آگاهی

 

 

۴

 

 

۰٫۸۳۹

 

 

 

کیفیت درک شده

 

 

۵

 

 

۰٫۷۰۲

 

 

 

پیوند های ملی

 

 

۴

 

 

۰٫۹۰۵

 

 

 

دیگر داراییهای اختصاصی نام تجاری

 

 

۳

 

 

۰٫۸۲۷

 

 

 

بازار هدف

 

 

۵

 

 

۰٫۸۳۵

 

 

 

کل پرسشنامه

 

 

۴

 

 

۰٫۸۲۳

 

 

بنابراین می‌توان گفت که پرسشنامه های فوق از اعتبار کافی برخوردار می‌باشد، بدین‌معنی که پاسخ‌های داده شده ناشی از شانس و تصادف نبوده، بلکه به ‌خاطر اثر متغیری می‌باشد که مورد آزمون قرار گرفته است. زیرا اولاً آنچه را که محقق در نظر داشته است دقیقاً سنجیده است و ثانیاً برداشت ذهنی تمام پاسخگویان از آن یکی بوده است.
۳- ۸٫ روش های تجزیه و تحلیل اطلاعات
در این پژوهش از آمار توصیفی و استنباطی استفاده خواهد شد و داده های جمع آوری شده با بهره گرفتن از نرم افزار spss با استناد از تکنیک لیزرل مورد تجزیه و تحلیل قرار خواهد گرفت. روش هایی که در این پایان نامه بکار برده می شوند عبارتند از۱ به منظور پی بردن به رابطه ی بین متغیرهای مستقل بخش نام و نشان ملی و متغیر وابسته یعنی نام و نشان سرکتهای ایرانی در بازار هدف از ضریب همبستگی پیرسون استفاده شده است.۲ آزمون معنی دار همبستگی با آماره ی آزمون تی-استیودنت ۳۱ تحلیل واریانس با بهره گرفتن از آماره ی آزمون F انجام گرفته است. ۳وبرای تعیین کارآیی مدل های برآورد شده از روش های کمّی ارزیابی نیز استفاده شده است.
روش تحلیل آماری
در این پژوهش از تکنیک معادلات ساختاری (SEM)به منظور تجزیه و تحلیل مشاهدات استفاده کرده ایم.
این روش یکی از جدیدترین و قوی ترین روش های تجزیه و تحلیل چند متغیری است که برخی هم به آن تحلیل ساختاری کوواریانس و الگو سازی علی اطلاق می کنند. کاربرداصلی آن در موضوعات چند متغیره ای است که نمی توان آنها را به شیوه دو متغیری با در نظر گرفتن هربار یک متغیر مستقل با یک متغیر وابسته انجام داد. تجزیه و تحلیل چند متغیره به یکسری روش های تجزیه و تحلیل اطلاق می‌شود که ویژگی اصلی آنها، تجزیه و تحلیل همزمان چند متغیر مستقل با چندمتغیروابسته است. به عبارت دیگر وقتی شما می خواهید متغیروابسته خود به عنوان مثال بزهکاری را با متغیرهای مستقلی همچون انگیزه فردی، روابط خانوادگی، سابقه بزهکاری، موقعیت اجتماعی اقتصادی و از این قبیل پیش بینی کنید بایستی به طراحی یک مدل علی و ارزیابی آن بپردازید که با بهره گرفتن از مدل یابی معادلات ساختاری قادر به آن خواهید بود.
عکس مرتبط با اقتصاد
تحلیل SEM را می توان توسط دو تکنیک انجام داد:

 

جهت دانلود متن کامل این پایان نامه به سایت abisho.ir مراجعه نمایید.

 

 

تحلیل ساختارهای کوواریانس یا روابط خطی ساختاری (lisrel) )

حداقل مربعات جرئی (PLS)

تکنیک معادلات ساختاری آمیزه دوتحلیل است:

 

 

تحلیل عاملی تائیدی (مدل اندازه گیری)

تحلیل مسیر – تعمیم تحلیل رگرسیون (مدل ساختاری)

بنابراین ما در این پژوهش برخی از موارد را به طور مستقیم اندازه‌گیری میکنیم (بخش اندازه گیری مدل) که عموماً همان گویه های پرسشنامه است و برخی از موارد را با ترکیب این گویه ها بدست آورده و روابط آنها را می سنجیم (بخش تحلیل مسیر مدل) تا بتوانید مدل نهایی خود را رسم کنیم.
به بیان دیگر مدل یابی معادلات ساختار یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق تر بسط «مدل خطی کلی» ۴ است که به پژوهشگر امکان میدهد مجموعه ای از معادلات رگرسیون را به گونه هم زمان مورد آزمون قرار دهد.
مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه هایی درباره روابط متغیرهای مشاهده شده و مکنون است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل[۹۳] نامیده شده است. اما اصطلاح غالب در این روزها، مدل یابی معادله ساختاری یا به گونه خلاصه SEM است
یکی از مفاهیم اساسی که در آمار کاربردی در سطح متوسط وجود دارد. اثر انتقالهای جمع‌پذیر و ضرب‌پذیر در فهرستی از اعداد است یعنی اگر هر یک از اعدادیک فهرست در مقدار ثابت K ضرب شود میانگین اعداد در همان K ضرب می شود و به این ترتیب، انحراف معیار استاندارد در مقدار قدر مطلق K ضرب خواهد شد. نکته این است که اگر مجموعه ای از اعداد x با مجموعه دیگری از اعداد y از طریق معادله y=4x مرتبط باشند در این صورت واریانس y باید ۱۶ برابر واریانس x باشد و بنابراین از طریق مقایسه واریانس های x و y می توانید به گونه غیر مستقیم این فرضیه را که y و x ازطریق معادله y=4x با هم مرتبط هستند را بیازمایید.
این اندیشه از طریق تعدادی معادلات خطی از راه های مختلف به چندین متغیر مرتبط با هم تعمیم داده می شود. هرچند قواعد آن پیچیده تر و محاسبات دشوارتر می شود، اما پیام کلی ثابت می ماند. یعنی با بررسی واریانسها و کوواریانسهای متغیرها می توانید این فرضیه را که «متغیرها از طریق مجموعه ای از روابط خطی با هم مرتبط اند» را بیازمایید.
توسعه مدل های علّی متغیرهای مکنون معرف همگرایی سنتهای پژوهشی نسبتا مستقل در روان سنجی، اقتصادسنجی، زیست شناسی و بسیاری از روش های قبلا آشناست که آنها را به شکل چهارچوبی وسیع در می آورد. بحث در خصوص مفاهیم متغیرهای مکنون در مقابل متغیرهای مشاهده شده و خطا از موضوعات مورد بحث SEM می باشد.
۳-۸-۱ شاخص های آزمون های برازندگی مدل SEM
با آنکه انواع گوناگون آزمون ها که به گونه کلی شاخص های برازندگی نامیده می شوند. پیوسته در حال مقایسه، توسعه و تکامل می باشند، اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقاله های مختلف، شاخص های مختلفی را ارائه کرده اند و حتی نگارش های مشهوربرنامه های SEM مانند نرم افزارهای lisrel, Amos, EQS نیز تعداد زیادی از شاخص های برازندگی به دست می دهند. به منظور تحلیل داده ها و بدست آوردن شاخص ها در این پژوهش از نرم افزار lisrel استفاده شده است. این شاخص ها به شیوه های مختلفی طبقه بندی شده اند که یکی از عمده ترین آنها طبقه بندی به صورت مطلق، نسبی و تعدیل یافته می‌باشد. در ادامه به توضیح برخی از این شاخص‌ها می پردازیم.

۳-۸-۲ شاخص GFI‌ AGFI, یا شاخص برازندگی
این شاخص به حجم نمونه وابسته نیست و نشان می دهد که مدل تا چه حد نسبت به عدم وجود آن، برازندگی بهتری دارد. این شاخص، به واقع مقدار نسبی واریانس ها و کوواریانس ها را به گونه مشترک از طریق مدل ارزیابی می کند و دامنه تغییرات آن بین صفر تا یک است. چون GFI نسبت به سایر شاخص ها اغلب بزرگتر است، برخی از پژوهشگران نقطه برش ۹۵/۰ را برای آن پیشنهاد کرده اند. برپایه قرارداد مقدار GFI باید برابر یا بزرگتر از ۹/۰ باشد تامدل پذیرفته شود.
شاخص برازندگی دیگر AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی می باشد. این مشخصه معادل باکاربرد میانگین مجذورات به جای مجموع مجذورات در صورت و مخرج GFI-1 است. مقداراین شاخص نیز بین صفر و یک می باشد. برپایه قرارداد مقدار AGFI باید برابر یا بزرگتر از ۹/۰ باشد تامدل پذیرفته شود.
۳-۸-۳ شاخص خطای مجموع مجذورا ت میانگین RMSEA
این شاخص، ریشه میانگین مجذورات تقریب می باشد. شاخص RMSEA برای مدل های خوب برابر ۰۵/۰ یا کمتر است. مدلهایی که RMSEA آنها ۱/۰ باشد برازندگی ضعیفی دارند. برپایه قرارداد مقدار RMSEA اگر کوچکتر از ۰٫۱ باشد برازندگی مدل پذیرفته می شود.
۳-۸-۴ مجذور کای
آزمون مجذور کای (خی دو) این فرضیه مدل مورد نظر را هماهنگ با الگوی همپراشی که بین متغیرها مشاهده شده است را می آزماید، کمیت خی دو بسیار به حجم نمونه وابسته می باشد و نمونه بزرگ کمیت خی دو را بیش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد، افزایش می دهد. مقدار کای دو باید از لحاظ آمار معنادار باشد یعنی از میزان جدول بزرگتر باشد.
۳-۸-۵ شاخص نرم شده برازندگی NFI
شاخص NFI (که شاخص بنتلر بونت هم نامیده می شود) برای مقادیر بالای ۹/۰ قابل قبول و نشانه برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که درآن بین متغیرها هیچ رابطه ای نیست با مدل پیشنهادی مورد نظر، مقدار بهبود را نیز می آزماید. شاخص NFI بزرگتر از ۹/۰ قابل قبول و نشانه برازندگی مدل است.
۳-۹-۶ شاخص برازندگی فزاینده IFI