۱۱۷/۰

نرمال است

ارزش ادراک شده

۱۰۴/۰

نرمال است

رضایت گردشگران

۰۶۲/۰

نرمال است

تمایلات رفتاری

۰۹۱/۰

نرمال است

ریسک ادراک شده

۰۸۷/۰

نرمال است

همانطور که در جدول شماره ۴-۳ مشاهده می‌شود چون مقدار سطح معنی داری در تمامی مولفه ها بالاتر از مقدار خطای ۰۵/۰ می‌باشد پس فرض صفر را نتیجه می‌گیریم، یعنی مولفه های پژوهش همگی نرمال می‌باشند.
۴-۶- اعتبار سنجی مدل تحقیق با بهره گرفتن از تحلیل عاملی تاییدی و معادلات ساختاری
قبل از وارد شدن به مرحله آزمون فرضیات و مدل مفهومی تحقیق،‌ اطمینان یافتن از صحت مدل­های اندازه ­گیری متغیرهای برون­زا و درون­زا ضروری می­باشد. این کار از طریق تحلیل عاملی مرتبه اول و دوم صورت گرفته است. تحلیل عاملی تأییدی یکی از قدیمی­ترین روش­های آماری است که برای بررسی ارتباط بین متغیرهای مکنون(عامل­های بدست آمده) و متغیرهای مشاهده شده(سؤالات) به کار برده می­ شود و بیانگر مدل اندازه ­گیری است(برن،۱۹۹۴). این تکنیک که به برآورد پارامترها و آزمون فرضیه ­ها با توجه به تعداد عامل­های زیربنایی میان نشانگرها می ­پردازد، مبتنی بر یک شالوده تجربی و نظری قوی است و مشخص می­ کند که کدام متغیرها با کدام عامل و همچنین کدام عامل با کدامیک از عامل­ها همبسته است. بار عاملی محاسبه شده در این تکنیک مانند هرگونه همبستگی دیگری تفسیر می­ شود. بر این اساس هرچه بار یک شاخص در یک عامل بیشتر باشد، باید در هنگام تفسیر وزن بیشتری به آن شاخص داد.

نمودار ۴-۱۰: مدل تحقیق در حالت تخمین ضرایب استاندارد
نمودار ۴-۱۰ مدل تحقیق را در حالت تخمین ضرایب استاندارد نشان می‌دهد. کلیه متغیرهای این مدل به دو دسته‌ی پنهان و آشکار تبدیل می‌شوند . متغیرهای آشکار(مستطیل) یا مشاهده شده به گونه‌ای مستقیم به وسیله پژوهشگر اندازه گیری می‌شود، در حالی که متغیرهای پنهان(بیضی) یا مشاهده نشده به گونه‌ای مستقیم اندازه گیری نمی‌شوند، بلکه بر اساس روابط یا همبستگی‌های بین متغیرهای اندازه گیری شده استنباط می‌شوند. متغیرهای پنهان بیانگر یکسری سازه‌های تئوریکی هستند مانند مفاهیم انتزاعی که مستقیماً قابل مشاهده نیستند و از طریق سایر متغیرهای مشاهده شده ساخته و مشاهده می‌شوند. متغیرهای پنهان به نوبه خود به دو نوع متغیرهای درون زا^[۱۵۴] یا جریان گیرنده^[۱۵۵] و متغیرهای برونزا^[۱۵۶] یا جریان دهنده^[۱۵۷] تقسیم می‌شوند. هر متغیر در سیستم مدل معادلات ساختاری می‌تواند هم به عنوان یک متغیر درون زا و هم یک متغیر برونزا در نظر گرفته شود. متغیر درون زا متغیری است که از جانب سایر متغیرهای موجود در مدل تأثیر می‌پذیرد. در مقابل متغیر برونزا متغیری است که هیچ‌گونه تأثیری از سایر متغیرهای موجود در مدل دریافت نمی‌کند بلکه خود تأثیر می‌گذارد. در این مدل متغیر تبلیغات دهان به دهان(مستقل) و متغیرهای ارزش ادراک شده، رضایت گردشگران، تمایلات رفتاری و ریسک ادراک شده (وابسته) درونزا می‌باشند. در این نمودار اعداد و یا ضرایب به دو دسته تقسیم می‌شوند. دسته‌ی اول تحت عنوان معادلات اندازه گیری هستند که روابط بین متغیرهای پنهان (بیضی) و متغیرهای آشکار (مستطیل) می‌باشند. این معادلات را اصطلاحاً بارهای عاملی^[۱۵۸] گویند. دسته‌ی دوم معادلات ساختاری هستند که روابط بین متغیرهای پنهان و پنهان می‌باشند و برای آزمون فرضیات استفاده می‌شوند. به این ضرایب اصطلاحاً ضرایب مسیر^[۱۵۹] گفته می‌شود.

نمودار ۴-۱۱: مدل تحقیق در حالت معناداری(t-value)
نمودار ۴-۱۱ مدل تحقیق را در حالت معناداری ضرایب (t-value) نشان می‌دهد. این مدل در واقع تمامی معادلات اندازه گیری (بارهای عاملی) و معادلات ساختاری را با بهره گرفتن از آماره t، آزمون می‌کند. بر طبق این مدل، ضریب مسیر و بار عاملی در سطح اطمینان ۹۵% معنادار می‌باشد اگر مقدار آماره‌ی t خارج بازه ۹۶/۱- تا ۹۶/۱+ قرار گیرد. مقادیر محاسبه شده t برای هر یک از بار‌های عاملی هر نشانگر با سازه یا متغیر پنهان خود بالای ۹۶/۱ است. لذا می‌توان همسویی سوالات پرسشنامه برای اندازه گیری مفاهیم را در این مرحله معتبر نشان داد. در واقع نتایج جدول فوق نشان می‌دهد آنچه محقق توسط سوالات پرسشنامه قصد سنجش آنها را داشته است توسط این ابزار محقق شده است. لذا روابط بین سازه‌ها یا متغیر‌های پنهان قابل استناد است. برای آنکه نشان دهیم این مقادیر به دست آمده تا چه حد با واقعیت‌های موجود در مدل تطابق دارد باید شاخص‌های برازش مورد مطالعه قرار گیرد.
۴-۷-تفسیر و تعبیر مدل^[۱۶۰]
در کار با برنامه لیزرل، هر یک از شاخص‌های به­دست­آمده برای مدل به تنهایی دلیل برازندگی یا عدم برازندگی آن نیست، بلکه این شاخص‌ها را باید در کنار یکدیگر و با هم تفسیر کرد. برای ارزیابی مدل تحلیل عاملی تأییدی و مدل مسیر چندین مشخصه برازندگی وجود دارد. در این پژوهش برای ارزیابی مدل تحلیل عاملی تأییدی از شاخص‌های کای دو(χ ^۲)، ریشه میانگین مجذورات باقی مانده(RMR)، شاخص برازندگی (GFI)، شاخص تعدیل برازندگی(AGFI)، شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI)، شاخص برازندگی تطبیقی(مقایسه­ ای) (CFI) و شاخص بسیار مهم ریشه دوم برآورد واریانس خطای تقریب(RMSEA ) استفاده شده است.
از آزمون χ ^۲ اغلب به عنوان شاخص موفقیت نام برده می‌شود. این شاخص به سادگی نشان می‌دهد که آیا بیان مدل ساختار روابط میان متغیرهای مشاهده شده را توصیف می‌کند یا خیر. هر چقدر مقدار χ ^۲ کوچک‌تر باشد بهتر است. این شاخص معمولاً تحت شرایط نرمال بودن چند متغیره^[۱۶۱] صادق است و نسبت به اندازه نمونه حساس است، زیرا ممکن است یک مدل در اندازه نمونه کم تناسب داشته باشد، ولی در نمونه زیاد برازش نداشته باشد. برخی محققان از نسبت به عنوان شاخص جایگزینی استفاده می‌کنند، اما این شاخص نیز محدودیت‌هایی مشابه χ ^۲ دارد. در مورد نسبت مجذور کای­دو χ ^۲ به درجه آزادی قطعیت وجود ندارد و در منابع مقدار زیر ۳ قابل قبول است که در مدل حاضر این مقدار ۵۶۱/۱ محاسبه شده است. معیار GFI نشان­دهنده اندازه‌ای از مقدار نسبی واریانس‌ها و کوواریانس‌ها می‌باشد که توسط مدل تبیین می‌شود. این معیار بین صفر تا یک متغیر می‌باشد که هرچه به عدد یک نزدیک‌تر باشد، نیکویی برازش مدل با داده‌های مشاهده شده بیشتر است. به طور کلی در مدل معادلات ساختاری هر چه مقدارGFI بالاتر از ۸/۰ باشد مدل از لحاظ این شاخص در وضعیت خوبی قرار دارد(جارزکاگ و سوربوم،۱۹۸۸) مقدار GFI گزارش شده برابر با ۹۶/۰ است. برای بررسی این­که مدل مورد نظر چگونه برازندگی و صرفه‌­جویی را با هم ترکیب می‌کند از شاخص بسیار توانمند ریشه دوم برآورد واریانس خطای تقریبRMSEA استفاده شده است. شاخص RMSEA، ریشه میانگین مجذورات تقریب می‌باشد. این شاخص برای مدل‌های خوب ۰۵/۰ و کمتر است، مقدار ناچیز RMSEA در این مدل (۰۳۸/۰) محاسبه شده است و نشان از تبیین مناسب کوواریانس‌ها دارد. برای بررسی این­که یک مدل به خصوص در مقایسه با سایر مدل‌های ممکن، از لحاظ تبیین مجموعه‌ای از داده‌های مشاهده­شده تا چه حد خوب عمل می‌کند از مقادیر شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI) و شاخص برازندگی تطبیقی (CFI) استفاده شده است. مقادیر بالای ۹/۰ این شاخص‌ها حاکی از برازش بسیار مناسب مدل طراحی شده در مقایسه با سایر مدل‌های ممکنه است. در نهایت. مدلی که در آن این شاخص ۹/۰ یا بیشتر باشد برازش ضعیفی دارد. به طور کلی مقادیر قابل قبول شاخص‌های برازش برای این که مدل مورد نظر توسط آنها تأیید شود، در جدول زیر ارائه شده است:
جدول ۴-۴مقادیر قابل قبول شاخص‌های برازش

نام شاخص

حد مجاز

منبع

(کای دو بر درجه‌ی آزادی)

کمتر از ۳

کلانتری(۱۳۸۸)