amos-驗證性因子分析步步教程

1、精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)超市形象質(zhì)量期望質(zhì)量感知感知價值顧客滿意顧客抱怨顧客忠誠一、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，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(guān)，設(shè)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(zhì)量期望、質(zhì)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(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

2、，2000)。表表 7-1 設(shè)計的結(jié)構(gòu)路徑圖和基本路徑假設(shè)設(shè)計的結(jié)構(gòu)路徑圖和基本路徑假設(shè)設(shè)計的結(jié)構(gòu)路徑圖基本路徑假設(shè)超市形象對質(zhì)量期望有路徑影響質(zhì)量期望對質(zhì)量感知有路徑影響質(zhì)量感知對感知價格有路徑影響質(zhì)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因此數(shù)據(jù)的效度檢驗就轉(zhuǎn)化為結(jié)構(gòu)方程模型評價中的模型擬合指數(shù)評價數(shù)據(jù)的效度檢驗就轉(zhuǎn)化為結(jié)構(gòu)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(jié)構(gòu)效度較好。二、結(jié)構(gòu)方程模型建模構(gòu)建如圖 7.3 的初始模型。精選優(yōu)質(zhì)文檔-傾情

3、為你奉上專心-專注-專業(yè)超市形象質(zhì)量期望質(zhì)量感知a1e111a2e21a3e31a5e511a4e41a6e61a7e71a8e81a10e1011a9e91a11e111a12e121a13e131顧客滿意感知價格a18e1811a16e161a17e171a15e1511a14顧客忠誠a24e24a22e22a23e231111z21z41z51z31z11e141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一節(jié)第一節(jié)AmosAmos 實現(xiàn)實現(xiàn)1 11 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)。精選優(yōu)質(zhì)文檔-傾情為你

4、奉上專心-專注-專業(yè)一、Amos 模型設(shè)定操作1模型的繪制在使用 Amos 進行模型設(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(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)

5、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精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)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） 。在可測變量上點擊右鍵選擇 Object Properties，為可測變量命名。其中 Variable Name 一項對應(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。圖圖 7-10 設(shè)定可測變量及殘差變量設(shè)定可

6、測變量及殘差變量精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)圖圖 7-11 可測變量指定與命名可測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 第二節(jié)第二節(jié)模型擬合模型擬合標準化系數(shù)是將各變量原始分數(shù)轉(zhuǎn)換為Z分數(shù)2后得到的估計結(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(zhì)量期望”潛變量影響的是“質(zhì)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(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“感知價格”潛變量的影響程度。2Z 分數(shù)轉(zhuǎn)換

7、公式為：。iiXXZs精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)一、參數(shù)估計結(jié)果的展示圖圖 7-17 模型運算完成圖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(jié)果如圖 7-17。其中紅框部分是模型運算基本結(jié)果信息，使用者也可以通過點擊 View the output path diagram（）查看參數(shù)估計結(jié)果圖（圖7-18） 。圖圖 7-18 參數(shù)估計結(jié)果圖參數(shù)估計結(jié)果圖詳細信息包括分析基本情況（Analysis Summary） 、變量基本情況（Variable 精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)S

8、ummary） 、模型信息（Notes for Model） 、估計結(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3了解模型，在模型評價時使用估計結(jié)果和模型擬合部分，在模型修正時使用修正指數(shù)部分。二、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(jié)果如表 7-5 到表 7-6，模型評價首先要考察模型結(jié)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)4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(shè)為系數(shù)等于。Amos 提供了一種簡單便捷的方法，叫做 CR（Critic

9、al 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(gòu)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(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。表表 7-5 系數(shù)估計結(jié)果系數(shù)估計結(jié)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(zhì)量期望-超市形象0.3

10、010.0456.68*par_160.358質(zhì)量感知-質(zhì)量期望0.4340.0577.633*par_170.434感知價格-質(zhì)量期望0.3290.0893.722*par_180.244感知價格-質(zhì)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

11、忠誠-顧客滿意0.50.14.988*par_240.569超市形3分析基本情況（Analysis Summary） 、變量基本情況（Variable Summary） 、模型信息（Notes for Model）三部分的詳細介紹如書后附錄三。4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)。5凡是 a+數(shù)字的變量都是代表問卷中相應(yīng)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。精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)象a2-超市形象1.0080.03627.991*par_10.899a3-超市形象0.7010.04814.667*par_20.629

12、a5-質(zhì)量期望10.79a4-質(zhì)量期望0.790.06112.852*par_30.626a6-質(zhì)量期望0.8910.05316.906*par_40.786a7-質(zhì)量期望1.1590.05919.628*par_50.891a8-質(zhì)量期望1.0240.05817.713*par_60.816a10-質(zhì)量感知10.768a9-質(zhì)量感知1.160.06517.911*par_70.882a11-質(zhì)量感知0.7580.06811.075*par_80.563a12-質(zhì)量感知1.1010.06915.973*par_90.784a13-質(zhì)量感知0.9830.06714.777*par_100.732

13、a18-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(yīng)的C.R值，即t值。表表 7-6 方差估計方差估計方差估計S.E.C.R.PLabel超市形象3.5740.29911.958*par_25z22.2080.2439.08*par_26

14、精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)z12.060.2418.54*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

15、.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_49e231.73

16、0.2526.874*par_50e140.9810.5621.7450.081par_51注:“*”表示0.01 水平上顯著，括號中是相應(yīng)的C.R值，即t值。三、模型擬合評價在結(jié)構(gòu)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S一個角度，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（）各個元素接SS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(jié)構(gòu)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(fù)雜性、樣本大小、相對性與絕對性等方面

17、對理論模型進行度量。Amos 提供了多種模型擬合指數(shù)（如表表表 7-7 擬合指數(shù)擬合指數(shù)指數(shù)名稱指數(shù)名稱評價標準評價標準6(卡方)2越小越好絕對擬合指數(shù)GFI大于 0.96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。精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)RMR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NFI大于 0.9，越接近 1 越好TLI大于 0.9，越

18、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7-7）供使用者選擇7。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(guān)理論解釋的模型更具有研究意義。第三節(jié)第三節(jié)模型修正模型修正8 8一、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

19、要可以被相關(guān)領(lǐng)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(jié)果是否具有現(xiàn)實意義或理論價值，當(dāng)模型效果很差時9可以參考模型修正指標對模型進行調(diào)整。當(dāng)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(jié)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徑，使模型結(jié)構(gòu)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10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使用。Amos 提供了兩種模型修正指標，其中修正指數(shù)（Modification Ind

20、ex）用于模型擴展，臨界比率（Critical Ratio）11用于模型限制。二、模型修正指標121. 修正指數(shù)（Modification Index）7詳細請參考 Amos 6.0 Users Guide 489 項。8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)。9如模型不可識別，或擬合指數(shù)結(jié)果很差。10譬如可以刪除初始模型中不存在顯著意義的路徑。11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。12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(chǔ)。精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)圖圖 7-19

21、修正指數(shù)計算修正指數(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13。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Modification Indices 項（如圖 7-19） 。其后面的 Threshold for Modification Indices指的是輸出的開始值14。13即當(dāng)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

22、等于相應(yīng)的修正指數(shù)值。14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。精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)圖圖 7-20 臨界比率計算臨界比率計算2. 臨界比率（Critical Ratio） 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(yīng)參數(shù)之差的標準差所構(gòu)造出的統(tǒng)計量。在模型假設(shè)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 Analysis Properties 中的 Ou

23、tput 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(jié)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(guān)于感知價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，從實際的角度考慮，通過自身的感受，某超市商品價格同校內(nèi)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(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

24、象對顧客忠誠的路徑先保留。修改的模型如圖 7-21。表表 7-8 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果擬合指數(shù)卡方值(自由度)CFINFIIFIRMSEAAICBCCEVCI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精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)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(jié)果如表 7-9。表表 7-9 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果擬合指數(shù)卡方值(自由度)CFINFIIFIRMSEAAICBCCEVC

25、I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(jié)果中的 Modification Indices 項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)，表示如果在兩個可測變量的殘差變量間增加一

26、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。從實際考慮，超市形象的確會影響到質(zhì)量感知，設(shè)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(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 中運用極大似然估計運行的部分結(jié)果如表 7-10、表 7-11。表表 7-10 常用擬合指數(shù)計

27、算結(jié)果常用擬合指數(shù)計算結(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參數(shù)水平下不顯著的估計參數(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-超市形象.164.1001.632.103par_21精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)

28、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(zhì)量期望到顧客滿意的路徑。重新估計模型，結(jié)果如表 7-12。表表 7-12 5%水平下不顯著的估計參數(shù)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(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持

29、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(jié)果如表 7-13。表表 7-13 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(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，但模型便簡單了，做此改變是值得的。該模型的各個參數(shù)在

30、 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 a11（關(guān)于營業(yè)時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，從實際考慮，由于人大校內(nèi)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(zhì)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。精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)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(jié)果如表 7-14。表表 7-14 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果擬合指數(shù)卡方值(自由度)CFINFIIFIRMSEAAICBCCEVCI結(jié)果401.3

31、(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(yīng)的測定系數(shù)增大了。圖圖 7-23 修正的模型四修正的模型四精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)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。從實際考慮，員工對顧客的態(tài)度與員工給顧客結(jié)

32、帳的速度，實際上也確實存在相關(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的更改，理由是我們在設(shè)計問卷的題目的信度很好，而且題目本身的設(shè)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(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

33、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(guān)，因此考慮增加 e17 與 e18 的相關(guān)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(guān)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(guān)，因此

34、考慮增加e2 與 e3 的相關(guān)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(guān)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(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。精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)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 中運用極大似然估計運行的

35、部分結(jié)果如表 7-15。表表 7-15 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(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

36、沒有顯著差異，哪些結(jié)構(gòu)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(yīng)參數(shù)估計設(shè)定為相等,直到最后所有相應(yīng)的 critical ratio 都大于 2 為止。通過點擊工具欄中的來查看模型輸出詳細結(jié)果中的 Pairwise Parameter Comparison 項可以查看臨界比率（Critical Ratio）結(jié)果，其中 par_1 到 par_46 代表模型中 46 個待估參數(shù)，其含義在模型參數(shù)估計結(jié)果表（如表 7-5，7-6）中標識。根據(jù) CR 值的大小15，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

37、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(yīng)的認為相等的參數(shù)對應(yīng)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，如15一般絕對值小于 2 認為沒有顯著差異。精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)圖圖 7-26 對應(yīng)因果路徑對應(yīng)因果路徑圖圖 7-27 對應(yīng)殘差變量對應(yīng)殘差變量圖圖 7-28 對應(yīng)相關(guān)系數(shù)路徑對應(yīng)相關(guān)系數(shù)路徑圖 7-26，圖 7-27，圖 7-28。然后在 Regression weight16,variance17,co

38、variane18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)16對應(yīng)因果路徑。17對應(yīng)殘差變量。18對應(yīng)相關(guān)系數(shù)路徑。精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)現(xiàn)絕對值最小的是 par_44 和 par_45 對應(yīng)的-0.021，遠遠圖圖 7-29 設(shè)置設(shè)置 e22 和和 e24 的方差相等的方差相等圖圖 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，說明兩個方差間不存在顯著差異。對應(yīng)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

39、，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(guān)掉窗口即可精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)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 中運用極大似然估計運行的部分結(jié)果如表 7-16。表表 7-16 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(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.

40、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(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)估計的展示表表 7-17 最優(yōu)模型各路徑系數(shù)估計最優(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(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

41、-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-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(zhì)量期望10.836a4-質(zhì)量期望0.7280.03620.367*d0.622a6-質(zhì)量期望0.8720.02633.619*a0.808a7-質(zhì)量期望1.0420.0252.853*b0.853精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)a8-質(zhì)量期望0.8

42、720.02633.619*a0.731a10-質(zhì)量感知10.779a9-質(zhì)量感知1.1590.03632.545*c0.914a12-質(zhì)量感知1.0420.0252.853*b0.777a13-質(zhì)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(yīng)的

43、C.R值，即t值。表表 7-18 最優(yōu)模型相關(guān)性路徑系數(shù)估計最優(yōu)模型相關(guān)性路徑系數(shù)估計協(xié)方差估計S.E.C.R.PLabel相關(guān)系數(shù)估計e12e130.6990.0729.658*r20.32e7e80.6990.0729.658*r20.46e18e170.2770.055.568*r10.289e2e30.2770.055.568*r10.178注:“*”表示0.01 水平上顯著，括號中是相應(yīng)的C.R值，即t值。表表 7-19 最優(yōu)模型方差估計最優(yōu)模型方差估計方差估計S.E.C.R.PLabel超市形象3.4610.27512.574*par_17z22.4980.21911.42*par

44、_18z10.6450.0857.554*par_19z40.4110.0626.668*par_20z51.4470.1778.196*par_21e51.2630.07816.217*v3e42.4580.12519.59*v5e61.1890.07316.279*v6e71.1890.07316.279*v6e81.9440.10917.84*v7e101.7730.11914.904*v1精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)e90.7260.05214.056*v4e121.9440.10917.84*v7e132.4580.12519.59*v5e181.2630.07816.217*v3e170.7260.05214.056*v4e243.3670.19817.048*v2e223.3670.19817.048*v2e231.7730.11914.904*v1e10.583