1、 1 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 应用案 例 1 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 一、 模型构 建的 思路 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。 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 二
2、、 潜变量 和可 测变 量的 设定 进行分析，并对文中提出的模型进行拟合、修正和解释。 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 殷荣伍，2000) 。 表 7-1 设计的结 构路径 图和
3、基 本路 径假设 设计的结构路径图 基本路径假设 超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 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 。 表 7-2 模 型变量 对应表 潜 变量 内涵 可测变量 1 关于该案例的操作也可结合书上第七章的相关内容来看。 2 本案例
4、是在 Amos7 中完成的。 3 见 spss 数据文件“处理后的数据.sav”。 2 ( 一) 超市 形象 根据 MARTENSEN 在固定电话、 移 动电话、超市等行业中的调查研究， 企业形象是影响总体满意水平的第 一要素， 这里将超市形象要素列为影 响因素， 可以从以下几个方面进行观 测。 某超市总体形象的评价(a1) 与其它超市相比的形象(a2) 与其它超市相比的品牌知名度(a3) ( 二) 质量 期望 质量期望是指顾客在使用某 超市产 品前对其的期望水平。 顾客的质量期 望会影响顾客价值， 而且质量期望还 会顾客感知造成影响. 还有学者指 出， 对于顾客期望要素， 至少 可以从 整体
5、感觉、 个性化服务、 可靠 性三个 方面来观测。 结合上述因素， 可以从 几个方面衡量对某超市的质量期望。 购物前，对某超市整体服务的期望(a4) 购物前， 期望某超市商品的新鲜程度达到的水平 (a5) 购物前，期望某超市营业时间安排合理程度(a6) 购物前，期望某 超市员工服务态度达到的水平 (a7) 购物前，期望某超市结账速度达到的水平(a8) ( 三) 质 量 感知 质量感知和质量期望相对应， 质量期 望考虑的是在购买商品前的期望， 质 量感知是在购买商品后的实际感受。 可以从几个方面衡量。 购物后，对某超市整体服务的满意程度(a9) 购物后， 认为某超市商品的新鲜程度达到的水平 (a1
6、0) 购物后，认为超市营业时间安排合理程度(a11) 购物后，认为某 超市员工服务态度达到的水平 (a12) 购物后，认为某超市结账速度达到的水平(a13) ( 四) 感知 价值 根据 ANDERSON 和 FOMELL(EUGENEW.ANDERSON &CLAESFOMELL ，2000) 对美 国顾 客满意指数模型的进一步研究， 认为 对于顾客价值部分可以从性价比来 衡量。 您认为某超市商品的价格如何(a14) 与其他超市相比， 您认为某超市商品的价格如何 (a15) ( 五) 顾客 满意 顾客满意一般可以从三个方面衡量， 一是可以从整体上来感觉； 二是可以 与消费前的期望进行比较， 寻
7、找两者 的差距； 三是可以与理想状态下的感 觉比较， 寻找两者的差距。 因此， 可 以通过以下几个指标衡量。 对某超市的总体满意程度(a16) 和您消费前的期望比，您对 某 超市的满意程度 (a17) 和您心目中的超市比，您对某 超市的满意程度 (a18) ( 六) 顾客 抱怨 FORNE 和 WERNERFELT （1988） 的研究成果， 认为顾客满意的增加会 减少顾客的抱怨， 同时会增加顾客的 忠诚， 当顾客不满意时， 他们 往往会 选择抱怨。 对于抱怨的观测， 一般有 两种方式，一种是比较正式的形式， 向超市提出正式抱怨， 有 换货， 退货 等行为； 另一种是非正式的形式， 顾 客会宣
8、传， 形成群众对于该超市的口 碑。 您对某超市投诉的频率 （包括给超市写投诉信和 直接向超市人员反映）(a19) 您对某 超市抱怨的频率（私下抱怨并未告知超 市）(a20) 您认为某 超市对顾客投诉的处理效率和效 果 4 (a21) 4 正向的，采用 Likert10 级量度从“非常低”到“非常高” 3 ( 七) 顾客 忠诚 顾客忠诚主要可以从三个方面体现： 顾客推荐意向、 转换产品的意向、 重 复购买的意向。 同时还有学者指出顾 客忠诚可以从顾客对涨价的容忍性、 重复购买性两方面衡量。 综合上述因 素，拟从以下几个方面衡量顾客忠 诚。 我会经常去某超市(a22) 我会推荐同学和朋友去某超市(
9、a23) 如果发现某超市的产品或服务有问题后， 能以谅 解的心态主动向超市反馈， 求 得解决， 并且以后 还会来超市购物(a24) 三、 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 超市形象的测量： 一、 超 市形象 1 代表“ 非常差劲
10、 ” ，10 代 表“非 常好” 1 您对某超市总体形象的评价 1 2 3 4 5 6 7 8 9 10 2 您认为与其它校内超市相比，某超市的形象如何 1 2 3 4 5 6 7 8 9 10 3 您认为与其它校内超市相比，某超市品牌知名度如何 1 2 3 4 5 6 7 8 9 10 本次调查共发放问卷 500 份， 收回有效样本 436 份。 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 信度（reliability ）指测
11、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
12、， 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（Cronbachs 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
13、 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 Cronbachs Alpha 系数为 0.892 ， 说明案例所使用数 据具有较好的信度。 4 图 7-1 信度分 析的选择 图 7-2 信度 分析变量 及方法的 选择 表7-3 信度分析 结果 Reliability Statistics Cronbachs Alpha N of Items .892 24 另外，对问卷中每个潜变量的信度分别检验结果如表 7-4 所示 5 潜变量 。从表 7-4 可以看到，除顾 客抱怨量表Cro
14、nbacas Alpha 系数为 0.255，比较低以外，其 它分量表的Alpha 系数均在 0.7 以上，且总量表的Cronbachs Alpha 系数达到了 0.891，表明此 量表的可靠性较高。由信度检验的结果可知顾客抱怨的测量指标的信度远低于 0.7 ，因此在 路径图中去掉顾客抱怨因子，即 初始模型中包括 6 个潜变量、21 个可测变量。 表 7-4 潜变量 的信度 检验 可测变量个数 Cronbachs Alpha 5 操作过程同前， 不同的是在图 7-14 中选入右边方框 items 中是 相应潜变量对应的题目。 如对超市形象潜变量， 只需要把 a1 、 a2 和 a3 题目选入到
15、右边方框 items 中即可。 5 超市形象 3 0.858 质量期望 5 0.889 质量感知 5 0.862 感知价格 2 0.929 顾客满意 3 0.948 顾客抱怨 3 0.255 顾客忠诚 3 0.738 2 数据的效度检验 效度 （validity ） 指测量工具能够 正确测量出所要测量的特质的程度， 分为内容效度 （content validity）、 效标效度 （criterion validity ）和结构效度（construct validity ）三个主要类型。 内容效度也称表面效度或逻辑效度， 是指测量目标与测量内容之间的适合性与相符性。 对内容效度常采用逻辑分析与统
16、 计分析相结合的方法进行评价。逻辑分析一般由研究者或专家评判所选题项是否“看上去”符合测量的目的和要求。 准则效度又称效标效度、 实证效度、 统计效度、 预测效度或标准关联效度， 是指用不同的几种测量方式或不同的指标对 同一变量进行测量，并将其中 的一种方式作为准则（效标） ，用其他的方式或指标与这个准 则作比较，如果其他方式或指 标 也有效， 那么这 个测 量即具 备效 标效度 。例如 ， X 是一个变 量， 我们使 用 1 X 、 2 X 两种工 具进行 测量 。如果 使用 1 X 作为准 则，并且 1 X 和 2 X 高度相关， 我们 就说 2 X 也是具 有很高 的效 度。当 然， 使
17、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
18、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 六、 结构方 程模 型建 模 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
19、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。 构建如图 7.3 的初始模型。 6 关于标准化系数的解释见本章第五节。 6 超市形象 质量期望 质量感知 a1 e1 1 1 a2 e2 1 a3 e3 1
20、a5 e5 1 1 a4 e4 1 a6 e6 1 a7 e7 1 a8 e8 1 a10 e10 1 1 a9 e9 1 a11 e11 1 a12 e12 1 a13 e13 1 顾客满意 感知价格 a18 e18 1 1 a16 e16 1 a17 e17 1 a15 e15 1 1 a14 顾客忠诚 a24 e24 a22 e22 a23 e23 1 1 1 1 z2 1 z4 1 z5 1 z3 1 z1 1 e14 1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 7一、Amos 基本 界面 与工 具 打开 Amos Gr
21、aphics ，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7这部分的操作说明也可参看书上第七章第二节:Amos 实现。 7 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
22、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 8 变量关系图如图 7-9 。 图 7-7 潜变量
23、命名 图 7-8 命名后 的潜变量 9 图 7-9 设定潜 变量关系 第三步为潜 变量设置 可测变量 及相应的残 差变量， 可以使用 绘制，也可 以使用 和 自行绘制 （绘制结果 如图 7-10 ） 。在可测变量上点击右键选择 Object Properties ，为可测变量命名。其中 Variable Name 一项对应的是数据中的变 量名（如图 7-11 ） ，在残差变量上右键选择 Object Properties 为 残差变量命名。最终绘制完成模型结果如图 7-12 。 图 7-10 设 定可测变 量及残 差变 量 10 图 7-11 可测 变量指 定与命名 图 7-12 初 始模型设
24、 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 7-1
25、3 数据配 置 11 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
26、化系数中存 在依赖于 有关变 量的尺度单位 ，所以在 比较路 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。 8 详细方法列表参见书后附录一。 - 12 - 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 三、 参数估 计结 果的 展示 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
27、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。 图 7-17 模型运 算完成 图 9 Z 分数转换公式为： i i XX Z s = 。 - 13 - 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 V
28、iew the output path diagram （ ）查 看参数估计结果图（图 7-18 ） 。 图 7-18 参数估 计结果 图 Amos 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 （Variable Summary ） 、 模型信息 （Notes for Model ） 、估 计结果（Estimates ） 、修正指数 （Modification Indices ）和模型拟合（Model Fit）六部分。在 分析过程中， 一般通过前三部分 10 四、 模型评 价 了解模
29、型，在模型评价时使用估计结果和模型拟合部分，在模型修正时使用修正指数 部分。 1 路径系数/ 载荷系数的显著性 参数估计结果如表 7-5 到表 7-6 ， 模型评价首先要考察模型结 果中估计出的参数是否具有统计意义， 需 要对路径系数或载荷 系数 1110 分析基本情况 （Analysis Summary ） 、 变量基本情况 （Variable Summary ） 、 模型信息 （Notes for Model ） 三 部分的详细介绍如书后附录三。 11 潜变量与潜变量间的回归系数称为路径系数；潜变量与可测变量间的回归系数称为载荷系数。 进行统计显著性检验，这类 似于回 归分析中的参数显著性
30、 检验， 原假设为系数 等于。Amos 提供了一种简单便 捷的方法， 叫做CR （Critical Ratio）。 CR值是一个Z 统计量， 使用参数估计值 与其标准差之比构成 （如表 7-5 中第四列） 。 Amos 同时给出了CR 的统计检验相伴概率p （如表 7-5 中第五列） ， 使用者可以根据p 值进行路径系数/ 载荷系数的统计显著性检验。譬如对于表 7.5 中“超市形 象”潜变量对 “质量期望”潜变量的路径系数（第一行）为 0.301 ，其CR 值为 6.68，相应的p 值小于 0.01 ，则可以认为 这个路径系数在 95% 的置信度 下与 0 存在显著性差异。 - 14 - 表
31、7-5 系数 估计结 果 未标准化路 径系数估计 S.E. C.R. P Label 标准化路径 系数估计 质量期望 - 超市形象 0.301 0.045 6.68 * par_16 0.358 质量感知 - 质量期望 0.434 0.057 7.633 * par_17 0.434 感知价格 - 质量期望 0.329 0.089 3.722 * par_18 0.244 感知价格 - 质量感知 -0.121 0.082 -1.467 0.142 par_19 -0.089 感知价格 - 超市形象 -0.005 0.065 -0.07 0.944 par_20 -0.004 顾客满意 - 超市
32、形象 0.912 0.043 21.389 * par_21 0.878 顾客满意 - 感知价格 -0.029 0.028 -1.036 0.3 par_23 -0.032 顾客忠诚 - 超市形象 0.167 0.101 1.653 0.098 par_22 0.183 顾客忠诚 - 顾客满意 0.5 0.1 4.988 * par_24 0.569 a1 12 - 超市形象 1 0.927 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 - 质量期望 1 0.79
33、 a4 - 质量期望 0.79 0.061 12.852 * par_3 0.626 a6 - 质量期望 0.891 0.053 16.906 * par_4 0.786 a7 - 质量期望 1.159 0.059 19.628 * par_5 0.891 a8 - 质量期望 1.024 0.058 17.713 * par_6 0.816 a10 - 质量感知 1 0.768 a9 - 质量感知 1.16 0.065 17.911 * par_7 0.882 a11 - 质量感知 0.758 0.068 11.075 * par_8 0.563 a12 - 质量感知 1.101 0.069
34、15.973 * par_9 0.784 a13 - 质量感知 0.983 0.067 14.777 * par_10 0.732 a18 - 顾客满意 1 0.886 a17 - 顾客满意 1.039 0.034 30.171 * par_11 0.939 a15 - 感知价格 1 0.963 a14 - 感知价格 0.972 0.127 7.67 * par_12 0.904 a16 - 顾客满意 1.009 0.033 31.024 * par_13 0.95 a24 - 顾客忠诚 1 0.682 a23 - 顾客忠诚 1.208 0.092 13.079 * par_14 0.846
35、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 12 凡是 a+数字的
36、变量都是代表问卷中相应测量指标的，其中数字代表的问卷第一部分中问题的序号。 - 15 - 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
37、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 *
38、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
39、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 表 7-7 拟合指 数 指 数名称 评 价标准 13绝对拟合指数 2 ( 卡方) 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 RMSEA 小于 0.05 ，越小越好 相对拟合指数 NFI 大于 0.9 ，越接 近 1 越好 TLI 大于 0.9 ，越接 近 1 越好 CFI 大于 0.9 ，越接 近 1 越好 信息指数 AIC 越小越
40、好 CAIC 越小越好 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。 - 16 - 7-7 ）供使用者选择 14 第 四节 模型修 正 。如果模型拟合不好，需要根据相关领域知识和模型修正指标进行模型修正。 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
41、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。 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 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
42、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 可以参考模型修正指标对模型进行调整。 17 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 ） 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。 18 二、 模型修 正指 标 用于模型限制。 191. 修正指数（Modification Index ） 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
43、某 14 详细请参考 Amos 6.0 Users Guide 489 项。 15 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。 - 17 - 条路径） ，整个模型改良时将会 减少的最小卡方值 20 若要使用修正指数， 需要在Analysis Properties 中的Output 项选择Modifica
44、tion Indices 项 （如图 7-19）。 其 后面的Threshold for Modification Indices 指的是输出的开始值 。 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。 21 。 图 7-20 临界比 率计算 2. 临界比率 （Critical Ratio ） 临界比率用于模型限制， 是计算模型中的每一对待估参数 （路径系数或载荷系数） 之 差， 并除以相应 参数之差的标准差所构造出的统计量。 在模型假设下，CR 统计量服从正态分布， 所以可以根据 CR 值判断 两个
45、待估参数 间是否存 在显著 性差异。若两 个待估参 数间不 存在显著性差 异，则可 以限定 模型在估计时对 这两个参数赋以相同的值。 若要使用临界比率，需要在 Analysis Properties 中的 Output 项 选择 Critical Ratio for Difference 项（如图 7-20 ） 。 三、 案例修 正 对本章所研究案例， 初始模型运算结果如表 7-8 ， 各项拟合指 数尚可。 但从模型参数的显著性检验 （如 表 7-5 ） 中可发现可以看出， 无 论是关于感知价格的测量方程部分还是关于结构方程部分 （除与质量期望的 路径外） ，系数都是不显著的。 关于感知价格的
46、结构方程部分的平方复相关系数为 0.048 ， 非常小。另外， 从实际的角度 考虑，通 过自身 的感受，某超市 商品价 格同校 内外其它主要 超市的商 品价格 的差别不明显， 因此， 首先考虑将该因子在本文的结构方程模型中去除， 并且增加质量期望和质量感知到顾客满意的路径。 超市形象对顾客忠诚的路径先保留。修改的模型如图 7-21 。 表 7-8 常用拟 合指数 计算结 果 拟合指数 卡方值(自由度) CFI NFI IFI RMSEA AIC BCC EVCI 结果 1031.4 (180) 0.866 0.842 0.866 0.109 1133.441 1139.378 2.834 20
47、 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。 21 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 。 - 18 - 图 7-21 修 正的 模型 二 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 拟合指数 卡方值(自由度) CFI NFI IFI RMSEA AIC BCC EVCI 结果 819.5 (145) 0.883 0.862 0.884 0.108 909.541 914.278 2.274 从表 7-8 和表 7-9 可以看
48、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 。 表 7-10
