<div>&nbsp;</div><p>۹/۰</p><div><p>&nbsp;</p></div><p>۶/۰</p><div><p>&nbsp;</p></div><p>۳/۱</p><div><p>&nbsp;</p></div><p>RMSE</p><div><p>&nbsp;</p></div><p>&nbsp;</p><div>&nbsp;</div><p>۳/۰<sup>ns</sup></p><div><p>&nbsp;</p></div><p>۴/۳<sup>ns</sup></p><div><p>&nbsp;</p></div><p>۰۴/۰<sup>ns</sup></p><div><p>&nbsp;</p></div><p>مقدار F عرض از مبدا&nbsp;<strong>(</strong>روش چاو)</p><div><p>&nbsp;</p></div><p>&nbsp;</p><div>&nbsp;</div><p>۵/۰<sup>ns</sup></p><div><p>&am

-.۱۲۶

 

-.۳۳۴

 

.۱۹۵

 

.۶۹۶

 

 

 

ماتریس چرخش یافته نشان می دهد ۲۵ شاخص مطرح شده در خصوص سنجش تصمیم گیری در قالب پنج عامل دسته بندی شده است که این عوامل می توانند در حدود %۷۶ واریانس تصمیم گیری را تبیین نمایند. در این تحقیق این عوامل با توجه به مبانی نظری نام گذاری و در مراحل دیگر تحقیق مورد استفاده قرار گرفت.
۴-۴ تحلیل عاملی تأییدی متغیر های تحقیق
مدل اندازه گیری مرحله اول سازه
در این بخش، نتایج حاصل از تحلیل عاملی تأییدی هر یک از متغیرهای تحقیق توسط نرم افزار LISREL به صورت جداگانه برای هر متغیر آورده شده است. لازم به ذکر است که به منظور کاهش متغیرها و در نظر گرفتن آنها به عنوان یک متغیر مکنون، بار عاملی به دست آمده باید بیشتر از ۰٫۳ باشد. (مؤمنی و فعال قیوم،۱۳۸۶) در تحلیل عاملی تأییدی محقق می داند چه سوالی مربوط به چه بعدی است. یعنی در تحلیل عاملی تأییدی مدل مفهومی برای هر یک از مفاهیم یا متغیرهای تحقیق وجود دارد.
دانلود پروژه
در بررسی هر کدام از مدل ها سوال اساسی این است که آیا این مدل های اندازه گیری مناسب است؟ به عبارت دیگر آیا داده های تحقیق با مدل مفهومی همخوانی دارد یا نه؟
بطور کلی دو نوع شاخص برای آزمودن برازش مدل وجود دارد.

 

 

  • شاخص های خوب بودن

 

 

 

  • شاخص های بد بودن

 

 

شاخص های خوب بودن مانندAGFI ،AGFI،NFI و… می باشد که هر چقدر مقدار آنها بیشتر باشد بهتر است. مقدار پیشنهادی برای چنین شاخص هایی ۰٫۹ می باشد. همچنین شاخص های بد بودن نیز شامل و RMSEA می باشد که هر چقدر مقدار آنها کمتر باشد مدل دارای برازش بهتری است. حد مجاز عدد ۳ می باشد و حد مجاز RMSEA ، ۰٫۰۸می باشد. برای پاسخ به پرسش برازش مدل بایستی شاخص های خوب بودن و بد بودن با هم (،RMSEA،AGFI،AGFI،NFI وCFI) مورد بررسی قرار گیرند.
۴-۴-۱ نیکویی برازش مدل
همانطور که آشکار است، نرم افزار LISREL یک سری شاخص ها برای سنجش نیکویی برازش مدل تدوین شده ارائه می دهد. در ادامه کلیه شاخص های ذکر شده مورد بررسی قرار می گیرند.

 

 

  • شاخص کای دو( ):

 

 

نخست شاخص کای دو برای آزمون این فرضیه صفر که مدل مورد نظر و جامعه موجه است محاسبه میشود کای دو معنا دار دلالت بر رد فرضیه صفر دارد که بیان می کند آن مدل در جامعه موجه نیست. وقتی حجم گروه نمونه برابر با ۷۵ تا ۲۰۰ باشد مقدار مجذور کای یک اندازه معقول برای برازندگی است اما برای مدل های با n بزرگتر، مجذور کای (همانند همه آزمونهای معنا دار بودن) تقریبا همیشه از لحاظ آماری معنا دار است. این مسئله با توجه به این مطالب که برای روش معادلات ساختاری گروه های نمونه با حجم زیاد توصیه می شود ، تناقض دارد. علاوه بر این، مجذور کای تحت تأثیر مقدار همبستگی های موجود در مدل نیز است هرچه این همبستگی ها زیادتر باشد برازش ضعیفتر است به همین دلیل برای برازش مدل ها، اندازه های دیگری توسعه یافته است[۳۰](بولن و لانگ،۲۰۰۱). یک راه حل برای این مسئله، توسعه شاخص های برازندگی است که هر چند مبتنی بر مجذور کای است، اما به خاطر حجم نمونه از راهی کنترل می شود.

 

 

  • نسبت کای دو بر درجهُ آزادی () :

 

 

یکی از بهترین شاخص های بررسی نیکویی برازش مدل، بررسی نسبت آماری کای دو بر درجه آزادی است.البته حد استانداردی برای مناسب بودن میزان این شاخص وجود ندارد. اما بسیاری از اندیشمندان بر این عقیده اند که این شاخص باید کمتر از ۳ باشد. در نهایت حد مناسب بودن باید با تشخیص محقق و براساس نوع تحقیق صورت گیرد.

 

 

  • شاخص P-Value :

 

 

این شاخص نیز معیار دیگر برای سنجش مناسب بودن مدل است. اما در مورد میزان قابل قبول بودن این شاخص، اجماع نظری وجود ندارد. برخی از اندیشمندان حوزه آماری معتقدند که میزان آن باید کمتر از ۰٫۰۵ باشد در حالی که برخی بر بیشتر بودن این میزان تأکید دارند.

 

 

  • شاخص میانگین مجذور خطاهای مدل (RMSEA) :

 

 

این اندازه که به صورت اعشاری گزارش می شود، مبتنی بر پارامتر غیر مرکزی[۳۱] است این شاخص برای مدل های خوب برابر با ۰٫۰۵ یا کمتر است مدل هایی که (RMSEA) آنها ۰٫۱یا بیشتر باشد، برازش ضعیفی دارند(هومن،حیدر علی،۱۳۸۷).

 

 

  • شاخص (GFI)Good-of-Fit :

 

 

این شاخص، معیاری برای سنجش میزان خوب بودن مدل است و میزانی بالاتر از ۰٫۹، نشان دهنده مناسب بودن مدل استخراج شده با توجه به داده ها است.

 

 

  • شاخص (AGFI)Adjusted GFI :

 

 

این شاخص ، در واقع حالت تطبیق داده شده شاخص GFI با در نظر گرفتن میزان درجه آزادی (df) است و معیار دیگری برای خوب بودن مدل است. چنانچه میزان این شاخص بالاتر از ۰٫۹ باشد، حاکی از مناسب بودن مدل استخراجی با توجه به داده ها است.

 

 

  • شاخص (NFI)Normed Fit Index :

 

 

شاخص نرم شده برازندگی مدل صفر را به عنوان مدلی که در آن همه همبستگی ها صفر است تعریف میکند چنانچه مقدار این شاخص بالاتر از۹۰% خوب و بالاتر از ۹۵% باشد عالی است. عیب آن این است که اگر پارامترهای بیشتری به مدل اضافه شود، شاخص مذکور بزرگتر خواهد شد (Schumacker, 2004).
۴-۴-۲ تحلیل عاملی مرحله اول سازه منابع قدرت مدیران
نمودار(۴-۴): مدل اندازه‌گیری سازه منابع قدرت مدیران در حالت تخمین استاندارد در مرتبه اول
علائم اختصاری:

p;nbsp;</p></div><p>۹/۳<sup>ns</sup></p><div><p>&nbsp;</p></div><p>۸/۲<sup>ns</sup></p><div><p>&nbsp;</p></div><p>مقدار F ضریب زاویه (روش چاو)</p><div><p>&nbsp;</p></div><p>&nbsp;</p><p>&nbsp;</p><p>** معنی داری در سطح احتمال ۰۱/۰ و ns عدم معنی داری را نشان می دهد.</p><p>حجم تخمینی (mm<sup>3</sup>)<br />حجم واقعی (mm<sup>3</sup>)<br />حجم تخمینی (mm<sup>3</sup>)<br />حجم واقعی (mm<sup>3</sup>)<br />(ب) (الف)</p><p>حجم تخمینی (mm<sup>3</sup>)<br />حجم واقعی (mm<sup>3</sup>)<br />(ج)<br />شکل ۴-۲۳ نمودارهای رگرسیون خطی بین حجم تخمینی و حجم واقعی کل میوه انار رقم ترش، (الف) اندازه۱ (ب) اندازه۲، (ج) کلیه اندازه­ها</p><p>حجم واقعی (mm<sup>3</sup>)<br />حجم واقعی (mm<sup>3</sup>)<br />حجم پیش بینی (mm<sup>3</sup>)<br />حجم پیش بینی (mm<sup>3</sup>)<br />(ب) (الف)</p><p>حجم پیش بینی (mm<sup>3</sup>)<br />حجم واقعی (mm<sup>3</sup>)<br />(ج)<br />شکل ۴- ۲۴ نمودارهای ارزیابی و خط y=x به منظور ارزیابی روابط تخمین حجم کل میوه انار رقم ترش، (الف) اندازه۱ (ب) اندازه۲، (ج) کلیه اندازه­ها<br />۴-۹-۲ روابط تخمین حجم پوست میوه انار<br />جداول ۴-۱۰ و ۴-۱۱ روابط رگرسیون خطی جهت تخمین حجم پوست میوه انار بر اساس حجم تخمینی برای ارقام رباب ملس و رباب ترش در اندازه­ های مختلف را نشان می­دهد. با توجه به جداول برای رقم رباب ملس ضرایب تبیین برای اندازه۱، اندازه۲ و کلیه اندازه­ها به ترتیب ۴/۹۱، ۹۲ و ۲/۹۷ درصد و برای رقم رباب ترش همین مقادیر ۲/۸۷، ۶/۸۸ و ۷/۹۴ درصد بدست آمده است که نشان می­دهد رابطه مربوط به اندازه۱ کمترین دقت را دارد که علت آن را می­توان کیفیت کم تصویر و در نتیجه خطای بیشتر هنگام عملیات جداسازی در الگوریتم بخش­بندی برای اندازه های کوچک میوه دانست. علت افزایش ضریب تبیین در رابطه کلی را می­توان به افزایش دامنه داده ­ها ربط داد. با توجه به جداول و سطح معنی داری کلیه ضرایب در سطح احتمال ۱% معنی دار شده ­اند. بنابراین این روابط تخمین مناسبی از حجم پوست میوه انار را بدست می­دهد. شکل­های ۴-۲۵ و ۴-۲۶ خطوط رگرسیون همراه با محدوده پیش بینی در سطح احتمال ۱% جهت تخمین حجم واقعی پوست میوه انار بر اساس حجم تخمینی بدست آمده از تصاویر سی­تی اسکن را نشان می­دهد. به منظور ارزیابی روابط رگرسیون از روش مقایسه با خط y=x توسط روش چاو (نرم افزار۵ GrapH pad) استفاده شد. بدین منظور از ۳۰% داده ­ها برای ارزیابی مدل استفاده شد. نتایج نشان داد که بین روابط ارزیابی و خط y=x هیچ اختلاف معنی داری از لحاظ شیب و عرض از مبدا وجود ندارد (شکل های ۴-۲۷ و ۴-۲۸).<br /><a href="https://nefo.ir/"><img class="alignnone wp-image-55″ src="https://ziso.ir/wp-content/uploads/2021/10/S-11.png” alt="پایان نامه - مقاله - پروژه” width="304″ height="92″ /></a></p>

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...