0.864
آگاهی از قیمت
0.885
اعتماد به برند
0.793
قصد خرید
0.709
جدول 3-2- تفکیک آلفای کرونباخ
3-7) روش تجزیه تحلیل داده ها
در این پژوهش با بهره گرفتن از نرم افزارهایSpss 16 وLisrel 8.5 از روش های مختلف آمار توصیفی و استنباطی برای تجزیه تحلیل داده ها و آزمون فرضیه ها استفاده شده است. در آمار توصیفی، پژوهشگر با جمع آوری و خلاصه کردن اطلاعات کمی حاصل از نمونه ها، مشخصات نمونه مورد مطالعه را توصیف می نماید. (میرزایی اهرنجانی،1371). در آمار استنباطی پژوهشگر از مطالعه و بررسی یک یا چند نمونه و با بهره گرفتن از روش ها و مدل های آماری، از شاخص های نمونه و یا از ویژگی های نمونه به ترتیب پارامترها و ویژگی های کل جامعه را استنباط می نماید. به عبارتی دیگر، با استفاه از آمار استنباطی، نتایج نمون به کل جامعه آماری تعمیم داده می شودرو پژوهش با آن فاقد اعتبار علمی است. آزمون های انجام شده در این پژوهش عبارتند از:
- آمار توصیفی، به منظور طبقه بندی و بررسی ویژگی های پاسخ دهندگان و جامعه آماری.
- آزمون آلفای کرونباخ براری بررسی پایایی پرسشنامه.
- آزمون کولموگروف-اسمیرنوف برای بررسی توزیع نرمال متغیرها.
- تحلیل عاملی تاییدی، برای تعیین روایی سازه ها به کمک نرم افزار نرم افزار لیزرل.
- تکنیک های معادلات ساختاری از جمله تحلیل مسیر برای آزمون فرضیه های تحقیق.
3-7-1) مدل معادلات ساختاری
مدل سازی معادلات ساختاری یکی از فنون مدل سازی آماری می باشد که در سال های اخیر از حوزه رفتاری وارد حوزه مدیریت، سازمان و اقتصاد شده است. این پوشش، فن مدل سازی آماری است که فنون دیگری مانند رگرسیون چند متغیره، تجزیه و تحلیل عاملی و تجزیه تحلیل مسیر[50] را در بر می گیرد و تمرکز اصلی آن بر روی متغیر های پنهان است که توسط شاخص های اندازه پذیر و متغیرهای آشکار، تعریف می گردد. با بهره گرفتن از این روش می توان روابط علت و معلولی میان متغیرهایی که بطور مستقیم قابل مشاهده نیستند را با توجه به خطاها استنتاج نمود و میزان همبستگی و شدت اثرگذاری هر یک را بر دیگری، مورد تجزیه و تحلیل قرار داد. به همین دلیل، مدل سازی معادلات ساختاری با عنوان تجزیه تحلیل متغیرهای پنهان با مدل سازی علی نیز شناخت شده است. در این روش مانند رگرسیون، کمی سازی روابط میان متغیرهای مستقل و وابسته صورت می گیرد. البته بر خلاف پارامترهای رگرسیون که همبستگی های تجربی را نشان می دهد پارامترهای ساختاری، همبستگی های علی را تبیین می کنند. مجموعه متغیرهایی که در مدل معادلات ساختاری وجود دارند بر دو نوع هستند:
- متغیرهای مشاهده شده[51]
- متغیرهای مکنون (نهفته)[52]
متغیرهای مکنون بیانگر یک سری سازه های نظری هستند مانند مفاهیم انتزاعی که مستقیما قابل مشاهده نیستند.
مدل ساختاری نیز روابط علی میان سازه ها (متغیرهای نهفته) و قدرت تبیین آنها را نشان می دهد. این مدل به سوال های مربوط به قدرت روابط علی (مستقیم، غیر مستقیم و کل) بین متغیرهای نهفته و مقدار واریانس تبیین شده در کل مدل پاسخ می دهد (طباطبایی، 1381).
3-7-2) تحلیل عاملی تاییدی
به منظور پی بردن به متغیر های زیر بنایی یک پدیده یا تلخیص مجموعه ای از داده ها از روش تحلیل عاملی استفاده می شود. داده های اولیه برای تحلیل عاملی، ماتریس همبستگی بین متغیرهاست و تحلیل عاملی متغیر وابسته از قبل تعیین شده ای ندارد. تحلیل عاملی تاییدی در واقع یک الگوی آزمون نظریه است، که در آن پژوهشگر تحلیل خود را با یک فرضیه قبلی آغاز می کند. این الگو که مبتنی بر یک شالوده تجربی و نظریه قوی است مشخص می کند که کدام متغیر ها با کدام عامل ها و کدام عامل ها با یکدیگر همبسته است. به علاوه، برای ارزشیابی روایی سازه نیز یک روش قابل اعتماد به پژوهشگر عرضه می کند تا از این طریق بتواند به گونه بارزی فرضیه ها را درباره ساختارعاملی داده ها که ناشی از یک الگوی از پیش تعیین شده است با تعداد و ترکیب مشخصی از عامل ها بیازماید. روش تحلیل عاملی تاییدی، بعد از مشخص کردن عامل های پیش تجربی از طریق برازش الگوی عاملی از پیش تعیین شده، تطابق بهینه ساختارهای عاملی مشاهده شده و نظری را برای مجموعه داده ها آزمون می کند (هومن، 1384).
3-7-3) شاخص برازندگی مناسب
با آنکه انواع گوناگون آزمون ها که به گونه کلی شاخص های برازندگی[53] نامیده می شوند، پیوسته در حال مقایسه، توسعه و تکامل می باشد اما هنوز درباره حتی یک آزمون بهینه توافق وجود ندارد نتیجه آنست که مقاله های مختلف، شاخص های مختلفی را ارائه کرده اند(هومن، 1384).
این شاخص ها به شیوه های مختلفی طبق بندی شده اند که کی از عمده ترین آنها طبقه بندی بصورت مطلق، نسبی و تعدیل یافته می باشد. برخی از این شاخص ها عبارتند از:
- نسبت فاقد یک معیار ثابت برای یک مدل قابل قبول است، اما برای یک ارزش ایده آل برابر با 1 خواهد بود و جهت پذیرش مدل باید کمتر از 3 باشد.
- شاخص های [54]GFI[55], AGFI[56], NFI[57], CFI[58], IFI بین صفر و یک هستند و هرچه به یک نزدیکتر باشد، نیکویی برازش مدل با داده های مشاهده شده بیشتر است.
- شاخصRMSEA هرچه کمتر باشد بهتر است زیرا شاخص ریشه میانگین اختلاف بین داده های مشاهده شده و داده های مدل است. براساس دیدگاه مک کالوم، براون و شوگاوارا (1996) اگر مقدار این شاخص کوچکتر از 0.1 باشد برازندگی مدل بسیار عالی است. اگر بین 0.1 تا 0.5 باشد برازندگی مدل خوب است و اگر بین 0.5 تا 0.8 باشد برازندگی مدل متوسط است. اما بیشتر پژوهشگران از این قاعده استفاده می کنند که اگر شاخص RMSEA کوچکتر از 0.1 باشد، برازندگی مدل خوب است و اگر بزرگتر از این مقدار باشد مدل ضعیف طراحی شده است.
فصل چهارم:
تجزیه و تحلیل داده ها
4-1) مقدمه
داده‌ها و اطلاعات جمع‌آوري شده، منابعي خام هستند كه بايد با وسايل مناسب تجزيه و تحليل و تشريح شده تا بتوانند بار كاربردي اطلاعاتي خود را منتقل نمايند. در تحقيقي از اين دست، مناسب‌ترين وسيله براي تجزيه و تحليل اطلاعات و داده‌هاي به‌دست آمده، تحليل هاي آماري هستند. با تحليل هاي آماري ما رابطه بين متغيرهاي مختلف را پيدا كرده و در نهايت به پاسخ سؤال‌هاي مورد نظر خود خواهيم رسيد (حسن زاده ،1382).
در این فصل پس از جمع آوری و تلخیص داده ها با بهره گرفتن از نرم افزارهایLisrel 8.5 و Spss 16 از طریق شاخص های توصیفی و آمار استنباطی به تجزیه تحلیل داده ها می پردازیم.
