته تا چه حد به برازندگی کامل نزدیک است اطلاعات مناسبی فراهم می ­آورد.
مجذور کای(χ2) و نسبت χ2 / df : این شاخص ­ها به قدر مطلق پس‌ماندها توجه دارد. باید یادآور شد که توزیع مجذور کای به گونه ­ای است که مقدار مورد انتظار آن برابر با درجه آزادی آن است. بنابراین، نسبت χ2 / df در یک برازش ایده‌آل برابر با یک خواهد بود. اگر مقدار مجذور کای کمتر از سه برابر درجه آزادی(df) باشد یا به عبارتی دیگر نسبت χ2 / df کمتر از سه باشد برازش مناسب است.