AMOS步步教程(超詳細(xì)).doc

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(chéng) 應(yīng)用案例應(yīng)用案例 1 1 第一節(jié)第一節(jié)模型設(shè)定模型設(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(guó)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(duì)某超市顧客購(gòu)物服務(wù)滿意度調(diào)查得到實(shí)際數(shù)據(jù) 然后利用對(duì)缺失值進(jìn)行處理后的數(shù)據(jù) 3進(jìn)行分析 并對(duì)文中提出的模型進(jìn)行擬合 修正和解釋 二 潛變量和可測(cè)變量的設(shè)定 本文在繼承 ASCI 模型核心概念的基礎(chǔ)上 對(duì)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(duì)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(chéng) 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 殷榮伍 2000 表表 7 1 設(shè)計(jì)的結(jié)構(gòu)路徑圖和基本路徑假設(shè)設(shè)計(jì)的結(jié)構(gòu)路徑圖和基本路徑假設(shè) 設(shè)計(jì)的結(jié)構(gòu)路徑圖基本路徑假設(shè) 超市形象對(duì)質(zhì)量期望有路徑影響 質(zhì)量期望對(duì)質(zhì)量感知有路徑影響 質(zhì)量感知對(duì)感知價(jià)格有路徑影響 質(zhì)量期望對(duì)感知價(jià)格有路徑影響 感知價(jià)格對(duì)顧客滿意有路徑影響 顧客滿意對(duì)顧客忠誠(chéng)有路徑影響 超市形象對(duì)顧客滿意有路徑影響 超市形象對(duì)顧客忠誠(chéng)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(gòu)建情況 國(guó)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(cè)的具體范疇 見表 7 2 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 表表 7 2 模型變量對(duì)應(yīng)表模型變量對(duì)應(yīng)表 潛變量潛變量?jī)?nèi)涵可測(cè)變量 一一 超市超市 形象形象 根據(jù) MARTENSEN 在固定電話 移動(dòng)電話 超市等行業(yè)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(gè)方 面進(jìn)行觀測(cè) 某超市總體形象的評(píng)價(jià) 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 二二 質(zhì)量質(zhì)量 期望期望 質(zhì)量期望是指顧客在使用某超市產(chǎn) 品前對(duì)其的期望水平 顧客的質(zhì)量 期望會(huì)影響顧客價(jià)值 而且質(zhì)量期 望還會(huì)顧客感知造成影響 還有學(xué)者 指出 對(duì)于顧客期望要素 至少可 以從整體感覺 個(gè)性化服務(wù) 可靠 性三個(gè)方面來觀測(cè) 結(jié)合上述因素 可以從幾個(gè)方面衡量對(duì)某超市的質(zhì) 量期望 購(gòu)物前 對(duì)某超市整體服務(wù)的期望 a4 購(gòu)物前 期望某超市商品的新鮮程度達(dá)到的水 平 a5 購(gòu)物前 期望某超市營(yíng)業(yè)時(shí)間安排合理程度 a6 購(gòu)物前 期望某超市員工服務(wù)態(tài)度達(dá)到的水平 a7 購(gòu)物前 期望某超市結(jié)賬速度達(dá)到的水平 a8 三三 質(zhì)量質(zhì)量 感知感知 質(zhì)量感知和質(zhì)量期望相對(duì)應(yīng) 質(zhì)量 期望考慮的是在購(gòu)買商品前的期望 質(zhì)量感知是在購(gòu)買商品后的實(shí)際感 受 可以從幾個(gè)方面衡量 購(gòu)物后 對(duì)某超市整體服務(wù)的滿意程度 a9 購(gòu)物后 認(rèn)為某超市商品的新鮮程度達(dá)到的水 平 a10 購(gòu)物后 認(rèn)為超市營(yíng)業(yè)時(shí)間安排合理程度 a11 購(gòu)物后 認(rèn)為某超市員工服務(wù)態(tài)度達(dá)到的水平 a12 購(gòu)物后 認(rèn)為某超市結(jié)賬速度達(dá)到的水平 a13 四四 感知感知 價(jià)值價(jià)值 根據(jù) ANDERSON 和 FOMELL EUGENEW ANDERSON CLAESFOMELL 2000 對(duì)美國(guó)顧 客滿意指數(shù)模型的進(jìn)一步研究 認(rèn) 為對(duì)于顧客價(jià)值部分可以從性價(jià)比 來衡量 您認(rèn)為某超市商品的價(jià)格如何 a14 與其他超市相比 您認(rèn)為某超市商品的價(jià)格如 何 a15 五五 顧客顧客 滿意滿意 顧客滿意一般可以從三個(gè)方面衡量 一是可以從整體上來感覺 二是可 以與消費(fèi)前的期望進(jìn)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(gè)指標(biāo)衡量 對(duì)某超市的總體滿意程度 a16 和您消費(fèi)前的期望比 您對(duì)某超市的滿意程度 a17 和您心目中的超市比 您對(duì)某超市的滿意程度 a18 六六 顧客顧客 抱怨抱怨 FORNE 和 WERNERFELT 1988 的研究成 果 認(rèn)為顧客滿意的增加會(huì)減少顧 客的抱怨 同時(shí)會(huì)增加顧客的忠誠(chéng) 當(dāng)顧客不滿意時(shí) 他們往往會(huì)選擇 您對(duì)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(duì)某超市抱怨的頻率 私下抱怨并未告知超 市 a20 您認(rèn)為某超市對(duì)顧客投訴的處理效率和效果 4 a 抱怨 對(duì)于抱怨的觀測(cè) 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(huì)宣傳 形成群眾對(duì)于該超市 的口碑 21 七七 顧客顧客 忠誠(chéng)忠誠(chéng) 顧客忠誠(chéng)主要可以從三個(gè)方面體現(xiàn) 顧客推薦意向 轉(zhuǎn)換產(chǎn)品的意向 重復(fù)購(gòu)買的意向 同時(shí)還有學(xué)者指 出顧客忠誠(chéng)可以從顧客對(duì)漲價(jià)的容 忍性 重復(fù)購(gòu)買性兩方面衡量 綜 合上述因素 擬從以下幾個(gè)方面衡 量顧客忠誠(chéng) 我會(huì)經(jīng)常去某超市 a22 我會(huì)推薦同學(xué)和朋友去某超市 a23 如果發(fā)現(xiàn)某超市的產(chǎn)品或服務(wù)有問題后 能以 諒解的心態(tài)主動(dòng)向超市反饋 求得解決 并且 以后還會(huì)來超市購(gòu)物 a24 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(duì)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(gòu)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(cè)指標(biāo) 7 個(gè)人口變量 量表采用了 Likert10 級(jí)量度 如對(duì)超市形象的測(cè)量 一 一 超市形象超市形象1 代表代表 非常差勁非常差勁 10 代表代表 非常好非常好 1您對(duì)某超市總體形象的評(píng)價(jià)1 2 3 4 5 6 7 8 9 10 2您認(rèn)為與其它校內(nèi)超市相比 某超市的形象如何1 2 3 4 5 6 7 8 9 10 3您認(rèn)為與其它校內(nèi)超市相比 某超市品牌知名度如何1 2 3 4 5 6 7 8 9 10 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 數(shù)據(jù)的信度檢驗(yàn) 信度 reliability 指測(cè)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(cè)驗(yàn)內(nèi)部題目 之間的關(guān)系 考察測(cè)驗(yàn)的各個(gè)題目是否測(cè)量了相同的內(nèi)容或特質(zhì) 穩(wěn)定性是指用一種測(cè)量工具 譬如同一 份問卷 對(duì)同一群受試者進(jìn)行不同時(shí)間上的重復(fù)測(cè)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(cè)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(cè)量 所以主要采用反映內(nèi)部一致性的指標(biāo)來測(cè)量 數(shù)據(jù)的信度 折半信度 split half reliability 是將測(cè)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 數(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(cè)量工具中任一條目結(jié)果同其他所 4正向的 采用 Likert10 級(jí)量度從 非常低 到 非常高 有條目作比較 對(duì)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 圖圖 7 1 信度分析的選擇信度分析的選擇 圖圖 7 2 信度分析變量及方法的選擇信度分析變量及方法的選擇 表表7 3 信度分析結(jié)果信度分析結(jié)果 Reliability Statistics Cronbach s Alpha N of Items 89224 另外 對(duì)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(cè)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(cè)變量 表表 7 4 潛變量的信度檢驗(yàn)潛變量的信度檢驗(yàn) 潛變量可測(cè)變量個(gè)數(shù)Cronbach s Alpha 超市形象30 858 質(zhì)量期望50 889 質(zhì)量感知50 862 感知價(jià)格20 929 顧客滿意30 948 顧客抱怨30 255 顧客忠誠(chéng)30 738 2 數(shù)據(jù)的效度檢驗(yàn) 效度 validity 指測(cè)量工具能夠正確測(cè)量出所要測(cè)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(cè)量目標(biāo)與測(cè)量?jī)?nèi)容之間的適合性與相符性 對(duì)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(píng)價(jià) 邏輯分析一般由研究者或?qū)＜以u(píng)判所選題項(xiàng)是否 看上 去 符合測(cè)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(cè)效度或標(biāo)準(zhǔn)關(guān)聯(lián)效度 是指用不同的幾種測(cè)量方 式或不同的指標(biāo)對(duì)同一變量進(jìn)行測(cè)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(cè)量即具備效標(biāo)效度 例如 是一個(gè)變量 我X 們使用 兩種工具進(jìn)行測(cè)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 1 X 2 X 1 X 1 X 2 X 2 X 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(cè)量方式或指標(biāo)一定要是有效的 否則越比越差 現(xiàn)實(shí)中 我們?cè)u(píng)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(cè)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(cè)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(cè)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(cè)量并進(jìn)行施測(cè) 最后對(duì)測(cè)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(cè)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(píng)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(cè)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(píng)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(píng)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 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(duì)應(yīng)的題目 如對(duì)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) 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(duì)量表的結(jié)構(gòu)效度進(jìn)行考評(píng) 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(píng)價(jià)中的模型擬合指數(shù)評(píng)價(jià) 對(duì)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 超市形象質(zhì)量期望質(zhì)量感知 a1 e1 1 1 a2 e21 a3 e31 a5 e5 1 1 a4 e41 a6 e61 a7 e71 a8 e81 a10 e10 1 1 a9 e91 a11 e11 1 a12 e12 1 a13 e13 1 顧客滿意 感知價(jià)格 a18e18 1 1 a16e16 1 a17e17 1 a15e15 1 1 a14 顧客忠誠(chéng) a24e24 a22e22 a23e23 1 1 1 1 z2 1 z4 1 z5 1 z3 1 z1 1 e14 1 圖圖 7 3 初始模型結(jié)構(gòu)初始模型結(jié)構(gòu) 圖圖 7 4 Amos Graphics 初始界面圖初始界面圖 第二節(jié)第二節(jié)AmosAmos 實(shí)現(xiàn)實(shí)現(xiàn) 7 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 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) 圖圖 7 5 建模區(qū)域的版式調(diào)整建模區(qū)域的版式調(diào)整 圖圖 7 6 建立潛變量建立潛變量 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(cè)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 圖圖 7 7 潛變量命名潛變量命名 圖圖 7 8 命名后的潛變量命名后的潛變量 圖圖 7 9 設(shè)定潛變量關(guān)系設(shè)定潛變量關(guān)系 第三步為潛變量設(shè)置可測(cè)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(cè)變量上點(diǎn)擊右鍵選擇 Object Properties 為可測(cè)變量命名 其中 Variable Name 一項(xiàng)對(duì)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 圖圖 7 10 設(shè)定可測(cè)變量及殘差變量設(shè)定可測(cè)變量及殘差變量 圖圖 7 11 可測(cè)變量指定與命名可測(cè)變量指定與命名 圖圖 7 12 初始模型設(shè)置完成初始模型設(shè)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 Data Files 如圖 7 13 出現(xiàn)如圖 7 14 左邊的對(duì)話框 然后 點(diǎn)擊 File name 按鈕 出現(xiàn)如圖 7 14 右邊的對(duì)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(duì)話框中 ok 按鈕 這樣就讀入數(shù)據(jù)了 圖圖 7 13 數(shù)據(jù)配置數(shù)據(jù)配置 圖圖 7 14 數(shù)據(jù)讀入數(shù)據(jù)讀入 第三節(jié)第三節(jié)模型擬合模型擬合 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 圖圖 7 15 參數(shù)估計(jì)選擇參數(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(cè)量模型的因子載荷標(biāo)準(zhǔn)化系數(shù)如表 7 5 最后一列 8詳細(xì)方法列表參見書后附錄一 圖圖 7 16 標(biāo)準(zhǔn)化系數(shù)計(jì)算標(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(duì)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(duì) 質(zhì)量感知 潛變量的影響程度大于其對(duì) 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 9Z 分?jǐn)?shù)轉(zhuǎn)換公式為 i i XX Z s 圖圖 7 17 模型運(yùn)算完成圖模型運(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 圖圖 7 18 參數(shù)估計(jì)結(jié)果圖參數(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(píng)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(píng)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(píng)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(duì)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(jiǎn)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(duì)于表 7 5 中 超市 形象 潛變量對(duì) 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 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(cè)變量間的回歸系數(shù)稱為載荷系數(shù) 表表 7 5 系數(shù)估計(jì)結(jié)果系數(shù)估計(jì)結(jié)果 未標(biāo)準(zhǔn)化路 徑系數(shù)估計(jì)S E C R PLabel 標(biāo)準(zhǔn)化路徑 系數(shù)估計(jì) 質(zhì)量期望 超市形象0 3010 0456 68 par 160 358 質(zhì)量感知 質(zhì)量期望0 4340 0577 633 par 170 434 感知價(jià)格 質(zhì)量期望0 3290 0893 722 par 180 244 感知價(jià)格 質(zhì)量感知 0 1210 082 1 4670 142par 19 0 089 感知價(jià)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(jià)格 0 0290 028 1 0360 3par 23 0 032 顧客忠誠(chéng) 超市形象0 1670 1011 6530 098par 220 183 顧客忠誠(chéng) 顧客滿意0 50 14 988 par 240 569 a112 超市形象10 927 a2 超市形象1 0080 03627 991 par 10 899 a3 超市形象0 7010 04814 667 par 20 629 a5 質(zhì)量期望10 79 a4 質(zhì)量期望0 790 06112 852 par 30 626 a6 質(zhì)量期望0 8910 05316 906 par 40 786 a7 質(zhì)量期望1 1590 05919 628 par 50 891 a8 質(zhì)量期望1 0240 05817 713 par 60 816 a10 質(zhì)量感知10 768 a9 質(zhì)量感知1 160 06517 911 par 70 882 a11 質(zhì)量感知0 7580 06811 075 par 80 563 a12 質(zhì)量感知1 1010 06915 973 par 90 784 a13 質(zhì)量感知0 9830 06714 777 par 100 732 a18 顧客滿意10 886 a17 顧客滿意1 0390 03430 171 par 110 939 a15 感知價(jià)格10 963 a14 感知價(jià)格0 9720 1277 67 par 120 904 a16 顧客滿意1 0090 03331 024 par 130 95 a24 顧客忠誠(chéng)10 682 a23 顧客忠誠(chéng)1 2080 09213 079 par 140 846 注 表示0 01 水平上顯著 括號(hào)中是相應(yīng)的C R值 即t值 表表 7 6 方差估計(jì)方差估計(jì) 方差估計(jì)S E C R PLabel 超市形象3 5740 29911 958 par 25 z22 2080 2439 08 par 26 z12 060 2418 54 par 27 z34 4050 6686 596 par 28 z40 8940 1078 352 par 29 z51 3730 2146 404 par 30 12凡是 a 數(shù)字的變量都是代表問卷中相應(yīng)測(cè)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(hào) e10 5840 0797 363 par 31 e20 8610 0939 288 par 32 e32 6750 19913 467 par 33 e51 5260 1311 733 par 34 e42 4590 18613 232 par 35 e61 2450 10511 799 par 36 e70 8870 1038 583 par 37 e81 3350 11911 228 par 38 e101 7590 15211 565 par 39 e90 9760 1227 976 par 40 e113 1380 23513 343 par 41 e121 9260 17111 272 par 42 e132 1280 17612 11 par 43 e181 0560 08911 832 par 44 e160 420 0528 007 par 45 e170 5540 0619 103 par 46 e150 3640 5910 6160 538par 47 e243 4130 29511 55 par 48 e223 3810 28112 051 par 49 e231 730 2526 874 par 50 e140 9810 5621 7450 081par 51 注 表示0 01 水平上顯著 括號(hào)中是相應(yīng)的C R值 即t值 五 模型擬合評(píng)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(duì)于收集到的數(shù)據(jù)S 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)S S 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(duì)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(duì)性與絕對(duì)性等方面對(duì)理論模型進(jìn)行度量 Amos 提供了多種模型擬合指數(shù) 如表 表表 7 7 擬合指數(shù)擬合指數(shù) 指數(shù)名稱指數(shù)名稱評(píng)價(jià)標(biāo)準(zhǔn)評(píng)價(jià)標(biāo)準(zhǔn) 13 卡方 2 越小越好 GFI大于 0 9 RMR小于 0 05 越小越好 SRMR小于 0 05 越小越好 絕對(duì)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(duì)擬合指數(shù) CFI大于 0 9 越接近 1 越好 信息指數(shù) AIC越小越好 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(duì)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 CAIC越小越好 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(shí)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(shí)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)第四節(jié)模型修正模型修正 1515 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(duì)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(shí)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(duì)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(jiǎn)潔 通常在提高模型可識(shí)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 圖圖 7 19 修正指數(shù)計(jì)算修正指數(shù)計(jì)算 14詳細(xì)請(qǐng)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(shí)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) 修正指數(shù)用于模型擴(kuò)展 是指對(duì)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(huì)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 圖圖 7 20 臨界比率計(jì)算臨界比率計(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(duì)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(duì)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(duì)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(cè)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(duì)顧客忠誠(chéng)的路徑先保留 修改的模型如圖 7 21 表表 7 8 常用擬合指數(shù)計(jì)算結(jié)果常用擬合指數(shù)計(jì)算結(jié)果 擬合指數(shù)卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 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(huì)被輸出 一般默認(rèn)開始值為 4 結(jié)果1031 4 180 0 8660 8420 8660 1091133 4411139 3782 834 圖圖 7 21 修正的模型二修正的模型二 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 表表 7 9 常用擬合指數(shù)計(jì)算結(jié)果常用擬合指數(shù)計(jì)算結(jié)果 擬合指數(shù)卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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(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(duì)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(cè)變量的殘差變量間增加一條相關(guān)路徑至少會(huì)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(huì)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(huì)大大減小 從實(shí)際考慮 超市形象的確會(huì)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(huì)對(duì)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 表表 7 10 常用擬合指數(shù)計(jì)算結(jié)果常用擬合指數(shù)計(jì)算結(jié)果 擬合指數(shù)卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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 表表 7 11 5 水平下不顯著的估計(jì)參數(shù)水平下不顯著的估計(jì)參數(shù) EstimateS E C R PLabel 顧客滿意 質(zhì)量期望 054 035 1 540 124par 22 顧客忠誠(chéng) 超市形象 164 1001 632 103par 21 圖圖 7 22 修正的模型三修正的模型三 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 表表 7 12 5 水平下不顯著的估計(jì)參數(shù)水平下不顯著的估計(jì)參數(shù) EstimateS E C R PLabel 顧客忠誠(chéng) 超市形象 166 1011 652 099par 21 從表 7 12 可以看出 超市形象對(duì)顧客忠誠(chéng)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(huì)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(chéng)因素 考慮刪除這兩個(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 表表 7 13 常用擬合指數(shù)計(jì)算結(jié)果常用擬合指數(shù)計(jì)算結(jié)果 擬合指數(shù)卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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(jiǎn)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(duì)應(yīng)的測(cè)量指標(biāo) a11 關(guān)于營(yíng)業(yè)時(shí)間安排合理程度的打分 對(duì)應(yīng)方程的測(cè)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(yíng)業(yè)時(shí)間從很長(zhǎng) 幾乎是全天候營(yíng)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(cè)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 表表 7 14 常用擬合指數(shù)計(jì)算結(jié)果常用擬合指數(shù)計(jì)算結(jié)果 擬合指數(shù)卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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(gè)參數(shù)在 0 01 的水平下都仍然是顯著的 各方程的對(duì)應(yīng)的測(cè)定系數(shù)增大了 圖圖 7 23 修正的模型四修正的模型四 圖圖 7 24 修正的模型五修正的模型五 下面考慮通過修正指數(shù)對(duì)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(huì)減小較多 從實(shí)際考慮 員工對(duì)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(duì)顧客而言 超市員工結(jié)帳速度很慢本來就是一種對(duì)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(cè) 指標(biāo)的更改 理由是我們?cè)谠O(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(huì)減小較多 這也是員工對(duì)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(huì)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(huì)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(huì)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(duì)了 因此考慮 MI 值修正后的模型如圖 7 25 圖圖 7 25 修正的模型六修正的模型六 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 表表 7 15 常用擬合指數(shù)計(jì)算結(jié)果常用擬合指數(shù)計(jì)算結(jié)果 擬合指數(shù)卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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(gè)參數(shù)在 0 01 的水平下都仍然是顯著的 各方程的對(duì)應(yīng)的測(cè)定系數(shù)增大了 下面考慮根據(jù) Pairwise Parameter Comparisons 來判斷對(duì)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(cè)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(cè)量方程的隨 機(jī)項(xiàng)的方差之間的之間沒有顯著差異 對(duì)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(shí) 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(duì) 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 圖圖 7 26 對(duì)應(yīng)因果路徑對(duì)應(yīng)因果路徑 圖圖 7 27 對(duì)應(yīng)殘差變量對(duì)應(yīng)殘差變量 22一般絕對(duì)值小于 2 認(rèn)為沒有顯著差異 圖圖 7 28 對(duì)應(yīng)相關(guān)系數(shù)路徑對(duì)應(yīng)相關(guān)系數(shù)路徑 圖 7 26 圖 7 27 圖 7 28 然后在 Regression weight23 variance24 covariane25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(duì)值最小的是 par 44 和 par 45 對(duì)應(yīng)的 0 021 遠(yuǎn)遠(yuǎn) 圖圖 7 29 設(shè)置設(shè)置 e22 和和 e24 的方差相等的方差相等 23對(duì)應(yīng)因果路徑 24對(duì)應(yīng)殘差變量 25對(duì)應(yīng)相關(guān)系數(shù)路徑 圖圖 7 30 修正的模型七修正的模型七 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(duì)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 表表 7 16 常用擬合指數(shù)計(jì)算結(jié)果常用擬合指數(shù)計(jì)算結(jié)果 擬合指數(shù)卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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(gè)參數(shù)在 0 01 的水平下都仍然是顯著的 各方程的對(duì)應(yīng)的測(cè)定系數(shù) 相對(duì)而言增大了很多 四 最優(yōu)模型參數(shù)估計(jì)的展示 表表 7 17 最優(yōu)模型各路徑系數(shù)估計(jì)最優(yōu)模型各路徑系數(shù)估計(jì) 未標(biāo)準(zhǔn)化路 徑系數(shù)估計(jì)S E C R PLabel 標(biāo)準(zhǔn)化路徑 系數(shù)估計(jì) 質(zhì)量期望 超市形象0 3530 03111 495 bb0 384 質(zhì)量感知 超市形象0 7230 02331 516 aa0 814 質(zhì)量感知 質(zhì)量期望0 1290 0353 687 par 160 134 顧客滿意 質(zhì)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(chéng) 顧客滿意0 7230 02331 516 aa0 753 a1 超市形象10 925 a2 超市形象1 0420 0252 853 b0 901 a3 超市形象0 7280 03620 367 d0 631 a5 質(zhì)量期望10 836 a4 質(zhì)量期望0 7280 03620 367 d0 622 a6 質(zhì)量期望0 8720 02633 619 a0 808 a7 質(zhì)量期望1 0420 0252 853 b0 853 a8 質(zhì)量期望0 8720 02633 619 a0 731 a10 質(zhì)量感知10 779 a9 質(zhì)量感知1 1590 03632 545 c0 914 a12 質(zhì)量感知1 0420 0252 853 b0 777 a13 質(zhì)量感知0 8720 02633 6