اندوه ناشی از جدایی از برند

۰٫۸۵۴

۰٫۹۲۱

۰٫۸۳۰

نگرش کلی

۰٫۷۸۰

۰٫۹۱۴

۰٫۸۶۰

اعتماد/اطمینان به برند

۰٫۶۳۴

۰٫۷۷۶

۰٫۷۱۶

حس تعلق به جامعه برند

۰٫۵۹۷

۰٫۷۹۴

۰٫۷۱۸

شیفتگی به برند

۰٫۵۹۷

۰٫۷۳۹

۰٫۷۲۲

۸-۴- تفسیر و تعبیر مدل
به طور کلی در کار با برنامه لیزرل، هر یک از شاخص‌های به دست آمده برای مدل به تنهایی دلیل برازندگی مدل یا عدم برازندگی آن نیستند، 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(  )، میانگین مجذورات باقیمانده(RMR)، شاخص برازندگی (GFI)، شاخص تعدیل برازندگی(AGFI)، شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI)، شاخص برازندگی تطبیقی (CFI) و شاخص بسیار مهم ریشه دوم برآورد واریانس خطای تقریبRMSEA استفاده شده است. از آزمون  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  کوچک‌تر باشد بهتر است. این شاخص معمولاً تحت شرایط نرمال بودن چند متغیره 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 مجذور کای‌دو به عنوان شاخص جایگزینی استفاده می‌کنند، اما این شاخص نیز محدودیت‌هایی مشابه  دارد. در مورد نسبت مجذور کای دو به درجه آزادی قطعیت وجود ندارد و در منابع مقدار زیر ۳ قابل قبول است که در مدل حاضر این مقدار ۶۸۴/۲ 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. مقدار GFI گزارش‌شده برای این مدل برابر با مقدار ۹۲/۰است. برای بررسی اینکه مدل مورد نظر چگونه برازندگی و صرفه‌‌جویی را با هم ترکیب می‌کند از شاخص بسیار توانمند ریشه دوم برآورد واریانس خطای تقریب RMSEA استفاده شده است. شاخص RMSEA، ریشه میانگین مجذورات تقریب می‌باشد. این شاخص برای مدل‌های خوب ۰۵/۰ و کمتر است. هرچه RMSEA برای مدل مورد آزمون نزدیک‌تر به صفر باشد، مدل مذکور برازش بهتری دارد، مقدار ناچیزRMSEA در این مدل (۰۸۹/۰)، نشان از تبیین مناسب کوواریانس‌ها دارد. هنگامی که میانگین ماتریس واریانس- کوواریانس داده‌ها شناخته شده باشد،این شاخص یک شاخص با ارزشی است. ارزیابی آن هنگامی که ماتریس واریانس- کوواریانس غیراستاندارد مورد استفاده قرار گیرد سخت و مشکل است. 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. همان‌طور که مشخصه‌ های برازندگی نوشته شده در پایین مدل‌ها و جدول زیر نشان می‌دهد،داده‌های این پژوهش با ساختار عاملی و زیربنای نظری تحقیق برازش مناسبی دارد و این بیانگر همسو بودن سؤالات با سازه‌های نظری است.

جدول۶-۴- شاخص‌های برازش مدل

نام شاخص

برآوردهای مدل

حد مجاز

(کای دو بر درجه‌ی آزادی)

۶۸۴/۲

کمتر از ۳

GFI(نیکویی برازش)

۹۲/۰