خطا

SSE

n-z

MSE, SSE/n-b-1

مجموع

SST

n-1

تفسیر و تصمیم گیری
اگر P-Value< 0.5 فرض H_o را در سطح خطای ۰۵/۰ در می‌کنیم و در غیر این‌صورت H_o را می‌پذیریم.
تعریف معیارهای AGFI, CFI, RMR, CFI, IFI, RFI, NEI , RMSEA در نرم‌افزار آموس:
NFI: این شاخص به مقایسه مدل مستقل (مدلی که در آن بین متغیرها هیچ رابطه‌ای نیست به ‌این مدل، مدل پایه نیز گفته می‌شود).
با مدل پیشنهادی مورد نظر می‌پردازد. این شاخص هرچه به عدد یک نزدیک‌تر باشد به ‌این معناست که مدل پیشنهادی ما مناسب بوده ‌است و به صورت زیر محاسبه می‌شود:
NFI=
RFI: شاخص برازش نسبی است و مناسب مدل ارائه شده را می‌سنجد و به صورت زیر محاسبه می‌شود.
RFI=
که در فرمول فوق:
A =مقدار آماره فی دو تحت مدل مستقل
B = مقدار آماره فی دو تحت مدل پیشنهادی‌هستند.
dB = به ترتیب نشان‌دهنده درجه آزادی مدل مستقل و درجه ‌ازادی مدل پیشنهادی‌ هستند. هرچه مقدار RFI به‌یک نزدیک تر باشد مدل بهتر است.
IFI: این معیار شاخص برازش مقایسه‌ای است و به صورت زیر محاسبه می‌شود.
CFI=
در این فرمل نیز مقادیرA, B, d, d_b همانند قبل تعریف می‌شوند.
هرچه مقدار CFI به‌یک نزدیک تر باشد نتیجه می‌گیریم که مدل پیشنهادی مناسب است.
RMR : این شاخص نشان‌دهنده ریشه میانگین مربعات باقی مانده‌ها می‌باشد. فرض کنید مشاهدات در i سطر، j ستون، k طبقه قرار داده شده باشند. فرمولRMR به صورت زیر می‌باشد:
RMR=
در فرمول فوق به ترتیب نشان دهنده کورایانس و واریانس مشاهدات هستند و db نشان‌دهنده درجه‌ آزادی مدل مستقل است. هرچه مقدار RMR به صفر نزدیک‌تر باشد مدل مناسب‌تر است.
GFI : شاخص تیکویی برازش است که دارای فرمول زیر می‌باشد
GFI=1-
در این فرمول v نشان‌دهنده ماتریس وزن‌ها، و نیز نشان‌دهنده بردارهای واریانس و کواریانس مشاهدات هستند که توسط مشاهدات برآورده شده‌اند و مقدار GFI همواره تمرکز از ۱ است. هرچه مقدار GFI به عدد یک نزدیک تر باشد مدل مناسب‌تر است.
AGFI شاخص تیکوی برازش تعدیل شده ‌است و دارای فرمول زیر می‌باشد.
AGFI= 1-(1-GFI)
که در فرمول فوق d_b وa به ترتیب نشان‌دهنده درجه آزادی مدل مستقل و درجه آزادی مدل پیشنهادی ‌هستند. مقدار AGFI همواره کمتر از ۱ است. هر چه مقدار GFI به عدد یک نزدیک باشد مدل مناسب‌تر است.
RMSEA : این شاخص نشان دهنده جذر میانگین مربعات خطای تقریبی است و به صورت تفاضل بین مجموع خطای کلی و مجموع مربعات خطای مدل پیشنهادی محاسبه می‌شود.
در صورتی که مقدار RMSEA از ۰۵/۰ کمتر باشد نتیجه می‌گیریم مدل مناسب است در صورتی که مقدار آن بین ۰۵/۰ تا۰۸/۰ باشد، مدل برازش داده شده قابل قبول و در صورتی که‌ از ۱/۰ بالاتر باشد. نتیجه می‌گیریم که مدل برازش داده شده ضعیف است (قاسمی، ۱۳۸۹).
فصل چهارم
تجزیه و تحلیل داده ­ها
۴-۱- مقدمه
تجزیه و تحلیل داده‌ها فرایند چند مرحله­ ای است که طی آن داده‌هایی که‌ از طریق به ‌کارگیری ابزارهای جمع‌ آوری در نمونه (جامعه) آماری فراهم آمده‌اند، خلاصه، کد­بندی و دسته­بندی و در نهایت پردازش می‌شوند تا زمینه برقراری انواع تحلیل‌ها و ارتباط بین این داده‌ها به منظور آزمون فرضیه‌ها فراهم آید. در واقع تحلیل اطلاعات شامل سه عملیات اصلی می‌باشد: ابتدا شرح و آماده‌سازی داده ­های لازم برای آزمون فرضیه‌ها، سپس تحلیل روابط میان متغیرها و در نهایت مقایسه نتایج مشاهده شده با نتایجی که‌ از فرضیه‌ها انتظار داشتند.

تجزیه و تحلیل اطلاعات از اصلی‌ترین و مهم‌ترین بخش‌های تحقیق محسوب می‌شود. داده ­های خام با استفاده ‌از نرم‌افزار آماری مورد تجزیه و تحلیل قرار می‌گیرند و پس از پردازش به شکل اطلاعات در اختیار استفاده کنندگان قرار می‌گیرند.
برای تجزیه و تحلیل داده ­های جمع‌ آوری شده‌ آمار تحلیلی به دو صورت آمار توصیفی و استنباطی مطرح می‌گردد. در ابتدا با استفاده ‌از آمار توصیفی، شناختی از وضعیت و ویژگی‌های جمعیت شناختی پاسخ‌دهندگان حاصل گردیده و ادامه در آمار استنباطی این تحقیق و با استفاده ‌از نرم‌افزار آموس ۲۰ به بررسی فرضیات تحقیق پرداخته می‌شود.
۴-۲- آمار توصیفی پرسشنامه
۴-۲-۱- توصیف ویژگی­های جمعیت شناختی (پاسخگویان از بانک­های خصوصی و دولتی شهر کرمانشاه)
الف) سن(پاسخگویان بانک­های خصوصی و دولتی)
(جدول۴-۱). توزیع فراوانی پاسخ ­دهندگان برحسب سن