الگوی معادلات ساختاری و معادلات ساختاری

دانلود پایان نامه

N حدأقل حداکثر میانگین انحراف معیار واریانس
150 1 5 97/3 68/0 46/0

نمودار (4- 5): توزیع فراوانی و درصد پاسخهای نمونه آماری به متغیر وابسته عملکرد
4 ـ 3) آزمون کولموگوروف ـ اسمیرنوف برای تعیین نرمال بودن توزیع متغیرهای تحقیق
در این تحقیق به منظور بررسی نرمال بودن توزیع متغیرهای تحقیق (سرمایه انسانی، سرمایه رابطه‌ای، سرمایه ساختاری و عملکرد) از آزمون کولموگوروف – اسمیرنوف بهره گرفته شده که نرمال بودن توزیع متغیرهای فوق را نشان می‌دهد. جدول (4- 6) نتیجه این آزمون را به خوبی نشان می‌دهد.
جدول (4- 6): نتایج آزمون کولموگوروف – اسمیرنوف
عملکرد سرمایه رابطه‌ای سرمایه انسانی سرمایه ساختاری
150 150 150 150 تعداد
97/3 10/3 80/3 46/3 میانگین
پارامترهای نرمال
32/12 08/5 94/3 54/3 انحراف معیار
18/1 97/1 24/1 31/1 کولموگوروف – اسمیرنوف
11/0 08/0 08/0 06/0 Asymp. Sig. (2-tailed)
مطابق اطلاعات مندرج در جدول (4-6) و با توجه به اینکه سطح معناداری (Asymp. Sig.) برای متغیرهای تحقیق بیشتر از 05/0 می‌باشد، لذا می‌توان چنین اذعان نمود که متغیرهای تحقیق دارای توزیع نرمال می‌باشد.
الگوسازی معادلات ساختاری تکنیکی برای تحلیل داده‌ها است که به منظور ارزیابی رابطه بین دو نوع از متغیرها طراحی شده است؛
الف: (متغیرهای آشکار) متغیرهایی که مستقیماً اندازه‌گیری شده و متغیرهای مشاهده شده‌اند.
ب: (متغیرهای مکنون یا پنهان) یا متغیرهایی که به عنوان سازه نظری مطرح هستند.
زمانی که از تکنیکهای آماری نظیر رگرسیون چندگانه و تحلیل واریانس استفاده می‌شود؛ تحلیلهای آماری پژوهشگر بر روی متغیرهایی صورت می گیرد که مستقیماً اندازه‌گیری شده‌اند. این مسأله برای زمانی که پژوهشگر می‌خواهد سازه نظری‌ای را آزمون کند، محدودیت دارد. الگوی معادلات ساختاری به نسبت سایر تکنیکهای تحلیل داده این امکان را فراهم می‌آورد که محقق بتواند مدلهای نظری پیچیده را در یک تحلیل آزمون کند. ویژگی بسیار ارزشمند الگوی معادلات ساختاری، تحلیل و پردازش همزمان روابط میان متغیرهای مدل سنجش است. الگوسازی معادلات ساختاری به پژوهشگر این اجازه را می‌دهد تا به تحلیل علی متغیرهای مکنون و مشاهده شده به طور همزمان بپردازد. زمانی که از الگوی معادلات ساختاری استفاده می‌شود، یک مؤلفه مهم تحلیل ارزیابی چگونگی برازش مدل فرضیه‌ای با داده‌های مشاهده شده است. پژوهشگران معمولاً به منظور ارزیابی این برازش از شاخصهای نیکویی برازش استفاده می‌کنند. رایج‌ترین این شاخصها، شاخص احتمالی آماره مجذور خی است که اهمیت اختلاف بین مدل برازش شده و ماتریس کواریانس ناشی از نمونه مشاهده شده را بیان می‌دارد. فرضیه صفر در این تحلیل مبین این است که تفاوتی بین مدل برازش شده و ماتریس نمونه وجود ندارد. بنابراین، آن مجذور خی که به لحاظ آماری معنی‌دار نیست (P-Value>0/ 05) نشان می‌دهد که مدل دقیقاً معرف و نماینده داده‌های مشاهده شده می‌باشد. نکته مهم این است که همانند سایر آزمونهای استنباطی، اختلاف کایسکور متأثر از حجم نمونه است. بنابراین، زمانی که حجم نمونه زیاد باشد، احتمالاً اختلاف کمی بین مدل برازش شده و ماتریس کواریانس ناشی از نمونه مشاهده شده، خواهد بود. به همین منظور، پژوهشگران جهت ارزیابی نیکویی برازش از چندین شاخص ارزیابی استفاده می‌کنند که عبارتند از: شاخص نیکویی برازش (GFI)، شاخص نیکویی برازش اصلاح شده (AGFI)، نسبت مجذور خی به درجه آزادی، شاخص برازش استاندارد (NFI).
اساساً مقادیر این شاخصها متأثر از عوامل بیرونی و نامعلوم (مانند حجم نمونه و تعداد گویه‌ها و معرفها) می‌باشند تا اینکه ناشی از نقص در برازش مدل باشند. یعنی، اگر در تحلیل برازش مناسبی وجود ندارد، به علت عوامل بیرونی است و ماهیت مدل مسبب آن نیست. بدین صورت که مدلی از برازش مناسب برخوردار است که میزان خی‌دو به درجه آزادی کوچکتر از 3 باشد و نیز GFI و AGFI از 90 درصد بیشتر باشد. همچنین چنانچه عدد معناداری بالاتر و یا کمتر از 2 باشد، رابطه موجود در مدل پژوهش معنادار خواهد بود.
تحلیل عاملی مؤلفه‌های سرمایه فکری
تحلیل عاملی مؤلفه‌های سرمایه فکری به منظور شناخت مؤلفه‌های سرمایه فکری در مجموعه سؤالات آن، تحلیل عاملی صورت گرفت. در تحلیل عاملی با توجه به بار عاملی روی هر کدام از عوامل و با توجه به منطق طراحی آنها عاملهای سرمایه ساختاری، سرمایه انسانی و سرمایه مشتری (رابطه‌ای) نامگذاری شدند. تحلیل عاملی مرتبه دوم به منظور تمایز و مشخص کردن ابعاد و مؤلفه‌های سرمایه فکری صورت پذیرفت که جدول (4-7) نتایج این تحلیل را نشان می‌دهد. مطابق اطلاعات مندرج فوق این عوامل حدود 79 درصد واریانس نمرات سرمایه فکری را تبیین می‌کند.
جدول (4-7): تحلیل عاملی مرتبه دوم برای مؤلفه‌های سرمایه فکری
مؤلفه‌های سرمایه فکری