شاخص وضعیت^[۱۱۵]

رهبری تحول آفرین

۰٫۹۹۰

۱٫۰۱۰

۰٫۰۴۲

۱۱٫۸۰۳

رهبری تبادلی

۰٫۸۰۶

۱٫۲۴۱

۰٫۰۲۹

۱۴٫۱۶۳

رهبری عدم مداخله گر

۰٫۸۶۹

۱٫۱۵۰

۰٫۰۱۲

۲۲٫۱۵۳

در جدول فوق ضریب تولرانس که بین (۰) تا (۱) نوسان دارد، نشان می‌دهد که متغیرهای مستقل تا چه اندازه رابطه خطی با همدیگر دارند. هرچه مقدار تولرانس نزدیک‌تر به عدد ۱ باشد میزان هم‌خطی کمتر است و برعکس، هرچه مقدار تولرانس به عدد صفر نزدیکتر باشد، نشان می‌دهد که میزان هم‌خطی بالاست.
شاخص دیگر، عامل تورم واریانس است که از تقسیم عدد (۱) بر مقدار تولرانس حاصل می‌شود. هرچه مقدار عامل تورم واریانس از عدد (۲) بزرگتر باشد، میزان هم خطی بیشتر است. نتایج شاخص عامل تورم واریانس نیز مؤید این نکته است که بین متغیرهای مستقل هم‌خطی پایینی وجود دارد. بنابراین بر اساس نتایج بدست آمده می‌توان گفت که میان متغیرهای مستقل هم‌خطی پایینی وجود دارد و این بدین معنی است که متغیرهای مستقل با یکدیگر همپوشانی ندارند.

۴-۴ مدل سازی معادلات ساختاری
در پژوهش حاضر با بکارگیری آزمون معادلات ساختاری، فرضسیات مبتنی بر تاثیر انواع سبک های رهبری بر رضایت شغلی و سپس تاثیر رضایت شغلی بر فراموشی سازمانی هدفمند مورد آزمون قرارگرفت. این کار علاوه بر اینکه قدم نهایی تحلیل عاملی تأییدی است، از طریق شاخص های برازش مدل، اعتبار مدل مفهومی پیشنهاد شده را نیز نشان می‌دهد.
۴-۴-۱ تحلیل عاملی
تحلیل عاملی^[۱۱۶] یک فن آماری است که در روانشناسی، علوم اجتماعی و مدیریت کاربرد فراوان دارد. در حقیقت استفاده از تحلیل عاملی در تعدادی از شاخه‌های علمی، به ویژه شاخه‌هایی که در آن‌ها از آزمون و پرسشنامه استفاده می‌شود لازم و ضروری است. تحلیل عاملی از تعدادی فنون آماری ترکیب شده و هدف آن آسان (ساده) کردن مجموعه‌های پیجیده داده‌ها است. در علوم اجتماعی و مدیریت از تحلیل عاملی معمولاً برای همبستگی بین متغیرها استفاده می‌شود که در این جا آن را توضیح می‌دهیم.
تعریف ضریب همبستگی: همبستگی اندازه (شاخص) عددی درجه توافق میان دو مجموعه نمره است این شاخص از ۱+ تا ۱- تغییر می‌کند. ۱+ بیانگر توافق کامل، صفر بیانگر عدم رابطه و ۱- بیانگر عدم توافق کامل است. یکی از ویژگی‌ها مهم همبستگی‌ها در علوم اجتماعی، قدرت پیش‌بینی یک مجموعه نمره با بهره گرفتن از مجموعه نمره دیگر است.
تعریف ماتریس همبستگی: ماتریس همبستگی، مجموعه‌ای از ضرایب همبستگی بین تعدادی از متغیرها است و دارای یکسری فرض‌هاست، که در ادامه تبیین می‌شود:
فرض بر این است که هر متغیر با خودش همبستگی کامل دارد.
زواید^[۱۱۷] زیادی در ماتریس وجود دارد، بدین معنا که هر درایه دوبار در ماتریس ظاهر می‌شود.
تحلیل عاملی برای ساده کردن چنین ماتریس‌هایی طراحی شده است. با پنج متغیر، ماتریسی با ۲۵ درایه شکل می‌گیرد که نگهداری آن در ذهن بسیار دشوار است. در تحقیقی وسیع با حدود ۱۰۰ متغیر، تعداد ۱۰۰۰۰ تا همبستگی خواهیم داشت که بدون استفاده از شیوه‌های ساده‌سازی این گونه ماتریس‌ها قابل فهم نخواهند بود.
در یک ماتریس بزرگ از همبستگی‌ها، منطقی است بپرسیم که چه چیزی ممکن است این همبستگی‌ها را تبیین کند منظور ما عامل‌ها هست. تحلیل عاملی با درآوردن یکسری عامل‌ها از درون ماتریس همبستگی، ماتریس‌های همبستگی را ساده می‌کنند.
تعریف عامل: اساساً عامل، بعد یا سازه‌ای^[۱۱۸] است که روابط (بین) میان مجموعه‌ای از متغیرها را به صورت خلاصه مطرح می‌کند. در تعریفی دیگر عامل، سازه‌ای است که عملاً از روی (یا به وسیله) بارهای عاملی^[۱۱۹]‌اش تعریف می‌شود.
تعریف بارهای عاملی: همبستگی یک متغیر با یک عامل را بار عاملی می‌گویند.
۴-۴-۱-۱ بار عاملی
قدرت رابطه بین عامل (متغیر پنهان) و متغیر قابل مشاهده بوسیله بار عاملی نشان داده می‌شود.
بار عاملی مقداری بین صفر و یک است. اگر بار عاملی کمتر از ۰٫۳ باشد رابطه ضعیف درنظر گرفته شده و از آن صرف‌نظر می‌شود. بارعاملی بین ۰٫۳ تا ۰٫۶ قابل قبول است و اگر بزرگتر از ۰٫۶ باشد خیلی مطلوب است.
بار عاملی در معادلات ساختاری با λ نشان داده شده می‌شود. در تحلیل عاملی متغیرهائی که یک متغیر پنهان (عامل) را می‌سنجند، باید با آن عامل، بار عاملی بالا و با سایر عامل‌ها، بار عاملی پائین داشته باشند. در نرم‌افزار لیزرل بار عاملی از طریق گزینه Standardized solution از لیست Stimates محاسبه می‌شود.
جهت بررسی معنادار بودن رابطه بین متغیرها از آماره آزمون t یا همان t-value استفاده می‌شود. چون معناداری در سطح خطای ۰٫۰۵ بررسی می‌شود. بنابراین اگر میزان بارهای عاملی مشاهده شده با آزمون t-value از ۱٫۹۶ کوچکتر محاسبه شود، رابطه معنادار نیست که در نرم افزار لیزرل با رنگ قرمز نمایش داده خواهد شد.
اگر هم آزمون کای مربع یا  و هم آزمون‌های تناسب ثانوی نشان دادند که مدل به طور کافی متناسب است، به سمت مشخص کردن عوامل مدل تناسب شده حرکت کرده و بر روی این عوامل تمرکز می‌کنیم.
در این مرحله، تخمین‌های فردی پارامترهای آزاد براساس تفاوت‌ها آن‌ها از ارزش صفر (H₀ و سطح معناداری) مشخص شده برای آن‌ها، مورد ارزیابی قرار می‌گیرد. نسبت تخمین به خطای استاندارد در یک آماره‌ای بنام z یا t، توزیع می‌شود و می‌بایستی این نسبت در Z از ۹۶/۱ بیشتر باشد و در آزمون T باید  و یا  باشد تا این تخمین‌ها از لحاظ آماری معنادار شوند.
آزمون‌ها و مقایسه تخمین پارامترها و همچنین نمایش آنها مستلزم تخمین‌های استاندارد شده‌^[۱۲۰] است. به همین علت در این مرحله، تخمین‌های غیراستاندارد که عمدتاً به مقیاس^[۱۲۱] خود وابسته هستند را به تخمین‌های استاندارد شده‌ای که وابسته به مقیاس خود نیستند تبدیل می‌کنیم. این کار تا حدودی برازش و پارامترهای مدل را تحت تأثیر قرار می‌دهد.
این مرحله (SEM)، دقیقاً شبیه استاندارد کردن ضرایب رگرسیون در SPSS است.
۴-۴-۱-۲ تفسیر و معنای عامل‌ها
تفسیر و معنای عامل‌ها به شرح ذیل است: