شواهدترفیعقیمتفرایندمکان
q2۶۹۹٫
q3۸۱۶٫
q4۷۹۹٫
q19۷۵۶٫
q43۷۷۰٫
q53۷۹۰٫
q5
q6
۰۸۰۹
q7
۰۵۷۹
q10
۷۰۰٫
q18
۸۲۱٫
q46
۷۰۳٫
q48
۷۷۲٫
q49
۷۲۳٫
q52
۷۸۷٫
q11
۸۰۰٫
q12
۸۱۱٫
q13
۷۴۸٫
q14
۷۹۴٫
q15
۸۲۱٫
q22
۷۶۳٫
q31
۵۹۷٫
q50
۵۷۵٫
q16
۷۱۵٫
q32
۸۱۳٫
q33
۸۵۸٫
q34
۸۴۹٫
q35
۷۲۱٫
q36
۸۴۷٫
q37
۸۰۷٫
q40
۷۹۰٫
q42
۷۹۵٫
q47
۶۶۹٫
q54
۶۵۶٫
q23
۸۱۵٫
q24
۸۵۰٫
q25
۶۷۴٫
q17
۷۴۰٫
q20
۶۷۵٫
q21
۷۵۵٫
q38
۸۴۸٫
q39
۶۸۸٫
q41
۷۱۵٫
q51
۸۱۰٫
q27
۴۲۱٫q28
۷۲۸٫q29
۸۲۰٫q30
۳۹۶٫q44
۸۱۶٫
جدول ۴-۱۰- بار عاملی آمیختههای بازار
بار عاملی
۹۰۷٫
۹۲۷٫
۹۱۵٫
۸۹۲٫
۷۹۲٫
۹۳۳٫
۶۳۳٫
متغیر
افراد
محصول
شواهد
ترفیع
قیمت
فرایند
مکان
بار عاملی: عبارت است از همبستگی بین متغیرهای اصلی و عوامل. بار عاملی نشاندهنده وزن (ضریب بتای) هر عامل است. بار عاملی بزرگتر از۳ .۰ معنیدار ، بزرگتر از۴ .۰ دارای سطح معنیداری بالا و بارهای عاملی بزرگتر از۵ .۰ بسیار معنیدار تلقی میشوند. از آنجایی که بار عاملی کلیه عوامل نزدیک به یک میباشد، داده های مورد نظر (اندازه نمونه) برای تحلیل عاملی مناسب هستند. علاوه بر تحلیل عاملی تأییدی که در قالب بارهای عاملی در جدول مقابل ارائه شده است، در قالب مدل نیز تحلیل عامل تأییدی برای اجزای آمیخته بازاریابی انجام شده است که ضمیمه پیوست میباشد.
۴-۳-۲-تحلیل عاملی تأییدی مفهوم نهفتهی آمیخته بازاریابی
شکل مذکور نتیجه حاصل برازندگی مدل اندازهگیری در نرمافزار LISREL8.5 را به تصویر میکشد.
شکل ۴-۳-۲-۱- تحلیل عامل تأییدی مفهوم نهفتهی آمیخته بازاریابی بر اساس مقدار استاندارد شده
طبق شکل فوق، بارهای عاملی بر اساس مقدار استاندارد شده نزدیک به یک میباشند که این نشاندهنده برازش مدل مورد نظر میباشد.
شکل ۴-۳-۲-۱-تحلیل عامل تأییدی مفهوم نهفتهی آمیخته بازاریابی بر اساس مقدار t
طبق شکل فوق، بارهای عاملی بر اساس مقدار t برزرگتر از ۹۶/۱ میباشند که این نشاندهنده برازش مدل مورد نظر میباشد.
جدول۴-۱۱- شاخص های برازش مدل اندازگیری متغیرهای تحقیق
RMSEA
P-Value
IFI
NFI
AGFI
GFI
df
X2
۰۴۷/۰
۱۱۲/۰
۹۹/۰
۹۹/۰
۹۷/۰
۹۹/۰
۵
۹۲/۸
افراد
۲۹/۱
۰۰۰/۰
۸۷/۰
۸۸/۰
۸۰/۰
۸۵/۰
۲۳
۳۸٫۵۱
محصول
۰۳۹/۰
۰۹۲/۰
۹۶/۰
۹۶/۰
۹۵/۰
۹۷/۰
۱۳
۱۰/۲۰
شواهد
۰۴۸/۰
۰۰۳/۰
۹۲/۰
۹۴/۰
۹۰/۰
۹۲/۰
۳۱
۷۳/۵۶
ترفیع
۰۷۷/۰
۰۴۴/۰
۹۹/۰
۹۹/۰
۹۶/۰
۹۹/۰
۲
۲۲/۶
قیمت
۰۳۰/۰
۲۴۸/۰
۹۹/۰
۹۹/۰
۹۷/۰
۹۹/۰
۵
۶۵/۶
فرایند
۰۸۴/۰
۰۰۳/۰
۹۲/۰
۹۳/۰
۹۰/۰
۹۱/۰
۵
۷۳/۱۷
مکان
۰۶۱/۰
۰۰۹/۰
۹۱/۰
۹۲/۰
۹۰/۰
۹۱/۰
۱۰
۳۵/۲۳
کل مفاهیم
:در مدلسازی معادلات ساختاری، آماره کای اسکویر، روش سنتی برای ارزیابی برازش کل مدل میباشد. بر اساس این آماره، فرض صفر این است که مدل به طور کامل با داده های جامعه آماری برازش دارد. زمانی که آماره کای اسکویر از نظر آماری معنیدار باشد منجر به رد این فرض میگردد و نشان میدهد که مدل مورد نظر، از برازش کامل برخوردار نبوده و رد میشود. برای رد فرض صفر از نسبت نیز استفاده میکنند. در صورتی که مقدار این نسبت کمتر از ۵ باشد، فرض صفر تأیید میشود. به عبارت دیگر، مدل به طور کامل با داده های جامعه آماری برازش دارد. از آنجا که میزان محاسبه شده برای هر یک از آمیختهها به طور جداگانه و به ترتیب ۷۸/۱، ۵۷/۱، ۱۵۴/.، ۸۳/۱، ۱۱/۳ ، ۳۳/۱، ۵۵/۳ و کل مفاهیم برابر ۳۳/۲ میباشد نشان دهنده تأیید فرض صفر و برازش کامل مدل با داده های جامعه آماری میباشد.
GFI و AGFI: دو شاخص برازندگی GFI و برازندگی تعدیلیافته AGFI به شاخصهای برازش مطلق معروفند. مقادیر این شاخصها باید بین ۰ و ۱ باشد. مقدار بزرگتر از ۹/۰ حاکی از برازش قابل قبول مدل است. اندازهگیری برازش بعدی که در خروجی برنامه ظاهر میشود، به مقایسه شاخصهای برازش نسبی میپردازند و نشان میدهند که تا چه حد برازش مدل نسبت به مدل خط پایه که در واقع مدل استقلال است، مناسبتر میباشد. شاخص برازش غیرنرم (NFI) از شاخصهای این گروه میباشد که هر چه مقدار آن به ۱ نزدیک باشد، نشان دهنده برازش خوب مدل است و می تواند بزرگتر از ۱ باشد. مقدار این شاخص نیز هرچه به ۱ نزدیکتر باشد، نشان دهنده برازش خوب مدل است. مقادیر محاسبه شده نشاندهنده تأیید برازش مدل بر اساس این سه شاخص میباشد.
۴-۴- آزمون نرمال بودن داده ها:
۴-۴-۱- محاسبه چولگی[۱۴۷] و کشیدگی[۱۴۸]
چولگی و کشیدگی شاخص هایی برای قضاوت در خصوص نرمال بودن توزیع هستند. چولگی معیاری از تقارن یا عدم تقارن تابع توزیع میباشد. برای یک توزیع کاملاً متقارن چولگی صفر و برای یک توزیع نامتقارن با کشیدگی به سمت مقادیر بالاتر چولگی مثبت و برای توزیع نامتقارن با کشیدگی به سمت مقادیر کوچکتر مقدار چولگی منفی است. کشیدگی نشاندهنده ارتفاع یک توزیع است. به عبارت دیگر کشیدگی معیاری از بلندی منحنی در نقطه ماکزیمم است و مقدار کشیدگی برای توزیع نرمال برابر ۳ میباشد. کشیدگی مثبت یعنی قله توزیع مورد نظر از توزیع نرمال بالاتر و کشیدگی منفی نشانه پایینتر بودن قله از توزیع نرمال است و اگر مقدار صفر باشد، توزیع داده ها طبیعی است.