: H1داده­ها از توزیع نرمال پیروی نمی‌کنند.
نتایج آزمون کولموگروف-اسمیرنوف برای متغیر صرفه جویی در زمان در جدول ۴-۱۱ نشان داده شده است.

جدول ۴-۱۱ نتایج آزمون K-S برای متغیر صرفه جویی در زمان
چون مقدار سطح معنی داری برای متغیر صرفه جویی در زمان بزرگ‌تر از ۰۵/۰ است پس فرض صفر یعنی نرمال بودن توزیع این متغیر تأیید می‌شود.
۴-۴-۸آزمون کولموگروف-اسمیرنوف برای بررسی نرمال بودن متغیر پذیرش بانکداری اینترنتی
فرض‌های صفر و یک را به صورت زیر در نظرمی‌گیریم.
: H0 داده ­ها از توزیع نرمال پیروی می‌کنند.
: H1داده­ها از توزیع نرمال پیروی نمی‌کنند.
نتایج آزمون کولموگروف-اسمیرنوف برای متغیر پذیرش بانکداری اینترنتی در جدول۴-۱۲نشان داده شده است.
جدول۴-۱۲ نتایج آزمون K-S برای متغیر پذیرش بانکداری اینترنتی
چون مقدار سطح معنی داری برای متغیر پذیرش بانکداری اینترنتی بزرگ‌تر از ۰۵/۰است پس فرض صفر یعنی نرمال بودن توزیع این متغیر تأیید می‌شود.
با توجه به این که آزمون K-S نشان داد که توزیع مربوط به تمامی متغیرها نرمال است، می‌توان از آزمون‌های پارامتری جهت آزمون فرضیات تحقیق استفاده کرد.
۴-۵تحلیل داده‌ها
فرایند تجزیه و تحلیل ساختارهای کوواریانس (مدل سازی معادلات ساختاری) شامل یک سری گام‌هاست و می‌توان این گام‌ها را در نمودار ۴-۱ خلاصه کرد. در ادامه برخی از مهم‌ترین این مراحل تشریح می‌گردد.
نمودار ۴-۱.گام های اساسی تحلیل
۴-۵-۱ بیان مدل^[۱۹۷]
این مرحله در واقع همان بیان رسمی مدل است و این مرحله یکی از مهم‌ترین مراحل موجود در مدل سازی معادلات ساختاری است. در واقع هیچ گونه تحلیلی صورت نمی‌گیرد، مگر این که اول محقق مدل خود را که درباره روابط میان متغیرهاست را بیان و مشخص کند. این مرحله شامل فرمول بندی (تنظیم) یک عبارت درباره یک مجموعه از پارامترهاست. این پارامترها در زمینه مدل سازی معادلات ساختاری، ماهیت روابط میان متغیرها را نشان می‌دهد. در مدل سازی معادلات ساختاری، اندازه و علامت این پارامترها تعیین می‌شود.
۴-۵-۲تخمین مدل^[۱۹۸]
پس از بیان مدل مرحله بعد بدست آوردن تخمین پارامترهای آزاد از روی مجموعه ­ای از داده ­های مشاهده شده است. روش‌های تکراری^[۱۹۹] از قبیل بیشینه درست نمایی^[۲۰۰] یا حداقل مجذورات تعمیم یافته^[۲۰۱] جهت تخمین مدل مورد استفاده قرار می‌گیرد. روش کار در این رویه­های تخمین به این صورت است که در هر تکرار، یک ماتریس کوواریانس ضمنی^[۲۰۲] ساخته می‌شود و با ماتریس کوواریانس داده‌های مشاهده شده مقایسه می‌شود. مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده^[۲۰۳] می‌شود و این تکرارها تا جایی ادامه خواهد یافت که این ماتریس باقیمانده مینیمم شود. محاسبات یا برآورد پارامترها حداکثر با ۲۵۰ تکرار امکان پذیر می‌باشد. در صورتی که تعداد تکرارها از ۲۵۰ تا بیشتر شود محاسبات مربوط به برآورد پارامتر متوقف می‌شود. متغیرهای تحقیق به دو دسته‌ی پنهان و آشکار تبدیل می‌شوند.
متغیرهای آشکار یا مشاهده شده به گونه ­ای مستقیم به وسیله پژوهشگر اندازه گیری می‌شود، در حالی که متغیرهای پنهان یا مشاهده نشده به گونه ­ای مستقیم اندازه گیری نمی‌شوند، بلکه بر اساس روابط یا همبستگی‌های بین متغیرهای اندازه گیری ‌شده استنباط می‌شوند. متغیرهای پنهان به دو دسته‌ی برون ­زا و درون زا تقسیم‌ می‌شوند. متغیرهای پنهان بیانگر یک سری 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 درونزا^[۲۰۴] یا جریان گیرنده^[۲۰۵] و متغیرهای برون‌زا^[۲۰۶] یا جریان دهنده^[۲۰۷] تقسیم می‌شوند. هر متغیر در سیستم مدل معادلات ساختاری می‌تواند هم به عنوان یک متغیر درونزا و هم یک متغیر برونزا در نظر گرفته شود. متغیر درونزا 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 تحقیق متغیرهای استفاده آسان، هزینه استفاده از اینترنت، تبلیغات، امنیت اطلاعات خصوصی، وجود زیرساختهای مناسب، آگاهی از بانکداری اینترنتی و صرفه جویی در زمان متغیرهای برونزا هستند، و متغیر پذیرش بانکداری اینترنتی متغیر درون زا می باشد.
۴-۵-۳ساخت ماتریس کوواریانس
اساس تحلیل فرضیات تحقیق، بر مبنای ماتریس کوواریانس بین متغیرهای پنهان و آشکار است. جدول ۴-۱۳ معرف ماتریس کوواریانس (همبستگی) میان متغیرهای پنهان است
یک نوع از روابط متغیرهای پنهان در مدل معادلات ساختاری بر مبنای همبستگی ( هم‌خوانی)^[۲۰۸] می‌باشد. همبستگی رابطه­ای است میان دو متغیر در یک مدل اما غیر جهت­دار^[۲۰۹] و ماهیت این نوع رابطه به وسیله تحلیل همبستگی^[۲۱۰] مورد ارزیابی قرار می‌گیرد..
به منظور محاسبه روایی همگرا، فورنل و لارکر^[۲۱۱] استفاده از معیار AVE^[212] را پیشنهاد داده‌اند که یکی از ستون‌های این جدول این شاخص(AVE) را نشان می‌دهد. در AVEحداقل برابر با ۵/۰، شاخص‌ها روایی همگرای مناسبی دارند، لذا روایی همگرا برای تمامی متغیرها تأیید می‌شود. درواقع این شاخص بررسی می‌کند که یک متغیر پنهان تا چه حد قادر است واریانس شاخص‌های (متغیرهای آشکار) خود را به طور متوسط توضیح دهد. این ضریب برای تمامی متغیرهای تحقیق در جدول زیر خلاصه شده است.
جدول ۴-۱۳ میانگین واریانس استخراج شده (AVE) و ماتریس همبستگی بین متغیرهای پنهان
نمودار های ۴-۲ و ۴-۳مدل‌های تحقیق را در حالت تخمین و معنی­داری بارهای عاملی و ضرایب مسیر نشان می‌دهد. با توجه به این مدل‌ها می‌توان بارهای عاملی و ضرایب مسیر را برآورد و سپس آزمون کرد. ضرایب موجود در این نمودارها به دو دسته تقسیم می‌شوند. دسته‌ی اول روابط بین متغیرهای پنهان (بیضی) و متغیرهای آشکار (مستطیل) می‌باشند، که این معادلات را اصطلاحاً بارهای عاملی گویند. و دسته‌ی دوم روابط بین متغیرهای پنهان و پنهان هستند که تحت عنوان معادلات ساختاری نام برده می‌شوند و برای آزمون فرضیات استفاده می‌شوند. تمامی ضرایب با بهره گرفتن از آماره t آزمون می‌گردند. با توجه به بارهای عاملی می‌توان گفت سهم کدام متغیر در اندازه گیری سازه مربوطه بیشتر است و سهم کدام متغیر کمتر. به بیان دیگر شاخصی که بارعاملی بزرگ‌تری داشته باشد، سهم بیشتری در اندازه گیری سازه(متغیر پنهان) مربوطه دارد و شاخصی که بار عاملی کمتری داشته باشد، سهم کمتری دارد.
نمودار۴-۲ مدل تحقیق در حالت تخمین ضرایب مسیر
نمودار۴-۳ مدل تحقیق در حالت معناداری ضرایب (t-value)
۴-۵-۴ ارزیابی تناسب مدل^[۲۱۳]
وقتی گفته می‌شود مدل با یک سری داده ­های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده ­های مشاهده شده هم ارز (معادل) باشد؛ یعنی ماتریس باقیمانده و عوامل آن نزدیک صفر باشند. البته این تناسب به روش تخمین، مدل، ویژگی‌های داده ­های مشاهده شده و … بستگی دارد. مهم‌ترین شاخص «تناسب مدل»^[۲۱۴] آزمون مجذور کای است. البته استفاده از این آزمون متضمن یک سری مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، یک سری «شاخص‌های ثانویه»^[۲۱۵] به وجود آمد. تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص‌های تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است و هرچه ارزش آن کوچک‌تر باشد، نشان می‌دهد که مدل تناسب بهتری دارد. اما در مقابل شاخص‌های تناسب ثانوی ^[۲۱۶]GFI، ^[۲۱۷]NFI و ^[۲۱۸]AGFI شاخص‌های تناسب مدل هستند، در این شاخص‌ها هرچه ارزش آن‌ها بیشتر باشد، مدل تناسب بهتری دارد. در ادامه به صورت مختصر برخی از شاخص‌های تناسب مدل شرح داده می‌شود: