amos-驗證性因子分析報告步步教程.doc

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(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 后三個因素是結果變量 前提變量 綜合決定并影響著結果變量 Eugene W Anderson 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 二 結構方程模型建模 構建如圖 7 3 的初始模型 超 市 形 象質(zhì) 量 期 望質(zhì) 量 感 知 a1e111 a2e21 a3e31a5e5 11 a4e41 a6e61 a7e71 a8e81a10e10 11 a9e91 a11e111 a12e121 a13e131 顧 客 滿 意 感 知 價 格 a18e18 11 a16e16 1 a17e171 a15e15 11 a14 顧 客 忠 誠a24e24 a22e22 a23e23 111 1 z21 z41 z51 z31 z11 e141 圖 7 3 初始模型結構 圖 7 4 Amos Graphics 初始界面圖 第一節(jié) Amos 實現(xiàn) 1 一 Amos 模型設定操作 1 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) 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 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 Object Properties 為可測變量命名 其中 Variable Name 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 Object Properties 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 第二節(jié) 模型擬合 標準化系數(shù)是將各變量原始分數(shù)轉換為 Z 分數(shù) 2后得到的估計結果 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)轉換公式為 iXZs 一 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 Calculate Estimates 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 View the output path diagram 查看參數(shù)估計結果圖 圖 7 18 圖 7 18 參數(shù)估計結果圖 詳細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 估計結果 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) 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 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(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 7 5 系數(shù)估計結果 未標準化 路徑系數(shù) 估計 S E C R P Label 標準化 路徑系 數(shù)估計 質(zhì)量期 望 超市形 象 0 301 0 045 6 68 par 16 0 358 質(zhì)量感 知 質(zhì)量期 望 0 434 0 057 7 633 par 17 0 434 感知價 格 質(zhì)量期 望 0 329 0 089 3 722 par 18 0 244 感知價 格 質(zhì)量感 知 0 121 0 082 1 467 0 142 par 19 0 089 感知價 格 超市形 象 0 005 0 065 0 07 0 944 par 20 0 004 顧客滿 意 超市形 象 0 912 0 043 21 389 par 21 0 878 顧客滿 意 感知價 格 0 029 0 028 1 036 0 3 par 23 0 032 顧客忠 誠 超市形 象 0 167 0 101 1 653 0 098 par 22 0 183 顧客忠 誠 顧客滿 意 0 5 0 1 4 988 par 24 0 569 a15 超市形 象 1 0 927 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 a2 超市形 象 1 008 0 036 27 991 par 1 0 899 a3 超市形 象 0 701 0 048 14 667 par 2 0 629 a5 質(zhì)量期 望 1 0 79 a4 質(zhì)量期 望 0 79 0 061 12 852 par 3 0 626 a6 質(zhì)量期 望 0 891 0 053 16 906 par 4 0 786 a7 質(zhì)量期 望 1 159 0 059 19 628 par 5 0 891 a8 質(zhì)量期 望 1 024 0 058 17 713 par 6 0 816 a10 質(zhì)量感 知 1 0 768 a9 質(zhì)量感 知 1 16 0 065 17 911 par 7 0 882 a11 質(zhì)量感 知 0 758 0 068 11 075 par 8 0 563 a12 質(zhì)量感 知 1 101 0 069 15 973 par 9 0 784 a13 質(zhì)量感 知 0 983 0 067 14 777 par 10 0 732 a18 顧客滿 意 1 0 886 a17 顧客滿 意 1 039 0 034 30 171 par 11 0 939 a15 感知價 格 1 0 963 a14 感知價 格 0 972 0 127 7 67 par 12 0 904 a16 顧客滿 意 1 009 0 033 31 024 par 13 0 95 a24 顧客忠 誠 1 0 682 a23 顧客忠 誠 1 208 0 092 13 079 par 14 0 846 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 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 水平上顯著 括號中是相應的 C R 值 即 t 值 三 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S 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S S 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 6 卡方 2 越小越好 GFI 大于 0 9絕對擬合指數(shù) RMR 小于 0 05 越小越好 6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 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)相關領域知識和模型修正 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理論解釋的模型更具有研究意義 第三節(jié) 模型修正 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 9可以參考模型修正指標對模型進行調(diào)整 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 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 10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 Amos 提供了兩種模型修正指標 其中修正指數(shù) Modification Index 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 12 1 修正指數(shù) Modification Index 7詳細請參考 Amos 6 0 User s Guide 489 項 8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) 9如模型不可識別 或擬合指數(shù)結果很差 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 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 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 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 圖 7 20 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 Analysis Properties 中的 Output 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(zhì)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(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構方程模型中去除 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)計算結果 擬合指 數(shù) 卡方 值 自 由度 CFI NFI IFI RMSEA AIC BCC EVCI 結果 1031 4 180 0 866 0 842 0 866 0 109 1133 44 1 1139 37 8 2 834 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 CFI NFI IFI RMSEA AIC BCC EVCI 結果 819 5 145 0 883 0 862 0 884 0 108 909 541 914 278 2 274 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 Modification Indices 項可以查看模型的修正指數(shù) Modification Index 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(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 CFI NFI IFI RMSEA AIC BCC EVCI 結果 510 1 144 0 936 0 914 0 937 0 080 602 100 606 942 1 505 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 11 5 水平下不顯著的估計參數(shù) Estimate S E C R P Label 顧客滿 意 質(zhì)量期望 054 035 1 540 124 par 22 顧客忠 誠 超市形象 164 100 1 632 103 par 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(zhì)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 12 5 水平下不顯著的估計參數(shù) Estimate S E C R P Label 顧客忠誠 超市形象 166 101 1 652 099 par 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(nèi)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 CFI NFI IFI RMSEA AIC BCC EVCI 結果 515 1 146 0 936 0 913 0 936 0 080 603 11 7 607 749 1 508 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(zhì)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(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 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 CFI NFI IFI RMSEA AIC BCC EVCI 結果 401 3 129 0 951 0 930 0 951 0 073 485 291 489 480 1 213 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 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 CFI NFI IFI RMSEA AIC BCC EVCI 結果 281 9 125 0 972 0 951 0 972 0 056 373 877 378 465 0 935 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) Pairwise Parameter Comparisons 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 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果中的 Pairwise Parameter Comparison 項可以查看臨界比率 Critical Ratio 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 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 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 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 Regression weight16 variance17 covariane18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) 16對應因果路徑 17對應殘差變量 18對應相關系數(shù)路徑 現(xiàn)絕對值最小的是 par 44 和 par 45 對應的 0 021 遠遠 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 Object Properties 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 最后關掉窗口即可 設置 e22 和 e24 的方差相等 經(jīng)過反復比較得到的結構方程模型如圖 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 CFI NFI IFI RMSEA AIC BCC EVCI 結果 295 9 146 0 973 0 948 0 973 0 051 345 909 348 402 0 865 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 四 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 P Label 標準化 路徑系 數(shù)估計 質(zhì)量期 望 超市形 象 0 353 0 031 11 495 bb 0 384 質(zhì)量感 知 超市形 象 0 723 0 023 31 516 aa 0 814 質(zhì)量感 知 質(zhì)量期 望 0 129 0 035 3 687 par 16 0 134 顧客滿 意 質(zhì)量感 知 0 723 0 023 31 516 aa 0 627 顧客滿 意 超市形 象 0 353 0 031 11 495 bb 0 345 顧客忠 誠 顧客滿 意 0 723 0 023 31 516 aa 0 753 a1 超市形 象 1 0 925 a2 超市形 象 1 042 0 02 52 853 b 0 901 a3 超市形 象 0 728 0 036 20 367 d 0 631 a5 質(zhì)量期 望 1 0 836 a4 質(zhì)量期 望 0 728 0 036 20 367 d 0 622 a6 質(zhì)量期 望 0 872 0 026 33 619 a 0 808 a7 質(zhì)量期 望 1 042 0 02 52 853 b 0 853 a8 質(zhì)量期 望 0 872 0 026 33 619 a 0 731 a10 質(zhì)量感 知 1 0 779 a9 質(zhì)量感 知 1 159 0 036 32 545 c 0 914 a12 質(zhì)量感 知 1 042 0 02 52 853 b 0 777 a13 質(zhì)量感 知 0 872 0 026 33 619 a 0 677 a18 顧客滿 意 1 0 861 a17 顧客滿 意 1 042 0 02 52 853 b 0 919 a16 顧客滿 意 1 042 0 02 52 853 b 0 963 a24 顧客忠 誠 1 0 706 a23 顧客忠 誠 1 159 0 036 32 545 c 0 847 a22 顧客忠 誠 0 872 0 026 33 619 a 0 656 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 P Label 相關系數(shù)估 計 e12 e13 0 699 0 072 9 658 r2 0 32 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 水平上顯著 括號中是相應的 C R 值 即 t 值 表 7 19 最優(yōu)模型方差估計 方差估計 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 e9 0 726 0 052 14 056 v4 e12 1 944 0 109 17 84 v7 e13 2 458 0 125 19 59 v5 e18 1 263 0 078 16 217 v3 e17 0 726 0 052 14 056 v4 e24 3 367 0 198 17 048 v2 e22 3 367 0 198 17 048 v2 e23 1 773 0 119 14 904 v1 e1 0 583 0 074 7 876 par 22 e2 0 871 0 086 10 13 par 23 e3 2 781 0 197 14 106 par 24 e16 0 314 0 046 6 863 par 25 注 表示 0 01 水平上顯著 括號中是相應的 C R 值 即 t 值 第四節(jié) 模型解釋 結構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 的結構關系 這些關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 間接效應以及總效應 需要在 Analysis Properties 中的 Output 項選擇 Indirect direct total effects 項 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 間接效應以及 總效應如表 7 20 1 直接效應 direct effect 指由原因變量 可以是外生變量或內(nèi)生變量 到結果變量 內(nèi)生變量 的直接影響 用原因變量到結果變量的路徑系數(shù)來衡量直接效應 比如利用表 7 17 最后一列的結果 超市形象到質(zhì)量期望的標準化路徑系數(shù)是 0 814 則超市 形象到質(zhì)量感知的直接效應是 0 814 這說明當其他條件不變時 超市形象 潛變量每提升 1 個單位 質(zhì)量期望 潛變量將直接提升 0 698 個單位 2 間接效應 indirect effect 指原因變量通過影響一個或者多個中介變量 對結果變量的間接影響 當只有 一個中介變量時 間接效應的大小是兩個路徑系數(shù)的乘積 比如利用表 7 17 最 后一列的結果 超市形象到質(zhì)量期望的標準化路徑系數(shù)是 0 384 質(zhì)量期望到質(zhì) 量感知的標準化路徑系數(shù)是 0 134 則超市形象到質(zhì)量感知的間接效應就是 0 384 0 134 0 051 這說明當其他條件不變時 超市形象 潛變量每提升 1 個單位 質(zhì)量感知 潛變量將間接提升 0 385 個單位 3 總效應 total effect 由原因變量到結果變量總的影響 它是直接效應與間接效應之和 比如利 用表 7 17 最后一列的結果 超市形象到質(zhì)量感知的直接效應是 0 814 超市形 象到質(zhì)量感知的間接效應是 0 051 則超市形象到質(zhì)量感知的總效應為 0 814 0 051 0 865 這說明當其他條件不變時 超市形象 潛變量每提升 1 個 單位 質(zhì)量感知 潛變量總共將提升 0 865 個單位 圖 7 31 輸出模型的直接效應 間接效應以及總效應 表 7 20 模型中各潛在變量之間的直接效應 間接效應以及總效應 標準化的結果 超市形象 質(zhì)量期望 質(zhì)量感知 顧客滿意 質(zhì)量期望 直接效應 0 384 11 543 間接效應 總效應 0 384 質(zhì)量感知 直接效應 0 814 31 659 0 134 3 735 間接效應 0 051 總效應 0 865 0 134 顧客滿意 直接效應 0 345 11 543 0 627 31 659 間接效應 0 543 0 084 總效應 0 888 0 084 0 627 顧客忠誠 直接效應 0 753 31 659 間接效應 0 669 0 063 0 473 總效應 0 669 0 063 0 473 0 753 注 表示 0 01 水平上顯著 括號中是相應的 C R 值 即 t 值 表中給出 的均是標準化后的參數(shù) 直接效應就是模型中的路徑系數(shù)