Sig. (2-tailed)

.۰۰۰

.

N

۲۶۰

۲۶۰

**. Correlation is significant at the 0.01 level (2-tailed).

در این جدول مقدارr=.695 می باشد و با توجه ۱>-1<r می باشد نتیجه می گیریم که همبستگی از نوع مستقیم و اینگونه تفسیر می شود که تاثیر توجه به گرایشات بازار بر افزایش سهم بازار متوسط می باشد.

۴-۷ تحلیل عاملی

اعتبار عاملی صورتی از اعتبار سازه است که از طریق تحلیل عاملی به دست می‌آید. به منظور پی بردن به متغیرهای زیربنایی یک پدیده یا تلخیص مجموعه داده‌ها از روش تحلیل عاملی استفاده می‌شود. تحلیل عاملی می‌تواند به صورت تأییدی یا اکتشافی باشد. در تحلیل‌های عاملی تأییدی، هدف پژوهشگر تعیین ساختار عاملی ویژه‌ای می‌باشد. در واقع در تحلیل عاملی اکتشافی به دنبال پیدا کردن ابعاد و عوامل یک حوزه ناشناخته می‌باشیم ولی در تحلیل عاملی تأییدی به دنبال تایید این حوزه‌ها با عوامل مربوط به آن‌ها هستیم.

مدل معادلات ساختاری:

فرآیندهای تجزیه و تحلیل ساختارهای کوواریانس شامل یک سری گام‌هایی است که به محقق توصیه می‌شود که حتماً به صورت متوالی این گام‌ها را انجام دهد. این گام‌ها عبارتند از:
بیان مدل
تخمین مدل
اصلاح مدل
آزمون فرضیه
تفسیر مدل
ابلاغ یا نوشتن گزارش تحقیقاتی
در ذیل هر یک از مراحل به طور خلاصه تشریح می‌گردد.

الف – مرحله بیان مدل:

مدل معادلات ساختاری با بیان مدلی که قرار است تخمین زده شود شروع می‌شود. در ساده‌ترین سطح، مدل یک عبارت آماری درباره روابط میان متغیرها است. این مدل‌ها در زمینه رویکردهای مختلف تحلیلی، اَشکال مختلفی به خود می‌گیرند. برای مثال، یک مدل در زمینه همبستگی عموماً روابط غیر جهت‌دار (دوطرفه) بین دو متغیر را بیان می‌کند. در حالی که رگرسیون چندگانه و تحلیل واریانس مدل‌هایی را با روابط جهت‌دار بین متغیرها نشان می‌دهد. این مرحله یکی از مهم‌ترین مراحل موجود در مدل معادلات ساختاری است. زیرا هیچ گونه تحلیلی صورت نمی‌گیرد، مگر این که محقق ابتدا مدل خود را بیان کند. گام‌های موجود در این مرحله به شرح زیر است:

۱- ساخت یک مدل ساختاری فرضی. بیان یک مدل در واقع ترجمان یک تئوری با یک سری معادلات ساختاری (ریاضی) است. بنابراین بهتر است ابتدا نمودار مسیر را ترسیم کرده و متغیرهای مستقل و وابسته و… و روابط علّی بین این متغیرها نشان داده شود.
۲- انتخاب شاخص‌های مشاهده شده برای متغیرهای مکنون. بعد از مشخص کردن متغیرهای مکنون درون‌زا و برون‌زا در این گام لازم است تا برای متغیرهای مکنون شاخص‌ها ، متغیرهای مشاهده شده مناسبی انتخاب و به آن‌ها وصل شود. بهتر است از چندین شاخص به جای یک شاخص برای اندازه‌گیری متغیر مکنون استفاده گردد که این کار بر اساس تعریف مفهومی و تعریف عملیاتی صورت می‌گیرد.

ب – مرحله دوم تخمین مدل:

هنگامی که یک مدل بیان شد و حالت تعیین آن مورد ارزیابی قرار گرفت، باید پارامترهای آزاد از روی مجموعه‌ای از داده‌های مشاهده شده تخمین زده شود‌. این مرحله شامل یک سری فرآیندهای تکراری است که در هر تکرار یک ماتریس کوواریانس ضمنی^[۳۶] ساخته می‌شود و با ماتریس کوواریانس داده‌های مشاهده شده مقایسه می‌گردد. مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده^[۳۷] می‌شود و این تکرارها تاجایی ادامه می‌یابد که این ماتریس باقیمانده به حداقل ممکن برسد.
گام‌های طی شده در این مرحله به شرح زیر است:
۱- جمع‌ آوری داده‌ها. در این مرحله، انتخاب اندازه نمونه مهم است. زیرا بسیاری از روش‌های تخمین موجود در مدل معادلات ساختاری و شاخص‌های ارزیابی متناسب بودن مدل نسبت به اندازه نمونه حساس است.
۲- ساخت ماتریس واریانس. کوواریانس متغیرهای اندازه‌گیری شده، بعد از بیان مدل و جمع‌ آوری داده‌ها تخمین مدل با مجموعه‌ای از روابط شناخته شده بین متغیرهای اندازه‌گیری شده شروع می‌شود. این روابط در ماتریسی به نام ماتریس «کوواریانس– واریانس» یا «ماتریس همبستگی» مرتب می‌شود.
۳- ایجاد یک سری ماتریس (Matrices) برای برنامه لیزرل و اجرای آن در یک تخمین همزمان، به علت این که تخمین مدل ساختاری و مدل اندازه‌گیری به طور همزمان صورت می‌گیرد ممکن است یک راه حل برای پارامترهای مدل ساختاری و مدل اندازه‌گیری به هم وابسته شوند. بنابراین بهتر است برای جلوگیری از ابهامات تفسیری متغیرهای مکنون، ابتدا مدل اندازه‌گیری و سپس مدل ساختاری تخمین زده شود.

ج – ارزیابی تناسب^[۳۸] یا برازش:

وقتی گفته می‌شود مدل با یکسری داده‌های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده‌های مشاهده شده هم ارز( معادل) باشد یعنی وقتی ماتریس باقیمانده و عوامل( عناصر آن) نزدیک صفر باشند. البته این تناسب به روش تخمین، به مدل، ویژگی‌های داده‌های مشاهده شده و… بستگی دارد.
مهم‌ترین شاخص تناسب مدل^[۳۹] آزمون مجذور کای است. البته استفاده از این آزمون متضمن رعایت یکسری مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، یکسری شاخص‌های ثانویه^[۴۰] به وجود آمد.
تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص‌های تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است. و هرچه ارزش آن کوچک‌تر باشد نشان می‌دهد که مدل تناسب بهتری دارد. اما در مقابل شاخص‌های تناسب ثانوی از قبیل^[۴۱]GFI ^[۴۲]NFI, و AGFI^[43] ، شاخص‌های تناسب مدل هستند، در این شاخص‌ها هرچه ارزش آن‌ها بیشتر باشد، مدل تناسب بهتری دارد.
در ادامه به طور خلاصه برخی از شاخص‌های تناسب مدل را شرح می‌دهیم:
۱- آزمون مجذور کای، مجذور کای به درجه آزادی
از شاخص مجذور کای اغلب به عنوان شاخص موفقیت نام برده می‌شود. این شاخص به سادگی نشان می‌دهد که آیا بیان مدل ساختار روابط میان متغیرهای مشاهده شده را توصیف می‌کند یا خیر. این شاخص نسبت به اندازه نمونه حساس است، وقتی حجم نمونه برابر ۷۵ تا ۲۰۰ باشد، مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدل‌های با n بزرگ‌تر، مجذور کای تقریباً همیشه از لحاظ آماری معنادار است. از طرف دیگر مجذور کای تحت تأثیر مقدار همبستگی‌های موجود در مدل نیز هست. هر چه این همبستگی‌ها زیادتر باشد، برازش ضعیف تر است.
برخی از محققان از نسبت مجذور کای به درجه آزادی به عنوان شاخص جایگزینی استفاده می‌کنند.
۲- شاخص , GFI AGFI
این شاخص به وسیله اندازه نمونه تحت تأثیر قرار نمی‌گیرد. مقدار مطلوب آن می‌بایستی از ۹۰% بیشتر باشد. البته این مقادیر می‌تواند برای مدل‌هایی که به گونه ضعیفی فرمول بندی شده‌اند، بزرگ باشد. درباره کاربرد آن توافق کلی وجود ندارد.
۳- شاخص ^[۴۴]RMSR یا RMR
RMSR معیار میانگین اختلاف بین داده‌ها و ماتریس کوواریانس- واریانس ضمنی است. این معیار هر چقدر که کوچک‌تر باشد، برای تناسب مدل با داده‌ها بهتر است.( زیر ۰۵/۰ بسیار عالی، زیر ۰۸/۰ مناسب و بالای ۰۹/۰ نامناسب است.) این شاخص یک شاخص با ارزشی است هنگامی که میانگین واریانس- کوواریانس داده‌ها شناخته شده باشد. ارزیابی آن هنگامی که ماتریس واریانس-‌‌کوواریانس غیراستاندارد مورد استفاده قرار می‌گیرد، سخت و مشکل است.
هر چند از میان شاخص‌های فوق، به گونه کلی RMSEA ^[۴۵] به عنوان شاخص مطلوب و GFI به عنوان بهترین شاخص در نظر گرفته می‌شود، اما درباره آن‌ها توافق کلی وجود ندارد. شاخص‌های برازندگی به گونه کلی در دامنه بین صفر و یک قرار داده می‌شود. ضرایبی که بالاتر از ۹/۰ باشد، قابل قبول در نظر گرفته می‌شود. ( هر چند این سطح نیز مانند سطح خطای ۰۵/۰ اختیاری است.(هومن، ۱۳۸۷،۴۳) عاقلانه است همه آن‌ها در گزارش قید شوند.