کای اسکوئر یا خی دو (χ۲): یکی از شاخص­ های مطلق می‌باشد که ‌می‌توان آن را به عنوان عمومی‌ترین و پرکاربردترین شاخص برازش در مدل‌سازی معادله ساختاری تلقی کرد.مبنای محاسبه مقدار کای اسکوئر تفاوتی است که بین دو ماتریس وجود دارد: ماتریس واریانس-کوواریانس تولید شده و ماتریس واریانس-کوواریانس باز تولید شده بر مبنای پارامترهای برآوردشده در مدل تدوین شده. کمیت کای اسکوئر بسیار به حجم نمونه وابسته می‌باشد و نمونه‌ بزرگ کمیت کای دو را بیش از آن چه که بتوان آن را به غلط بودن مدل نسبت داد، افزایش می‌دهد.

ریشه دوم میانگین مربعات باقیمانده^[۳۳] یا RMR: این شاخص یکی از شاخص­ های برازش مطلق است، حداقل مقدار برای این شاخص صفر است. هرچه RMR برای مدل مورد آزمون نزدیک‌تر به صفر باشد، مدل مذکور برازش بهتری دارد.

شاخص نیکویی برازش^[۳۴] یا GFI: این شاخص، مقدار نسبی واریانس­ها و کوواریانس­ها را به گونه مشترک از طریق مدل، ارزیابی می­ کند. دامنه تغییرات آن بین صفر و یک ‌می‌باشد. مقدار قابل قبول برای آن باید بزرگ‌تر از۸،۰ ‌می‌باشد.

شاخص برازش تطبیقی^[۳۵] یا CFI: یکی از شاخص­ های تطبیقی است. این شاخص بر مبنای همبستگی بین متغیرهای حاضر در مدل قرار دارد به نحوی که ضرایب بالای همبستگی بین آن‌ ها به مقادیر بالای شاخص برازش تطبیقی می­انجامد.

ریشه میانگین مربعات خطای برآورد^[۳۶] یا RMSEA: یکی از شاخص­ های مقتصد است و همانند RMR این شاخص نیز بر مبنای تحلیل ماتریس باقیمانده قرار دارد. بر خلاف بسیاری از شاخص‌های برازش دیگر در سازی که تنها دارای برآورد نقطه‌ای هستند این شاخص برای فواصل اطمینان مختلف نیز قابل محاسبه است. مدل­های قابل قبول دارای مقدار ۰۸،۰ یا کوچک‌تر برای این شاخص هستند. برازش مدل‌هایی که دارای مقادیر بالاتر از ۱،۰ هستند ضعیف برآورد می شود.

کای اسکوئر بهنجار یا نسبی: یکی از شاخص­ های عمومی برای به‌حساب آوردن پارامترهای آزاد در محاسبه شاخص برازش، کای اسکوئر بهنجار یا نسبی است که از تقسیم ساده مقدار کای اسکوئر بر درجه آزادی مدل محاسبه می‌شود و با برچسب CMIN،DF گزارش می­ شود. دیدگاه ­ها برای مقدار قابل قبول‌بودن این شاخص متفاوت است. مقادیر بین ۱ تا ۳، ۱ تا ۵، ۲ تا ۳، ۱ تا ۲ را قابل قبول می­دانند.

۳-۶-۲- آزمون نرمال بودن داده ­ها

برای انتخاب آزمون درست برای تحلیل فرضیه ­ها، ابتدا باید از توزیع آماری متغیری که مورد آزمون قرار می‌گیرد، اطمینان حاصل کرد. برای نمونه، پیش‌نیاز انجام آزمون‌های پارامتری، نرمال‌بودن توزیع آماری متغیرهاست. به طور کلی می‌توان گفت که آزمون‌های پارامتری، عموما بر میانگین و انحراف معیار استوارند. حال اگر توزیع جامعه نرمال نباشد، نمی‌توان استنباط درست از نتایج داشت. نتایج آزمون­ها نشان از نرمال بودن داده ها دارد.. در فصل چهارم به طور مفصل نتایج این بررسی تشریح شده است.

۳-۶-۳- ضریب همبستگی

شدت وابستگی دو متغیر به هم را هم‌بستگی گویند. که معمولا آن را با ضریبی بین -۱ تا +۱ بیان می‌دارند. اگر ضریب هم‌بستگی بین دو متغیر بیشتر از صفر باشد، آن‌ ها با هم رابطه‌ مثبت دارند. حال اگر ضریب هم‌بستگی بین آن‌ ها از صفر کمتر باشد، رابطه بین آن‌ ها منفی است. لازم به ذکر است که اگر نمونه‌گیری صورت پذیرفته باشد، ضریب هم‌بستگی باید از لحاظ آماری، معنی‌دار باشد. همچنین، هم‌بستگی رابطه‌ علت و معلولی نیست و تنها بیان‌گر شدت وابستگی دو متغیر به یکدیگر است.

آزمون‌های هم‌بستگی اسپیرمن و پیرسون، پرکاربردترین آزمون در پژوهش‌های علوم انسانی‌اند و از آن‌جا که در بیشتر پژوهش‌ها برای طیف‌های پرسشنامه فواصل مساوی در نظر گرفته می‌شود، متغیرهای اسمی و رتبه‌ای، به متغیرهای فاصله‌ای و نسبتی تبدیل می‌شوند و برای تحلیل رابطه ها، از این دو ضریب استفاده می‌شود. اگر توزیع نرمال باشد، از آزمون پارامتری پیرسون و در غیر این‌صورت از آزمون اسپیرمن استفاده می‌شود.

فصل چهارم

یافته های پژوهش

داده ها و اطلاعات جمع‌ آوری شده، منابعی خام هستند که باید با وسایل مناسب تجزیه و تحلیل و تشریح شده تا بتوانند بار کاربردی اطلاعاتی خود را منتقل نمایند. در تحقیقی از این دست، مناسب‌ترین وسیله برای تجزیه و تحلیل اطلاعات و داده های به دست آمده، تحلیل های آماری هستند. با تحلیل های آماری ما رابطه بین متغیرهای مختلف را پیدا کرده و در نهایت به پاسخ سؤال‌های مورد نظر خود خواهیم رسید (حسن زاده ،۱۳۸۲).

در این فصل پس از جمع‌ آوری و تلخیص داده ها با بهره گرفتن از نرم افزارهایAmos 8.5 و Spss 16 از طریق شاخص های توصیفی و آمار استنباطی به تجزیه تحلیل داده ها می پردازیم.