وبلاگ

:H₁ توزیع داده ­های عامل فرسودگی شغلی نرمال نیست.
جدول۴‑۴ نتایج مربوط به آزمون نرمال بودن عامل­ها

نتایج مربوط به انجام این آزمون برای هر یک از داده ­ها در جدول ۴-۴ آمده است، همانطور که از جدول مشخص است با توجه به سطح معناداری، با احتمال ۹۵% می­توان ادعا کرد که توزیع داده ­های مربوط به تمامی عامل‌ها نرمال است، بنابراین برای تحلیل عامل­های نرمال از آزمون­های پارامتریک و برای عامل­های غیر نرمال از آزمون­های ناپارامتریک استفاده خواهد شد.

۴-۲-۲-۲ تحلیل عاملی تأییدی مدل­های اندازه ­گیری
قبل از وارد شدن به مرحله آزمون فرضیات لازم است از صحت مدل­های اندازه ­گیری متغیر­های پژوهش اطمینان حاصل کنیم. لذا در ادامه مدل­های اندازه ­گیری این متغیر­ها به ترتیب آورده شده است. در این پژوهش تحلیل عاملی تأییدی با بهره گرفتن از تحلیل عاملی مرتبه اول و تحلیل عاملی مرتبه دوم صورت گرفته است. این تحلیل توسط مدل معادلات ساختاری و با بهره گرفتن از نرم­افزار LISREL انجام شده است.
در بررسی هر کدام از مدل­ها سؤال اساسی مطرح شده این است که آیا این مدل­های اندازه ­گیری مناسب است؟ که برای پاسخ به این پرسش معیار­هایی وجود دارد که در ادامه به توضیح هر یک از این معیار­ها پرداخته شده است.
۴-۲-۲-۲-۱ معیار RMSEA
ریشه میانگین مجذورات تقریب می­باشد. این معیار به عنوان اندازه تفاوت برای هر درجه آزادی تعریف شده است. مقدار RMSEA که به واقع همان آزمون انحراف هر درجه آزادی است. برای مدل ­هایی که برازندگی خوبی داشته باشند، کمتر از ۰۵/۰ است. مقادیر بالاتر از آن تا ۰۸/۰ نشان­دهنده خطای معقولی برای تقریب در جامعه است. مدل­هایی که RMSEA آن­ها ۱/۰ یا بیشتر باشد، برازش ضعیفی دارند (هومن، ۱۳۹۰).
۴-۲-۲-۲-۲ آزمون
آزمون ^۲ به سادگی نشان می­دهد که آیا بیان مدل، ساختار روابط میان متغیر­های مشاهده شده را توصیف می­ کند یا خیر. هر چقدر مقدار ^۲ کوچکتر باشد بهتر است. که تعدیل­یافته ^۲ است نیز به عنوان یک معیار تناسب تطبیق و تعدیل آن با اندازه نمونه است. بهتر است که مقادیر این آماره کمتر از ۳ باشد.
۴-۲-۲-۲-۳ معیار PMR
این معیار تحت عنوان ریشه میانگین مجذور باقیمانده (شاخصی برای واریانس باقیمانده در برازش هر پارامتر به داده ­های نمونه) یا تحت عنوان متوسط باقیمانده­های گزارش شده در مدل، بیان می­ شود. معیار PMR معیاری است برای اندازه ­گیری متوسط باقیمانده­ها و تنها در ارتباط با واریانس­ها و کوواریانس­ها قابل تغییر است (سرمد و دیگران، ۱۳۷۷). در مدلی که نیکویی برازش خوبی دارد، این باقیمانده­ها بسیار کوچک هستند، پس به طور خلاصه این معیار هر قدر کوچکتر باشد (به صفر نزدیکتر باشد) حاکی از برازش بهتر مدل است.
۴-۲-۲-۲-۴ معیار­های AGFI و GFI
لیزرل یک شاخص نیکویی برازش یعنی نسبت مجموع مجذورات تبیین شده توسط مدل به کل مجموع مجذورات ماتریس برآورد شده در جامعه محاسبه می­ کند. این شاخص از لحاظ مطلوبیت به ضریب همبستگی شباهت دارد. هر دوی این معیار­ها بین صفر تا یک متغیر هستند. هرچه AGFI و GFI به عدد یک نزدیکتر باشند، نیکویی برازش مدل با داده ­های مشاهده شده بیشتر است.
۴-۲-۲-۲-۵ معیار­های NFI، NNFI و CFI