شناسایی و رتبه بندی عوامل موثر بر جذب بیمه گذاران بیمه های تکمیلی …

۴-۶-۱) نیکویی برازش مدل
همانطور که آشکار است، نرم افزار لیزرل یک سری شاخص‌های برای سنجش نیکویی برازش مدل تدوین شده ارائه می‌دهد. در ادامه کلیه شاخص‌های ذکر شده مورد بررسی قرار می‌گیرند.
شاخص کای دو (۲χ) : که نشان دهندۀ میزان آمارۀ کای دو برای مدل است. در واقع این شاخص اختلاف بین مدل و داده‌ها را نشان می‌دهد و معیاری برای بد بودن مدل است. لذا هرقدر که میزان آن کمتر باشد، حاکی از اختلاف کمتر بین ماتریس واریانس-کوواریانس نمونۀ اتخاذ شده و ماتریس واریانس-کوواریانس حاصل از مدل اتخاذ شده بوده و بد بودن مدل را نشان می‌دهد. البته لازم به ذکر است که میزان این شاخص تحت تأثیر تعداد نمونۀ اتخاذ شده قرار می‌گیرد. در واقع چنانچه حجم نمونه بیشتر از ۲۰۰ بشود، این شاخص تمایل زیادی به افزایش دارد. لذا تحلیل برازندگی مدل با این شاخص، معمولاً در نمونه‌های بین ۱۰۰ تا ۲۰۰ قابل اتکا است. همچنین بهتر است که این شاخص، با در نظر گرفتن درجۀ آزادی تفسیر شود.
درجۀ آزادی (df): این شاخص درجۀ آزادی مدل را نشان می‌دهد و نباید کوچک‌تر از صفر باشد.
نسبت کای دو بر درجۀ آزادی (): یکی از بهترین شاخص‌های بررسی نیکویی برازش مدل، بررسی نسبت آمارۀ کای دو بر درجۀ آزادی که است. البته حد استانداردی برای مناسب بودن میزان این شاخص وجود ندارد. اما بسیاری از اندیشمندان بر این عقیده‌اند که این شاخص باید کمتر از ۳ باشد. در نهایت حد مناسب بودن باید با تشخیص محقق و بر اساس نوع تحقیق صورت گیرد.
شاخص P-Value: این شاخص نیز معیاری دیگر برای سنجش مناسب بودن مدل است. اما در مورد میزان قابل قبول بودن این شاخص، اجماع نظری وجود ندارد. برخی از اندیشمندان حوزۀ آماری معتقدند که میزان آن باید کمتر از ۰٫۰۵ باشد در حالی که برخی بر بیشتر بودن این میزان تأکید دارند.
۴-۶-۲)شاخص میانگین مجذور خطاهای مدل (RMSEA):
این شاخص براساس خطاهای مدل ساخته شده و همانند شاخص کای دو، معیاری برای بد بودن مدل است. برخی از اندیشمندان بر این عقیده‌اند که این شاخص باید کمتر از ۰٫۰۵ باشد، همچنین برخی دیگر، میزان کمتر از ۰٫۰۸ را مناسب می‌دانند.
۴-۶-۳)شاخص Goodness-of-Fit (GFI): این شاخص، معیاری برای سنجش میزان خوب بودن مدل است و میزانی بالاتر از ۰۹،۰ نشان دهندۀ مناسب بودن مدل استخراج شده با توجه به داده‌ها است.
۴-۶-۴)شاخص Adjusted GFI (AGFI): این شاخص، در واقع حالت تطبیق داده شدۀ شاخص GFI با در نظر گرفتن میزان درجۀ آزادی (df) است و معیار دیگری برای خوب بودن مدل است. چنانچه میزان این شاخص بالاتر از ۰۹،۰ باشد، حاکی از مناسب بودن مدل استخراجی با توجه به داده‌ها است .
۴-۶-۵)شاخص Normed Fit Index (NFI): این شاخص نیز یکی دیگر از شاخص‌ها برای سنجش میزان خوب بودن مدل به دست آمده با توجه به داده‌ها است. چنانچه میزان این شاخص بالاتر از۰۹،۰ باشد، حاکی از مناسب بودن مدل استخراجی است (نرگسیان، ۱۳۹۲).
۴-۷) تحلیل عاملی تائیدی ابعاد و سازه ها
شکل ۴-۱ مدل اندازه گیری متغیرهای مستقل را در حالت تخمین استاندارد نشان می‌دهد. بارهای عاملی مدل در حالت تخمین استاندارد^[۸۲] میزان تأثیر هر کدام از متغیرها و یا گویه ها را در توضیح و تبیین واریانس نمرات متغیر یا عامل اصلی نشان می‌دهد. به عبارت دیگر بار عاملی نشان دهنده میزان همبستگی هر متغیر مشاهده گر (سؤال پرسشنامه) با متغیر مکنون (عامل‌ها) می‌باشد. با توجه به شکل۴-۱ می‌توان بارهای عاملی هر یک از سؤالات تحقیق را مشاهده نمود. برای مثال بار عاملی سؤال ۱ در بعد جبران خدمات (۶۹/۰) می‌باشد. به عبارت دیگر سؤال اول تقریباً ۴۸ درصد از واریانس جبران خدمات را تبیین می‌نماید. مقدار ۵۲/۰ نیز مقدار خطا می‌باشد (مقدار واریانسی که توسط سؤال اول قابل تبیین نیست، واضح است که هر چه مقدار خطا کمتر باشد ضرایب تعیین بالاتر و همبستگی بیشتری بین سؤال و عامل مربوطه وجود دارد. مقدار ضریب تعیین عددی بین ۰ و ۱ است که هر چه به سمت ۱ نزدیک شود مقدار تبیین واریانس بیشتر می‌گردد. همچنین در این شکل ارتباط سازه (جذب بیمه گذاران) نیز با متغیرهای مکنون نشان داده شده است که اعداد، نشان دهنده شدت ارتباط هستند
شکل ۴-۱– تحلیل عاملی متغیرهای پژوهش در حالت تخمین استاندارد
خروجی بعدی(مدل در حالت معناداری) معناداری ضرایب و پارامترهای بدست آمده مدل اندازه گیری متغیرهای مستقل تحقیق را نشان می‌دهد که تمامی ضرایب بدست آمده معنادار شده‌اند. زیرا مقدار آزمون معناداری بزرگ‌تر از ۱٫۹۶ یا کوچک‌تر از ۱٫۹۶- نشان دهنده معناداری بودن روابط است. خروجی نرم افزار لیزرل (مدل در حالت تخمین استاندارد و مدل در حالت ضرایب معناداری) در ادامه نشان داده شده است.
شکل ۴-۲– تحلیل عاملی متغیرهای پژوهش در حالت ضرایب معناداری
نتایج تخمین (قسمت زیرین شکل) حاکی از مناسب بودن نسبی شاخص‌ها دارد. با توجه به خروجی لیزرل مقدار ۲χ محاسبه شده برابر با ۶۸۰٫۰۵ می‌باشد که نسبت به درجه آزادی کمتر از عدد ۴ می‌باشد. پایین بودن میزان این شاخص نشان دهنده تفاوت اندک میان مدل مفهومی با داده‌های مشاهده شده تحقیق است. مقدار RMSEA برابر با ۰۴۵/۰ می‌باشد. حد مجاز RMSEA ، ۰۸/۰ است. شاخص‌های GFI , AGFI و NFI بترتیب برابر با ۸۶/۰ ، ۸۸/۰ و ۹۰/۰ می‌باشد که نشان دهنده برازش بسیار مناسب مدل می‌باشد.
۴-۷-آزمون فریدمن برای رتبه بندی ابعاد متغیرهای “جذب بیمه گذاران”
در این پژوهش، به منظور رتبه بندی متغیرها، از آزمون فریدمن استفاده شد:
جدول (۴-۹): رتبه ‌بندی متغیرهای “جذب بیمه گذاران“