結構方程模型估計案例

1、第一節(jié)模型設定結構方程模型分析過程可以分為模型構建、模型運算、模型修正以及模型解釋四個步驟。下面以一個2研究實例作為說明，使用 Amos7軟件進行計算，闡述在實際應用中結構方程模型的構建、運算、修正與模 型解釋過程。一、模型構建的思路本案例在著名的美國顧客滿意度指數(shù)模型 （ASCI）的基礎上，提岀了一個新的模型，并以此構建潛變量 并建立模型結構。根據(jù)構建的理論模型，通過設計問卷對某超市顧客購物服務滿意度調(diào)查得到實際數(shù)據(jù)， 然后利用對缺失值進行處理后的數(shù)據(jù) 1 2 3進行分析，并對文中提岀的模型進行擬合、修正和解釋。二、潛變量和可測變量的設定本文在繼承 ASCI模型核心概念的基礎上，對模型作了一

2、些改進，在模型中增加超市形象。它包括顧 客對超市總體形象及與其他超市相比的知名度。它與顧客期望，感知價格和顧客滿意有關，設計的模型見 表 7-1。模型中共包含七個因素（潛變量）：超市形象、質量期望、質量感知、感知價值、顧客滿意、顧客抱怨、 顧客忠誠，其中前四個要素是前提變量，后三個因素是結果變量，前提變量綜合決定并影響著結果變量 （Eugene W. Anderson & Claes Fornel，2000殷榮伍，2000）。表7-1設計的結構路徑圖和基本路徑假設設計的結構路徑圖基本路徑假設超市形象顧客忠誠2.1、顧客滿意模型中各因素的具體范疇參考前面模型的總體構建情況、國外研究理論和其他行業(yè)

3、實證結論，以及小范圍甄別調(diào)查的結果，模1關于該案例的操作也可結合書上第七章的相關內(nèi)容來看。2本案例是在Amos7中完成的。3見spss數(shù)據(jù)文件“處理后的數(shù)據(jù).sav”質量期望顧客抱怨感知價值”顧客滿意質量感知?超市形象對質量期望有路徑影響?質量期望對質量感知有路徑影響?質量感知對感知價格有路徑影響?質量期望對感知價格有路徑影響?感知價格對顧客滿意有路徑影響?顧客滿意對顧客忠誠有路徑影響?超市形象對顧客滿意有路徑影響?超市形象對顧客忠誠有路徑影響型中各要素需要觀測的具體范疇，見表7-2。表7-2模型變量對應表潛變量內(nèi)涵可測變量(一)超市 形象根據(jù)MARTENSEN在固定電話、移動電話、超市等行業(yè)

4、中的調(diào)查研究， 企業(yè)形象是影響總體滿意水平的第 一要素，這里將超市形象要素列為影 響因素，可以從以下幾個方面進行觀 測。?某超市總體形象的評價(a1)?與其它超市相比的形象(a2)?與其它超市相比的品牌知名度(a3)(二)質量 期望質量期望是指顧客在使用某超市產(chǎn) 品前對其的期望水平。顧客的質量期 望會影響顧客價值，而且質量期望還 會顧客感知造成影響.還有學者指岀，對于顧客期望要素，至少可以從 整體感覺、個性化服務、可靠性三個 方面來觀測。結合上述因素，可以從 幾個方面衡量對某超市的質量期望。?購物前，對某超市整體服務的期望(a4)?購物前，期望某超市商品的新鮮程度達到的水平(a5)?購物前，期

5、望某超市營業(yè)時間安排合理程度(a6)?購物前，期望某超市員工服務態(tài)度達到的水平(a7)?購物前，期望某超市結賬速度達到的水平(a8)(三)質量 感知質量感知和質量期望相對應，質量期 望考慮的是在購買商品前的期望，質 量感知是在購買商品后的實際感受?？梢詮膸讉€方面衡量。?購物后，對某超市整體服務的滿意程度(a9)?購物后，認為某超市商品的新鮮程度達到的水平(a10?購物后，認為超市營業(yè)時間安排合理程度(a11)?購物后，認為某超市員工服務態(tài)度達到的水平(a12)?購物后，認為某超市結賬速度達到的水平(a13(四)感知 價值根據(jù)ANDERSON和FOMELL(EUGENEW.ANDERSON &C

6、LAESFOMELL ，2000)對美國顧 客滿意指數(shù)模型的進一步研究，認為 對于顧客價值部分可以從性價比來 衡量。?您認為某超市商品的價格如何(a14?與其他超市相比，您認為某超市商品的價格如何(a15)(五)顧客 滿意顧客滿意一般可以從三個方面衡量， 一是可以從整體上來感覺； 二是可以 與消費前的期望進行比較，尋找兩者 的差距；三是可以與理想狀態(tài)下的感 覺比較，尋找兩者的差距。因此，可 以通過以下幾個指標衡量。?對某超市的總體滿意程度(a16?和您消費前的期望比，您對某超市的滿意程度(a17)?和您心目中的超市比，您對某超市的滿意程度(a18)型中各要素需要觀測的具體范疇，見表7-2。(六

7、)顧客 抱怨FORNE 和 WERNERFELT (1988 )的研究成果，認為顧客滿意的增加會 減少顧客的抱怨，同時會增加顧客的 忠誠，當顧客不滿意時， 他們往往會?您對某超市投訴的頻率(包括給超市寫投訴信和 直接向超市人員反映)(a19?您對某超市抱怨的頻率(私下抱怨并未告知超選擇抱怨。對于抱怨的觀測，一般有 兩種方式，一種是比較正式的形式， 向超市提出正式抱怨， 有換貨，退貨 等行為；另一種是非正式的形式，顧 客會宣傳，形成群眾對于該超市的口 碑。市）（a2g?您認為某超市對顧客投訴的處理效率和效果4（a21）（七）顧客 忠誠顧客忠誠主要可以從三個方面體現(xiàn)：顧客推薦意向、轉換產(chǎn)品的意向、

8、重 復購買的意向。同時還有學者指岀顧 客忠誠可以從顧客對漲價的容忍性、 重復購買性兩方面衡量。綜合上述因 素，擬從以下幾個方面衡量顧客忠 誠。?我會經(jīng)常去某超市（a22?我會推薦同學和朋友去某超市 （a23?如果發(fā)現(xiàn)某超市的產(chǎn)品或服務有問題后，能以諒解的心態(tài)主動向超市反饋，求得解決，并且以后還會來超市購物（a24三、關于顧客滿意調(diào)查數(shù)據(jù)的收集本次問卷調(diào)研的對象為居住在某大學校內(nèi)的各類學生（包括全日制本科生、全日制碩士和博士研究生），并且近一個月內(nèi)在校內(nèi)某超市有購物體驗的學生。調(diào)查采用隨機攔訪的方式，并且為避免樣本的同質性和重復填寫，按照性別和被訪者經(jīng)常光顧的超市進行控制。問卷內(nèi)容包括7個潛變量

9、因子，24項可測指標，7個人口變量，量表采用了 LikertIO級量度，如對超市形象的測量：、超市形象1代表“非常差勁” ，10代表“非常好”1您對某超市總體形象的評價123456789102您認為與其它校內(nèi)超市相比，某超市的形象如何123456789103您認為與其它校內(nèi)超市相比，某超市品牌知名度如何12345678910本次調(diào)查共發(fā)放問卷 500份，收回有效樣本436份四、缺失值的處理采用表列刪除法，即在一條記錄中，只要存在一項缺失，則刪除該記錄。最終得到401條數(shù)據(jù)，基于這部分數(shù)據(jù)做分析。五、數(shù)據(jù)的的信度和效度檢驗1 數(shù)據(jù)的信度檢驗信度（reliability）指測量結果（數(shù)據(jù)）一致性或

10、穩(wěn)定性的程度。一致性主要反映的是測驗內(nèi)部題目之 間的關系，考察測驗的各個題目是否測量了相同的內(nèi)容或特質。穩(wěn)定性是指用一種測量工具（譬如同一份 問卷）對同一群受試者進行不同時間上的重復測量結果間的可靠系數(shù)。如果問卷設計合理，重復測量的結 果間應該高度相關。由于本案例并沒有進行多次重復測量，所以主要采用反映內(nèi)部一致性的指標來測量數(shù) 據(jù)的信度。折半信度（split-half reliability）是將測量工具中的條目按奇偶數(shù)或前后分成兩半，采用Spearman-brown公式估計相關系數(shù)，相關系數(shù)高提示內(nèi)部一致性好。然而，折半信度系數(shù)是建立在兩半問題條目分數(shù)的方 差相等這一假設基礎上的，但實際數(shù)據(jù)

11、并不一定滿足這一假定，因此信度往往被低估。Cronbach在1951年提出了一種新的方法（Cronbachs Alpha系數(shù)），這種方法將測量工具中任一條目結果同其他所有條目作4正向的，采用Likert10級量度從“非常低”到“非常高”比較，對量表內(nèi)部一致性估計更為慎重，因此克服了折半信度的缺點。本章采用SPSS16.C研究數(shù)據(jù)的內(nèi)部一致性。在 Analyze菜單中選擇 Scale下的Reliability Analysis （如圖7-1），將數(shù)據(jù)中在左邊方框中待分析的f，左邊方框中待分析的24個題目進入右邊的items方框中，使用 Alpha模型（默認），得到圖7-2，然后點擊ok即可得到如

12、表7-3的結果，顯示Cronbachs Alpha系數(shù)為0.892， 說明案例所使用數(shù)據(jù)具有較好的信度。jfe titQvh Ir-s-EifcffTnzc弓 UAie:Add-m：(Jdp1日昌E1*1plmplm StoiStoiAl12L L： sOsO11DAll15mg9LQQ9LQQ7 7 0000QQQQiODiOD2QDMDMDBCDBCD10001000googoo900900BODBOO$ao$ao3s.cows.oos.ooq.oaICOOICOOaooaooBQDB.ODB.OD?co10io.tnio.tn91IJ91IJ300300sensen?0DBOOBOOfi

13、4JT7rmrm0.00.00 05JOO5ir5ir5.DDt.oot.ooG4 JDJDi-a.roa.roamamBiJiBiJi6CD?CD血7EmEm尬T9dLT9dL初葩UodtlUodtlVtaK!MKKi5VtaK!MKKi5fTBfTB輕HeqwtslmHeqwtslmHeurflNrjgrtg:HeurflNrjgrtg:百la.imla.imgoogooamHOD4 DOIDUOaMoOwilYOwilYt10ldOOldOOElEl JUJUroorooB.0D1DLQD1DJJD9ElDO7?oa?oaGCD7 003QD丄xmxmig5 5 0000羯沖1 1ioi

14、ioi oaoa1W1W4QQBJQDBJQD1-iomiom|茴腳聲咻TwtfTwtfVlil-PATtVlil-PATt iTdiiTdi UriHtW*UriHtW*6(Ji6(Ji700tootoo133 3 0000TnsSoriMTnsSoriM%oa%oa5W5W300JWJW113 3 DODOSirvMISirvMIMuriDticniHMMuriDticniHM r r4ng|4L34ng|4L3_ _g*oo*oogoogoo300300aaoaao20090090017B.00B.00CiinirsiCiinirsi1010.0010.00ia.oaia.oaKLOaK

15、LOa&00&00EQDB.OOB.OO19E(HE(HM4.004.00gnjgnj40D40DBODBODBOOenoeno193.03.00 0ICOICOJ00J00l.CO22002002.02.00 0j.(Ms.iris.irilOD2.002.0007 IDOJ J mmooooooSCO9 9別OOOO3W3WSODSOD9.009.009QD1D.OOTurri時mmAmAm5A5 5qrmqrm5 5Amjnn圖7-1 信度分析的選擇圖7-2信度分析變量及方法的選擇表7-3信度分析結果Reliability StatisticsCronbachs AlphaN of It

16、ems.89224另外，對問卷中每個潛變量的信度分別檢驗結果如表7-4所示5。從表7-4可以看到，除顧客抱怨量表24個題目一一選中，然后點擊Cronbaca s Alpha系數(shù)為0.255,比較低以外，其它分量表的Alpha系數(shù)均在0.7以上，且總量表的Cronbach sAlpha系數(shù)達到了 0.891，表明此量表的可靠性較高。由信度檢驗的結果可知顧客抱怨的測量指標的信度遠低于0.7,表7-4因此在路徑圖中去掉顧客抱怨因子，即初始模型中包括潛變量的信度檢驗6個潛變量、21個可測變量。潛變量可測變量個數(shù)Cronbach s Alpha超市形象30.858質量期望50.889質量感知50.862

17、感知價格20.929顧客滿意30.948顧客抱怨30.255顧客忠誠30.7382數(shù)據(jù)的效度檢驗效度(validity)指測量工具能夠正確測量出所要測量的特質的程度，分為內(nèi)容效度(content validity)、效標效度(criterion validity)和結構效度(construct validity)三個主要類型。內(nèi)容效度也稱表面效度或邏輯效度，是指測量目標與測量內(nèi)容之間的適合性與相符性。對內(nèi)容效度常采用邏輯分析與統(tǒng)計分析相結合的方法進行評價。邏輯分析一般由研究者或專家評判所選題項是否“看上去”符合測量的目的和要求。準則效度又稱效標效度、實證效度、統(tǒng)計效度、預測效度或標準關聯(lián)效度，

18、是指用不同的幾種測量方式或不同的指標對同一變量進行測量，并將其中的一種方式作為準則(效標)，用其他的方式或指標與這個準則作比較，如果其他方式或指標也有效，那么這個測量即具備效標效度。例如，X是一個變量，我們使用X,、X2兩種工具進行測量。如果使用X作為準則，并且乂和X2高度相關，我們就說 X2也是具有很高的效度。當然，使用這種方法的關鍵在于作為準則的測量方式或指標一定要是有效的，否則越比越差?，F(xiàn) 實中，我們評價效標效度的方法是相關分析或差異顯著性檢驗，但是在調(diào)查問卷的效度分析中，選擇一個 合適的準則往往十分困難，也使這種方法的應用受到一定限制。結構效度也稱構想效度、建構效度或理論效度，是指測量

19、工具反映概念和命題的內(nèi)部結構的程度，也就是說如果問卷調(diào)查結果能夠測量其理論特征，使調(diào)查結果與理論預期一致，就認為數(shù)據(jù)是具有結構效度 的。它一般是通過測量結果與理論假設相比較來檢驗的。確定結構效度的基本步驟是，首先從某一理論岀 發(fā)，提岀關于特質的假設，然后設計和編制測量并進行施測，最后對測量的結果采用相關分析或因子分析 等方法進行分析，驗證其與理論假設的相符程度。在實際操作的過程中，前面兩種效度(內(nèi)容效度和準則效度)往往要求專家定性研究或具有公認的效標測量，因而難以實現(xiàn)的，而結構效度便于可以采用多種方法來實現(xiàn)：第一種方法是通過模型系數(shù)評價結構效度。如果模型假設的潛變量之間的關系以及潛變量與可測變

20、量之間的關系合理，非標準化系數(shù)應當具有顯著的統(tǒng)計意義。特別地，通過標準化系數(shù)6可以比較不同指標間的效度。從表7-17可以看岀在99%的置信度下所有非標準化系數(shù)具有統(tǒng)計顯著性，這說明修正模型的整體 結構效度較好。第二種方法是通過相關系數(shù)評價結構效度。如果在理論模型中潛變量之間存在相關關系，可以通過潛變量的相關系數(shù)來評價結構效度：顯著的相關系數(shù)說明理論模型假設成立，具有較好的結構效度。第三種方法是先構建理論模型，通過驗證性因子分析的模型擬合情況來對量表的結構效度進行考評。5操作過程同前，不同的是在圖7-14中選入右邊方框items中是相應潛變量對應的題目。如對超市形象潛變量，只需要把al、a2和a

21、3題目選入到右邊方框items中即可。6關于標準化系數(shù)的解釋見本章第五節(jié)。因此數(shù)據(jù)的效度檢驗就轉化為結構方程模型評價中的模型擬合指數(shù)評價。對于本案例，從表 模型與數(shù)據(jù)擬合較好，結構效度較好。六、結構方程模型建模構建如圖7.3的初始模型。7-16可知理論a1 11*e5e4e6e7e8,1 1 1 1-._.-1e11 e21 e31Ia7 d | ai 11i31超市形象1z11e14 1 a14 1e15.0151感知價格 :J*-1e17 1 71e16a16 1顧客滿意卜e18a18 鼻z41e23 亍“23 e22a22 1顧客忠誠e24 -峠幻* 1z5圖7-3初始模型結構IWP*e

22、10e9e11 e12e13_1 1.11 1質量感知z2z3質量期望 riaAli-T H* 1； I ftpUrtid: t J a =Ar wly-e i 仝叮L 圖7-8命名后的潛變量、Amos模型設定操作1 .模型的繪制在使用Amos進行模型設定之前，建議事先在紙上繪制岀基本理論模型和變量影響關系路徑圖，并確 定潛變量與可測變量的名稱，以避免不必要的返工。相關軟件操作如下：第一步，使用建模區(qū)域繪制模型中的七個潛變量（如圖7-6）。為了保持圖形的美觀，可以使用先繪制一個潛變量，再使用復制工具臼繪制其他潛變量，以保證潛變量大小一致。在潛變量上點擊右鍵選擇Object Properties

23、，為潛變量命名（如圖7-7）。繪制好的潛變量圖形如圖7-8。第二步設置潛變量之間的關系。使用K 4來設置變量間的因果關系，使用來設置變量間的相關關系。繪制好的潛變量關系圖如圖7-9。Hrirln. I 1 L irr*a rrrildpit I 富 J ETTjpiiil圖7-6 建立潛變量圖7-7潛變量命名魚i 匕營TsakvH*JfiiJrKI I * IhgrUi1E)W圖7-9設定潛變量關系第三步為潛變量設置可測變量及相應的殘差變量，可以使用-=繪制，也可以使用I* I和3自行繪制（繪制結果如圖7-10）。在可測變量上點擊右鍵選擇Object Properties，為可測變量命名。其中

24、VariableName 一項對應的是數(shù)據(jù)中的變量名（如圖7-11），在殘差變量上右鍵選擇 Object Properties為殘差變量命名。廬帀用歸* jXgf*g .B1FE XwJ i Llta h Tito- I -1-圖7-13 數(shù)據(jù)配置最終繪制完成模型結果如圖7-12。If圖7-10設定可測變量及殘差變量圖7-13 數(shù)據(jù)配置圖7-12初始模型設置完成o c凸1 ffl器o鳥0n鬣E0B圖7-11可測變量指定與命名up- HHi.lb t買2-空貿(mào)圖7-13 數(shù)據(jù)配置2 數(shù)據(jù)文件的配置Amos可以處理多種數(shù)據(jù)格式，如文本文檔（*.txt），表格文檔（*.xls、*.wk1）,數(shù)據(jù)庫文

25、檔（*.dbf、*.mdb）， SPSS文檔（*.sav）等。為了配置數(shù)據(jù)文件，選擇File菜單中的Data Files（如圖7-13）,出現(xiàn)如圖7-14左邊的對話框，然后點擊File name按鈕，出現(xiàn)如圖7-14右邊的對話框，找到需要讀入的數(shù)據(jù)文件“處理后的數(shù)據(jù).saV雙擊文件名或點擊下面的“打開”按鈕，最后點擊圖7-14左邊的對話框中“ ok”按鈕，這樣就讀入數(shù)據(jù)了。OlutBUiil pt*JEFCI ； viiiF nub.r j * 初序HlELIE： |士LGw bnlpit lodi tlupu. Hdf；二 T卄山 Tvqilii i.N* IM圖7-14 數(shù)據(jù)讀入第三節(jié)模型

26、擬合一、參數(shù)估計方法選擇模型運算是使用軟件進行模型參數(shù)估計的過程。Amos提供了多種模型運算方法供選擇8。可以通過點擊View菜單在 Analysis Properties （或點擊工具欄的 T :）中的Estimation項選擇相應的估計方法。本案例使用最大似然估計（Maximum Likelihood ）進行模型運算，相關設置如圖7-15。8詳細方法列表參見書后附錄一。衛(wèi)怦右密3|打幵收i HRSG JI|宙 J g祖覚三| 回吁圖7-15參數(shù)估計選擇二、標準化系數(shù)如果不做選擇，輸岀結果默認的路徑系數(shù)（或載荷系數(shù)）沒有經(jīng)過標準化，稱作非標準化系數(shù)。非標 準化系數(shù)中存在依賴于有關變量的尺度單

27、位，所以在比較路徑系數(shù)（或載荷系數(shù)）時無法直接使用，因此需要進行標準化。在 Analysis Properties中的Output項中選擇 Standardized Estimates項（如圖7-26,即可輸 岀測量模型的因子載荷標準化系數(shù)如表7-5最后一列。圖7.16標準化系數(shù)計算標準化系數(shù)是將各變量原始分數(shù)轉換為Z分數(shù)9后得到的估計結果，用以度量變量間的相對變化水平。因此不同變量間的標準化路徑系數(shù)（或標準化載荷系數(shù)）可以直接比較。從表7-17最后一列中可以看岀：受“質量期望”潛變量影響的是“質量感知”潛變量和“感知價格”潛變量；標準化路徑系數(shù)分別為0.434和0.244，這說明“質量期望”

28、潛變量對“質量感知”潛變量的影響程度大于其對“感知價格”潛變量的 影響程度。三、參數(shù)估計結果的展示9Z分數(shù)轉換公式為:ZiXi XHJ d LUI i k rin-iiab n E 3 上 EEgg圖7-17模型運算完成圖使用Analyze菜單下的Calculate Estimates進行模型運算（或使用工具欄中的 ），輸出結果如圖7-17。其中紅框部分是模型運算基本結果信息，使用者也可以通過點擊View the output path diagram（ I）查看參數(shù)估計結果圖（圖 7-18）圖7-18參數(shù)估計結果圖Amos還提供了表格形式的模型運算詳細結果信息，通過點擊工具欄中的分析基本情況

29、（Analysis Summary、變量基本情況（Variable Summary、模型信息（Notes for Model）、估計Pfltine ourrpur= ft * JGfl lP rf斤EIW AFIf評第碣 st wit nod-l iniKLftHU 呼Herati:n IZVSIHIIJTI uai snr J HV* dA-VT 1-irJWlIIJChvEfc fr 】申d嚼 SewrlM-址HJ讀餾黑luiiBliBtljdninliiui.站g bchlaiMlVr It Mif rtpirt Oiiq,u.4J：i9 1F 譽二來查看。詳細信息包括hil* L.Jl

30、-1 的打 by環(huán) I!R tiallthllI 7 第 3 142132* 1.24 .他 1.33.% 的 2Jia血二QL.血*iHJiiF prrmi* i/hBck f:i LFiDrjijie e儀 Ahi IIX AE 旨窟如t EPHtota-Lt tnd 1HiniK LCKt 3 DS.II丄Ulli 朋BCMev*dMpdeijOl M址可后冊癒售4盤Mill ihodel linlAl-ZSLTlX4n B art: loti IFn LKUM IMU fechii d結果(Estimates)、修正指數(shù)(Modification Indices)和模型擬合(Model

31、 Fit)六部分。在分析過程中，一般10通過前三部分 了解模型，在模型評價時使用估計結果和模型擬合部分，在模型修正時使用修正指數(shù)部分。四、模型評價1 路徑系數(shù)/載荷系數(shù)的顯著性參數(shù)估計結果如表7-5到表7-6,模型評價首先要考察模型結果中估計岀的參數(shù)是否具有統(tǒng)計意義，需11要對路徑系數(shù)或載荷系數(shù)進行統(tǒng)計顯著性檢驗，這類似于回歸分析中的參數(shù)顯著性檢驗，原假設為系數(shù)等于。Amos提供了一種簡單便捷的方法，叫做CR (Critical Ratio)。CR值是一個Z統(tǒng)計量，使用參數(shù)估計值與其標準差之比構成(如表 7-5中第四列)。Amos同時給出了 CR的統(tǒng)計檢驗相伴概率 p (如表7-5中第五 列)

32、，使用者可以根據(jù)P值進行路徑系數(shù)/載荷系數(shù)的統(tǒng)計顯著性檢驗。譬如對于表7.5中“超市形象”潛變量對“質量期望”潛變量的路徑系數(shù)(第一行)為 0.301，其CR值為6.68，相應的p值小于0.01，則 可以認為這個路徑系數(shù)在 95%的置信度下與0存在顯著性差異。表7-5系數(shù)估計結果未標準化路標準化路徑徑系數(shù)估計S.E.C.R.PLabel系數(shù)估計質量期望超市形象0.3010.0456.68*par_160.358質量感知質量期望0.4340.0577.633kkkpar_170.434感知價格質量期望0.3290.0893.722kkkpar_180.244感知價格質量感知-0.1210.082

33、-1.4670.142par_19-0.089感知價格超市形象-0.0050.065-0.070.944par_20-0.004顧客滿意超市形象0.9120.04321.389kkkpar_210.878顧客滿意感知價格-0.0290.028-1.0360.3par_23-0.032顧客忠誠超市形象0.1670.1011.6530.098par_220.183顧客忠誠顧客滿意88kkkpar_240.569a112超市形象10.927a2超市形象1.0080.03627.991kkkpar_10.899a3超市形象0.7010.04814.667kkkpar_20.629a5

34、質量期望10.79a4質量期望0.790.06112.852kkkpar_30.626a6質量期望0.8910.05316.906kkkpar_40.786a7質量期望1.1590.05919.628kkkpar_50.891a8質量期望1.0240.05817.713kkkpar_60.816a10質量感知10.768a9質量感知1.160.06517.911kkkpar_70.882a11質量感知0.7580.06811.075kkkpar_80.563a12質量感知1.1010.06915.973kkkpar_90.784a13質量感知0.9830.06714.777kkkpar_100

35、.732a18顧客滿意10.88610分析基本情況(Analysis Summary、變量基本情況(Variable Summa、模型信息(Notes for Model)三部 分的詳細介紹如書后附錄三。11潛變量與潛變量間的回歸系數(shù)稱為路徑系數(shù)；潛變量與可測變量間的回歸系數(shù)稱為載荷系數(shù)。12凡是a+數(shù)字的變量都是代表問卷中相應測量指標的，其中數(shù)字代表的問卷第一部分中問題的序號。a17顧客滿意1.0390.03430.171*par_110.939a15感知價格10.963a14感知價格0.9720.1277.67kkkpar_120.904a16顧客滿意1.0090.03331.024kkk

36、par_130.95a24顧客忠誠10.682a23顧客忠誠1.2080.09213.079kkkpar_140.846注: “ * ”表示0.01水平上顯著，括號中是相應的C.R值，即t值。表7-6方差估計方差估計S.E.C.R.PLabel注：“* ”表示0.01水平上顯著，括號中是相應的C.R值，即t值。五、模型擬合評價在結構方程模型中，試圖通過統(tǒng)計運算方法（如最大似然法等）求岀那些使樣本方差協(xié)方差矩陣S與理論方差協(xié)方差矩陣的差異最小的模型參數(shù)。換一個角度，如果理論模型結構對于收集到的數(shù)據(jù)是合理的，那么樣本方差協(xié)方差矩陣S與理論方差協(xié)方差矩陣差別不大，即殘差矩陣（S）各個元素接近于o,就

37、可以認為模型擬合了數(shù)據(jù)。模型擬合指數(shù)是考察理論結構模型對數(shù)據(jù)擬合程度的統(tǒng)計指標。不同類別的模型擬合指數(shù)可以從模型超市形象3.5740.299z22.2080.243z12.060.241z34.4050.668z40.8940.107z51.3730.214e10.5840.079e20.8610.093e32.6750.199e51.5260.13e42.4590.186e61.2450.105e70.8870.103e81.3350.119e101.7590.152e90.9760.122e113.1380.235e121.9260.171e132.1280.176e181.0560.08

38、9e160.420.052e170.5540.061e150.3640.591e243.4130.295e223.3810.281e231.730.252e140.9810.56211.958k-k-kpar_259.08kkkpar_268.54kkkpar_276.596kkkpar_288.352kkkpar_296.404kkkpar_307.363kkkpar_319.288kkkpar_3213.467kkkpar_3311.733kkkpar_3413.232kkkpar_3511.799kkkpar_368.583kkkpar_3711.228kkkpar_3811.565kk

39、kpar_397.976kkkpar_4013.343kkkpar_4111.272kkkpar_4212.11kkkpar_4311.832kkkpar_448.007kkkpar_459.103kkkpar_460.6160.538par_4711.55*par_4812.051kkkpar_496.874kkkpar_501.7450.081par 51復雜性、樣本大小、相對性與絕對性等方面對理論模型進行度量。Amos提供了多種模型擬合指數(shù)(如表表7-7擬合指數(shù)指數(shù)名稱評價標準13 14 152(卡方)越小越好GFI大于0.9RMR小于0.05,越小越好SRMR小于0.05,越小越好絕對

40、擬合指數(shù)RMSEA小于0.05,越小越好NFI大于0.9,越接近1越好TLI大于0.9,越接近1越好相對擬合指數(shù)CFI大于0.9,越接近1越好AIC越小越好信息指數(shù)CAIC越小越好147-7)供使用者選擇。如果模型擬合不好，需要根據(jù)相關領域知識和模型修正指標進行模型修正。需要注意的是，擬合指數(shù)的作用是考察理論模型與數(shù)據(jù)的適配程度，并不能作為判斷模型是否成立的 唯一依據(jù)。擬合優(yōu)度高的模型只能作為參考，還需要根據(jù)所研究問題的背景知識進行模型合理性討論。即 便擬合指數(shù)沒有達到最優(yōu)，但一個能夠使用相關理論解釋的模型更具有研究意義。一、模型修正的思路模型擬合指數(shù)和系數(shù)顯著性檢驗固然重要，但對于數(shù)據(jù)分析更

41、重要的是模型結論一定要具有理論依據(jù)，換言之，模型結果要可以被相關領域知識所解釋。因此，在進行模型修正時主要考慮修正后的模型結果是 否具有現(xiàn)實意義或理論價值，當模型效果很差時16 17可以參考模型修正指標對模型進行調(diào)整。當模型效果很差時，研究者可以根據(jù)初始模型的參數(shù)顯著性結果和Amos提供的模型修正指標進行模型擴展(Model Building)或模型限制(Model Trimming )。模型擴展是指通過釋放部分限制路徑或添加新路17徑，使模型結構更加合理，通常在提高模型擬合程度時使用；模型限制是指通過刪除或限制部分路徑，使模型結構更加簡潔，通常在提高模型可識別性時使用。Amos提供了兩種模型

42、修正指標，其中修正指數(shù)(Modification Index )用于模型擴展，臨界比率(CriticalRatio) 18用于模型限制。二、模型修正指標191.修正指數(shù)(Modification Index)13表格中給出的是該擬合指數(shù)的最優(yōu)標準，譬如對于RMSEA，其值小于0.05表示模型擬合較好，在0.05-0.08間表示模型擬合尚可(Browne & Cudeck，1993)。因此在實際研究中，可根據(jù)具體情況分析。14詳細請參考 Amos 6.0 User s Guide 489 項。15關于案例中模型的擬合方法和模型修正指數(shù)詳情也可參看書上第七章第三節(jié)和第四節(jié)。16如模型不可識別，或擬

43、合指數(shù)結果很差。17譬如可以刪除初始模型中不存在顯著意義的路徑。18這個CR不同于參數(shù)顯著性檢驗中的CR，使用方法將在下文中闡明。19無論是根據(jù)修正指數(shù)還是臨界比率進行模型修正，都要以模型的實際意義與理論依據(jù)為基礎。第四節(jié)模型修正15圖7-19修正指數(shù)計算修正指數(shù)用于模型擴展，是指對于模型中某個受限制的參數(shù)，若容許自由估計（譬如在模型中添加某條路徑），整個模型改良時將會減少的最小卡方值20o使用修正指數(shù)修改模型時，原則上每次只修改一個參數(shù)，從最大值開始估算。但在實際中，也要考慮讓該參數(shù)自由估計是否有理論根據(jù)。若要使用修正指數(shù)，需要在 Analysis Properties中的Output項選擇

44、 Modification Indices項（如圖 7-19） 其后面的Threshold for Modification Indices指的是輸出的開始值 21。圖7-20臨界比率計算2.臨界比率（Critical Ratio）20即當模型釋放某個模型參數(shù)時，卡方統(tǒng)計量的減少量將大于等于相應的修正指數(shù)值。21只有修正指數(shù)值大于開始值的路徑才會被輸岀，一般默認開始值為4o臨界比率用于模型限制，是計算模型中的每一對待估參數(shù)（路徑系數(shù)或載荷系數(shù)）之差，并除以相應參數(shù)之差的標準差所構造岀的統(tǒng)計量。在模型假設下，CR統(tǒng)計量服從正態(tài)分布，所以可以根據(jù)CR值判斷兩個待估參數(shù)間是否存在顯著性差異。若兩個待

45、估參數(shù)間不存在顯著性差異，則可以限定模型在估計時對 這兩個參數(shù)賦以相同的值。若要使用臨界比率，需要在 Analysis Properties中的Output項選擇 Critical Ratio for Difference項（如圖 7-20）。三、案例修正對本章所研究案例，初始模型運算結果如表 7-8,各項擬合指數(shù)尚可。但從模型參數(shù)的顯著性檢驗（如 表7-5）中可發(fā)現(xiàn)可以看岀，無論是關于感知價格的測量方程部分還是關于結構方程部分（除與質量期望的路徑外），系數(shù)都是不顯著的。關于感知價格的結構方程部分的平方復相關系數(shù)為0.048，非常小。另外，從實際的角度考慮，通過自身的感受，某超市商品價格同校內(nèi)

46、外其它主要超市的商品價格的差別不明顯， 因此，首先考慮將該因子在本文的結構方程模型中去除，并且增加質量期望和質量感知到顧客滿意的路徑。超市形象對顧客忠誠的路徑先保留。修改的模型如圖7-21。表7-8常用擬合指數(shù)計算結果擬合指數(shù)卡方值（自由度）CFINFIIFIRMSEAAICBCCEVCI結果1031.4 (180)0.8660.8420.8660.1091133.4411139.3782.834圖7-21修正的模型二根據(jù)上面提出的圖7-21提出的所示的模型，在Amos中運用極大似然估計運行的部分結果如表7-9。表7-9常用擬合指數(shù)計算結果擬合指數(shù)卡方值（自由度）CFINFIIFIRMSEAA

47、ICBCCEVCI結果819.5 (145)0.8830.8620.8840.108909.541914.2782.274從表7-8和表7-9可以看岀，卡方值減小了很多， 并且各擬合指數(shù)也都得到了改善，但與理想的擬合指數(shù)值仍有差距。該模型的各個參數(shù)在0.05的水平下都是顯著的，并且從實際考慮，各因子的各個路徑也是合理存在的。下面考慮通過修正指數(shù)對模型修正，通過點擊工具欄中的匪I來查看模型輸岀詳細結果中的Modification Indices項可以查看模型的修正指數(shù)（ Modification Index）結果，雙箭頭（“ ”部分是殘差變量間的協(xié)方差修正指數(shù)，表示如果在兩個可測變量的殘差變量間

48、增加一條相關路徑至少會減少的模型的 卡方值；單箭頭（“-”部分是變量間的回歸權重修正指數(shù)，表示如果在兩個變量間增加一條因果路徑至 少會減少的模型的卡方值。比如，超市形象到質量感知的Ml值為179.649表明如果增加超市形象到質量感知的路徑，則模型的卡方值會大大減小。從實際考慮，超市形象的確會影響到質量感知，設想，一個具 有良好品牌形象的超市，人們難免會對感到它的商品質量較好；反之，則相反。因此考慮增加從超市形象 到質量感知的路徑的模型如圖7-22。根據(jù)上面提出的圖7-22所示的模型，在Amos中運用極大似然估計運行的部分結果如表7-10、表7-11表7-10常用擬合指數(shù)計算結果擬合指數(shù) 卡方值

49、（自由度）CFI NFI IFI RMSEA AICBCC EVCI結果510.1（144）0.9360.9140.9370.080602.100606.9421.505從表7-9和表7-10可以看岀，卡方值減小了很多，并且各擬合指數(shù)也都得到了改善，但與理想的擬合指 數(shù)值仍有差距。表7-115%水平下不顯著的估計參數(shù)EstimateS.E.C.R.PLabel顧客滿意-質量期望-.054.035-1.540.124par_22顧客忠誠 j i Ijipikl匚 ft |0-14 (li . fI k ya 10*Xpu h Qti. SL 也J凸四 宙丁 K O近 卡ED k圖7-22修正的模

50、型三除上面表7-11中的兩個路徑系數(shù)在 0.05的水平下不顯著外，該模型其它各個參數(shù)在 0.01水平下都是顯 著的，首先考慮去除p值較大的路徑，即質量期望到顧客滿意的路徑。重新估計模型，結果如表7-12。表7-125%水平下不顯著的估計參數(shù)EstimateS.E.C.R.PLabel顧客忠誠-r飛I 乂仆1匚恥二丄l業(yè)也MSBhiJkiSCiiS. *#L-li (jLit 11 w* |Lgp n 曲皿叢沾JjMjaiiG 靜1 顯圖7-25修正的模型六根據(jù)上面提出的如圖7-25所示的模型，在Amos中運用極大似然估計運行的部分結果如表7-15。表7-15常用擬合指數(shù)計算結果擬合指數(shù)卡方值（

51、自由度）CFINFIIFIRMSEAAICBCCEVCI結果281.9 (125)0.9720.9510.9720.056373.877378.4650.935從表7-14和表7-15可以看岀，卡方值減小了很多，并且各擬合指數(shù)都得到了較大的改善。該模型的各個參數(shù)在0.01的水平下都仍然是顯著的，各方程的對應的測定系數(shù)增大了。下面考慮根據(jù)Pairwise ParameterComparisons來判斷對待估計參數(shù)的設定，即判斷哪些結構方程之間的系數(shù)沒有顯著差異，哪些測量方程的系數(shù)之間沒有顯著差異，哪些結構方程的隨機項的方差之間沒有顯著差異，哪些測量方程的隨機項的方差 之間的之間沒有顯著差異，對沒

52、有顯著差異的相應參數(shù)估計設定為相等，直到最后所有相應的 critical ratio都大于2為止。通過點擊工具欄中的厘匝來查看模型輸出詳細結果中的Pairwise Parameter Comparison 可以查看臨界比率（Critical Ratio）結果，其中par_1到par_46代表模型中46個待估參數(shù)，其含義在模型參數(shù)估22計結果表（如表7-5，7-6）中標識。根據(jù) CR值的大小，可以判斷兩個模型參數(shù)的數(shù)值間是否存在顯著性 差異。如果經(jīng)檢驗發(fā)現(xiàn)參數(shù)值間不存在顯著性差異，則可以考慮模型估計時限定兩個參數(shù)相等。如果是某 兩個參數(shù)沒有顯著差異，并且根據(jù)經(jīng)驗也是如此，則可在相應的認為相等的參

53、數(shù)對應的路徑或殘差變量上 點擊右鍵選擇 Object Properties，然后出現(xiàn)如圖 7-11的選項卡，選擇 parameters項，女口KvdjeLUG J. CEuLip-丄dlkJ-CiL I 1 LbfUt22般絕對值小于2認為沒有顯著差異。圖7-26對應因果路徑圖7-27對應殘差變量圖7-28對應相關系數(shù)路徑.23.24.25.圖7-26,圖7-27,圖7-28。然后在Regression weight，variance , covariane輸入相同的英文名稱即可。比如從圖7-25修正的模型六輸出的臨界比率結果中發(fā)現(xiàn)絕對值最小的是par_44和par_45對應的-0.021，遠

54、遠23對應因果路徑。24對應殘差變量。25對應相關系數(shù)路徑圖7-30修正的模型七小于95%置信水平下的臨界值，說明兩個方差間不存在顯著差異。對應的是e22和e24的方差估計，從實際考慮，也可以認為它們的方差相差，則殘差變量e22和e24上點擊右鍵選擇 Object Properties,出現(xiàn)如圖7-29的選項卡，然后在 Object Properties選項卡下面的variance中都輸入“ v2”最后關掉窗口即可設置e22和e24的方差相等。經(jīng)過反復比較得到的結構方程模型如圖7-30。wi tIhlialpttrMdtlOli flAW n.ridfel02. 3Bir adBLfidL n

55、yadnLCM. XXTH* ihacfcLC? . - “dm :乂 3LT3.BTI 匚層設置e22和e24的方差相等圖 7-29根據(jù)上面提出的如圖 7-30所示的模型，在Amos中運用極大似然估計運行的部分結果如表7-16。表7-16常用擬合指數(shù)計算結果擬合指數(shù)卡方值（自由度）CFINFIIFIRMSEAAICBCCEVCI結果295.9 (146)0.9730.9480.9730.051345.909348.4020.865從表7-15和表7-16可以看出，卡方值雖然增大了一些，但自由度大大增加了，并且各擬合指數(shù)都得到了較 大的改善（NFI除外）。該模型的各個參數(shù)在 0.01的水平下都

56、仍然是顯著的，各方程的對應的測定系數(shù)相對而言增大了很多。四、最優(yōu)模型參數(shù)估計的展示表7-17最優(yōu)模型各路徑系數(shù)估計未標準化路徑系數(shù)估計S.E.C.R.PLabel標準化路徑系數(shù)估計質量期望超市形象0.3530.03111.495*bb0.384質量感知超市形象0.7230.02331.516kkkaa0.814質量感知質量期望0.1290.0353.687kkkpar_160.134顧客滿意質量感知0.7230.02331.516kkkaa0.627顧客滿意超市形象0.3530.03111.495kkkbb0.345顧客忠誠顧客滿意0.7230.02331.516kkkaa0.753a1超市形

57、象10.925a2超市形象1.0420.0252.853kkkb0.901a3超市形象0.7280.03620.367kkkd0.631a5質量期望10.836a4質量期望0.7280.03620.367kkkd0.622a6質量期望0.8720.02633.619kkka0.808a7質量期望1.0420.0252.853kkkb0.853a8質量期望0.8720.02633.619kkka0.731a10質量感知10.779a9質量感知1.1590.03632.545kkkc0.914a12質量感知1.0420.0252.853kkkb0.777a13質量感知0.8720.02633.619kkka0.677a18顧客滿意10.861a17顧客滿意1.0420.0252.853kkkb0.919a16顧客滿意1.0420.0252.853kkkb0.963a24顧客忠誠10.706a23顧客忠誠1.1590.03632.545kkkc0.847a22顧客忠誠0.8720.02633.619kkka0.656注: “ * ”表示0.01水平上顯著， 括號中是相應的C.R 值，即t值。表 7-18最優(yōu)模型相關性路徑系數(shù)估計協(xié)方差估計S.E.C.R.PLabel相關系數(shù)估計e12e130.6990.0729.658*r20.32e7e80.699