هم خطی بودن چند گانه میان ماده های پرسش نامه اثرات مطلوبی در برازش مدل ساختاری ایجاد می کند. هم خطی بودن ماده ها (همبستگی زیاد میان ماده ها)، مستقل بودن نمره های خطا (باقیمانده) را در مدل نفی می کند. به بیان دیگر، یکی از مفروضه های اساسی مدل های ساختاری ناهمبسته بودن واریانس خطای ماده ها است. اگر همبستگی میان دو یا چند ماده خیلی زیاد باشد، ارتباط میان باقیمانده های آن ها معنی دار می شود.
بررسی شاخص های اصلاح مدل
بروز معنی داری میان باقیمانده های ماده ها، نشان دهنده ی آن است که این ماده ها چیز گوناگونی نسبت به یکدیگر نمی سنجند.
بنابراین، کنترل رابطه ی میان باقیمانده ها (متصل کردن باقیمانده ها با یکدیگر به وسیله ی پیکان دو جهته) و یا حذف برخی از ماده ها، به بهبود در برازندگی مدل منتهی می شود.
اگر به شکل 7 مراجعه کنید، می بینید که در جعبه ی کنار Threshold For Modification Indicates عدد 4 قید شده است.
این عدد حداقل تغییر معنی دار در شاخص های مدل را بر حسب آزمون مجذور کای محاسبه و نمایش می دهد.
اگر شاخص های اصلاحی زیادی توسط نرم افزارAMOS برای برازنده تر کردن مدل ارائه شود، توصیه می شود تا در جعبه ی آستانه ی شاخص های اصلاح، به جای عدد 4 از یک عدد بزرگتر استفاده شود تا شاخص های اصلاحی مهم تری برای ایجاد برازندگی توسط نرم افزار AMOS ارائه گردد.
انجام اصلاحات گوناگون و بی رویه در مدل علاوه بر محدودکردن مدل ، تفسیر عامل های آن را نیز دشوار تر میکند.
بنابر این ، هرگونه تغییر اصلاحی در مدل باید در یک گزارش علمی قید شود.
برای مشاهده ی شاخص های اصلاحی پیشنهادی AMOS ، از سربرگ View گزینه ی Text out put را انتخاب کنید و سپس بر روی گزینه ی Modification Indices کلیک کنید.
در مثال حاضر، حدود 42 شاخص اصلاحی پیشنهاد شده است که این تعداد بسیار زیاد و غیر قابل کاربرد هستند.
بنابر این، سطح آستانه ی اصلاح از 4 به 12 تغییر داده می شود تا مهم ترین پیشنهاد اصلاحی ارائه شود.
در خروجی 14 شاخص های اصلاحی برای بهبود مدل ارائه شده است.
همان گونه که در خروجی 14 ملاحظه می شود، میان (Err12, Err10) و (Err15, Err7) رابطه وجود دارد.
اگر این رابطه با متصل کردن این ماده ها به یکدیگر کنترل می شود، برازندگی مدل بهبود می باید.
شاخص های برازندگی مدل پس از اعمال اصلاحات مورد نظر و تکرار تحلیل به شرح زیر هستند: (041/0=RMSEA ، 93/1 =X^2 ، 927/0= GFI، 948/0= CFI ،947/0 = IFI ، 940/0= TLI ) همان گونه که ملاحظه می شود، اعمال دو اصلاح مذکور تغییرات اساسی در برازندگی مدل ایجاد نمود.
اینک میتوان نسبت به حذف یک یا دو ماده از این مقیاس تصمیم گرفت.
از آن جا که err10 و err1 مربوط به ماده های یک عامل هستند ، حذف یکی از ماده های مرتبط با این خطاها معقول به نظر می رسد.
اما اگر باقیمانده های ماده ها در عامل های گوناگون به یکدیگر مرتبط بودند، امکان حذف ماده ها به سهولت امکان پذیر نیست.
دو ماده ای که باقیمانده های آن ها با یکدیگر مرتبط هستند، بدین قرارند. ماده ی 7، «آیا هنگامی که با دیگران ملاقات می کنید در شنیدن و حفظ نام آنها دچار مشکل می شوید؟ » و ماده ی 19 ، « آیا اسامی را فراموش می کنید؟ » به وضوح ماهیت این دو ماده یکی هستند بنابر این، می توان یکی از آن ها را حذف کرد و مجدداَ برازندگی مدل را آزمود.
اگر بپذیریم که درک مفهومی ماده ی 19 ( آیا اسامی افراد را فراموش می کنید؟) ساده تر از ماده 7 است، بنابر این ماده ی 7 را از مدل حذف و تحلیل را مجدداَ تکرار می کنیم.
البته، جهت یک ماده میتوان از معیار بار عاملی آن ماده با متغییر مکنون نیز استفاده کرد.
یعنی آن ماده که دارای بار عاملی آن ماده با متغییر مکنون نیز استفاده کرد.
یعنی آن ماده که دارای بار عاملی ضعیف تری است، کاندید مناسبی برای حذف است.
شاخص های برازندگی مدل پس از حذف ماده ی 7 بدین گونه ارائه می شوند. (04/0=RMSEA ، 59/0=X^2 ، 93/0= GFI، 95/0= CFI ،95/0 = IFI ، 941/0= TLI )