ابهام نقش

۱۹۱/۹

۶۶۴/۰

Q55

۹۲۷/۹

۶۸۹/۰

Q56

۳۰۹/۹

۷۱۶/۰

Q57

۳۹۸/۹

۷۰۷/۰

Q58

تضاد نقش

۸۸۸/۳

۴۸۳/۰

Q59

۰۶۱/۵

۵۱۴/۰

Q60

نتایج تحلیل عاملی مندرج در جدول۸-۴نشان میدهد که تمامی شاخص­ های استرس شغلی از مقادیر تی (بیشتر از ۹۶/۱) و بار عاملی (بیشتر از ۳/۰)مورد قبولی برخوردارند وبرای سنجش متغیر استرس شغلی شاخص­ های مناسبی محسوب می­شوند.

۳-۳-۴ روش حداقل مربعات جزئی

به منظور تحلیل داده ها و آزمون فرضیه های تحقیق از روش کمترین توان دوم جزئی استفاده شده است. روش حداقل مربعات جزئی که در بحث الگوسازی رگرسیونی آنرا با PLSR نیز معرفی می کنند، یکی از روش های آماری چند متغیره محسوب می شود که بوسیله آن می توان علیرغم برخی محدودیتها مانند: نامعلوم بودن توزیع متغیر پاسخ، وجود تعداد مشاهدات کم و یا وجود خودهمبستگی جدی بین متغیرهای توضیحی؛ یک یا چند متغیر پاسخ را به طور همزمان در قبال چندین متغیر توضیحی الگوسازی نمود.
روش حداقل مربعات جزئی همانند همه روش های مدل یابی معادلات ساختاری شامل یک جزء ساختاری است که روابط بین متغیرهای پنهان و یک جزء اندازه گیری را که بیانگر چگونگی ارتباط متغیرهای پنهان و مولفه های آن است را منعکس می کند. این روش جزء سومی دارد که عبارت است از روابط وزنی برای برآوردهای عاملی متغیرهای پنهان به کار می روند.
برخلاف مدل­یابی معادلات ساختاری مبتنی بر کواریانس که ابتدا پارمترهای مدل و سپس بارهای عاملی را از طریق برگشت آن ها به مجموعه ی تمام مولفه ها را برآورد کند. روش حداقل مربعات جزئی کارش را با محاسبه ی بارهای عاملی آغاز می کند. به همین منظور روش حداقل مربعات جزیی مشاهده نشده را به عنوان ترکیبات خطی دقیق مدل مولفه­های تجربی آن­ها برآورد کرد و با این نمونه های برآورد شده به عنوان جانشین متغیرهای پنهان رفتار می کند، وزن های استفاده شده برای برآورد این بارهای عاملی به نحوی برآورد می شوند که بارهای عاملی بدست آمده بیشتر واریانس متغیرهای مستقل را بدست آورند که این کار برای پیش بینی متغیرهای وابسته مفید است. در واقع ایده اصلی روش PLS این است که اول روابط وزنی را که مولفه های یک متغیر پنهان را با بکارگیری روابط وزنی و بر اساس میانگین موزون مولفه های آن محاسبه کرده و نهایتا این بارهای عاملی را برای براورد پارمترهایی برای روابط ساختاری در مجموعه ای از معادلات رگرسیون به کار گیرد. (عاشقی اسکویی،۱۳۹۰).
روش تخمین PLS ضرایب را به گونه ای تعیین می کند که مدل حاصله، بیشترین قدرت تفسیر وتوضیح را دارا باشد؛ بدین معنا که مدل بتواند با بالاترین دقت و صحت، متغیر وابسته نهایی، را پیش ­بینی نماید. بعلاوه، روشPLS ،تمامی روابط موجود در مدل یعنی تاثیر متقابل ما بین هر یک از متغیرهای پنهان و همچنین وزن تمامی شاخص های قابل اندازه گیری مربوط به هر یکاز متغیرهای پنهان (ضرایب بیرون از مدل اندازه گیری) را تخمین می زند.PLSیک روش آماری است که به منظور آنالیز متغیرهای پنهان مدلهای ساختاری به کار می رود. برخلاف روشهائی همچون LISREL ، هدف PLS بدست آوردن متغیرهای پنهان برای پیش بینی اهداف مورد نظر با بهره گرفتن از شاخصهای قابل اندازه گیری است.بر اساس نظریه چین^[۴۵] (۱۹۹۸)، PLS ، برآورد پارامترها بر اساس مینیمم کردن واریانس پسماندهای (جمله اختلال) متغیرهای مستقل است. اولین گام برای تحلیل مدل معادلات ساختاری، تعریف واضح یک مدل است که در واقع ترکیبی از مدل ساختاری و مدل مرجع است.
مدل سازی مسیر در روش^[۴۶]PLS شامل دو مجموعه از روابط است:
مدل درونی^[۴۷]: که اشاره به مدل ساختاری و روابط بین متغیرهای پنهان دارد.
مدل برونی^[۴۸]ّ: که اشاره به مدل مرجع و روابط بین متغیرها و شاخص های مربوط به آنها دارد. این مدل بر اساس رابطه بین متغیرهای پنهان و آشکار استوار است. با توجه به اینکه متغیرهای پنهان یک متغیر غیر قابل اندازه گیری می باشند، به طور غیر مستقیم به وسیله متغیرهای آشکار اندازه گیری می شوند.
کیفیت مدل ساختاری نیز توسط شاخص R² ارزیابی می شود.