Amos-驗證性因子分析報告步步教程81238

..應用案例關于該案例的操作也可關于該案例的操作也可結合書上第七章的相關內容來看。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。下面以一個研究實例作為說明,使用Amos7軟件本案例是在Amos7中完成的。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。本案例是在Amos7中完成的。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,提出了一個新的模型,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)見spss數(shù)據(jù)文件"處理后的數(shù)據(jù).sav"。進行分析,并對文中提出的模型進行擬合、修正和解釋。見spss數(shù)據(jù)文件"處理后的數(shù)據(jù).sav"。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<EugeneW.Anderson&ClaesFornell,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)實證結論,以及小范圍甄別調查的結果,模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涵可測變量超市形象根據(jù)Martensen在固定、移動、超市等行業(yè)中的調查研究,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>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.還有學者指出,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>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>感知價值根據(jù)Anderson和Fomell<EugeneW.Anderson&ClaesFomell,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>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>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。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市<a20>您認為某超市對顧客投訴的處理效率和效果正向的,采用Likert10級量度正向的,采用Likert10級量度從"非常低"到"非常高"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、重復購買的意向。同時還有學者指出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>關于顧客滿意調查數(shù)據(jù)的收集本次問卷調研的對象為居住在某大學校內的各類學生〔包括全日制本科生、全日制碩士和博士研究生,并且近一個月內在校內某超市有購物體驗的學生。調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。問卷內容包括7個潛變量因子,24項可測指標,7個人口變量,量表采用了Likert10級量度,如對超市形象的測量：一、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您認為與其它校內超市相比,某超市的形象如何123456789103您認為與其它校內超市相比,某超市品牌知名度如何12345678910本次調查共發(fā)放問卷500份,收回有效樣本436份。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。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)一致性或穩(wěn)定性的程度。一致性主要反映的是測驗內部題目之間的關系,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部一致性的指標來測量數(shù)據(jù)的信度。折半信度〔split-halfreliability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)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〔Cronbach'sAlpha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比較,對量表內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SPSS16.0研究數(shù)據(jù)的內部一致性。在Analyze菜單中選擇Scale下的ReliabilityAnalysis〔如圖7-1,將數(shù)據(jù)中在左邊方框中待分析的24個題目一一選中,然后點擊,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即可得到如表7-3的結果,顯示Cronbach'sAlpha系數(shù)為0.892,說明案例所使用數(shù)據(jù)具有較好的信度。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ReliabilityStatisticsCronbach'sAlphaNofItems.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a1、a2和a3題目選入到右邊方框items中即可。。從表7-4可以看到,除顧客抱怨量表Cronbaca’sAlpha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a1、a2和a3題目選入到右邊方框items中即可。表7-4潛變量的信度檢驗潛變量可測變量個數(shù)Cronbach’sAlpha超市形象30.858質量期望50.889質量感知50.862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,分為內容效度〔contentvalidity、效標效度〔criterionvalidity和結構效度〔constructvalidity三個主要類型。內容效度也稱表面效度或邏輯效度,是指測量目標與測量內容之間的適合性與相符性。對內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,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,是一個變量,我們使用、兩種工具進行測量。如果使用作為準則,并且和高度相關,我們就說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,是指測量工具反映概念和命題的內部結構的程度,也就是說如果問卷調查結果能夠測量其理論特征,使調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,首先從某一理論出發(fā),提出關于特質的假設,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)關于標準化系數(shù)的解釋見本章第五節(jié)。可以比較不同指標間的效度。從表7-17可以看出在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。關于標準化系數(shù)的解釋見本章第五節(jié)。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。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7-16可知理論模型與數(shù)據(jù)擬合較好,結構效度較好。結構方程模型建模構建如圖7.3的初始模型。圖7-3初始模型結構圖7-4AmosGraphics初始界面圖Amos實現(xiàn)這部分的操作說明也可參看書上第七章第二節(jié):Amos實現(xiàn)。Amos基本界面與工具打開AmosGraphics,初始界面如圖7-4。其中第一部分是建模區(qū)域,默認是豎版格式。如果要建立的模型在橫向上占用較大空間,只需選擇View菜單中的InterfaceProperties選項下的Landscape〔如圖7.5,即可將建模區(qū)域調整為橫板格式。圖7-2中的第二部分是工具欄,用于模型的設定、運算與修正。相關工具的具體功能參見書后附錄二。圖7-5建模區(qū)域的版式調整圖7-6建立潛變量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出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ObjectProperties,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。圖7-7潛變量命名圖7-8命名后的潛變量圖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,也可以使用和自行繪制〔繪制結果如圖7-10。在可測變量上點擊右鍵選擇ObjectProperties,為可測變量命名。其中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ObjectProperties為殘差變量命名。最終繪制完成模型結果如圖7-12。圖7-10設定可測變量及殘差變量圖7-11可測變量指定與命名圖7-12初始模型設置完成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DataFiles〔如圖7-13,出現(xiàn)如圖7-14左邊的對話框,然后點擊Filename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。圖7-13數(shù)據(jù)配置....圖7-14數(shù)據(jù)讀入模型擬合參數(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詳細方法列表參見書后附錄一。?？梢酝ㄟ^點擊View菜單在AnalysisProperties〔或點擊工具欄的中的Estimation詳細方法列表參見書后附錄一。本案例使用最大似然估計〔MaximumLikelihood進行模型運算,相關設置如圖7-15。圖7-15參數(shù)估計選擇標準化系數(shù)如果不做選擇,輸出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AnalysisProperties中的Output項中選擇StandardizedEstimates項〔如圖7-26,即可輸出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)Z分數(shù)轉換公式為：Z分數(shù)轉換公式為：。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最后一列中可以看出：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"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。參數(shù)估計結果的展示圖7-17模型運算完成圖使用Analyze菜單下的CalculateEstimates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Viewtheoutputpathdiagram〔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來查看。詳細信息包括分析基本情況〔AnalysisSummary、變量基本情況〔VariableSummary、模型信息〔NotesforModel、估計結果〔Estimates、修正指數(shù)〔ModificationIndices和模型擬合〔ModelFit六部分。在分析過程中,一般通過前三部分分析基本情況〔AnalysisSummary、變量基本情況〔VariableSummary、模型信息〔NotesforModel三部分的詳細介紹如書后附錄三。了解模型,分析基本情況〔AnalysisSummary、變量基本情況〔VariableSummary、模型信息〔NotesforModel三部分的詳細介紹如書后附錄三。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出的參數(shù)是否具有統(tǒng)計意義,需要對路徑系數(shù)或載荷系數(shù)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)。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〔CriticalRatio。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,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。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)。表7-5系數(shù)估計結果未標準化路徑系數(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0.3010.0456.68***par_160.358質量感知<---質量期望0.4340.0577.633***par_170.434感知價格<---質量期望0.3290.0893.722***par_180.244感知價格<---質量感知-0.1210.082-1.4670.142par_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0.9120.04321.389***par_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0.50.14.988***par_240.569a1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。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。<---超市形象10.927a2<---超市形象1.0080.03627.991***par_10.899a3<---超市形象0.7010.04814.667***par_20.629a5<---質量期望10.79a4<---質量期望0.790.06112.852***par_30.626a6<---質量期望0.8910.05316.906***par_40.786a7<---質量期望1.1590.05919.628***par_50.891a8<---質量期望1.0240.05817.713***par_60.816a10<---質量感知10.768a9<---質量感知1.160.06517.911***par_70.882a11<---質量感知0.7580.06811.075***par_80.563a12<---質量感知1.1010.06915.973***par_90.784a13<---質量感知0.9830.06714.777***par_100.732a18<---顧客滿意10.886a17<---顧客滿意1.0390.03430.171***par_110.939a15<---感知價格10.963a14<---感知價格0.9720.1277.67***par_120.904a16<---顧客滿意1.0090.03331.024***par_130.95a24<---顧客忠誠10.682a23<---顧客忠誠1.2080.09213.079***par_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超市形象3.5740.29911.958***par_25z22.2080.2439.08***par_26z12.060.2418.54***par_27z34.4050.6686.596***par_28z40.8940.1078.352***par_29z51.3730.2146.404***par_30e10.5840.0797.363***par_31e20.8610.0939.288***par_32e32.6750.19913.467***par_33e51.5260.1311.733***par_34e42.4590.18613.232***par_35e61.2450.10511.799***par_36e70.8870.1038.583***par_37e81.3350.11911.228***par_38e101.7590.15211.565***par_39e90.9760.1227.976***par_40e113.1380.23513.343***par_41e121.9260.17111.272***par_42e132.1280.17612.11***par_43e181.0560.08911.832***par_44e160.420.0528.007***par_45e170.5540.0619.103***par_46e150.3640.5910.6160.538par_47e243.4130.29511.55***par_48e223.3810.28112.051***par_49e231.730.2526.874***par_50e140.9810.5621.7450.081par_51注:"***"表示0.01水平上顯著,括號中是相應的C.R值,即t值。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〔如最大似然法等求出那些使樣本方差協(xié)方差矩陣與理論方差協(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)方差矩陣與理論方差協(xié)方差矩陣差別不大,即殘差矩陣〔各個元素接近于0,就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。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。絕對擬合指數(shù)<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RMSEA小于0.05,越小越好相對擬合指數(shù)NFI大于0.9,越接近1越好TLI大于0.9,越接近1越好CFI大于0.9,越接近1越好信息指數(shù)AIC越小越好CAIC越小越好7-7供使用者選擇詳細請參考Amos6.0User’詳細請參考Amos6.0User’sGuide489項。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。模型修正關于案例中模型的擬合方法和模型修正指數(shù)詳情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)。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,當模型效果很差時如模型不可識別,或擬合指數(shù)結果很差?？梢詤⒖寄Ｐ托拚笜藢δＰ瓦M行調整。如模型不可識別,或擬合指數(shù)結果很差。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〔ModelBuilding或模型限制〔ModelTrimming。模型擴展是指通過釋放部分限制路徑或添加新路徑,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譬如可以刪除初始模型中不存在顯著意義的路徑。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。譬如可以刪除初始模型中不存在顯著意義的路徑。Amos提供了兩種模型修正指標,其中修正指數(shù)〔ModificationIndex用于模型擴展,臨界比率〔CriticalRatio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。用于模型限制。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。模型修正指標無論是根據(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。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。1.修正指數(shù)〔ModificationIndex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。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。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AnalysisProperties中的Output項選擇ModificationIndices項〔如圖7-19。其后面的ThresholdforModificationIndices指的是輸出的開始值只有修正指數(shù)值大于開始值的路徑才會被輸出,一般默認開始值為4。。只有修正指數(shù)值大于開始值的路徑才會被輸出,一般默認開始值為4。圖7-20臨界比率計算2.臨界比率〔CriticalRatio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出的統(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AnalysisProperties中的Output項選擇CriticalRatioforDifference項〔如圖7-20。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)可以看出,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>CFINFIIFIRMSEAAICBCCEVCI結果819.5<145>0.8830.8620.8840.108909.541914.2782.274從表7-8和表7-9可以看出,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來查看模型輸出詳細結果中的ModificationIndices項可以查看模型的修正指數(shù)〔ModificationIndex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MI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<自由度>CFINFIIFIRMSEAAICBCCEVCI結果510.1<144>0.9360.9140.9370.080602.100606.9421.505從表7-9和表7-10可以看出,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<---超市形象.164.1001.632.103par_21圖7-22修正的模型三除上面表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<---超市形象.166.1011.652.099par_21從表7-12可以看出,超市形象對顧客忠誠路徑系數(shù)估計的p值為0.099,仍大于0.05。并且從實際考慮,在學校內部,學生一般不會根據(jù)超市之間在形象上的差別而選擇堅持去同一個品牌的超市,更多的可能是通過超市形象影響超市滿意等因素進而影響到顧客忠誠因素。考慮刪除這兩個路徑的模型如圖7-23。根據(jù)上面提出的如圖7-23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7-13。表7-13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515.1<146>0.9360.9130.9360.080603.117607.7491.508從表7-10和表7-13可以看出,卡方值幾乎沒變,并且各擬合指數(shù)幾乎沒有改變,但模型便簡單了,做此改變是值得的。該模型的各個參數(shù)在0.01的水平下都是顯著的,另外質量感知對應的測量指標a11〔關于營業(yè)時間安排合理程度的打分對應方程的測定系數(shù)為0.278,比較小,從實際考慮,由于人大校內東區(qū)物美超市的營業(yè)時間從很長,幾乎是全天候營業(yè)在顧客心中,可能該指標能用質量感知解釋的可能性不大,考慮刪除該測量指標。修改后的模型如圖7-24。根據(jù)上面提出的如圖7-24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7-14。表7-14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401.3<129>0.9510.9300.9510.073485.291489.4801.213從表7-13和表7-14可以看出,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。圖7-23修正的模型四圖7-24修正的模型五下面考慮通過修正指數(shù)對模型修正,e12與e13的MI值最大,為26.932,表明如果增加a12與a13之間的殘差相關的路徑,則模型的卡方值會減小較多。從實際考慮,員工對顧客的態(tài)度與員工給顧客結帳的速度,實際上也確實存在相關,設想,對顧客而言,超市員工結帳速度很慢本來就是一種對顧客態(tài)度不好的方面；反之,則相反。因此考慮增加e12與e13的相關性路徑?！策@里的分析不考慮潛變量因子可測指標的更改,理由是我們在設計問卷的題目的信度很好,而且題目本身的設計也不允許這樣做,以下同。重新估計模型,重新尋找MI值較大的,e7與e8的MI值較大,為26.230,〔雖然e3與e6的MI值等于26.746,但它們不屬于同一個潛變量因子,因此不能考慮增加相關性路徑,以下同表明如果增加a7與a8之間的殘差相關的路徑,則模型的卡方值會減小較多。這也是員工對顧客的態(tài)度與員工給顧客結帳的速度之間存在相關,因此考慮增加e7與e8的相關性路徑。重新估計模型,重新尋找MI值較大的,e17與e18的MI值較大,為13.991,表明如果增加a17與a18之間的殘差相關的路徑,則模型的卡方值會減小較多。實際上消費前的滿意度和與心中理想超市比較的滿意度之間顯然存在相關,因此考慮增加e17與e18的相關性路徑。重新估計模型,重新尋找MI值較大的,e2與e3的MI值較大,為11.088,表明如果增加a2與a3之間的殘差相關的路徑,則模型的卡方值會減小較多。實際上超市形象和超市品牌知名度之間顯然存在相關,因此考慮增加e2與e3的相關性路徑。重新估計模型,重新尋找MI值較大的,e10與e12的MI值較大,為5.222,表明如果增加a10與a12之間的殘差相關的路徑,則模型的卡方值會減小較多。但實際上超市的食品保險&日用品豐富性與員工態(tài)度之間顯然不存在相關,因此不考慮增加e10與e12的相關性路徑。另外,從剩下的變量之間MI值沒有可以做處理的變量對了,因此考慮MI值修正后的模型如圖7-25。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<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可以看出,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)PairwiseParameterComparisons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criticalratio都大于2為止。通過點擊工具欄中的來查看模型輸出詳細結果中的PairwiseParameterComparison項可以查看臨界比率〔CriticalRatio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)估計結果表〔如表7-5,7-6中標識。根據(jù)CR值的大小一般絕對值小于2認為沒有顯著差異。,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數(shù)對應的路徑或殘差變量上點擊右鍵選擇ObjectProperties,然后出現(xiàn)如圖7-11的選項卡,選擇parameters項,如一般絕對值小于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)路徑圖7-26,圖7-27,圖7-28。然后在Regressionweight對應因果路徑。,variance對應殘差變量。,covariane對應相關系數(shù)路徑。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和對應因果路徑。對應殘差變量。對應相關系數(shù)路徑。圖7-29設置e22和e24的方差相等圖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ObjectProperties,出現(xiàn)如圖7-29的選項卡,然后在ObjectProperties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。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。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0.7230.02331.516***aa0.814質量感知<---質量期望0.1290.0353.687***par_160.134顧客滿意<---質量感知0.7230.02331.516***aa0.627顧客滿意<---超市形象0.3530.03111.495***bb0.345顧客忠誠<---顧客滿意0.7230.02331.516***aa0.753a1<---超市形象10.925a2<---超市形象1.0420.0252.853***b0.901a3<---超市形象0.7280.03620.367***d0.631a5<---質量期望10.836a4<---質量期望0.7280.03620.367***d0.622a6<---質量期望0.8720.02633.619***a0.808a7<---質量期望1.0420.0252.853***b0.853a8<---質量期望0.8720.02633.619***a0.731a10<---質量感知10.779a9<---質量感知1.1590.03632.545***c0.914a12<---質量感知1.0420.0252.853***b0.777a13<---質量感知0.8720.02633.619***a0.677a18<---顧客滿意10.861a17<---顧客滿意1.0420.0252.853***b0.919a16<---顧客滿意1.0420.0252.853***b0.963a24<---顧客忠誠10.706a23<---顧客忠誠1.1590.03632.545***c0.847a22<---顧客忠誠0.8720.02633.619***a0.656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e12<-->e130.6990.0729.658***r20.32e7<-->e80.6990.0729.658***r20.46e18<-->e170.2770.05