第一節(jié) 模型設(shè)定 結(jié)構(gòu)方程模型分析過程可以分為模型構(gòu)建、模型運(yùn)算、模型修正以及模型解釋四個(gè)步驟。下面以一個(gè)研究實(shí)例作為說明,使用Amos7軟件[2]進(jìn)行計(jì)算,闡述在實(shí)際應(yīng)用中結(jié)構(gòu)方程模型的構(gòu)建、運(yùn)算、修正與模型解釋過程。
一、模型構(gòu)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(chǔ)上,提出了一個(gè)新的模型,并以此構(gòu)建潛變量并建立模型結(jié)構(gòu)。根據(jù)構(gòu)建的理論模型,通過設(shè)計(jì)問卷對某超市顧客購物服務(wù)滿意度調(diào)查得到實(shí)際數(shù)據(jù),然后利用對缺失值進(jìn)行處理后的數(shù)據(jù)[3]進(jìn)行分析,并對文中提出的模型進(jìn)行擬合、修正和解釋。
二、潛變量和可測變量的設(shè)定 本文在繼承ASCI模型核心概念的基礎(chǔ)上,對模型作了一些改進(jìn),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(jià)格和顧客滿意有關(guān),設(shè)計(jì)的模型見表7-1。 模型中共包含七個(gè)因素(潛變量):超市形象、質(zhì)量期望、質(zhì)量感知、感知價(jià)值、顧客滿意、顧客抱怨、顧客忠誠,其中前四個(gè)要素是前提變量,后三個(gè)因素是結(jié)果變量,前提變量綜合決定并影響著結(jié)果變量(Eugene W. Anderson & Claes Fornell,2000;殷榮伍,2000)。 表7-1 設(shè)計(jì)的結(jié)構(gòu)路徑圖和基本路徑假設(shè)
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(gòu)建情況、國外研究理論和其他行業(yè)實(shí)證結(jié)論,以及小范圍甄別調(diào)查的結(jié)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(yīng)表
三、關(guān)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(xué)校內(nèi)的各類學(xué)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(gè)月內(nèi)在校內(nèi)某超市有購物體驗(yàn)的學(xué)生。調(diào)查采用隨機(jī)攔訪的方式,并且為避免樣本的同質(zhì)性和重復(fù)填寫,按照性別和被訪者經(jīng)常光顧的超市進(jìn)行控制。問卷內(nèi)容包括7個(gè)潛變量因子,24項(xiàng)可測指標(biāo),7個(gè)人口變量,量表采用了Likert10級量度,如對超市形象的測量:
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(xiàng)缺失,則刪除該記錄。最終得到401條數(shù)據(jù),基于這部分?jǐn)?shù)據(jù)做分析。
五、數(shù)據(jù)的的信度和效度檢驗(yàn)
1.?dāng)?shù)據(jù)的信度檢驗(yàn) 信度(reliability)指測量結(jié)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(yàn)內(nèi)部題目之間的關(guān)系,考察測驗(yàn)的各個(gè)題目是否測量了相同的內(nèi)容或特質(zhì)。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(jìn)行不同時(shí)間上的重復(fù)測量結(jié)果間的可靠系數(shù)。如果問卷設(shè)計(jì)合理,重復(fù)測量的結(jié)果間應(yīng)該高度相關(guān)。由于本案例并沒有進(jìn)行多次重復(fù)測量,所以主要采用反映內(nèi)部一致性的指標(biāo)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(jì)相關(guān)系數(shù),相關(guān)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?jǐn)?shù)的方差相等這一假設(shè)基礎(chǔ)上的,但實(shí)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's Alpha系數(shù)),這種方法將測量工具中任一條目結(jié)果同其他所有條目作比較,對量表內(nèi)部一致性估計(jì)更為慎重,因此克服了折半信度的缺點(diǎn)。本章采用SPSS16.0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24個(gè)題目一一選中,然后點(diǎn)擊,左邊方框中待分析的24個(gè)題目進(jìn)入右邊的items方框中,使用Alpha模型(默認(rèn)),得到圖7-2,然后點(diǎn)擊ok即可得到如表7-3的結(jié)果,顯示Cronbach's 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。
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(jié)果
另外,對問卷中每個(gè)潛變量的信度分別檢驗(yàn)結(jié)果如表7-4所示[5]。從表7-4可以看到,除顧客抱怨量表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’s Alpha系數(shù)達(dá)到了0.891,表明此量表的可靠性較高。由信度檢驗(yàn)的結(jié)果可知顧客抱怨的測量指標(biāo)的信度遠(yuǎn)低于0.7,因此在路徑圖中去掉顧客抱怨因子,即初始模型中包括6個(gè)潛變量、21個(gè)可測變量。 表7-4 潛變量的信度檢驗(yàn)
2.?dāng)?shù)據(jù)的效度檢驗(yàn) 效度(validity)指測量工具能夠正確測量出所要測量的特質(zhì)的程度,分為內(nèi)容效度(content validity)、效標(biāo)效度(criterion validity)和結(jié)構(gòu)效度(construct validity)三個(gè)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(biāo)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(jì)分析相結(jié)合的方法進(jìn)行評價(jià)。邏輯分析一般由研究者或?qū)<以u判所選題項(xiàng)是否“看上去”符合測量的目的和要求。 準(zhǔn)則效度又稱效標(biāo)效度、實(shí)證效度、統(tǒng)計(jì)效度、預(yù)測效度或標(biāo)準(zhǔn)關(guān)聯(lián)效度,是指用不同的幾種測量方式或不同的指標(biāo)對同一變量進(jìn)行測量,并將其中的一種方式作為準(zhǔn)則(效標(biāo)),用其他的方式或指標(biāo)與這個(gè)準(zhǔn)則作比較,如果其他方式或指標(biāo)也有效,那么這個(gè)測量即具備效標(biāo)效度。例如,是一個(gè)變量,我們使用、兩種工具進(jìn)行測量。如果使用作為準(zhǔn)則,并且和高度相關(guān),我們就說也是具有很高的效度。當(dāng)然,使用這種方法的關(guān)鍵在于作為準(zhǔn)則的測量方式或指標(biāo)一定要是有效的,否則越比越差?,F(xiàn)實(shí)中,我們評價(jià)效標(biāo)效度的方法是相關(guān)分析或差異顯著性檢驗(yàn),但是在調(diào)查問卷的效度分析中,選擇一個(gè)合適的準(zhǔn)則往往十分困難,也使這種方法的應(yīng)用受到一定限制。 結(jié)構(gòu)效度也稱構(gòu)想效度、建構(gòu)效度或理論效度,是指測量工具反映概念和命題的內(nèi)部結(jié)構(gòu)的程度,也就是說如果問卷調(diào)查結(jié)果能夠測量其理論特征,使調(diào)查結(jié)果與理論預(yù)期一致,就認(rèn)為數(shù)據(jù)是具有結(jié)構(gòu)效度的。它一般是通過測量結(jié)果與理論假設(shè)相比較來檢驗(yàn)的。確定結(jié)構(gòu)效度的基本步驟是,首先從某一理論出發(fā),提出關(guān)于特質(zhì)的假設(shè),然后設(shè)計(jì)和編制測量并進(jìn)行施測,最后對測量的結(jié)果采用相關(guān)分析或因子分析等方法進(jìn)行分析,驗(yàn)證其與理論假設(shè)的相符程度。 在實(shí)際操作的過程中,前面兩種效度(內(nèi)容效度和準(zhǔn)則效度)往往要求專家定性研究或具有公認(rèn)的效標(biāo)測量,因而難以實(shí)現(xiàn)的,而結(jié)構(gòu)效度便于可以采用多種方法來實(shí)現(xiàn): 第一種方法是通過模型系數(shù)評價(jià)結(jié)構(gòu)效度。如果模型假設(shè)的潛變量之間的關(guān)系以及潛變量與可測變量之間的關(guān)系合理,非標(biāo)準(zhǔn)化系數(shù)應(yīng)當(dāng)具有顯著的統(tǒng)計(jì)意義。特別地,通過標(biāo)準(zhǔn)化系數(shù)[6]可以比較不同指標(biāo)間的效度。從表7-17可以看出在99%的置信度下所有非標(biāo)準(zhǔn)化系數(shù)具有統(tǒng)計(jì)顯著性,這說明修正模型的整體結(jié)構(gòu)效度較好。 第二種方法是通過相關(guān)系數(shù)評價(jià)結(jié)構(gòu)效度。如果在理論模型中潛變量之間存在相關(guān)關(guān)系,可以通過潛變量的相關(guān)系數(shù)來評價(jià)結(jié)構(gòu)效度:顯著的相關(guān)系數(shù)說明理論模型假設(shè)成立,具有較好的結(jié)構(gòu)效度。 第三種方法是先構(gòu)建理論模型,通過驗(yàn)證性因子分析的模型擬合情況來對量表的結(jié)構(gòu)效度進(jìn)行考評。因此數(shù)據(jù)的效度檢驗(yàn)就轉(zhuǎn)化為結(jié)構(gòu)方程模型評價(jià)中的模型擬合指數(shù)評價(jià)。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(jié)構(gòu)效度較好。
六、結(jié)構(gòu)方程模型建模 構(gòu)建如圖7.3的初始模型。
圖7-3 初始模型結(jié)構(gòu)
圖7-4 Amos Graphics初始界面圖 第二節(jié) Amos實(shí)現(xiàn)[7]
一、Amos基本界面與工具 打開Amos Graphics,初始界面如圖7-4。其中第一部分是建模區(qū)域,默認(rèn)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Interface Properties選項(xiàng)下的Landscape(如圖7.5),即可將建模區(qū)域調(diào)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(shè)定、運(yùn)算與修正。相關(guān)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(diào)整
圖7-6 建立潛變量 二、Amos模型設(shè)定操作
1.模型的繪制 在使用Amos進(jìn)行模型設(shè)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(guān)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(guān)軟件操作如下: 第一步,使用建模區(qū)域繪制模型中的七個(gè)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(gè)潛變量,再使用復(fù)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(diǎn)擊右鍵選擇Object Properties,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(shè)置潛變量之間的關(guān)系。使用來設(shè)置變量間的因果關(guān)系,使用來設(shè)置變量間的相關(guān)關(guān)系。繪制好的潛變量關(guān)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(shè)定潛變量關(guān)系 第三步為潛變量設(shè)置可測變量及相應(yīng)的殘差變量,可以使用繪制,也可以使用和自行繪制(繪制結(jié)果如圖7-10)。在可測變量上點(diǎn)擊右鍵選擇Object Properties,為可測變量命名。其中Variable Name一項(xiàng)對應(yīng)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。最終繪制完成模型結(jié)果如圖7-12。
圖7-10 設(shè)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(shè)置完成 2.?dāng)?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Data Files(如圖7-13),出現(xiàn)如圖7-14左邊的對話框,然后點(diǎn)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(diǎn)擊下面的“打開”按鈕,最后點(diǎn)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
第三節(jié) 模型擬合
一、參數(shù)估計(jì)方法選擇 模型運(yùn)算是使用軟件進(jìn)行模型參數(shù)估計(jì)的過程。Amos提供了多種模型運(yùn)算方法供選擇[8]。可以通過點(diǎn)擊View菜單在Analysis Properties(或點(diǎn)擊工具欄的)中的Estimation項(xiàng)選擇相應(yīng)的估計(jì)方法。 本案例使用最大似然估計(jì)(Maximum Likelihood)進(jìn)行模型運(yùn)算,相關(guān)設(shè)置如圖7-15。
圖7-15 參數(shù)估計(jì)選擇 二、標(biāo)準(zhǔn)化系數(shù) 如果不做選擇,輸出結(jié)果默認(rèn)的路徑系數(shù)(或載荷系數(shù))沒有經(jīng)過標(biāo)準(zhǔn)化,稱作非標(biāo)準(zhǔn)化系數(shù)。非標(biāo)準(zhǔn)化系數(shù)中存在依賴于有關(guān)變量的尺度單位,所以在比較路徑系數(shù)(或載荷系數(shù))時(shí)無法直接使用,因此需要進(jìn)行標(biāo)準(zhǔn)化。在Analysis Properties中的Output項(xiàng)中選擇Standardized Estimates項(xiàng)(如圖7-26),即可輸出測量模型的因子載荷標(biāo)準(zhǔn)化系數(shù)如表7-5最后一列。
圖7.16 標(biāo)準(zhǔn)化系數(shù)計(jì)算 標(biāo)準(zhǔn)化系數(shù)是將各變量原始分?jǐn)?shù)轉(zhuǎn)換為Z分?jǐn)?shù)[9]后得到的估計(jì)結(jié)果,用以度量變量間的相對變化水平。 因此不同變量間的標(biāo)準(zhǔn)化路徑系數(shù)(或標(biāo)準(zhǔn)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(zhì)量期望”潛變量影響的是“質(zhì)量感知”潛變量和“感知價(jià)格”潛變量;標(biāo)準(zhǔn)化路徑系數(shù)分別為0.434和0.244,這說明“質(zhì)量期望”潛變量對“質(zhì)量感知”潛變量的影響程度大于其對“感知價(jià)格”潛變量的影響程度。
三、參數(shù)估計(jì)結(jié)果的展示
圖7-17 模型運(yùn)算完成圖 使用Analyze菜單下的Calculate Estimates進(jìn)行模型運(yùn)算(或使用工具欄中的),輸出結(jié)果如圖7-17。其中紅框部分是模型運(yùn)算基本結(jié)果信息,使用者也可以通過點(diǎn)擊View the output path diagram()查看參數(shù)估計(jì)結(jié)果圖(圖7-18)。
圖7-18 參數(shù)估計(jì)結(jié)果圖 Amos還提供了表格形式的模型運(yùn)算詳細(xì)結(jié)果信息,通過點(diǎn)擊工具欄中的來查看。詳細(xì)信息包括分析基本情況(Analysis Summary)、變量基本情況(Variable Summary)、模型信息(Notes for Model)、估計(jì)結(jié)果(Estimates)、修正指數(shù)(Modification Indices)和模型擬合(Model Fit)六部分。在分析過程中,一般通過前三部分[10]了解模型,在模型評價(jià)時(shí)使用估計(jì)結(jié)果和模型擬合部分,在模型修正時(shí)使用修正指數(shù)部分。
四、模型評價(jià)
1.路徑系數(shù)/載荷系數(shù)的顯著性 參數(shù)估計(jì)結(jié)果如表7-5到表7-6,模型評價(jià)首先要考察模型結(jié)果中估計(jì)出的參數(shù)是否具有統(tǒng)計(jì)意義,需要對路徑系數(shù)或載荷系數(shù)[11]進(jìn)行統(tǒng)計(jì)顯著性檢驗(yàn),這類似于回歸分析中的參數(shù)顯著性檢驗(yàn),原假設(shè)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(gè)Z統(tǒng)計(jì)量,使用參數(shù)估計(jì)值與其標(biāo)準(zhǔn)差之比構(gòu)成(如表7-5中第四列)。Amos同時(shí)給出了CR的統(tǒng)計(jì)檢驗(yàn)相伴概率p(如表7-5中第五列),使用者可以根據(jù)p值進(jìn)行路徑系數(shù)/載荷系數(shù)的統(tǒng)計(jì)顯著性檢驗(yàn)。譬如對于表7.5中“超市形象”潛變量對“質(zhì)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(yīng)的p值小于0.01,則可以認(rèn)為這個(gè)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(jì)結(jié)果
注:“***”表示0.01 水平上顯著,括號中是相應(yīng)的C.R值,即t值。 表7-6 方差估計(jì)
注:“***”表示0.01 水平上顯著,括號中是相應(yīng)的C.R值,即t值。
五、模型擬合評價(jià) 在結(jié)構(gòu)方程模型中,試圖通過統(tǒng)計(jì)運(yùn)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(gè)角度,如果理論模型結(jié)構(gòu)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(gè)元素接近于0,就可以認(rèn)為模型擬合了數(shù)據(jù)。 模型擬合指數(shù)是考察理論結(jié)構(gòu)模型對數(shù)據(jù)擬合程度的統(tǒng)計(jì)指標(biāo)。不同類別的模型擬合指數(shù)可以從模型復(fù)雜性、樣本大小、相對性與絕對性等方面對理論模型進(jìn)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)
7-7)供使用者選擇[14]。如果模型擬合不好,需要根據(jù)相關(guān)領(lǐng)域知識和模型修正指標(biāo)進(jìn)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(jìn)行模型合理性討論。即便擬合指數(shù)沒有達(dá)到最優(yōu),但一個(gè)能夠使用相關(guān)理論解釋的模型更具有研究意義。
第四節(jié) 模型修正[15]
一、模型修正的思路 模型擬合指數(shù)和系數(shù)顯著性檢驗(yàn)固然重要,但對于數(shù)據(jù)分析更重要的是模型結(jié)論一定要具有理論依據(jù),換言之,模型結(jié)果要可以被相關(guān)領(lǐng)域知識所解釋。因此,在進(jìn)行模型修正時(shí)主要考慮修正后的模型結(jié)果是否具有現(xiàn)實(shí)意義或理論價(jià)值,當(dāng)模型效果很差時(shí)[16]可以參考模型修正指標(biāo)對模型進(jìn)行調(diào)整。 當(dāng)模型效果很差時(shí),研究者可以根據(jù)初始模型的參數(shù)顯著性結(jié)果和Amos提供的模型修正指標(biāo)進(jìn)行模型擴(kuò)展(Model Building)或模型限制(Model Trimming)。模型擴(kuò)展是指通過釋放部分限制路徑或添加新路徑,使模型結(jié)構(gòu)更加合理,通常在提高模型擬合程度時(shí)使用;模型限制是指通過刪除[17]或限制部分路徑,使模型結(jié)構(gòu)更加簡潔,通常在提高模型可識別性時(shí)使用。 Amos提供了兩種模型修正指標(biāo),其中修正指數(shù)(Modification Index)用于模型擴(kuò)展,臨界比率(Critical Ratio)[18]用于模型限制。
二、模型修正指標(biāo)[19]
1. 修正指數(shù)(Modification Index)
圖7-19 修正指數(shù)計(jì)算 修正指數(shù)用于模型擴(kuò)展,是指對于模型中某個(gè)受限制的參數(shù),若容許自由估計(jì)(譬如在模型中添加某 條路徑),整個(gè)模型改良時(shí)將會減少的最小卡方值[20]。 使用修正指數(shù)修改模型時(shí),原則上每次只修改一個(gè)參數(shù),從最大值開始估算。但在實(shí)際中,也要考慮讓該參數(shù)自由估計(jì)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(xiàng)選擇Modification Indices項(xiàng)(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(jì)算 2. 臨界比率(Critical Ratio) 臨界比率用于模型限制,是計(jì)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(yīng)參數(shù)之差的標(biāo)準(zhǔn)差所構(gòu)造出的統(tǒng)計(jì)量。在模型假設(shè)下,CR統(tǒng)計(jì)量服從正態(tài)分布,所以可以根據(jù)CR值判斷兩個(gè)待估參數(shù)間是否存在顯著性差異。若兩個(gè)待估參數(shù)間不存在顯著性差異,則可以限定模型在估計(jì)時(shí)對這兩個(gè)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(xiàng)選擇Critical Ratio for Difference項(xiàng)(如圖7-20)。
三、案例修正 對本章所研究案例,初始模型運(yùn)算結(jié)果如表7-8,各項(xiàng)擬合指數(shù)尚可。但從模型參數(shù)的顯著性檢驗(yàn)(如 表7-5)中可發(fā)現(xiàn)可以看出,無論是關(guān)于感知價(jià)格的測量方程部分還是關(guān)于結(jié)構(gòu)方程部分(除與質(zhì)量期望的路徑外),系數(shù)都是不顯著的。關(guān)于感知價(jià)格的結(jié)構(gòu)方程部分的平方復(fù)相關(guān)系數(shù)為0.048,非常小。另外,從實(shí)際的角度考慮,通過自身的感受,某超市商品價(jià)格同校內(nèi)外其它主要超市的商品價(jià)格的差別不明顯,因此,首先考慮將該因子在本文的結(jié)構(gòu)方程模型中去除,并且增加質(zhì)量期望和質(zhì)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(jì)算結(jié)果
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(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表7-9。 表7-9 常用擬合指數(shù)計(jì)算結(jié)果
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(gè)參數(shù)在0.05的水平下都是顯著的,并且從實(shí)際考慮,各因子的各個(gè)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(diǎn)擊工具欄中的來查看模型輸出詳細(xì)結(jié)果中的Modification Indices項(xiàng)可以查看模型的修正指數(shù)(Modification Index)結(jié)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(gè)可測變量的殘差變量間增加一條相關(guān)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(quán)重修正指數(shù),表示如果在兩個(gè)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(zhì)量感知的MI值為179.649,表明如果增加超市形象到質(zhì)量感知的路徑,則模型的卡方值會大大減小。從實(shí)際考慮,超市形象的確會影響到質(zhì)量感知,設(shè)想,一個(gè)具有良好品牌形象的超市,人們難免會對感到它的商品質(zhì)量較好;反之,則相反。因此考慮增加從超市形象到質(zhì)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(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表7-10、表7-11。 表7-10 常用擬合指數(shù)計(jì)算結(jié)果
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7-11 5%水平下不顯著的估計(jì)參數(shù)
圖7-22 修正的模型三 除上面表7-11中的兩個(gè)路徑系數(shù)在0.05的水平下不顯著外,該模型其它各個(gè)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(zhì)量期望到顧客滿意的路徑。重新估計(jì)模型,結(jié)果如表7-12。 表7-12 5%水平下不顯著的估計(jì)參數(shù)
從表7-12可以看出,超市形象對顧客忠誠路徑系數(shù)估計(jì)的p值為0.099,仍大于0.05。并且從實(shí)際考慮,在學(xué)校內(nèi)部,學(xué)生一般不會根據(jù)超市之間在形象上的差別而選擇堅(jiān)持去同一個(gè)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(jìn)而影響到顧客忠誠因素??紤]刪除這兩個(gè)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(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表7-13。 表7-13 常用擬合指數(shù)計(jì)算結(jié)果
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(gè)參數(shù)在0.01的水平下都是顯著的,另外質(zhì)量感知對應(yīng)的測量指標(biāo)a11(關(guān)于營業(yè)時(shí)間安排合理程度的打分)對應(yīng)方程的測定系數(shù)為0.278,比較小,從實(shí)際考慮,由于人大校內(nèi)東區(qū)物美超市的營業(yè)時(shí)間從很長,幾乎是全天候營業(yè)在顧客心中,可能該指標(biāo)能用質(zhì)量感知解釋的可能性不大,考慮刪除該測量指標(biāo)。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(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表7-14。 表7-14 常用擬合指數(shù)計(jì)算結(jié)果
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(gè)參數(shù)在0.01的水平下都仍然是顯著的,各方程的對應(yīng)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(guān)的路徑,則模型的卡方值會減小較多。從實(shí)際考慮,員工對顧客的態(tài)度與員工給顧客結(jié)帳的速度,實(shí)際上也確實(shí)存在相關(guān),設(shè)想,對顧客而言,超市員工結(jié)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(guān)性路徑。(這里的分析不考慮潛變量因子可測指標(biāo)的更改,理由是我們在設(shè)計(jì)問卷的題目的信度很好,而且題目本身的設(shè)計(jì)也不允許這樣做,以下同。) 重新估計(jì)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(gè)潛變量因子,因此不能考慮增加相關(guān)性路徑,以下同)表明如果增加a7與a8之間的殘差相關(guān)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(jié)帳的速度之間存在相關(guān),因此考慮增加e7與e8的相關(guān)性路徑。 重新估計(jì)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(guān)的路徑,則模型的卡方值會減小較多。實(shí)際上消費(fèi)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(guān),因此考慮增加e17與e18的相關(guān)性路徑。 重新估計(jì)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(guān)的路徑,則模型的卡方值會減小較多。實(shí)際上超市形象和超市品牌知名度之間顯然存在相關(guān),因此考慮增加e2與e3的相關(guān)性路徑。 重新估計(jì)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(guān)的路徑,則模型的卡方值會減小較多。但實(shí)際上超市的食品保險(xiǎn)&日用品豐富性與員工態(tài)度之間顯然不存在相關(guān),因此不考慮增加e10與e12的相關(guān)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(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表7-15。 表7-15 常用擬合指數(shù)計(jì)算結(jié)果
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(gè)參數(shù)在0.01的水平下都仍然是顯著的,各方程的對應(yīng)的測定系數(shù)增大了。下面考慮根據(jù)Pairwise Parameter Comparisons來判斷對待估計(jì)參數(shù)的設(shè)定,即判斷哪些結(jié)構(gòu)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(jié)構(gòu)方程的隨機(jī)項(xiàng)的方差之間沒有顯著差異,哪些測量方程的隨機(jī)項(xiàng)的方差之間的之間沒有顯著差異,對沒有顯著差異的相應(yīng)參數(shù)估計(jì)設(shè)定為相等,直到最后所有相應(yīng)的critical ratio都大于2為止。通過點(diǎn)擊工具欄中的來查看模型輸出詳細(xì)結(jié)果中的Pairwise Parameter Comparison項(xiàng)可以查看臨界比率(Critical Ratio)結(jié)果,其中par_1到par_46代表模型中46個(gè)待估參數(shù),其含義在模型參數(shù)估計(jì)結(jié)果表(如表7-5,7-6)中標(biāo)識。根據(jù)CR值的大小[22],可以判斷兩個(gè)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(yàn)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(jì)時(shí)限定兩個(gè)參數(shù)相等。如果是某兩個(gè)參數(shù)沒有顯著差異,并且根據(jù)經(jīng)驗(yàn)也是如此,則可在相應(yīng)的認(rèn)為相等的參數(shù)對應(yīng)的路徑或殘差變量上點(diǎn)擊右鍵選擇Object Properties,然后出現(xiàn)如圖7-11的選項(xiàng)卡,選擇parameters項(xiàng),如
圖7-26 對應(yīng)因果路徑
圖7-27 對應(yīng)殘差變量
圖7-28 對應(yīng)相關(guān)系數(shù)路徑 圖7-26,圖7-27,圖7-28。然后在Regression weight[23],variance[24],covariane[25]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(jié)果中發(fā)現(xiàn)絕對值最小的是par_44和par_45對應(yīng)的-0.021,遠(yuǎn)遠(yuǎn)
圖7-29 設(shè)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(gè)方差間不存在顯著差異。對應(yīng)的是e22和e24的方差估計(jì),從實(shí)際考慮,也可以認(rèn)為它們的方差相差,則殘差變量e22和e24上點(diǎn)擊右鍵選擇Object Properties,出現(xiàn)如圖7-29的選項(xiàng)卡,然后在Object Properties選項(xiàng)卡下面的variance中都輸入“v2”,最后關(guān)掉窗口即可設(shè)置e22和e24的方差相等。經(jīng)過反復(fù)比較得到的結(jié)構(gòu)方程模型如圖7-30。 根據(jù)上面提出的如圖7-30所示的模型,在Amos中運(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表7-16。 表7-16 常用擬合指數(shù)計(jì)算結(jié)果
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(gè)參數(shù)在0.01的水平下都仍然是顯著的,各方程的對應(yīng)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(jì)的展示 表7-17 最優(yōu)模型各路徑系數(shù)估計(jì)
注:“***”表示0.01 水平上顯著,括號中是相應(yīng)的C.R值,即t值。 表7-18 最優(yōu)模型相關(guān)性路徑系數(shù)估計(jì)
注:“***”表示0.01 水平上顯著,括號中是相應(yīng)的C.R值,即t值。 表7-19 最優(yōu)模型方差估計(jì)
注:“***”表示0.01 水平上顯著,括號中是相應(yīng)的C.R值,即t值。
第五節(jié) 模型解釋 結(jié)構(gòu)方程模型主要作用是揭示潛變量之間(潛變量與可測變量之間以及可測變量之間)的結(jié)構(gòu)關(guān)系,這些關(guān)系在模型中通過路徑系數(shù)(載荷系數(shù))來體現(xiàn)。 若要輸出模型的直接效應(yīng)、間接效應(yīng)以及總效應(yīng),需要在Analysis Properties中的Output項(xiàng)選擇Indirect , direct & total effects項(xiàng)(如圖7-31)。 對于修正模型,Amos輸出的中各潛變量之間的直接效應(yīng)、間接效應(yīng)以及總效應(yīng)如表7-20。 1.直接效應(yīng)(direct effect) 指由原因變量(可以是外生變量或內(nèi)生變量)到結(jié)果變量(內(nèi)生變量)的直接影響,用原因變量到結(jié)果變量的路徑系數(shù)來衡量直接效應(yīng)。比如利用表7-17最后一列的結(jié)果,超市形象到質(zhì)量期望的標(biāo)準(zhǔn)化路徑系數(shù)是0.814,則超市形象到質(zhì)量感知的直接效應(yīng)是0.814。這說明當(dāng)其他條件不變時(shí),“超市形象”潛變量每提升1個(gè)單位,“質(zhì)量期望”潛變量將直接提升0.698個(gè)單位。 2.間接效應(yīng)(indirect effect) 指原因變量通過影響一個(gè)或者多個(gè)中介變量,對結(jié)果變量的間接影響。當(dāng)只有一個(gè)中介變量時(shí),間接效應(yīng)的大小是兩個(gè)路徑系數(shù)的乘積。比如利用表7-17最后一列的結(jié)果,超市形象到質(zhì)量期望的標(biāo)準(zhǔn)化路徑系數(shù)是0.384,質(zhì)量期望到質(zhì)量感知的標(biāo)準(zhǔn)化路徑系數(shù)是0.134,則超市形象到質(zhì)量感知的間接效應(yīng)就是0.384×0.134=0.051。這說明當(dāng)其他條件不變時(shí),“超市形象”潛變量每提升1個(gè)單位,“質(zhì)量感知”潛變量將間接提升0.385個(gè)單位。 3.總效應(yīng)(total effect) 由原因變量到結(jié)果變量總的影響,它是直接效應(yīng)與間接效應(yīng)之和。比如利用表7-17最后一列的結(jié)果,超市形象到質(zhì)量期望的直接效應(yīng)是0.814,超市形象到質(zhì)量感知的間接效應(yīng)是0.051,則超市形象到質(zhì)量感知的總效應(yīng)為0.814+0.051=0.865。這說明當(dāng)其他條件不變時(shí),“超市形象”潛變量每提升1個(gè)單位,“質(zhì)量感知”潛變量總共將提升0.865個(gè)單位。
圖7-31 輸出模型的直接效應(yīng)、間接效應(yīng)以及總效應(yīng) 表7-20 模型中各潛在變量之間的直接效應(yīng)、間接效應(yīng)以及總效應(yīng)(標(biāo)準(zhǔn)化的結(jié)果)
注:“***”表示0.01 水平上顯著,括號中是相應(yīng)的C.R值,即t值。表中給出的均是標(biāo)準(zhǔn)化后的參數(shù),直接效應(yīng)就是模型中的路徑系數(shù)。
[1]關(guān)于該案例的操作也可結(jié)合書上第七章的相關(guān)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”。 [4]正向的,采用Likert10級量度從“非常低”到“非常高” [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(yīng)潛變量對應(yīng)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。 [6]關(guān)于標(biāo)準(zhǔn)化系數(shù)的解釋見本章第五節(jié)。 [7] 這部分的操作說明也可參看書上第七章第二節(jié):Amos實(shí)現(xiàn)。 [8]詳細(xì)方法列表參見書后附錄一。 [9]Z分?jǐn)?shù)轉(zhuǎn)換公式為:。 [10]分析基本情況(Analysis Summary)、變量基本情況(Variable Summary)、模型信息(Notes for Model)三部分的詳細(xì)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(yīng)測量指標(biāo)的,其中數(shù)字代表的問卷第一部分中問題的序號。 [13]表格中給出的是該擬合指數(shù)的最優(yōu)標(biāo)準(zhǔn),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(shí)際研究中,可根據(jù)具體情況分析。 [14]詳細(xì)請參考Amos 6.0 User’s Guide 489項(xiàng)。 [15]關(guān)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,或擬合指數(shù)結(jié)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(gè)CR不同于參數(shù)顯著性檢驗(yàn)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(jìn)行模型修正,都要以模型的實(shí)際意義與理論依據(jù)為基礎(chǔ)。 [20]即當(dāng)模型釋放某個(gè)模型參數(shù)時(shí),卡方統(tǒng)計(jì)量的減少量將大于等于相應(yīng)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出,一般默認(rèn)開始值為4。 [22]一般絕對值小于2認(rèn)為沒有顯著差異。 [23]對應(yīng)因果路徑。 [24]對應(yīng)殘差變量。 [25]對應(yīng)相關(guān)系數(shù)路徑。 |
|