د) روش کودر _ ریچاردسون^[۱۰۱]
ه) روش آلفای کرونباخ ^[۱۰۲]
نرم افزار spss یکی از نرم افزارهای متداول برای تعیین پایایی با یکی از روش‌های فوق ( و معمولا روش آلفای کرونباخ) می‌باشد.

نکته قابل ذکر این است که در تعیین پایایی این پرسشنامه از روش آلفای کرونباخ استفاده شده است.
تحلیل عاملی^[۱۰۳]
تحلیل عاملی اصطلاحی است، کلی برای تعدادی از تکنیک های ریاضی و آماری مختلف اما مرتبط با هم به منظور تحقیق درباره ماهیت روابط بین متغیرهای یک مجموعه معین.
تحلیل عاملی از جمله روش های چند متغیره است که در آن، متغیرهای مستقل و وابسته مطرح نیستند زیرا این روش جزء تکنیک­های هم وابسته محسوب می­گردد و کلیه متغیرها نسبت به هم وابسته­اند. مساله اساسی تعیین این مطلب است که آیا تعداد زیادی متغیر اصلی را می توان به مجموعه کوچکتری از متغیرها، با کمترین میزان ریزش اطلاعات تبدیل کرد؟ (دانایی فرد و همکاران، ۱۳۹۱)
بنیآن‏های اولیه تحلیل عاملی
نخستین کار درباره تحلیل عاملی حدود ۱۰۰ سال پیش توسط روانشناسی به نام چارلز اسپیرمن (۱۸۴۰) صورت گرفت، که به گونه کلی « پدر» این روش شناخته شده است. بعد از او کارل پیرسن (۱۹۰۱)، روش «محورهای اصلی» را پیشنهاد کرد و هتلینگ (۱۹۳۳) آن را به گونه کاملتری توسعه داد.
بسیاری از کارهای نخستین در تحلیل عاملی، یعنی در طول سال های ۱۹۰۰ تا ۱۹۳۰، به کاربرد مدل اسپیرمن در بسیاری از مسایل عملی و بررسی شرایط مناسب برای استفاده از آن مدل اختصاص یافته است. در طول این دوره، علاوه بر خود اسپیرمن، دانشمندان دیگری مانند سیریل برت، کارل هلیزینگر، ترومن کلی، کارل پیرسن و گادفری تامسون، کمک های شایانی به ادبیات تحلیل عاملی کرده اند (هومن، ۱۳۹۰).
درک مفهومی تحلیل عاملی و کاربرد آن
تحلیل عاملی تکنیکی است که کاهش تعداد زیادی از متغیرهای وابسته به هم را به صورت تعداد کوچکتری از ابعاد پنهان یا مکنون (عاملها) امکان پذیر می سازد بطوریکه در آن کمترین میزان گم شدن اطلاعات وجود داشته باشد. هدف اصلی آن، خلاصه کردن داده­هاست. این روش به بررسی همبستگی درونی تعداد زیادی از متغیرها می ­پردازد و در نهایت آن‏ها را در قالب عامل­های عمومی محدودی دسته بندی و تبیین می­ کند. بنابراین ارزش تحلیل عاملی این است که طرح سازمانی مفیدی به دست می­دهد که می­توان آن را برای تفسیر انبوهی از رفتار با بیشترین صرفه­جویی در سازه های تبیین کننده، به کار برد.
تحلیل عاملی، برخلاف رگرسیون چندگانه، تحلیل تشخیصی یا همبستگی کانونی (که در آن‏ها تعداد زیادی متغیر مستقل و یک یا چند متغیر وابسته وجود دارد) روشی هم وابسته است که در آن کلیه متغیرها به صورت همزمان مد نظر قرار می­گیرند(علی­آبادی و همکاران، ۱۳۹۱).
مفاهیم کلیدی روش تحلیل عاملی
اشتراک: میزان واریانس مشترک ،بین یک متغیر با سایر متغیرهای به کار گرفته شده در تحلیل عاملی.
مقدار خاص: میزان واریانس تبیین شده بوسیله هر عامل.
مقدار ویژه: هرکدام از بارهای عاملی را به توان ۲ برسانیم و با هم جمع کنیم (مجموع مجذورات بارهای عاملی).
-   عامل: عبارت است از ترکیب خطی متغیرهای اصلی که خلاصه شده ­اند.
- بار عاملی: عبارت است از همبستگی بین متغیرهای اصلی و عوامل.
- ماتریس عاملی: جدولی است که بارهای عاملی کلیه متغیرها را در هر عامل، نشان میدهد.
-   چرخش عاملی: فرآیندی است که برای تعدیل محور عامل به منظور دستیابی به عامل­های ساده و بامعنی.
-   نمره عاملی: تحلیل عاملی متغیرهای اصلی را در تعداد محدودی از عامل­ها خلاصه می­ کند(دانایی فرد و همکاران، ۱۳۹۱).
مراحل اجرای تحلیل عاملی
مرحله ۱- تولید ماتریس همبستگی برای تمامی متغیرهای نمونه آماری
ماتریس همبستگی ماتریسی مربعی از ضرایب همبستگی متغیرها با یکدیگر است.
برای اینکار باید مشخص شود که آیا هدف محاسبه همبستگی بین متغیرها یا بین پاسخگویان است. به عنوان مثال ممکن است داده­هایی از ۷۰ نفر در مورد ۱۰ سوال مربوط به ازدواج گردآوری شده باشند در این صورت این امکان وجود دارد که همبستگی بین هریک از ۱۰ متغیر یا بین هرکدام از پاسخگویان برای محاسبه مورد نظر باشند.
در صورتی که هدف مطالعه تلخیص متغیرها باشد، باید همبستگی بین متغیرها محاسبه شود که این روش به تحلیل عاملی نوع R  معروف استو در صورتی که تحلیل عاملی برای ماتریس همبستگی بین پاسخگویان به کار برده شود، روش فوق را روش تحلیل عاملی نوع Q میگویند.
تحلیل عاملی نوع  Q به دلیل مشکل بودن کمترمورد توجه قرار گرفته و بیشتر از روش تحلیل خوشه ای برای طبقه بندی پاسخگویان استفاده میشود.
به عنوان مثال اگر پاسخگویان بوسیله شماره مشخص شوند نتایج تحلیل عاملی از نوع Q ممکن است نشان دهد که افراد شماره­های ۲،۵،۱۰و۱۴ شباهت بیشتری به هم دارند و چون این افراد بار بیشتری بر یک عامل دارند(یعنی همبستگی بین آن‏ها زیاد است) بنابراین افراد فوق میتوانند در یک گروه قرار گیرند.
در این پژوهش به دلیل اینکه هدف بررسی همبستگی بین متغیرهای تحقیق می­باشد از روش R برای تحلیل عاملی استفاده شده است.
یکی از روش های انتخاب متغیرهای مناسب برای تحلیل عاملی استفاده از ماتریس همبستگی است.از آنجا که اساس روش تحلیل عاملی بر همبستگی بین متغیرها اما از نوع غیرعلی استوار است بنابراین در استفاده از این روش باید ماتریس همبستگی بین متغیرها نیز محاسبه گردد.
باید اشاره کرد که آماره­ های دیگری نیز وجود دارند که محقق از طریق آن‏ها نیز قادر به تعیین و تشخیص مناسب بودن داده ­ها برای تحلیل آماری می­باشد که از جمله این روشها روش KMO می­باشد.
روش KMO
مقدار آن همواره بین ۰و ۱ در نوسان است در صورتی که KMO کمتر از ۵/۰ باشد داده ها برای تحلیل عاملی مناسب نخواهد بود و اگر مقدار آن بین ۵/۰ تا ۶۹/۰ باشد داده ­ها متوسط بوده و اگر مقدار این شاخص،بزرگتر از ۷/۰ باشد همبستگی های موجود در بین داده ها برای تحلیل عاملی مناسب خواهند بود.
در این پژوهش از روش KMO برای تشخیص اعتبار داده ­ها استفاده شده است که نتایج مربوط به آن در فصل بعدی پایان نامه ارائه می­گردد.
روش بارتلت^[۱۰۴]
آزمون بارتلت یکی دیگر از روشهایی است که در تشخیص مناسب بودن داده ها به کار می­رود و این فرضیه را که ماتریس همبستگی مشاهده شده متعلق به جامعه ای با متغیرهای نابسته است را می­آزماید. برای اینکه یک مدل عاملی ،مفید و دارای معنا باشد لازم است متغیرها همبسته باشند. پس فرضیه آزمون بارتلت به صورت زیر است :
H0 : داده ­ها ناهمبسته­اند.
H1 : داده ­ها همبست­ اند.
پس مطلوب آن است که فرض صفر رد شود. در صورت عدم رد فرضیه صفر مطلوبیت تحلیل عاملی زیر سوال خواهد رفت و باید درباره انجام آن تجدید نظر کرد.
به همین دلیل است که پیش از تحلیل عاملی بایستی به تشکیل ماتریس همبستگی بین متغیرها اقدام کرد.
مرحله ۲- انتخاب مدل تحلیل
مدلهای مختلفی برای تحلیل عاملی وجود دارد که از مهمترین آن‏ها به دو روش “تحلیل مولفه های اصلی” و “تحلیل عاملی مشترک” می­توان اشاره کرد.
مدل تحلیل مولفه های اصلی زمانی به کار می­رود که هدف محقق تلخیص متغیرها و دستیابی به تعداد محدودی عامل برای اهداف پیش بینی باشد و مدل تحلیل عاملی مشترک زمانی بکار می­رود که هدف، شناسایی عامل­ها یا ابعادی باشد که به سادگی قابل شناسایی نیستند.
سه نوع واریانس با توجه به هدفی که ما در تحلیل عاملی داریم قابل تعریف است :
واریانس مشترک: آن بخش از واریانس است که با سایر متغیرهای لحاظ شده در تحلیل سهیم می­باشد.