amos-验证性因子分析报告步步教程.doc

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 Eugene W Anderson 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 超 市 形 象质 量 期 望质 量 感 知 a1e111 a2e21 a3e31a5e5 11 a4e41 a6e61 a7e71 a8e81a10e10 11 a9e91 a11e111 a12e121 a13e131 顾 客 满 意 感 知 价 格 a18e18 11 a16e16 1 a17e171 a15e15 11 a14 顾 客 忠 诚a24e24 a22e22 a23e23 111 1 z21 z41 z51 z31 z11 e141 图 7 3 初始模型结构 图 7 4 Amos Graphics 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 1 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 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 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 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 iXZs 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 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 View 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 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 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 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 表 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 a15 超市形 象 1 0 927 3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 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 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 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 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 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 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 与理论方差协方差矩阵 的差异最小的模型参数 换S 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 与理论方差协方差矩阵 差别不大 即残差矩阵 各个元素接S S 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 卡方 2 越小越好 GFI 大于 0 9绝对拟合指数 RMR 小于 0 05 越小越好 6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 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 越好相对拟合指数 CFI 大于 0 9 越接近 1 越好 AIC 越小越好信息指数 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 9可以参考模型修正指标对模型进行调整 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 10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 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 11用于模型限制 二 模型修正指标 12 1 修正指数 Modification Index 7详细请参考 Amos 6 0 User s Guide 489 项 8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 9如模型不可识别 或拟合指数结果很差 10譬如可以删除初始模型中不存在显著意义的路径 11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 12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 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 譬如在模型中添加某 条路径 整个模型改良时将会减少的最小卡方值 13 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 若要使用修正指数 需要在 Analysis Properties 中的 Output 项选择 Modification Indices 项 如图 7 19 其后面的 Threshold for Modification Indices 指的是输出的开始值 14 13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 14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 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 44 1 1139 37 8 2 834 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 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 510 1 144 0 936 0 914 0 937 0 080 602 100 606 942 1 505 从表 7 9 和表 7 10 可以看出 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 表 7 11 5 水平下不显著的估计参数 Estimate S E C R P Label 顾客满 意 质量期望 054 035 1 540 124 par 22 顾客忠 诚 超市形象 164 100 1 632 103 par 21 图 7 22 修正的模型三 除上面表 7 11 中的两个路径系数在 0 05 的水平下不显著外 该模型其它各 个参数在 0 01 水平下都是显著的 首先考虑去除 p 值较大的路径 即质量期望 到顾客满意的路径 重新估计模型 结果如表 7 12 表 7 12 5 水平下不显著的估计参数 Estimate S E C R P Label 顾客忠诚 超市形象 166 101 1 652 099 par 21 从表 7 12 可以看出 超市形象对顾客忠诚路径系数估计的 p 值为 0 099 仍大于 0 05 并且从实际考虑 在学校内部 学生一般不会根据超市之间在形 象上的差别而选择坚持去同一个品牌的超市 更多的可能是通过超市形象影响 超市满意等因素进而影响到顾客忠诚因素 考虑删除这两个路径的模型如图 7 23 根据上面提出的如图 7 23 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 13 表 7 13 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 515 1 146 0 936 0 913 0 936 0 080 603 11 7 607 749 1 508 从表 7 10 和表 7 13 可以看出 卡方值几乎没变 并且各拟合指数几乎没 有改变 但模型便简单了 做此改变是值得的 该模型的各个参数在 0 01 的水 平下都是显著的 另外质量感知对应的测量指标 a11 关于营业时间安排合理 程度的打分 对应方程的测定系数为 0 278 比较小 从实际考虑 由于人大校 内东区物美超市的营业时间从很长 几乎是全天候营业在顾客心中 可能该指 标能用质量感知解释的可能性不大 考虑删除该测量指标 修改后的模型如图 7 24 根据上面提出的如图 7 24 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 14 表 7 14 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 401 3 129 0 951 0 930 0 951 0 073 485 291 489 480 1 213 从表 7 13 和表 7 14 可以看出 卡方值减小了很多 并且各拟合指数都得 到了较大的改善 该模型的各个参数在 0 01 的水平下都仍然是显著的 各方程 的对应的测定系数增大了 图 7 23 修正的模型四 图 7 24 修正的模型五 下面考虑通过修正指数对模型修正 e12 与 e13 的 MI 值最大 为 26 932 表明如果增加 a12 与 a13 之间的残差相关的路径 则模型的卡方值会减小较多 从实际考虑 员工对顾客的态度与员工给顾客结帐的速度 实际上也确实存在 相关 设想 对顾客而言 超市员工结帐速度很慢本来就是一种对顾客态度不 好的方面 反之 则相反 因此考虑增加 e12 与 e13 的相关性路径 这里的分 析不考虑潜变量因子可测指标的更改 理由是我们在设计问卷的题目的信度很 好 而且题目本身的设计也不允许这样做 以下同 重新估计模型 重新寻找 MI 值较大的 e7 与 e8 的 MI 值较大 为 26 230 虽然 e3 与 e6 的 MI 值等于 26 746 但它们不属于同一个潜变量因子 因此不能考虑增加相关性路径 以下同 表明如果增加 a7 与 a8 之间的残差相 关的路径 则模型的卡方值会减小较多 这也是员工对顾客的态度与员工给顾 客结帐的速度之间存在相关 因此考虑增加 e7 与 e8 的相关性路径 重新估计模型 重新寻找 MI 值较大的 e17 与 e18 的 MI 值较大 为 13 991 表明如果增加 a17 与 a18 之间的残差相关的路径 则模型的卡方值会 减小较多 实际上消费前的满意度和与心中理想超市比较的满意度之间显然存 在相关 因此考虑增加 e17 与 e18 的相关性路径 重新估计模型 重新寻找 MI 值较大的 e2 与 e3 的 MI 值较大 为 11 088 表明如果增加 a2 与 a3 之间的残差相关的路径 则模型的卡方值会减 小较多 实际上超市形象和超市品牌知名度之间显然存在相关 因此考虑增加 e2 与 e3 的相关性路径 重新估计模型 重新寻找 MI 值较大的 e10 与 e12 的 MI 值较大 为 5 222 表明如果增加 a10 与 a12 之间的残差相关的路径 则模型的卡方值会减 小较多 但实际上超市的食品保险 日用品丰富性与员工态度之间显然不存在 相关 因此不考虑增加 e10 与 e12 的相关性路径 另外 从剩下的变量之间 MI 值没有可以做处理的变量对了 因此考虑 MI 值修正后的模型如图 7 25 图 7 25 修正的模型六 根据上面提出的如图 7 25 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 15 表 7 15 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 281 9 125 0 972 0 951 0 972 0 056 373 877 378 465 0 935 从表 7 14 和表 7 15 可以看出 卡方值减小了很多 并且各拟合指数都得 到了较大的改善 该模型的各个参数在 0 01 的水平下都仍然是显著的 各方程 的对应的测定系数增大了 下面考虑根据 Pairwise Parameter Comparisons 来判 断对待估计参数的设定 即判断哪些结构方程之间的系数没有显著差异 哪些 测量方程的系数之间没有显著差异 哪些结构方程的随机项的方差之间没有显 著差异 哪些测量方程的随机项的方差之间的之间没有显著差异 对没有显著 差异的相应参数估计设定为相等 直到最后所有相应的 critical ratio 都大于 2 为 止 通过点击工具栏中的 来查看模型输出详细结果中的 Pairwise Parameter Comparison 项可以查看临界比率 Critical Ratio 结果 其中 par 1 到 par 46 代 表模型中 46 个待估参数 其含义在模型参数估计结果表 如表 7 5 7 6 中标 识 根据 CR 值的大小 15 可以判断两个模型参数的数值间是否存在显著性差 异 如果经检验发现参数值间不存在显著性差异 则可以考虑模型估计时限定 两个参数相等 如果是某两个参数没有显著差异 并且根据经验也是如此 则 可在相应的认为相等的参数对应的路径或残差变量上点击右键选择 Object Properties 然后出现如图 7 11 的选项卡 选择 parameters 项 如 15一般绝对值小于 2 认为没有显著差异 图 7 26 对应因果路径 图 7 27 对应残差变量 图 7 28 对应相关系数路径 图 7 26 图 7 27 图 7 28 然后在 Regression weight16 variance17 covariane18输 入相同的英文名称即可 比如从图 7 25 修正的模型六输出的临界比率结果中发 16对应因果路径 17对应残差变量 18对应相关系数路径 现绝对值最小的是 par 44 和 par 45 对应的 0 021 远远 图 7 29 设置 e22 和 e24 的方差相等 图 7 30 修正的模型七 小于 95 置信水平下的临界值 说明两个方差间不存在显著差异 对应的是 e22 和 e24 的方差估计 从实际考虑 也可以认为它们的方差相差 则残差变 量 e22 和 e24 上点击右键选择 Object Properties 出现如图 7 29 的选项卡 然后 在 Object Properties 选项卡下面的 variance 中都输入 v2 最后关掉窗口即可 设置 e22 和 e24 的方差相等 经过反复比较得到的结构方程模型如图 7 30 根据上面提出的如图 7 30 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 16 表 7 16 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 295 9 146 0 973 0 948 0 973 0 051 345 909 348 402 0 865 从表 7 15 和表 7 16 可以看出 卡方值虽然增大了一些 但自由度大大增加了 并且各拟合指数都得到了较大的改善 NFI 除外 该模型的各个参数在 0 01 的水平下都仍然是显著的 各方程的对应的测定系数相对而言增大了很多 四 最优模型参数估计的展示 表 7 17 最优模型各路径系数估计 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 0 353 0 031 11 495 bb 0 384 质量感 知 超市形 象 0 723 0 023 31 516 aa 0 814 质量感 知 质量期 望 0 129 0 035 3 687 par 16 0 134 顾客满 意 质量感 知 0 723 0 023 31 516 aa 0 627 顾客满 意 超市形 象 0 353 0 031 11 495 bb 0 345 顾客忠 诚 顾客满 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 质量期 望 1 0 836 a4 质量期 望 0 728 0 036 20 367 d 0 622 a6 质量期 望 0 872 0 026 33 619 a 0 808 a7 质量期 望 1 042 0 02 52 853 b 0 853 a8 质量期 望 0 872 0 026 33 619 a 0 731 a10 质量感 知 1 0 779 a9 质量感 知 1 159 0 036 32 545 c 0 914 a12 质量感 知 1 042 0 02 52 853 b 0 777 a13 质量感 知 0 872 0 026 33 619 a 0 677 a18 顾客满 意 1 0 861 a17 顾客满 意 1 042 0 02 52 853 b 0 919 a16 顾客满 意 1 042 0 02 52 853 b 0 963 a24 顾客忠 诚 1 0 706 a23 顾客忠 诚 1 159 0 036 32 545 c 0 847 a22 顾客忠 诚 0 872 0 026 33 619 a 0 656 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 18 最优模型相关性路径系数估计 协方差估 计 S E C R P Label 相关系数估 计 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 水平上显著 括号中是相应的 C R 值 即 t 值 表 7 19 最优模型方差估计 方差估计 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 水平上显著 括号中是相应的 C R 值 即 t 值 第四节 模型解释 结构方程模型主要作用是揭示潜变量之间 潜变量与可测变量之间以及可 测变量之间 的结构关系 这些关系在模型中通过路径系数 载荷系数 来体 现 若要输出模型的直接效应 间接效应以及总效应 需要在 Analysis Properties 中的 Output 项选择 Indirect direct total effects 项 如图 7 31 对于修正模型 Amos 输出的中各潜变量之间的直接效应 间接效应以及 总效应如表 7 20 1 直接效应 direct effect 指由原因变量 可以是外生变量或内生变量 到结果变量 内生变量 的直接影响 用原因变量到结果变量的路径系数来衡量直接效应 比如利用表 7 17 最后一列的结果 超市形象到质量期望的标准化路径系数是 0 814 则超市 形象到质量感知的直接效应是 0 814 这说明当其他条件不变时 超市形象 潜变量每提升 1 个单位 质量期望 潜变量将直接提升 0 698 个单位 2 间接效应 indirect effect 指原因变量通过影响一个或者多个中介变量 对结果变量的间接影响 当只有 一个中介变量时 间接效应的大小是两个路径系数的乘积 比如利用表 7 17 最 后一列的结果 超市形象到质量期望的标准化路径系数是 0 384 质量期望到质 量感知的标准化路径系数是 0 134 则超市形象到质量感知的间接效应就是 0 384 0 134 0 051 这说明当其他条件不变时 超市形象 潜变量每提升 1 个单位 质量感知 潜变量将间接提升 0 385 个单位 3 总效应 total effect 由原因变量到结果变量总的影响 它是直接效应与间接效应之和 比如利 用表 7 17 最后一列的结果 超市形象到质量感知的直接效应是 0 814 超市形 象到质量感知的间接效应是 0 051 则超市形象到质量感知的总效应为 0 814 0 051 0 865 这说明当其他条件不变时 超市形象 潜变量每提升 1 个 单位 质量感知 潜变量总共将提升 0 865 个单位 图 7 31 输出模型的直接效应 间接效应以及总效应 表 7 20 模型中各潜在变量之间的直接效应 间接效应以及总效应 标准化的结果 超市形象 质量期望 质量感知 顾客满意 质量期望 直接效应 0 384 11 543 间接效应 总效应 0 384 质量感知 直接效应 0 814 31 659 0 134 3 735 间接效应 0 051 总效应 0 865 0 134 顾客满意 直接效应 0 345 11 543 0 627 31 659 间接效应 0 543 0 084 总效应 0 888 0 084 0 627 顾客忠诚 直接效应 0 753 31 659 间接效应 0 669 0 063 0 473 总效应 0 669 0 063 0 473 0 753 注 表示 0 01 水平上显著 括号中是相应的 C R 值 即 t 值 表中给出 的均是标准化后的参数 直接效应就是模型中的路径系数