به منظور محاسبه روایی همگرا، فورنل و لارکر^[۲۱۱] استفاده از معیار AVE^[212] را پیشنهاد داده‌اند که یکی از ستون‌های این جدول این شاخص(AVE) را نشان می‌دهد. در AVEحداقل برابر با ۵/۰، شاخص‌ها روایی همگرای مناسبی دارند، لذا روایی همگرا برای تمامی متغیرها تأیید می‌شود. درواقع این شاخص بررسی می‌کند که یک متغیر پنهان تا چه حد قادر است واریانس شاخص‌های (متغیرهای آشکار) خود را به طور متوسط توضیح دهد. این ضریب برای تمامی متغیرهای تحقیق در جدول زیر خلاصه 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. )

جدول ۴-۱۳ میانگین واریانس استخراج شده (AVE) و ماتریس همبستگی بین متغیرهای پنهان
نمودار های ۴-۲ و ۴-۳مدل‌های تحقیق را در حالت تخمین و معنی­داری بارهای عاملی و ضرایب مسیر نشان می‌دهد. با توجه به این مدل‌ها می‌توان بارهای عاملی و ضرایب مسیر را برآورد و سپس آزمون کرد. ضرایب موجود در این نمودارها به دو دسته تقسیم می‌شوند. دسته‌ی اول روابط بین متغیرهای پنهان (بیضی) و متغیرهای آشکار (مستطیل) می‌باشند، که این معادلات را اصطلاحاً بارهای عاملی گویند. و دسته‌ی دوم روابط بین متغیرهای پنهان و پنهان هستند که تحت عنوان معادلات ساختاری نام برده می‌شوند و برای آزمون فرضیات استفاده می‌شوند. تمامی ضرایب با بهره گرفتن از آماره t آزمون می‌گردند. با توجه به بارهای عاملی می‌توان گفت سهم کدام متغیر در اندازه گیری سازه مربوطه بیشتر است و سهم کدام متغیر کمتر. به بیان دیگر شاخصی که بارعاملی بزرگ‌تری داشته باشد، سهم بیشتری در اندازه گیری سازه(متغیر پنهان) مربوطه دارد و شاخصی که بار عاملی کمتری داشته باشد، سهم کمتری دارد.
نمودار۴-۲ مدل تحقیق در حالت تخمین ضرایب مسیر
نمودار۴-۳ مدل تحقیق در حالت معناداری ضرایب (t-value)
۴-۵-۴ ارزیابی تناسب مدل^[۲۱۳]
وقتی گفته می‌شود مدل با یک سری داده ­های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده ­های مشاهده شده هم ارز (معادل) باشد؛ یعنی ماتریس باقیمانده و عوامل آن نزدیک صفر باشند. البته این تناسب به روش تخمین، مدل، ویژگی‌های داده ­های مشاهده شده و … بستگی دارد. مهم‌ترین شاخص «تناسب مدل»^[۲۱۴] آزمون مجذور کای است. البته استفاده از این آزمون متضمن یک سری مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، یک سری «شاخص‌های ثانویه»^[۲۱۵] به وجود آمد. تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص‌های تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است و هرچه ارزش آن کوچک‌تر باشد، نشان می‌دهد که مدل تناسب بهتری دارد. اما در مقابل شاخص‌های تناسب ثانوی ^[۲۱۶]GFI، ^[۲۱۷]NFI و ^[۲۱۸]AGFI شاخص‌های تناسب مدل هستند، در این شاخص‌ها هرچه ارزش آن‌ها بیشتر باشد، مدل تناسب بهتری دارد. در ادامه به صورت مختصر برخی از شاخص‌های تناسب مدل شرح داده می‌شود: