حذف

Q80

۸۳/۰

۴۰/۱۲

۰۱/۰

Q81

حذف

حذف

حذف

Q82

۸۵/۰

۱۲/۱۳

۰۱/۰

Q83

۸۶/۰

۱۳/۱۴

۰۱/۰

برای ارزیابی مدل تحلیل عاملی تاییدی و مدل مسیر چندین مشخصه برازندگی وجود دارد. در این پژوهش برای ارزیابی مدل تحلیل عاملی تاییدی از شاخص های X² ، میانگین مجذور پس‌ماندها RMR، شاخص برازندگی GFI، شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI)، شاخص برازندگی تطبیقی (CFI) و شاخص بسیار مهم ریشه دوم برآورد واریانس خطای تقریب RMSEA استفاده شده است.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

از آزمون x² اغلب به عنوان شاخص موفقیت نام برده می‌شود. این شاخص به سادگی نشان می‌دهد که آیا بیان مدل ساختار روابط میان متغیرها مشاهده شده را توصیف می‌کند یا خیر. هر چقدر مقدار x² کوچکتر باشد بهتر است. این شاخص معمولاً تحت شرایط نرمال بودن چند متغیره^[۱۳۳] صادق است و نسبت به اندازه نمونه حساس است، زیرا ممکن است یک مدل در اندازه نمونه کم تناسب داشته باشد، ولی در نمونه زیاد برازش نداشته باشد. برخی از محققان از نسبت به عنوان شاخصی جایگزینی استفاده می‌کنند، اما این شاخص نیز محدودیت‌هایی مشابه با X² دارد. در مورد نسبت مجذور کای X² به درجه آزادی قطعیت وجود ندارد و در منابع تا مقدار زیر ۳ آن قابل قبول است که در تحقیق حاضر این مقدار فراهم شده است. معیار GFI نشان دهنده اندازه ای از مقدار نسبی واریانس ها و کواریانس ها می باشد که توسط مدل تبیین می شود. این معیار بین صفر تا یک متغیر می باشند که هرچه به عدد یک نزدیکتر باشند , نیکویی برازش مدل با داده های مشاهده شده بیشتر است. مقدار GFI گزارش شده برای این مدل با مقدار ۹۲/۰است. ریشه دوم میانگین مجذور پس‌ماندها یعنی تفاوت بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریس‌های برآورد یا پیش‌بینی شده با فرض درست بودن مدل مورد نظر است هرچه RMR برای مدل مورد آزمون نزدیک‌تر به صفر باشد، مدل مذکور برازش بهتری دارد، مقدار نا چیز RMR در این پژوهش(۱۶/۰)، نشان از تبیین مناسب کوواریانس ها دارد. SRMR، معیار میانگین اختلاف بین داده‌ها و ماتریس کواریانس- واریانس باز تولید شده^[۱۳۴] است. این معیار هر چقدر که کوچکتر باشد(زیر ۰۵/۰ بسیار عالی و زیر ۰۸/۰ مناسب و زیر ۱۰/۰نامناسب است) برای تناسب مدل با داده‌ها بهتر است که در تحقیق حاضر ۰۶/۰ محاسبه شده است. این شاخص یک شاخص با ارزشی است هنگامی که میانگین ماتریس واریانس- کواریانس داده‌ها شناخته شده باشد. ارزیابی آن هنگامی که ماتریس واریانس- کواریانس غیراستاندارد مورد استفاده قرار گیرد سخت و مشکل است. برای بررسی اینکه یک مدل به خصوص در مقایسه با سایر مدل‌های ممکن، از لحاظ تبیین مجموعه‌ای از داده‌های مشاهده شده تا چه حد خوب عمل می‌کند از مقادیر شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI) و شاخص برازندگی تطبیقی (CFI) استفاده شده است. مقادیر بالای ۹/۰ این شاخص ها حاکی از برازش بسیار مناسب مدل طراحی شده در مقایسه با سایر مدل های ممکنه است. در نهایت برای بررسی اینکه مدل مورد نظر چگونه برازندگی و صرفه‌ جویی را با هم ترکیب می‌کند از شاخص بسیار توانمند ریشه دوم برآورد واریانس خطای تقریب RMSEA استفاده شده است. شاخص RMSEA، ریشه میانگین مجذورات تقریب می باشد. این شاخص برای مدلهای خوب ۰۸/۰ و کمتر است. مدلی که در آن این شاخص ۱۰/۰ یا بیشتر باشد برازش ضعیفی دارد.
جدول ۴-۱۱ شاخص های برازندگی مدل اندازه گیری خستگی صنعتی

شاخص

حد مطلوب

مقدار گزارش شده

میانگین مجذور پس‌ماندها RMR

نزدیک به صفر

۱۶/۰