شکل شماره ‏۴‑۲- مدل مفهومی پژوهش در حالت تخمین ضرایب استاندارد
شکل شماره ۴-۲ مدل مفهومی پژوهش را در حالت تخمین ضرایب استاندارد نشان می‌دهد. کلیه متغیرهای تحقیق به دو دسته‌ی پنهان و آشکار تبدیل می‌شوند . متغیرهای آشکار(مستطیل) یا مشاهده شده به گونه‌ای مستقیم به وسیله پژوهشگر اندازه گیری می‌شود، در حالی که متغیرهای مکنون (بیضی) یا مشاهده نشده به گونه‌ای مستقیم اندازه گیری نمی‌شوند، بلکه بر اساس روابط یا همبستگی‌های بین متغیرهای اندازه گیری‌شده استنباط می‌شوند.
متغیرهای مکنون بیانگر یکسری سازه‌های تئوریکی هستند مانند مفاهیم انتزاعی که مستقیماً قابل مشاهده نیستند و از طریق سایر متغیرهای مشاهده شده ساخته و مشاهده می‌شوند. متغیرهای مکنون به نوبه خود به دو نوع متغیرهای درون زا^[۵۱] یا جریان گیرنده^[۵۲] و متغیرهای برونزا^[۵۳] یا جریان دهنده^[۵۴] تقسیم می‌شوند. هر متغیر در سیستم مدل معادلات ساختاری می‌تواند هم به عنوان یک متغیر درون زا و هم یک متغیر برونزا در نظر گرفته شود. متغیر درون زا متغیری است که از جانب سایر متغیرهای موجود در مدل تأثیر می‌پذیرد. در مقابل متغیر برونزا متغیری است که هیچ‌گونه تأثیری از سایر متغیرهای موجود در مدل دریافت نمی‌کند بلکه خود تأثیر می‌گذارد. در مدل مفهومی این پژوهش ابعاد سرمایه اجتماعی متغیرهای برونزا و متغیرهای عملکرد شغلی و رفتار شهروندی سازمانی متغیرهای درون زا هستند.
در شکل شماره ۴-۲ اعداد و یا ضرایب به دو دسته تقسیم می‌شوند. دسته‌ی اول تحت عنوان معادلات اندازه گیری مرتبه اول هستند که روابط بین متغیرهای پنهان (بیضی) و متغیرهای آشکار (مستطیل) می‌باشند. این معادلات را اصطلاحاً بارهای عاملی^[۵۵] گویند. دسته‌ی دوم معادلات ساختاری هستند که روابط بین متغیرهای پنهان و پنهان می‌باشند و این معادلات را اصطلاحا ضرایب مسیر^[۵۶] گویند. با توجه به مدل در حالت تخمین ضرایب می‌توان بارهای عاملی و ضرایب مسیر را برآورد کرد. بر اساس بارهای عاملی، شاخصی که بیشترین بار عاملی را داشته باشد، در اندازه گیری متغیر مربوطه سهم بیشتری دارد و شاخصی که ضرایب کوچک‌تری داشته باشد سهم کمتری رو در اندازه گیری سازه مربوطه ایفا می‌کند.

ارزیابی تناسب مدل^[۵۷]

وقتی گفته می شود مدل با یکسری داده‌های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده های مشاهده شده هم ارز(معادل) باشد یعنی وقتی ماتریس باقیمانده و عوامل (عناصر آن) نزدیک صفر باشند. البته این تناسب به روش تخمین، به مدل، ویژگیهای داده‌های مشاهده شده و… بستگی دارد. مهمترین شاخص تناسب مدل^[۵۸] آزمون مجذور کای است. البته استفاده از این آزمون متضمن رعایت یکسری مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، یکسری شاخص های ثانویه به وجود آمد.
تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص های تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است. و هرچه ارزش آن کوچکتر باشد نشان می دهد که مدل تناسب بهتری دارد. اما در مقابل شاخص های تناسب ثانوی از قبیل^[۵۹]GFI ^[۶۰]NFI, و AGFI^[61] ، شاخص های تناسب مدل هستند، در این شاخص ها هرچه ارزش آنها بیشتر باشد، مدل تناسب بهتری دارد.
در ادامه به طور خلاصه برخی از شاخص های تناسب مدل را شرح می دهیم:
آزمون مجذور کای، مجذور کای به درجه آزادی: از شاخص مجذور کای اغلب به عنوان شاخص موفقیت نام برده می شود. این شاخص به سادگی نشان می‌دهد که آیا بیان مدل ساختار روابط میان متغیرهای مشاهده شده را توصیف می کند یا خیر. این شاخص نسبت به اندازه نمونه حساس است، وقتی حجم نمونه برابر ۷۵ تا ۲۰۰ باشد، مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدل های با n بزرگتر، مجذور کای تقریبا همیشه از لحاظ آماری معنادار است. از طرف دیگر مجذور کای تحت تأثیر مقدار همبستگی‌های موجود در مدل نیز هست. هر چه این همبستگی‌ها زیادتر باشد، برازش ضعیف تر است. برخی از محققان از نسبت مجذور کای به درجه آزادی به عنوان شاخص جایگزینی استفاده می کنند.

( 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. )

شاخص , GFI AGFI: این شاخص به وسیله اندازه نمونه تحت تأثیر قرار نمی گیرد. مقدار مطلوب آن می بایستی از ۹۰% بیشتر باشد. البته این مقادیر می تواند برای مدلهایی که به گونه ضعیفی فرمول بندی شده اند، بزرگ باشد. درباره کاربرد آن توافق کلی وجود ندارد.
شاخص ^[۶۲]RMSR یا RMR: این دو شاخص معیار میانگین اختلاف بین داده ها و ماتریس کوواریانس- واریانس ضمنی است. این معیار هر چقدر که کوچکتر باشد، برای تناسب مدل با داده ها بهتر است.( زیر ۰۵/۰ بسیار عالی، زیر ۰۸/۰ مناسب و بالای ۰۹/۰ نامناسب است.) این شاخص یک شاخص با ارزشی است هنگامی که میانگین واریانس- کوواریانس داده ها شناخته شده باشد. ارزیابی آن هنگامی که ماتریس واریانس-‌‌کوواریانس غیراستاندارد مورد استفاده قرار می گیرد، سخت و مشکل است.
هر چند از میان شاخصهای فوق، به گونه کلی RMSEA ^[۶۳] به عنوان شاخص مطلوب و GFI به عنوان بهترین شاخص درنظر گرفته می شود، اما درباره آنها توافق کلی وجود ندارد. شاخص های برازندگی به گونه کلی در دامنه بین صفر و یک قرار داده می شود. ضرایبی که بالاتر از ۹/۰ باشد، قابل قبول در نظر گرفته می شود. ( هر چند این سطح نیز مانند سطح خطای ۰۵/۰ اختیاری است (هومن، ۱۳۸۷،۴۳). عاقلانه است همه آنها در گزارش قید شوند.
به طور کلی در کار با برنامه Amos، هریک از شاخص های بدست آمده برای مدل به تنهایی دلیل برازندگی مدل یا عدم برازندگی آن نیستند، بلکه این شاخص ها را باید در کنار یکدیگر و با هم تفسیر کرد. اگر هم آزمون  و هم آزمون‌های تناسب ثانوی نشان دادند که مدل به طور کافی متناسب است، به سمت مشخص کردن عوامل مدل تناسب شده حرکت کرده و بر روی این عوامل تمرکز می‌کنیم. جدول شماره ۴-۵ بیانگر مهمترین این شاخص ها می‌باشد و نشان می‌دهد که الگوها در جهت تبیین و برازش از وضعیت مناسبی برخوردار است، تمامی این شاخص ها حاکی از تناسب مدل با داده های مشاهده شده می باشد. زیرا نسبت کای‌دو بر درجه آزادی کمتر از ۳ ، شاخص RMSEA کمتر از ۰۹/۰ و مابقی شاخص‌ها نیز قابل قبول هستند. به بیان دیگر، مدل و چارچوب کلی معنادار و قابل پذیرش است.
جدول شماره ‏۴‑۵- شاخص‌های برازش مدل