:H₁ توزیع داده ­های عامل فرسودگی شغلی نرمال نیست.
جدول۴‑۴ نتایج مربوط به آزمون نرمال بودن عامل­ها

عامل

تعداد

میانگین

کولموگروف – اسمیرنوف z

سطح معناداری

فرسودگی شغلی

۱۴۲

۹۰/۲

۵۱/۰

۹۵۵/۰

تعارض در محیط کار

۱۴۲

۸۶/۲

۷۶/۰

۶۰۸/۰

جو سازمانی

۱۴۲

۸۹/۲

۶۶/۰

۷۶۹/۰

نتایج مربوط به انجام این آزمون برای هر یک از داده ­ها در جدول ۴-۴ آمده است، همانطور که از جدول مشخص است با توجه به سطح معناداری، با احتمال ۹۵% می­توان ادعا کرد که توزیع داده ­های مربوط به تمامی عامل‌ها نرمال است، بنابراین برای تحلیل عامل­های نرمال از آزمون­های پارامتریک و برای عامل­های غیر نرمال از آزمون­های ناپارامتریک استفاده خواهد شد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۴-۲-۲-۲ تحلیل عاملی تأییدی مدل­های اندازه ­گیری
قبل از وارد شدن به مرحله آزمون فرضیات لازم است از صحت مدل­های اندازه ­گیری متغیر­های پژوهش اطمینان حاصل کنیم. لذا در ادامه مدل­های اندازه ­گیری این متغیر­ها به ترتیب آورده شده است. در این پژوهش تحلیل عاملی تأییدی با بهره گرفتن از تحلیل عاملی مرتبه اول و تحلیل عاملی مرتبه دوم صورت گرفته است. این تحلیل توسط مدل معادلات ساختاری و با بهره گرفتن از نرم­افزار LISREL انجام شده است.
در بررسی هر کدام از مدل­ها سؤال اساسی مطرح شده این است که آیا این مدل­های اندازه ­گیری مناسب است؟ که برای پاسخ به این پرسش معیار­هایی وجود دارد که در ادامه به توضیح هر یک از این معیار­ها پرداخته شده است.
۴-۲-۲-۲-۱ معیار RMSEA
ریشه میانگین مجذورات تقریب می­باشد. این معیار به عنوان اندازه تفاوت برای هر درجه آزادی تعریف شده است. مقدار RMSEA که به واقع همان آزمون انحراف هر درجه آزادی است. برای مدل ­هایی که برازندگی خوبی داشته باشند، کمتر از ۰۵/۰ است. مقادیر بالاتر از آن تا ۰۸/۰ نشان­دهنده خطای معقولی برای تقریب در جامعه است. مدل­هایی که RMSEA آن­ها ۱/۰ یا بیشتر باشد، برازش ضعیفی دارند (هومن، ۱۳۹۰).
۴-۲-۲-۲-۲ آزمون
آزمون ^۲ به سادگی نشان می­دهد که آیا بیان مدل، ساختار روابط میان متغیر­های مشاهده شده را توصیف می­ کند یا خیر. هر چقدر مقدار ^۲ کوچکتر باشد بهتر است. که تعدیل­یافته ^۲ است نیز به عنوان یک معیار تناسب تطبیق و تعدیل آن با اندازه نمونه است. بهتر است که مقادیر این آماره کمتر از ۳ باشد.
۴-۲-۲-۲-۳ معیار PMR
این معیار تحت عنوان ریشه میانگین مجذور باقیمانده (شاخصی برای واریانس باقیمانده در برازش هر پارامتر به داده ­های نمونه) یا تحت عنوان متوسط باقیمانده­های گزارش شده در مدل، بیان می­ شود. معیار PMR معیاری است برای اندازه ­گیری متوسط باقیمانده­ها و تنها در ارتباط با واریانس­ها و کوواریانس­ها قابل تغییر است (سرمد و دیگران، ۱۳۷۷). در مدلی که نیکویی برازش خوبی دارد، این باقیمانده­ها بسیار کوچک هستند، پس به طور خلاصه این معیار هر قدر کوچکتر باشد (به صفر نزدیکتر باشد) حاکی از برازش بهتر مدل است.
۴-۲-۲-۲-۴ معیار­های AGFI و GFI
لیزرل یک شاخص نیکویی برازش یعنی نسبت مجموع مجذورات تبیین شده توسط مدل به کل مجموع مجذورات ماتریس برآورد شده در جامعه محاسبه می­ کند. این شاخص از لحاظ مطلوبیت به ضریب همبستگی شباهت دارد. هر دوی این معیار­ها بین صفر تا یک متغیر هستند. هرچه AGFI و GFI به عدد یک نزدیکتر باشند، نیکویی برازش مدل با داده ­های مشاهده شده بیشتر است.
۴-۲-۲-۲-۵ معیار­های NFI، NNFI و CFI