Amos_验证性因子分析步步教程_图文

Amos_验证性因子分析步步教程_图文 第一节 模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、 模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、 潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表1 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 关于该案例的操作也可结合书上第七章的相关内容来看。 本案例是在Amos7中完成的。 3 见spss数据文件“处理后的数据.sav”。 关于顾客满意调查数据的收集 本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对 四、 缺失值的处理 采用表列删除法，即在一条 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。 五、 数据的的信度和效度检验 1．数据的信度检验 正向的，采用Likert10级量度从“非常低”到“非常高” 信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。 折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部一致性。在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。 图7-1 信度分析的选择 效标效度。例如，X是一个变量，我们使用X1、X2两种工具进行测量。如果使用X1作为准则，并且X1和X2高度相关，我们就说X2也是具有很高的效度。当然，使用这种方法的关键在于作为准则的测量方式或指标一定要是有效的，否则越比越差。现实中，我们评价效标效度的方法是相关分析或差异显著性检验，但是在调查问卷的效度分析中，选择一个合适的准则往往十分困难，也使这种方法的应用受到一定限制。 结构效度也称构想效度、建构效度或理论效度，是指测量工具反映概念和命题的内部结构的程度，也就是说如果问卷调查结果能够测量其理论特征，使调查结果与理论预期一致，就认为数据是具有结构效度的。它一般是通过测量结果与理论假设相比较来检验的。确定结构效度的基本步骤是，首先从某一理论出发，提出关于特质的假设，然后设计和编制测量并进行施测，最后对测量的结果采用相关分析或因子分析等方法进行分析，验证其与理论假设的相符程度。 在实际操作的过程中，前面两种效度（内容效度和准则效度）往往要求专家定性研究或具有公认的效标测量，因而难以实现的，而结构效度便于可以采用多种方法来实现： 第一种方法是通过模型系数评价结构效度。如果模型假设的潜变量之间的关系以及潜变量与可测变量之间的关系合理，非 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化系数应当具有显著的统计意义。特别地，通过标准化系数6可以比较不同指标间的效度。从表7-17可以看出在99%的置信度下所有非标准化系数具有统计显著性，这说明修正模型的整体结构效度较好。 第二种方法是通过相关系数评价结构效度。如果在理论模型中潜变量之间存在相关关系，可以通过潜变量的相关系数来评价结构效度：显著的相关系数说明理论模型假设成立，具有较好的结构效度。 第三种方法是先构建理论模型，通过验证性因子分析的模型拟合情况来对量表的结构效度进行考评。因此数据的效度检验就转化为结构方程模型评价中的模型拟合指数评价。对于本案例，从表7-16可知理论模型与数据拟合较好，结构效度较好。 六、 结构方程模型建模 构建如图7.3的初始模型。 关于标准化系数的解释见本章第五节。 图7-3 初始模型结构 图7-4 Amos Graphics初始界面图 第二节 Amos实现7 Amos基本界面与工具 这部分的操作说明也可参看书上第七章第二节:Amos实现。 打开Amos Graphics，初始界面如图7-4。其中第一部分是建模区域，默认是竖版格式。如果要建立的模型在横向上占用较大空间，只需选择View菜单中的Interface Properties选项下的Landscape（如图7.5），即可将建模区域调整为横板格式。 图7-2中的第二部分是工具栏，用于模型的设定、运算与修正。相关工具的具体功能参见书后附录二。 图7-5 建模区域的版式调整 图7-6 建立潜变量 二、 Amos模型设定操作 1．模型的绘制 在使用Amos进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。相关软件操作如下： 第一步，使用建模区域绘制模型中的七个潜变量（如图7-6）。为了保持图形的美观， 可以使用先绘制一个潜变量，再使用复制工具绘制其他潜变量，以保证潜变量大小一致。在潜变量上点击右键选择Object Properties，为潜变量命名（如图7-7）。绘制好的潜变量图形如图7-8。 第二步设置潜变量之间的关系。使用来设置变量间的因果关系，使用来设置变量间的相关关系。绘制好的潜变量关系图如图7-9。 图7-7 潜变量命名 图7-8 命名后的潜变量 图7-11 可测变量指定与命名 图7-12 初始模型设置完成 2．数据文件的配置 Amos可以处理多种数据格式，如文本文档（*.txt），表格文档（*.xls、*.wk1），数据库文档（*.dbf、*.mdb），SPSS文档（*.sav）等。 为了配置数据文件，选择File菜单中的Data Files（如图7-13），出现如图7-14左边的对话框，然后点击File name按钮，出现如图7-14右边的对话框，找到需要读入的数据文件“处理后的数据.sav”,双击文件名或点击下面的“打开”按钮，最后点击图7-14左边的对话框中“ok”按钮，这样就读入数据了。 图7-13 数据配置 图7-14 数据读入 第三节 模型拟合 一、 参数估计方法选择 模型运算是使用软件进行模型参数估计的过程。Amos提供了多种模型运算方法供选择8。可以通过点击View菜单在Analysis Properties （或点击工具栏的 ）中的Estimation项选择相应的估计方法。 本案例使用最大似然估计（Maximum Likelihood）进行模型运算，相关设置如图7-15。 图7-15 参数估计选择 二、 标准化系数 如果不做选择，输出结果默认的路径系数（或载荷系数）没有经过标准化，称作非标准化系数。非标准化系数中存在依赖于有关变量的尺度单位，所以在比8详细方法列表参见书后附录一。 较路径系数（或载荷系数）时无法直接使用，因此需要进行标准化。在Analysis Properties中的Output项中选择Standardized Estimates项（如图7-26），即可输出测量模型的因子载荷标准化系数如表7-5最后一列。 图7.16 标准化系数计算 标准化系数是将各变量原始分数转换为Z分数9后得到的估计结果，用以度量变量间的相对变化水平。 因此不同变量间的标准化路径系数（或标准化载荷系数）可以直接比较。从表7-17最后一列中可以看出：受“质量期望”潜变量影响的是“质量感知”潜变量和“感知价格”潜变量；标准化路径系数分别为0.434和0.244，这说明“质量期望”潜变量对“质量感知”潜变量的影响程度大于其对“感知价格”潜变量的影响程度。 三、 参数估计结果的展示 9Z分数转换公式为：Z?Xi?X。 图7-17 模型运算完成图 使用Analyze菜单下的Calculate Estimates进行模型运算（或使用工具栏中的），输出结果如图7-17。其中红框部分是模型运算基本结果信息，使用者也可以通过点击View the output path diagram（ 7-18）。 ）查看参数估计结果图（图 图7-18 参数估计结果图 还提供了表格形式的模型运算详细结果信息，通过点击工具栏中的 来查看。详细信息包括分析基本情况（Analysis Summary）、变量基本情况 a2 <--- 象 1.008 0.036 27.991 *** par_1 0.899 a3 <--- 象 0.701 0.048 14.667 *** par_2 0.629 a5 <--- 望 1 0.79 a4 <--- 望 0.79 0.061 12.852 *** par_3 0.626 a6 <--- 望 0.891 0.053 16.906 *** par_4 0.786 a7 <--- 望 1.159 0.059 19.628 *** par_5 0.891 a8 <--- 望 1.024 0.058 17.713 *** par_6 0.816 a10 <--- 知 1 0.768 a9 <--- 知 1.16 0.065 17.911 *** par_7 0.882 a11 <--- 知 0.758 0.068 11.075 *** par_8 0.563 a12 <--- 知 1.101 0.069 15.973 *** par_9 0.784 a13 <--- 知 0.983 0.067 14.777 *** par_10 0.732 a18 <--- 意 1 0.886 a17 <--- 意 1.039 0.034 30.171 *** par_11 0.939 a15 <--- 格 1 0.963 a14 <--- 格 0.972 0.127 7.67 *** par_12 0.904 a16 <--- 意 1.009 0.033 31.024 *** par_13 0.95 a24 <--- 诚 1 0.682 a23 <--- 诚 1.208 0.092 13.079 *** par_14 0.846 注:“***”表示0.01 水平上显著，括号中是相应的C.R值，即t值。 表7-6 方差估计 方差估计 S.E. C.R. P Label 超市形象 3.574 0.299 11.958 *** par_25 z2 2.208 0.243 9.08 *** par_26 z1 2.06 0.241 8.54 *** par_27 z3 4.405 0.668 6.596 *** par_28 z4 0.894 0.107 8.352 *** par_29 z5 1.373 0.214 6.404 *** par_30 e1 0.584 0.079 7.363 *** par_31 e2 0.861 0.093 9.288 *** par_32 e3 2.675 0.199 13.467 *** par_33 e5 1.526 0.13 11.733 *** par_34 e4 2.459 0.186 13.232 *** par_35 e6 1.245 0.105 11.799 *** par_36 e7 0.887 0.103 8.583 *** par_37 e8 1.335 0.119 11.228 *** par_38 e10 1.759 0.152 11.565 *** par_39 e9 0.976 0.122 7.976 *** par_40 e11 3.138 0.235 13.343 *** par_41 e12 1.926 0.171 11.272 *** par_42 e13 2.128 0.176 12.11 *** par_43 e18 1.056 0.089 11.832 *** par_44 e16 0.42 0.052 8.007 *** par_45 e17 0.554 0.061 9.103 *** par_46 e15 0.364 0.591 0.616 0.538 par_47 e24 3.413 0.295 11.55 *** par_48 e22 3.381 0.281 12.051 *** par_49 e23 1.73 0.252 6.874 *** par_50 e14 0.981 0.562 1.745 0.081 par_51 注:“***”表示0.01 水平上显著，括号中是相应的C.R值，即t值。 五、 模型拟合评价 在结构方程模型中，试图通过统计运算方法（如最大似然法等）求出那些使样本方差协方差矩阵S与理论方差协方差矩阵?的差异最小的模型参数。换一个角度，如果理论模型结构对于收集到的数据是合理的，那么样本方差协方差矩阵S与理论方差协方差矩阵?差别不大，即残差矩阵（??S）各个元素接近于0，就可以认为模型拟合了数据。 模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。不同类别的模型拟合指数可以从模型复杂性、样本大小、相对性与绝对性等方面对理论模型进行度量。Amos提供了多种模型拟合指数（如表 13表格中给出的是该拟合指数的最优标准，譬如对于RMSEA，其值小于0.05表示模型拟合较好，在0.05-0.08间表示模型拟合尚可（Browne & Cudeck，1993）。因此在实际研究中，可根据具体情况分析。 7-7标进行模型修正。 需要注意的是，拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。即便拟合指数没有达到最优，但一个能够使用相关理论解释的模型更具有研究意义。 第四节 模型修正15 一、 模型修正的思路 模型拟合指数和系数显著性检验固然重要，但对于数据分析更重要的是模型结论一定要具有理论依据，换言之，模型结果要可以被相关领域知识所解释。因此，在进行模型修正时主要考虑修正后的模型结果是否具有现实意义或理论价值，当模型效果很差时16可以参考模型修正指标对模型进行调整。 当模型效果很差时，研究者可以根据初始模型的参数显著性结果和Amos提供的模型修正指标进行模型扩展（Model Building）或模型限制（Model Trimming）。模型扩展是指通过释放部分限制路径或添加新路径，使模型结构更加合理，通常在提高模型拟合程度时使用；模型限制是指通过删除17或限制部分路径，使模型结构更加简洁，通常在提高模型可识别性时使用。 Amos提供了两种模型修正指标，其中修正指数（Modification Index）用于模型扩展，临界比率（Critical Ratio）18用于模型限制。 二、 模型修正指标19 1. 修正指数（Modification Index） 15详细请参考Amos 6.0 User’s Guide 489项。 关于案例中模型的拟合方法和模型修正指数详情也可参看书上第七章第三节和第四节。 16如模型不可识别，或拟合指数结果很差。 17譬如可以删除初始模型中不存在显著意义的路径。 18这个CR不同于参数显著性检验中的CR，使用方法将在下文中阐明。 19无论是根据修正指数还是临界比率进行模型修正，都要以模型的实际意义与理论依据为基础。 图7-19 修正指数计算 修正指数用于模型扩展，是指对于模型中某个受限制的参数，若容许自由估计（譬如在模型中添加某 条路径），整个模型改良时将会减少的最小卡方值20。 使用修正指数修改模型时，原则上每次只修改一个参数，从最大值开始估算。但在实际中，也要考虑让该参数自由估计是否有理论根据。 若要使用修正指数，需要在Analysis Properties中的Output项选择Modification Indices项（如图7-19）。其后面的Threshold for Modification Indices 21指的是输出的开始值。 21即当模型释放某个模型参数时，卡方统计量的减少量将大于等于相应的修正指数值。 只有修正指数值大于开始值的路径才会被输出，一般默认开始值为4。 根据上面提出的图7-21提出的所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-9。 表7-9 常用拟合指数计算结果 拟合指卡方值CFI NFI IFI RMSEA AIC BCC EVCI (145) 从表7-8和表7-9可以看出，卡方值减小了很多，并且各拟合指数也都得到了改善，但与理想的拟合指数值仍有差距。该模型的各个参数在0.05的水平下都是显著的，并且从实际考虑，各因子的各个路径也是合理存在的。 下面考虑通过修正指数对模型修正，通过点击工具栏中的来查看模型输出详细结果中的Modification Indices项可以查看模型的修正指数（Modification Index）结果，双箭头（“<-->”）部分是残差变量间的协方差修正指数，表示如果在两个可测变量的残差变量间增加一条相关路径至少会减少的模型的卡方值；单箭头（“<---”）部分是变量间的回归权重修正指数，表示如果在两个变量间增加一条因果路径至少会减少的模型的卡方值。比如，超市形象到质量感知的MI值为179.649，表明如果增加超市形象到质量感知的路径，则模型的卡方值会大大减小。从实际考虑，超市形象的确会影响到质量感知，设想，一个具有良好品牌形象的超市，人们难免会对感到它的商品质量较好；反之，则相反。因此考虑增加从超市形象到质量感知的路径的模型如图7-22。 根据上面提出的图7-22所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-10、表7-11。 了改善，但与理想的拟合指数值仍有差距。 表7-11 5%水平下不显著的估计参数 -.054 .035 -1.540 .124 par_22 意 <--- 质量期望 顾客忠.164 .100 1.632 .103 par_21 诚 <--- 超市形象 图7-22 修正的模型三 除上面表7-11中的两个路径系数在0.05的水平下不显著外，该模型其它各个参数在0.01水平下都是显著的，首先考虑去除p值较大的路径，即质量期望到顾客满意的路径。重新估计模型，结果如表7-12。 表7-12 5%水平下不显著的估计参数 从表7-12可以看出，超市形象对顾客忠诚路径系数估计的p值为0.099，仍大于0.05。并且从实际考虑，在学校内部，学生一般不会根据超市之间在形象上的差别而选择坚持去同一个品牌的超市，更多的可能是通过超市形象影响超市满意等因素进而影响到顾客忠诚因素。考虑删除这两个路径的模型如图7-23。 根据上面提出的如图7-23所示的模型，在AMOS中运用极大似然估计运行的部分结果如表7-13。 表7-13 常用拟合指数计算结果 拟合指卡方值CFI NFI IFI RMSEA AIC BCC EVCI 改变，但模型便简单了，做此改变是值得的。该模型的各个参数在0.01的水平下都是显著的，另外质量感知对应的测量指标a11（关于营业时间安排合理程度的打分）对应方程的测定系数为0.278，比较小，从实际考虑，由于人大校内东区物美超市的营业时间从很长，几乎是全天候营业在顾客心中，可能该指标能用质量感知解释的可能性不大，考虑删除该测量指标。修改后的模型如图7-24。 根据上面提出的如图7-24所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-14。 表7-14 常用拟合指数计算结果 拟合指卡方值CFI NFI IFI RMSEA AIC BCC EVCI 数 (自由度) 结果 401.3 0.951 0.930 0.951 0.073 485.291 489.480 1.213 (129) 从表7-13和表7-14可以看出，卡方值减小了很多，并且各拟合指数都得到了较大的改善。该模型的各个参数在0.01的水平下都仍然是显著的，各方程的对应的测定系数增大了。 图7-23 修正的模型四 图7-24 修正的模型五 下面考虑通过修正指数对模型修正，e12与e13的MI值最大，为26.932，表明如果增加a12与a13之间的残差相关的路径，则模型的卡方值会减小较多。从实际考虑，员工对顾客的态度与员工给顾客结帐的速度，实际上也确实存在相关，设想，对顾客而言，超市员工结帐速度很慢本来就是一种对顾客态度不好的方面；反之，则相反。因此考虑增加e12与e13的相关性路径。（这里的分析不考虑潜变量因子可测指标的更改，理由是我们在设计问卷的题目的信度很好，而且题目本身的设计也不允许这样做，以下同。） 重新估计模型，重新寻找MI值较大的，e7与e8的MI值较大，为26.230，（虽然e3与e6的MI值等于26.746，但它们不属于同一个潜变量因子，因此不能考虑增加相关性路径，以下同）表明如果增加a7与a8之间的残差相关的路径，则模型的卡方值会减小较多。这也是员工对顾客的态度与员工给顾客结帐的速度之间存在相关，因此考虑增加e7与e8的相关性路径。 重新估计模型，重新寻找MI值较大的，e17与e18的MI值较大，为13.991，表明如果增加a17与a18之间的残差相关的路径，则模型的卡方值会减小较多。实际上消费前的满意度和与心中理想超市比较的满意度之间显然存在相关，因此考虑增加e17与e18的相关性路径。 重新估计模型，重新寻找MI值较大的，e2与e3的MI值较大，为11.088，表明如果增加a2与a3之间的残差相关的路径，则模型的卡方值会减小较多。实际上超市形象和超市品牌知名度之间显然存在相关，因此考虑增加e2与e3的相关性路径。 重新估计模型，重新寻找MI值较大的，e10与e12的MI值较大，为5.222，表明如果增加a10与a12之间的残差相关的路径，则模型的卡方值会减小较多。但实际上超市的食品保险&日用品丰富性与员工态度之间显然不存在相关，因此不考虑增加e10与e12的相关性路径。另外,从剩下的变量之间MI值没有可以做处理的变量对了，因此考虑MI值修正后的模型如图7-25。 图7-26 对应因果路径 图7-27 对应残差变量 图7-28 对应相关系数路径 图7-26，图7-27，图7-28。然后在Regression weight23,variance24,covariane25输入相同的英文名称即可。比如从图7-25修正的模型六输出的临界比率结果中发现23 24对应因果路径。 对应残差变量。 25对应相关系数路径。 绝对值最小的是par_44和par_45对应的-0.021，远远 图7-29 设置e22和e24的方差相等 图7-30 修正的模型七 小于95%置信水平下的临界值，说明两个方差间不存在显著差异。对应的是e22和e24的方差估计，从实际考虑，也可以认为它们的方差相差，则残差变量e22和e24上点击右键选择Object Properties，出现如图7-29的选项卡，然后在Object Properties选项卡下面的variance中都输入“v2”，最后关掉窗口即可设置e22和 e24的方差相等。经过反复比较得到的结构方程模型如图7-30。 根据上面提出的如图7-30所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-16。 表7-16 常用拟合指数计算结果 拟合指卡方值CFI NFI IFI RMSEA AIC BCC EVCI 数 (自由(146) 从表7-15和表7-16可以看出，卡方值虽然增大了一些，但自由度大大增加了，并且各拟合指数都得到了较大的改善（NFI除外）。该模型的各个参数在0.01的水平下都仍然是显著的，各方程的对应的测定系数相对而言增大了很多。 四、 最优模型参数估计的展示 表7-17 最优模型各路径系数估计 未标准化标准化 路径系数路径系 望 <--- 象 0.353 0.031 11.495 *** bb 0.384 质量感超市形 知 <--- 象 0.723 0.023 31.516 *** aa 0.814 质量感质量期 知 <--- 望 0.129 0.035 3.687 *** par_16 0.134 顾客满质量感 意 <--- 知 0.723 0.023 31.516 *** aa 0.627 顾客满超市形 意 <--- 象 0.353 0.031 11.495 *** bb 0.345 顾客忠顾客满 诚 <--- 意 0.723 0.023 31.516 *** aa 0.753 a1 <--- 象 1 0.925 a2 <--- 象 1.042 0.02 52.853 *** b 0.901 a3 <--- 象 0.728 0.036 20.367 *** d 0.631 a5 <--- 望 1 0.836 a4 <--- 望 0.728 0.036 20.367 *** d 0.622 a6 <--- 望 0.872 0.026 33.619 *** a 0.808 a7 <--- 望 1.042 0.02 52.853 *** b 0.853 a8 <--- 望 0.872 0.026 33.619 *** a 0.731 a10 <--- 知 1 0.779 a9 <--- 知 1.159 0.036 32.545 *** c 0.914 a12 <--- 知 1.042 0.02 52.853 *** b 0.777 a13 <--- 知 0.872 0.026 33.619 *** a 0.677 a18 <--- 意 1 0.861 a17 <--- 意 1.042 0.02 52.853 *** b 0.919 a16 <--- 意 1.042 0.02 52.853 *** b 0.963 a24 <--- 诚 1 0.706 a23 <--- 诚 1.159 0.036 32.545 *** c 0.847 顾客忠 e7 <--> e8 0.699 0.072 9.658 *** r2 0.46 e18 <--> e17 0.277 0.05 5.568 *** r1 0.289 e2 <--> e3 0.277 0.05 5.568 *** r1 0.178 注:“***”表示0.01 水平上显著，括号中是相应的C.R值，即t值。 表7-19 最优模型方差估计 方差估计 S.E. C.R. P Label 超市形象 3.461 0.275 12.574 *** par_17 z2 2.498 0.219 11.42 *** par_18 z1 0.645 0.085 7.554 *** par_19 z4 0.411 0.062 6.668 *** par_20 z5 1.447 0.177 8.196 *** par_21 e5 1.263 0.078 16.217 *** v3 e4 2.458 0.125 19.59 *** v5 e6 1.189 0.073 16.279 *** v6 e7 1.189 0.073 16.279 *** v6 e8 1.944 0.109 17.84 *** v7 e10 1.773 0.119 14.904 *** v1 图7-31 输出模型的直接效应、间接效应以及总效应 表7-20 模型中各潜在变量之间的直接效应、间接效应以及总效应（标准化的结果） （直接效应） (11.543) （间接效应） （总效应） 0.384 质量感知 0.814*** 0.134*** （直接效应） (31.659) (3.735) （间接效应） 0.051 （总效应） 0.865 0.134 顾客满意 0.345*** 0.627*** （直接效应） (11.543) (31.659) （间接效应） 0.543 0.084 （总效应） 0.888 0.084 0.627 顾客忠诚 0.753*** （直接效应） (31.659) （间接效应） 0.669 0.063 0.473 （总效应） 0.669 0.063 0.473 0.753 注:“***”表示0.01 水平上显著，括号中是相应的C.R值，即t值。表中给出的均是标准化后的参数,直接效应就是模型中的路径系数。 第一节 模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、 模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、 潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表1 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 关于该案例的操作也可结合书上第七章的相关内容来看。 本案例是在Amos7中完成的。 3 见spss数据文件“处理后的数据.sav”。 关于顾客满意调查数据的收集 本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对 四、 缺失值的处理 采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。 五、 数据的的信度和效度检验 1．数据的信度检验 正向的，采用Likert10级量度从“非常低”到“非常高” 信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。 折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部一致性。在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。 图7-1 信度分析的选择