بافتن یک مدل به لحاظ آماری معنادار که همچنین دارای معنا و مفهوم نظری و کاربردی باشد هدف اولیه از به کارگیری مدل‌سازی معادله ساختاری برای آزمون نظریه‌هاست. پژوهشگران معمولاً معیارهای سه گانه زیر را برای قضاوت درباره معناداری آماری و معنا و مفهوم بنیادی از یک مدل نظری به کار می‌برند:
– اولین معیار، آزمون عدم معناداری آماری کای اسکوئر و مقدار ریشه مربعات خطای برآورد است که شاخص‌های برازش کلی مدل هستند. یک مقدار به لحاظ آماری غیرمعنادار از کای اسکوئر نشان می‌دهد که ماتریس کوواریانس نمونه‌ای و ماتریس‌ کوواریانس تولید شده بر مبنای مدل نظری مشابهند. مقدار کوچکتر یا برابر ۵% برای ریشه میانگین مربعات خطای برآورد نیز حاکی از قابل قبول بودن مدل است.
– معیار دوم، معناداری آماری پارامترهای برآورد شده منفرد برای مسیرهای مدل است که مقادیر بحرانی بوده و بر اساس تقسیم برآورد پارامترها بر خطای معیار مربوط به دست می‌آیند. این‌ها همان مقادیر t که با مقدار t جدول (۹۶/۱ در سطح ۰۵/۰ معناداری) مقایسه می‌شوند.
– معیار سوم، شدت و جهت پارامترهای برآورد شده را با توجه به اینکه آیا یک ضریب مثبت یا منفی برای یک پارامتر خاص معنا و مفهوم دارد یا خیر وارسی می‌کند.
در این قسمت معیارهای متعددی را برای ارزشیابی برازش مدل طرح کرده و پیشنهاداتی ارائه می‌کنیم که چگونه این معیارها می‌توانند مورد استفاده قرار گیرند. تعیین برازش مدل در مدل‌سازی معادلات ساختاری دارای راهی به مستقیمی سایر روش‌های آماری چند متغیره نظیر تحلیل واریانس، رگرسیون چندگانه، تحلیل مسیر، تحلیل ممیز و تحلیل متعارف یا کانونی نیست. این روش‌های چندگانه، متغیرهای مشاهده شده‌ای را به کار می‌برند با این فرض که آن‌ها فاقد خطای اندازه‌گیری‌اند و بر همین اساس برای تعیین معناداری آماره‌های آزمون توزیع شناخته شده‌ای را به کار می‌گیرند. شاخص‌های برازش در مدل‌سازی معادلات ساختاری، دارای آزمون معناداری آماری منفرد نیست که مدل صحیح با داده‌اهی خاص را تعیین کند.
جدول ۳- ۳- معیارهای برازش مدل و تفسیر برازش قابل قبول

این را هم حتما بخوانید :
پژوهش - ارزیابی عملکرد مالی بانک ‌‌ها با استفاده از روش ‌های غیر پارامتری مطالعه ...

معیار برازش مدل سطح قابل قبول تفسیر
کای اسکوئر، Chi- square مقدار کای اسکوئر جدول کای اسکوئر بدست آمده با کای اسکوئر جدول برای یک درجه آزادی مشخص، با هم مقایسه می‌شوند.
نیکویی برازش، GFI ۰ (عدم برازش) تا ۱ (برازش کامل) مقدار نزدیک به ۹/۰ منعکس ننده یک برازش مطلوب است.
نیکویی برازش اصلاح شده، AGFI ۰ (عدم برازش) تا ۱ (برازش کامل) مقدار اصلاح شده برای درجه آزادی مشخص با ۹۵/۰ یک برازش مطلوب است.
ریشه میانگین مربعات باقیمانده PMR تعریف شده به وسیله پژوهشگر نزدیکی ماتریس ∑ را به ماتریس S نشان می‌دهد.
ریشه میانگین مربعات خطای برآورد RMSEA ۰ (عدم برازش) تا ۱ (برازش کامل) مقدار کمتر از ۵% یک برازش خوب را نشان می‌دهد.
شاخص برازش هنجار شده، NFI ۰ (عدم برازش) تا ۱ (برازش کامل) مقدار نزدیک به ۹/۰، منعکس کننده یک برازش مطلوب است.

برای دانلود فایل متن کامل پایان نامه به سایت 40y.ir مراجعه نمایید.