رابطه بین عدالت سازمانی و تمایل به ترک خدمت کارکنان گمرکات استان گیلان با توجه …

۳-۷-۲) مراحل مدل معادلات ساختاری
فرایندهای تجزیه و تحلیل ساختارهای کوواریانس شامل گام هایی است که به محقق توصیه می شود تا حتما به صورت متوالی این گامها را طی کند. این گام ها عباتند از(پایگاه اینترنتی آینده پژوهی) :
.مراحل بیان مدل
مدل معادلات ساختاری با بیان مدلی که می خواهد تخمین زده شود، شروع می شود در ساده ترین سطح مدل، یک عبارت آماری درباره روابط بیان متغیرها است. این مدلها در زمینه رویکردهای مختلف تحلیل اشکال مختلف به خود می گیرند. برای مثال یک مدل در زمینه همبستگی، عموما روابط غیر جهت داری را(دو طرفه) بین دو متغیر نشان می دهد. در حالی که رگرسیون چندگانه و تحلیل واریانس مدل هایی را با روابط جهت دار بین متغیرها نشان می دهد. این مرحله یکی از مهمترین مراحل موجود در مدل معادلات ساختاری است، زیرا هیچگونه تحلیلی صورت نمی گیرد مگر این که محقق ابتدا مدل را بیان کند گامهای موجود در این مرحله به شرح زیر است:
-ساخت یک مدل ساختاری فرضی
بیان یک مدل در واقع ترجمان یک تئوری به یک سری معادلات ساختاری (ریاضی) است. بنابراین بهتر است ابتدا نمودار مسیر را ترسیم کنیم و متغیرهای درون زا و برون زا و روابط علّی بین این متغیرها را نشان دهیم.
-انتخاب شاخصهای مشاهده شده برای متغیرهای مکنون
بعد از مشخص کردن متغیرهای مکنون درون زا و برون زا، در این گام لازم است تا برای متغیرهای مکنون شاخص های (متغیرهای مشاهده شده) مناسبی انتخاب و به آن ها وصل شود. بهتر است از چندین شاخص به جای یک شاخص برای اندازه گیری متغیر مکنون استفاده شود که این کار براساس تعریف مفهومی و تعریف عملیاتی صورت می گیرد.
-ارزیابی حالت تعیین مدل
قبل از مرحله تخمین و بعد از مرحله بیان، می بایستی حالت تعیین مدل مورد ارزیابی قرار گیرد تعیین یک مدل مستلزم مطالعه شرایطی برای بدست آوردن یک راه حل منحصر به فرد برای پارامترهای بیان شده در یک مدل می باشد.
– مرحله تخمین مدل
هنگامی که یک مدل بیان شد و حالت تعیین آن مورد ارزیابی قرار گرفت، کار بعدی بدست آوردن تخمین های پارامترهای آزاد از روی مجموعه ای از داده های مشاهده شده است. این مرحله شامل یک سری فرایندهای تکراری است که در هر تکرار یک ماتریس کوواریانس ضمنی ساخته می شود و با ماتریس کوواریانس داده های مشاهده شده مقایسه می شود. مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده می شود و این تکرارها تا جایی ادامه می یابد که این ماتریس باقیمانده به حداقل ممکن برسد. یعنی
Data= Model + Residual
گام های موجود در این مرحله به شرح زیر است:
– جمع آوری داده ها
در این مرحله انتخاب اندازه نمونه مهم است، زیرا بسیاری از روشهای تخمین موجود در مدل معادلات ساختاری و شاخص های ارزیابی متناسب بودن مدل، نسبت به اندازه نمونه آن حساس است. بنتلر پیشنهاد نموده است که همواره نسبت ۱۰ به ۱ بین اندازه نمونه و تعداد پارامترهای آزادکه می بایستی تخمین زده شود، وجود داشته باشد.
– ساخت ماتریس واریانس- کوواریانس متغیرهای اندازه گیری شده
بعد از بیان مدل و جمع آوری داده ها، تخمین مدل با مجموعه ای از روابط شناخته شده بین متغیرهای اندازه گیری شده، شروع می شود. این روابط در ماتریسی به نام ماتریس کو واریانس – واریانس یاماتریس همبستگی مرتب می شود.
– ایجاد یک سری ماتریس ها برای برنامه لیزرل و اجرای آن
در یک تخمین همزمان، به علت این که تخمین مدل ساختاری و مدل اندازه گیری، به طور همزمان صورت می گیرد، ممکن است یک راه حل برای پارامترهای مدل معادلات ساختاری و مدل اندازه گیری به هم وابسته شوند. بنابراین بهتر است برای جلوگیری از ابهامات تفسیری متغیرهای مکنون، ابتدا مدل اندازه گیری و سپس مدل ساختاری تخمین زده شود.
.مرحله ارزیابی تناسب یا برازش
یک مدل وقتی گفته می شود که با یک سری داده های مشاهده شده تناسب دارد که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده های مشاهده شده، معادل باشد. بدین معنی که ماتریس نزدیک صفر باشد. گامهای موجود در این مرحله به شرح زیر است:
– بررسی معیار کلی تناسب مدل و قابلیت آزمون پذیری مدل و ارزیابی موضوع که آیا اصلاحات مورد نیاز است یا خیر؟
هنگامی که یک مدل تخمین زده می شود، برنامه نرم افزاری یک سری آمارهایی از قبیل خطای استاندارد،
T-Value و غیره را درباره ارزیابی تناسب مدل با داده ها منتشر می کند. اگر مدل قابل آزمون باشد ولی با داده ها به طور مناسب تناسب نداشته باشد، شاخص های اصلاحی که یک وسیله متغیر برای ارزیابی تغییرات مورد نظر در بیان مدل هستند، به کار گرفته می شوند، تا مدل متناسب با داده ها شوند. مهم ترین شاخص تناسب، مدل آزمون کای-دو است ولی به خاطر این که آزمون کای-دو تحت شرایط خاصی عمل می کند و همیشه این شرایط محقق نمی شود، لذا یک سری شاخص های ثانویه ای نیز ارایه می شود. مهمترین این شاخص ها عبارتند از: GFI, AGFI, RMSR
حالتهای بهینه برای این آزمون ها به شرح زیر است:
– آزمون کای-دو هرچه کمتر باشد بهتر است، زیرا این آزمون اختلاف بین داده و مدل را نشان می دهد.
– آزمون GFI و AGFI از ۹۰ درصد بایستی بیشتر باشد.
– آزمون RMSR هرچه کمتر باشد بهتر است، زیرا این آزمون یک معیار برای میانگین اختلاف بین داده های مشاهده شده و داده های مدل است.
.مرحله اصلاح مدل
یکی از مهمترین جنبه های بحث انگیز مدل معادلات ساختاری، اصلاح مدل است. اصلاح مدل مستلزم تطبیق کردن یک مدل بیان شده و تخمین زده است که این کار از طریق آزاد کردن پارامترهایی که قبلا ثابت بوده اند، صورت می گیرد. این مرحله را می توان با مقایسه های تبعی با Post Hoc در ANOVA قیاس کررد. مهم ترین گام موجود در این مرحله به شرح زیر است:
– اگر اصلاحاتی مورد نیز باشد، مشخصات مدل (پارامترها) را ارزیابی کنید و مشخصات جدیدی را وارد کنید. اصلاحات این مرحله شامل: شناسایی محدودیت ها و اضافه کردن پارامترهای اضافی است.
.مرحله تفسیر مدل
اگر آزمون های تناسب نشان دهند که مدل به طور کافی متناسب با داده ها می باشد در این مرحله ما بر روی عوامل مشخص شده (پارامترهای مدل) مدل متناسب شده، تمرکز می نماییم. در این مرحله معناداری پارامترها و هم چنین نمایش آن ها، مستلزم تخمین های استاندارد شده ای است. به همین دلیل در این مرحله تخمین های غیراستاندارد را که عمدتاً به مقیاس خود وابسته هستند را به تخمین های استاندارد شده ای که وابسته به مقیاس خود نیستند تبدیل می کنیم و این تا حدودی برازش و پارامترهای مدل را تحت تاثیر قرار می دهد. این مرحله از مدل معادلات ساختاری دقیقا شبیه استانداردها کردن ضرایب رگرسیون در آمار می باشد. تنها گام این مرحله به صورت زیر است
– ارزیابی مدل و ضرایب پارامترهای مدل با آورده فرضی
.مرحله ابلاغ یا نوشتن گزارش تحقیقاتی
در این مرحله نتایج مدل معادلات ساختاری به شکل نموار ارایه می گردد. نمودار مسیر، یک نمایش گرافیکی از مدل معادلات ساختاری است. سه جزء اصلی این نمودار شامل مستطیل ها، بیضی ها و پیکان ها می شد.
گام نهایی در هر تحقیق گزارش نتایج تحقیق به روشی است که سایر محققین بتوانند از منطق رویه ها و تجزیه و تحلیل تحقیق و تغییرات آن استفاده کنند.
۳-۷-۳) شاخص های مدل
.شاخص های CFI, NNFI, NFI
شاخص NFI(که شاخص بنتلر- بونت هم نامیده می شود) برای مقادیر بالای ۹۰/۰ قابل قبول و نشانه پراکندگی مدل است (وبلاگ سنجش و اندازه گیری محمدحسین ضرغامی) شاخص دیگر شاخص اندازه گیری تاکر-لویر است که در بیشتر موارد شاخص نرم شده پرازندگی (NNFI) نامیده می شود. چون دامنه ی این مدل محدود به صفر و یک نیست، تفسیر آن نسبت به NFI دشوارتر است. بر پایه قرارداد مقادیر کمتر از ۹۰/۰ آن مستلزم تجدیدنظر در مدل است.(فارایی، ۱۳۹۱، ص۱۱۹) شاخص CFI برای مقادیر بزرگتر از ۹۰/۰ قابل قبول است و نشانه برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که در آن بین متغیرها، هیچ رابطه ای نیست با مدل پیشنهادی موردنظر مقدار بهبود را نیز می آزماید. شاخص CFI از لحاظ معنا مانند NFI است با این تفاوت که برای حجم گروه نمونه جریمه می دهد. (وبلاگ سنجش، اندازه گیری محمدحسین ضرغامی).
.شاخص GFI

برای دانلود متن کامل پایان نامه به سایت  ۴۰y.ir  مراجعه نمایید.