دسترسی متن کامل – 
مدلسازی مدیریت الکترونیکی ارتباط با مشتری در کارخانه ها- قسمت ۳۱

دسترسی متن کامل – مدلسازی مدیریت الکترونیکی ارتباط با مشتری در کارخانه ها- قسمت ۳۱

اکتبر 7, 2020 Off By مدیر سایت
۱۴/۰

H11

چنانکه از نتایج حاصل از جدول ۴ – ۲ بر می آید واضح است که ضریب ساختاری مدیریت الکترونیکی ارتباط با مشتری بر رضایت از خدمات پس از فروش ۶۸/۰ است و با توجه به مقدار آماره T یعنی ۹۶/۱<43/4 این ضریب معنی دار می باشد. تفسیر دیگر نتایج جدول نیز به همین منوال می باشد.
۴ – ۴ ) برآورد مدل و ارزشیابی برازندگی
یک مدل معادلات ساختاری ، در واقع یک ساختار علی مشخص شده بین مجموعه ای از سازه های مشاهده ناپذیر است که هر یک توسط مجموعه ای از نشانگرها (متغیرهای مشاهده شده) اندازه گیری می شود و می توان آن را از لحاظ برازش در یک جامعه بخصوص آزمود.
یک مدل کامل معادلات ساختاری شامل دو مولفه است:
الف) یک مدل ساختاری که ساختار علی مفروض بین متغیرهای مکنون ( سازه های نظری که به شکل مستقیم قابل مشاهده نیستند ) را مشخص می نماید.
ب) یک مدل اندازه گیری که روابط بین متغیر های اندازه گیری شده یا نشانگرها (متغیرهایی که به شکل مستقیم قابل مشاهده هستند) و متغیرهای مکنون را که برای آنها برآورد تقریبی به کار می رود، تعریف می کند (هومن،۳۴،۱۳۸۴) .
ابتدا داده های گروه نمونه به ماتریس همبستگی یا کوواریانس تبدیل می شود و بوسیله یک سری از معادلات رگرسیون توصیف می گردد، حال می توان مدل را به منظور بررسی برازش آن در جامعه ای که نمونه از آن بیرون آمده است ،تحلیل کرد. این تحلیل، برآوردهایی از پارامتر آن مدل ( ضرایب مسیر و جمله های خطا ) و چندین اندازه برای برازندگی آن را با داده های نمونه به دست می دهد. وقتی که یک مدل دقیقا مشخص شد و برآورد و آزمون آن امکان پذیر گردید، در این صورت برای ارزشیابی برازندگی های آن شاخص های متعددی وجود دارد که مهمترین آنها در زیر شرح داده می شود:
الف ) ریشه ی میانگین توان دوم خطای تقریب[۴۸] ((RMSEA:
این شاخص بر اساس پارامتر غیر مرکزی  می باشد و کمتر تحت تأثیر حجم نمونه قرار دارد. RMSEA قادر است متوسط عدم برازش را برای هر درجه آزادی بسنجد.
مقدار آن در این تحقیق برابر است با:
Root Mean Square Error of Approximation (RMSEA) =0.01
چون RMSEA=0.01 <0.1، بنابراین داد ه های این تحقیق برای این مدل برازش مناسبی دارند.
ب) شاخص نیکویی برازش (GFI) و شاخص نیکویی برازش تعدیل یافته[۴۹] (AGFI):
این مقادیر تحت تأثیر حجم نمونه هستند و برای مدل هایی که به طور ضعیف معین شده اند، می توانند بزرگ باشند. مقادیر بیشتر از۹/۰ برای این دو شاخص، بیانگر برازش مناسب مدل روی داده هاست.
مقادیر بدست آمده برای این مدل برابر است با
Goodness of Fit Index (GFI) = 0.94
Adjusted Goodness of Fit Index (AGFI) = 0.99
هر دو آیتم بدست آمده نشان می دهند که داده های این تحقیق مدل را بطور مناسب برازش می کنند.
) مقدار اطلاع آکائیک[۵۰] (AIC):
برای اینکه برازش مدل پیشنهادی را بررسی کنیم، می توانیم از معیار مقایسه ای آکائیک استفاده کنیم. دراینصورت، اگر قدر مطلق تفاضل دو مقدار Model AIC و Saturated AIC کمتر یا مساوی ۱۰ باشد، نتیجه می گیریم که مدل روی داده ها برازش مناسبی دارد.
با توجه به خروجی های نر م افزار چنین داریم:
Model AIC = 3569.38
Saturated AIC = 1640.00
تفاضل این دو برابر است با ۳۸/۱۹۲۹=۱۶۴۰-۳۸/۳۵۶۹ و چون این مقدار از ۱۰ بیشتر است نتیجه می شود که داده های این تحقیق روی این مدل برازش مناسبی ندارد.
ه) ریشه میانگین توان دوم خطا[۵۱] (RMR) و ریشه میانگین توان دوم خطای استاندارد شده[۵۲] (SRMR)
که مقادیر کمتر از ۰۸/۰ برازش مدل خوب را می رساند.
مقادیر بدست آمده به کمک نرم افزار برای این تحقیق برابر است با
Root Mean Square Residual (RMR) = 0.01
Standardized RMR = 0.01
و ملاحظه می گردد که مقدار RMR و SRMR تناسب لازم را دارد .
و) شاخص برازش نرمال شده[۵۳] (NFI) ، شاخص برازش غیر نرمال شده[۵۴] (NNFI) و شاخص برازش مقایسه ای۳ (CFI) :
مقادیر بیشتر از ۹/۰ برای این شاخص ها، بیانگر برازش مدل مناسب است.
مقادیر بدست آمده برای این شاخصها برابر است با:
Normed Fit Index (NFI) = 0.83
Non-Normed Fit Index (NNFI) = 0.86

دانلود متن کامل این پایان نامه در سایت abisho.ir