سکوت خاموش

56/.

3.57

سکوت مطیع

50/.

4.62

توجه: تمامی بارهای عاملی در سطح خطای کمتر از 01/. معنی‌دار هستند (01/. >P)
4-4) آمار استنباطی
آمار استنباطی شامل یک سری روش­های آماری است که بر اساس اطلاعات نمونه، درباره ویژگی‌های جمعیت، پیشگویی‌هایی را فراهم می‌کند. تمرکز اولیه اکثر تحقیقات بر روی پارامترهای جمعیت تحت مطالعه است. نمونه و آماره‌های توصیف‌کننده آن تنها تا جایی اهمیت دارند که اطلاعاتی را در مورد پارامترهای جمعیت فراهم کنند؛ بنابراین، یک جنبه مهم استنباط آماری دربرداشتن گزارش از صحت احتمالی یا درجه اطمینان از آماره نمونه‌ای است که مقدار پارامتر جمعیت را پیشگویی می‌کند (Agresti & Finlay, 1997). در ادامه با بهره گرفتن از تکنیک مدل­یابی معادلات ساختاری به آزمون فرضیه‌های پژوهش پرداخته شد.

4-4-1) آزمون مدل
روش­های معادله ساختاری میزان و شدت روابط فرضی میان متغیرها را در یک مدل نظری تخمین می­زند. این تکنیک‌ها اثر مستقیم یک متغیر بر متغیر دیگر و نیز اثر متغیر دیگری که بین این دو متغیر واقع می­شوند (متغیرهای مداخله‌گر یا واسطه‌ای)، را نشان می‌دهند. درصورتی‌که بتوان تصور کرد که مدل فرضی صحیح می­باشد، می­توان گفت که اطلاعات منتج از مدل دقیقاً فراگردهای اساسی (علّی) بین متغیرها را نشان می‌دهند (مارویاما، 1389، ترجمه: رسول زاده اقدم، ص 8). در مقایسه با روش‌های رگرسیونی، که در آن‌ها فقط یک سطح از رابطه‌ی بین متغیرهای مستقل و وابسته به‌صورت همزمان تحلیل می‌شوند، در مدل­یابی معادلات ساختاری به‌عنوان روش ثانویه، امکان مدل­یابی ارتباط میان چندین سازه مستقل و وابسته وجود دارد.
مدل‌های ساختاری ارائه شده شامل سه مدل است. در مدل اول به بررسی رابطه رفتار سازمانی مثبت‌گرا و سکوت سازمانی پرداخته شد. در مدل دوم به بررسی روابط بین ابعاد رفتار سازمانی مثبت‌گرا و سکوت خاموش پرداخته شد و در مدل سوم به بررسی رابطه بین ابعاد رفتار سازمانی مثبت‌گرا و سکوت مطیع پرداخته شد.
شکل‌های شماره 4-14 الی 4-19 مدل‌های ساختاری را نشان می‌دهند که مدل‌ها در دو دسته ضرایب استانداردشده و مقدار t (یا مقدار معنی‌داری) ارائه شده ­اند. در ادامه به بررسی شاخص‌های برازش مدل به دست آمده و آزمون معنی‌داری فرضیه‌های پژوهش با تکیه‌بر نتایج مدل­یابی معادلات ساختاری می‌پردازیم. به‌صورت کلی در ارتباط با آزمون t، چنانچه مقدار t بیشتر از 1.96 شود بدین معناست که رابطه به دست آمده در سطح خطای کمتر از 05/. معنی‌دار است (05/.>P) و چنانچه مقدار t بیشتر از 2.58 شود بدین معناست که رابطه به دست آمده در سطح خطای کمتر از 01/. معنی‌دار شده است (01/.>P). اما در این پژوهش فرضیه‌ها از نوع جهت‌دار هستند و درنتیجه باید سطح خطا را یک دامنه قرار بدهیم، در حالت یک دامنه، چنانچه مقدار t بیشتر از 1.65 شود بدین معناست که رابطه به دست آمده در سطح خطای کمتر از 05/. معنی‌دار است (05/.>P) و چنانچه مقدار t بیشتر از 1.96 شود بدین معناست که رابطه به دست آمده در سطح خطای کمتر از 01/. معنی‌دار شده است (01/.>P).

شکل 4-14. آزمون مدل اول پژوهش در حالت ضرایب استانداردشده (متغیر وابسته: سکوت سازمانی)

شکل 4-15 آزمون مدل اول پژوهش در حالت معنی­داری (مقدار t)

شکل 4-16. آزمون مدل دوم پژوهش در حالت ضرایب استانداردشده (متغیر وابسته: سکوت خاموش)

شکل 4-17 آزمون مدل دوم پژوهش در حالت معنی­داری (مقدار t)
شکل 4-18 آزمون مدل سوم پژوهش در حالت ضرایب استانداردشده (متغیر وابسته: سکوت مطیع)
شکل 4-19 آزمون مدل سوم پژوهش در حالت معنی­داری (مقدار t)
4-4-2) بررسی شاخص‌های برازش
پس از تخمین پارامترهای مدل، سؤالی که مطرح می­ شود این است که تا چه حد مدل موردنظر با داده ­های مربوطه سازگاری دارد. پاسخ به این سؤال تنها از طریق بررسی برازش مدل امکان­ پذیر است. بنابراین، در تحلیل معادلات ساختاری محقق متعاقب انجام تخمین پارامترها و قبل از تفسیر آن­ها باید از برازندگی مدل اطمینان حاصل کند (کلانتری، 1387، ص 127).
بین نویسندگان حوزه مدل­سازی معادلات ساختاری در مورد چگونگی طبقه‌بندی یا سازمان‌دهی شاخص­ های برازش توافق وجود ندارد. پژوهشگران طرح‌های طبقه‌بندی مختلفی را برای سازمان‌دهی شاخص‌های برازش پیشنهاد کرده‌اند. برخی از نویسندگان (مانند هیر و همکاران، 1998، جاکارد و وان، 1996) یک طرح سه گروهی را توسعه داده‌اند (مطلق، نسبی و ایجاز) (میزر و همکاران، 1391، ترجمه شریفی و همکاران، ص 651) که در ادامه برازش مدل بر اساس این تقسیم‌بندی ارائه شده است. نکته مهم دیگر که باید موردتوجه قرار گیرد این است که برازش مدل باید از طریق روش‌ها و معیارهای مختلف مورد ارزیابی قرار گیرد تا برازندگی آن از ابعاد مختلف بررسی شود.
در ارتباط به شاخص برازش مجذور کای (کای اسکوئر) جورسکوگ و سوربوم (1989) و بنتلر (1990) پیشنهاد می‌کنند که نباید تنها از مقدار مجذور کای برای قضاوت درباره برازش کلی مدل استفاده شود، زیرا مجذور کای به حجم نمونه حساس است. هراندازه حجم نمونه افزایش یابد، توان آزمون افزایش پیدا می­ کند. درنتیجه، آزمون مجذور کای می‌تواند تفاوت­های جزئی بین کوواریانس پیش‌بینی‌شده و مشاهده شده را تشخیص دهد و به این نتیجه برسد که مدل با داده‌ها برازش ندارد. به‌این‌ترتیب، مدلی که برازش خوب دارد ممکن است به دلیل تفاوت‌های جزئی بین مقادیر پیش‌بینی‌شده و مشاهده شده اما ازنظر آماری معنی‌دار، رد شود. به دلیل این محدودیت‌ها، بسیاری از دیگر شاخص‌های برازش، به‌عنوان جایگزین یا مکمل مجذور کای توسعه یافته‌اند (میزر و همکاران، 1391، ترجمه شریفی و همکاران، ص 650).
شاخص­ های برازش مدل در جدول 4-13 ذکرشده است. همان­طور که نتایج نشان می‌دهد، شاخص‌های برازش درمجموع قابل‌قبول هستند و نشان از برازش نسبتاً خوب (مدل اول) تا متوسط (مدل دوم) دارند. مقایسه شاخص‌های برازش به­دست آمده نشان می‌دهد که مدل اول برازش بهتری در مقایسه با مدل‌های دیگر دارد. همچنین شاخص‌های برازش مدل سوم کمی بهتر از شاخص‌های برازش مدل دوم است. درمجموع با ارزیابی تمامی شاخص­ های برازش می­توان استنباط کرد که شاخص­ های برازش به­دست آمده قابل‌قبول بوده و نشان از برازش مناسب داده ­ها با مدل­ها دارند.
جدول 4-13. شاخص‌های برازش مدل پژوهش