جدول ۲-۴ ضریب آلفا

Reliability Statistics

Cronbach’s Alpha

N of Items

.۹۵۶

۳۴

جدول ۳-۴ ضریب دو نیمه گاتمن

Reliability Statistics

Cronbach’s Alpha

Part 1

Value

.۹۱۵

N of Items

۱۷^a

Part 2

Value

.۹۲۱

N of Items

۱۷^b

Total N of Items

۳۴

Correlation Between Forms

.۸۹۶

Spearman-Brown Coefficient

Equal Length

.۹۴۵

Unequal Length

.۹۴۵

Guttman Split-Half Coefficient
.۹۴۱

a. The items are: x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, x12, x13, x14, x15, x16, x17.

b. The items are: x18, x19, x20, x21, x22, x23, x24, x25, x26, x27, x28, x29, x30, x31, x32, x33, x34.

۲-۴-۴ کفایت نمونه گیری

همان طور که قبلاً اشاره شد، قبل از انجام تحلیل عاملی ابتدا از کفایت نمونه گیری اطمینان پیدا می­کنیم و می بینیم که آیا می توان داده های موجود را برای تحلیل مورد استفاده قرار داد یا خیر. برای این منظور از شاخص KMO^[47] و آزمون بارتلت^[۴۸] استفاده می‌کنیم.

در جدول(۴-۴) نتیجه آزمون بارتلت که تقریبی از آماره کای دو است، نشان داده شده است. مقدار Sig=0.000 این آزمون کوچکتر از ۰۵/۰ است که نشان می‌دهد تحلیل عاملی برای شناسایی ساختار، مدل عاملی، مناسب است و فرض شناخته شده بودن ماتریس همبستگی رد می شود. همچنین شاخص KMO با مقدار ۷۱۸/۰ در ابتدای این جدول آمده است و چون مقدار آن نزدیک به یک است، تعداد نمونه- یعنی تعداد پاسخ دهندگان- برای تحلیل عاملی کافی می‌باشد.

جدول ۴-۴ شاخص KMO و آزمون بارتلت

KMO and Bartlett’s Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy(KMO).

.۷۱۸

Bartlett’s Test of Sphericity

Approx. Chi-Square

۱٫۹۴۶E3

Df

۵۶۱

Sig.

.۰۰۰

۳-۴-۴ تحلیل عاملی

جدول خروجی اول ماتریس همبستگی بین متغیرها را نشان می‌دهد که همبستگی هر متغیر با خودش یک می‌باشد. (نمایش این جدول را ضروری ندیدیم)

جدول۵-۴ اشتراک ها

Communalities

Initial

Extraction

x1

۱٫۰۰۰

.۸۹۵

x2

۱٫۰۰۰

.۷۵۲

x3

۱٫۰۰۰

.۹۰۴

x4

۱٫۰۰۰

.۸۷۲

x5

۱٫۰۰۰

.۸۲۰

x6

۱٫۰۰۰

.۷۵۳

x7

۱٫۰۰۰

.۷۰۱

x8

۱٫۰۰۰

.۷۵۷

x9

۱٫۰۰۰

.۷۷۷

x10

۱٫۰۰۰

.۹۴۳

x11

۱٫۰۰۰

.۸۷۵

x12

۱٫۰۰۰

.۸۳۹

x13

۱٫۰۰۰

.۹۳۰

x14

۱٫۰۰۰

.۵۹۸

x15

۱٫۰۰۰

.۷۸۰

x16

۱٫۰۰۰

.۶۸۳

x17

۱٫۰۰۰

.۷۴۰

x18

۱٫۰۰۰

.۸۲۷

x19

۱٫۰۰۰

.۹۲۱

x20

۱٫۰۰۰

.۶۳۵

x21

۱٫۰۰۰

.۶۸۴

x22

۱٫۰۰۰

.۷۱۸

x23

۱٫۰۰۰

.۵۵۲

x24

۱٫۰۰۰

.۹۴۷

x25

۱٫۰۰۰

.۸۸۱

x26

۱٫۰۰۰

.۷۱۷

x27

۱٫۰۰۰

.۸۳۱

x28

۱٫۰۰۰

.۷۰۰

x29

۱٫۰۰۰

.۸۴۵

x30

۱٫۰۰۰

.۷۱۴

x31

۱٫۰۰۰

.۸۹۵

x32

۱٫۰۰۰

.۸۸۷

x33

۱٫۰۰۰

.۸۳۸

x34

۱٫۰۰۰

.۹۳۰

Extraction Method: Principal Component Analysis.

خروجی دوم- یعنی جدول(۵-۴)- به ترتیب اشتراک اولیه و اشتراک استخراجی می‌باشد. اشتراک یک متغیر برابر توان دوم همبستگی چندگانه برای متغیرهای مربوطه با بهره گرفتن از عامل ها به عنوان پیش‌بینی کننده است. ستون اول اشتراک ها را قبل از استخراج عامل بیان می‌کند به همین دلیل همه ی اشتراک ها یک هستند . در ستون دوم هر چه مقادیر اشتراک استخراجی بزرگ تر باشد(بیشتر از ۵/۰)، عامل های استخراج شده متغیرها را بهتر نمایش می‌دهند( کمتر از ۵/۰ حذف می‌شوند). در این مثال همه متغیرها مقادیرشان از ۵/۰ بزرگ تر می‌باشد .

جدول۶-۴ واریانس کل

Total Variance Explained

Component

Initial Eigenvalues

Extraction Sums of Squared Loadings

Rotation Sums of Squared Loadings

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

۱

۱۴٫۲۳۷

۴۱٫۸۷۲

۴۱٫۸۷۲

۱۴٫۲۳۷

۴۱٫۸۷۲

۴۱٫۸۷۲

۴٫۸۶۴

۱۴٫۳۰۴

۱۴٫۳۰۴

۲

۲٫۷۵۰

۸٫۰۸۷

۴۹٫۹۶۰

۲٫۷۵۰

۸٫۰۸۷

۴۹٫۹۶۰

۴٫۷۷۱

۱۴٫۰۳۱

۲۸٫۳۳۶

۳

۲٫۴۱۹

۷٫۱۱۵

۵۷٫۰۷۴

۲٫۴۱۹

۷٫۱۱۵

۵۷٫۰۷۴

۴٫۰۸۵

۱۲٫۰۱۴

۴۰٫۳۵۰

۴

۲٫۱۲۲

۶٫۲۴۱

۶۳٫۳۱۶

۲٫۱۲۲

۶٫۲۴۱

۶۳٫۳۱۶

۳٫۹۴۶

۱۱٫۶۰۷

۵۱٫۹۵۷

۵

۱٫۹۱۱

۵٫۶۲۰

۶۸٫۹۳۵

۱٫۹۱۱

۵٫۶۲۰

۶۸٫۹۳۵

۳٫۲۳۰

۹٫۵۰۱

۶۱٫۴۵۷

۶

۱٫۴۰۶

۴٫۱۳۶

۷۳٫۰۷۱

۱٫۴۰۶

۴٫۱۳۶

۷۳٫۰۷۱

۲٫۵۰۰

۷٫۳۵۳

۶۸٫۸۱۰

۷

۱٫۱۷۹

۳٫۴۶۸

۷۶٫۵۳۹

۱٫۱۷۹

۳٫۴۶۸

۷۶٫۵۳۹

۲٫۴۵۰

۷٫۲۰۶

۷۶٫۰۱۶

۸

۱٫۱۱۷

۳٫۲۸۶

۷۹٫۸۲۵

۱٫۱۱۷

۳٫۲۸۶

۷۹٫۸۲۵

۱٫۲۹۵

۳٫۸۰۹

۷۹٫۸۲۵

در خروجی سوم – یعنی جدول(۶-۴) – قسمت اول با برچسب” Initial Eigenvalues” مربوط به مقادیر ویژه است که عامل ها با مقادیر ویژه بیشتر از یک در تحلیل باقی می مانند و عامل ها با مقادیر ویژه کمتر از یک از تحلیل خارج می‌شوند. این عوامل، عواملی هستند که حضور آن ها باعث تبیین بیشتر واریانس نخواهد شد.