搜索
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一、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(EugeneW.Anderson&ClaesFornell，2000;殷荣伍，2000)。表7-1设计的结构路径图和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。二、结构方程模型建模构建如图7.3的初始模型。2超市形象质量期望质量感知a1e111a2e21a3e31a5e511a4e41a6e61a7e71a8e81a10e1011a9e91a11e111a12e121a13e131顾客满意感知价格a18e1811a16e161a17e171a15e1511a14顾客忠诚a24e24a22e22a23e231111z21z41z51z31z11e141图7-3初始模型结构图7-4AmosGraphics初始界面图第一节Amos实现1一、Amos模型设定操作1这部分的操作说明也可参看书上第七章第二节:Amos实现。31．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ObjectProperties，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4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ObjectProperties，为可测变量命名。其中VariableName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ObjectProperties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5图7-11可测变量指定与命名图7-12初始模型设置完成第二节模型拟合标准化系数是将各变量原始分数转换为Z分数2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。2Z分数转换公式为：iiXXZs。6一、参数估计结果的展示图7-17模型运算完成图使用Analyze菜单下的CalculateEstimates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Viewtheoutputpathdiagram（）查看参数估计结果图（图7-18）。图7-18参数估计结果图详细信息包括分析基本情况（AnalysisSummary）、变量基本情况（Variable7Summary）、模型信息（NotesforModel）、估计结果（Estimates）、修正指数（ModificationIndices）和模型拟合（ModelFit）六部分。在分析过程中，一般通过前三部分3了解模型，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。二、模型评价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4进行统计显著性检验，这类似于回归分析中的参数显著性检验，原假设为系数等于。Amos提供了一种简单便捷的方法，叫做CR（CriticalRatio）。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。表7-5系数估计结果未标准化路径系数估计S.E.C.R.PLabel标准化路径系数估计质量期望---超市形象0.3010.0456.68***par_160.358质量感知---质量期望0.4340.0577.633***par_170.434感知价格---质量期望0.3290.0893.722***par_180.244感知价格---质量感知-0.1210.082-1.4670.142par_19-0.089感知价格---超市形象-0.0050.065-0.070.944par_20-0.004顾客满意---超市形象0.9120.04321.389***par_210.878顾客满意---感知价格-0.0290.028-1.0360.3par_23-0.032顾客忠诚---超市形象0.1670.1011.6530.098par_220.183顾客忠诚---顾客满意0.50.14.988***par_240.569a15---超市形10.9273分析基本情况（AnalysisSummary）、变量基本情况（VariableSummary）、模型信息（NotesforModel）三部分的详细介绍如书后附录三。4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。5凡是a+数字的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。8象a2---超市形象1.0080.03627.991***par_10.899a3---超市形象0.7010.04814.667***par_20.629a5---质量期望10.79a4---质量期望0.790.06112.852***par_30.626a6---质量期望0.8910.05316.906***par_40.786a7---质量期望1.1590.05919.628***par_50.891a8---质量期望1.0240.05817.713***par_60.816a10---质量感知10.768a9---质量感知1.160.06517.911***par_70.882a11---质量感知0.7580.06811.075***par_80.563a12---质量感知1.1010.06915.973***par_90.784a13---质量感知0.9830.06714.777***par_100.732a18---顾客满意10.886a17---顾客满意1.0390.03430.171***par_110.939a15---感知价格10.963a14---感知价格0.9720.1277.67***par_120.904a16---顾客满意1.0090.03331.024***par_130.95a24---顾客忠诚10.682a23---顾客忠诚1.2080.09213.079***par_140.846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.PLabel超市形象3.5740.29911.958***par_25z22.2080.2439.08***par_269z12.060.2418.54***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_37e81.3350.11911.228***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_49e231.730.2526.874***par_50e140.9810.5621.7450.081par_51注:“***”表示0.01水平上显著，括号中是相应的C.R值，即t值。三、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（如表表7-7拟合指数指数名称评价标准6绝对拟合指数2(卡方)越小越好GFI大于0.96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。10RMR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越小越好CAIC越小越好7-7）供使用者选择7。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。第三节模型修正8一、模型修