amos_驗證性因子分析報告步步教程81221

1、<p>　　amos驗證性因子分析教程</p><p><b>　　應(yīng)用案例</b></p><p><b>　　模型設(shè)定</b></p><p>　　結(jié)構(gòu)方程模型分析過程可以分為模型構(gòu)建、模型運算、模型修正以及模型解釋四個步驟。下面以一個研究實例作為說明，使用Amos7軟件進行計算，闡述在實際應(yīng)用中結(jié)構(gòu)方程模型

2、的構(gòu)建、運算、修正與模型解釋過程。</p><p><b>　　模型構(gòu)建的思路</b></p><p>　　本案例在著名的美國顧客滿意度指數(shù)模型(ASCI)的基礎(chǔ)上，提出了一個新的模型，并以此構(gòu)建潛變量并建立模型結(jié)構(gòu)。根據(jù)構(gòu)建的理論模型，通過設(shè)計問卷對某超市顧客購物服務(wù)滿意度調(diào)查得到實際數(shù)據(jù)，然后利用對缺失值進行處理后的數(shù)據(jù)進行分析，并對文中提出的模型進行擬合、修正和

3、解釋。</p><p>　　潛變量和可測變量的設(shè)定</p><p>　　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。</p><p>　　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、

4、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;殷榮伍，2000)。</p><p>　　表7-1 設(shè)計的結(jié)構(gòu)路徑圖和基本路徑假設(shè)</p><p>　　2.1、顧客滿意模型中各因素的具體范疇<

5、/p><p>　　參考前面模型的總體構(gòu)建情況、國外研究理論和其他行業(yè)實證結(jié)論，以及小范圍甄別調(diào)查的結(jié)果，模型中各要素需要觀測的具體范疇，見表7-2。</p><p>　　表7-2 模型變量對應(yīng)表</p><p>　　關(guān)于顧客滿意調(diào)查數(shù)據(jù)的收集</p><p>　　本次問卷調(diào)研的對象為

6、居住在某大學校內(nèi)的各類學生（包括全日制本科生、全日制碩士和博士研究生），并且近一個月內(nèi)在校內(nèi)某超市有購物體驗的學生。調(diào)查采用隨機攔訪的方式，并且為避免樣本的同質(zhì)性和重復(fù)填寫，按照性別和被訪者經(jīng)常光顧的超市進行控制。問卷內(nèi)容包括7個潛變量因子，24項可測指標，7個人口變量，量表采用了Likert10級量度，如對超市形象的測量： </p><p>　　本次調(diào)查共發(fā)放問卷500份，收回有效樣本436份。</p&g

7、t;<p><b>　　缺失值的處理</b></p><p>　　采用表列刪除法，即在一條記錄中，只要存在一項缺失，則刪除該記錄。最終得到401條數(shù)據(jù)，基于這部分數(shù)據(jù)做分析。</p><p>　　數(shù)據(jù)的的信度和效度檢驗</p><p><b>　　1．數(shù)據(jù)的信度檢驗</b></p><p&

8、gt;　　信度（reliability）指測量結(jié)果（數(shù)據(jù)）一致性或穩(wěn)定性的程度。一致性主要反映的是測驗內(nèi)部題目之間的關(guān)系，考察測驗的各個題目是否測量了相同的內(nèi)容或特質(zhì)。穩(wěn)定性是指用一種測量工具（譬如同一份問卷）對同一群受試者進行不同時間上的重復(fù)測量結(jié)果間的可靠系數(shù)。如果問卷設(shè)計合理，重復(fù)測量的結(jié)果間應(yīng)該高度相關(guān)。由于本案例并沒有進行多次重復(fù)測量，所以主要采用反映內(nèi)部一致性的指標來測量數(shù)據(jù)的信度。</p><p>

9、　　折半信度（split-half reliability）是將測量工具中的條目按奇偶數(shù)或前后分成兩半，采用Spearman-brown公式估計相關(guān)系數(shù)，相關(guān)系數(shù)高提示內(nèi)部一致性好。然而，折半信度系數(shù)是建立在兩半問題條目分數(shù)的方差相等這一假設(shè)基礎(chǔ)上的，但實際數(shù)據(jù)并不一定滿足這一假定，因此信度往往被低估。Cronbach在1951年提出了一種新的方法（Cronbach's Alpha系數(shù)），這種方法將測量工具中任一條目結(jié)果同其他所

10、有條目作比較，對量表內(nèi)部一致性估計更為慎重，因此克服了折半信度的缺點。本章采用SPSS16.0研究數(shù)據(jù)的內(nèi)部一致性。在Analyze菜單中選擇Scale下的Reliability Analysis（如圖7-1），將數(shù)據(jù)中在左邊方框中待分析的24個題目一一選中，然后點擊，左邊方框中待分析的24個題目進入右邊的items方框中，使用Alpha模型（默認），得到圖7-2，然后點擊ok即可得到如表7-3的結(jié)果，顯示Cronbach's

11、Alpha系數(shù)為0.892，說明案例所使用數(shù)據(jù)具有較好的信度。</p><p>　　圖7-1 信度分析的選擇</p><p>　　圖7-2 信度分析變量及方法的選擇</p><p>　　表7-3 信度分析結(jié)果</p><p>　　另外，對問卷中每個潛變量的信度分別檢驗結(jié)果如表7-4所示。從表7-4可以看到，除顧客抱怨量表Cr

12、onbaca’s Alpha系數(shù)為0.255，比較低以外，其它分量表的Alpha系數(shù)均在0.7以上，且總量表的Cronbach’s Alpha系數(shù)達到了0.891，表明此量表的可靠性較高。由信度檢驗的結(jié)果可知顧客抱怨的測量指標的信度遠低于0.7，因此在路徑圖中去掉顧客抱怨因子，即初始模型中包括6個潛變量、21個可測變量。</p><p>　　表7-4 潛變量的信度檢驗</p><p>

13、<b>　　2．數(shù)據(jù)的效度檢驗</b></p><p>　　效度（validity）指測量工具能夠正確測量出所要測量的特質(zhì)的程度，分為內(nèi)容效度（content validity）、效標效度（criterion validity）和結(jié)構(gòu)效度（construct validity）三個主要類型。</p><p>　　內(nèi)容效度也稱表面效度或邏輯效度，是指測量目標與測量內(nèi)容之

14、間的適合性與相符性。對內(nèi)容效度常采用邏輯分析與統(tǒng)計分析相結(jié)合的方法進行評價。邏輯分析一般由研究者或?qū)＜以u判所選題項是否“看上去”符合測量的目的和要求。</p><p>　　準則效度又稱效標效度、實證效度、統(tǒng)計效度、預(yù)測效度或標準關(guān)聯(lián)效度，是指用不同的幾種測量方式或不同的指標對同一變量進行測量，并將其中的一種方式作為準則（效標），用其他的方式或指標與這個準則作比較，如果其他方式或指標也有效，那么這個測量即具備效標效

15、度。例如，是一個變量，我們使用、兩種工具進行測量。如果使用作為準則，并且和高度相關(guān)，我們就說也是具有很高的效度。當然，使用這種方法的關(guān)鍵在于作為準則的測量方式或指標一定要是有效的，否則越比越差。現(xiàn)實中，我們評價效標效度的方法是相關(guān)分析或差異顯著性檢驗，但是在調(diào)查問卷的效度分析中，選擇一個合適的準則往往十分困難，也使這種方法的應(yīng)用受到一定限制。</p><p>　　結(jié)構(gòu)效度也稱構(gòu)想效度、建構(gòu)效度或理論效度，是指測量

16、工具反映概念和命題的內(nèi)部結(jié)構(gòu)的程度，也就是說如果問卷調(diào)查結(jié)果能夠測量其理論特征，使調(diào)查結(jié)果與理論預(yù)期一致，就認為數(shù)據(jù)是具有結(jié)構(gòu)效度的。它一般是通過測量結(jié)果與理論假設(shè)相比較來檢驗的。確定結(jié)構(gòu)效度的基本步驟是，首先從某一理論出發(fā)，提出關(guān)于特質(zhì)的假設(shè)，然后設(shè)計和編制測量并進行施測，最后對測量的結(jié)果采用相關(guān)分析或因子分析等方法進行分析，驗證其與理論假設(shè)的相符程度。</p><p>　　在實際操作的過程中，前面兩種效度（內(nèi)

17、容效度和準則效度）往往要求專家定性研究或具有公認的效標測量，因而難以實現(xiàn)的，而結(jié)構(gòu)效度便于可以采用多種方法來實現(xiàn)：</p><p>　　第一種方法是通過模型系數(shù)評價結(jié)構(gòu)效度。如果模型假設(shè)的潛變量之間的關(guān)系以及潛變量與可測變量之間的關(guān)系合理，非標準化系數(shù)應(yīng)當具有顯著的統(tǒng)計意義。特別地，通過標準化系數(shù)可以比較不同指標間的效度。從表7-17可以看出在99%的置信度下所有非標準化系數(shù)具有統(tǒng)計顯著性，這說明修正模型的整體結(jié)

18、構(gòu)效度較好。 </p><p>　　第二種方法是通過相關(guān)系數(shù)評價結(jié)構(gòu)效度。如果在理論模型中潛變量之間存在相關(guān)關(guān)系，可以通過潛變量的相關(guān)系數(shù)來評價結(jié)構(gòu)效度：顯著的相關(guān)系數(shù)說明理論模型假設(shè)成立，具有較好的結(jié)構(gòu)效度。</p><p>　　第三種方法是先構(gòu)建理論模型，通過驗證性因子分析的模型擬合情況來對量表的結(jié)構(gòu)效度進行考評。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。對于本案

19、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。</p><p><b>　　結(jié)構(gòu)方程模型建模</b></p><p>　　構(gòu)建如圖7.3的初始模型。</p><p>　　圖7-3 初始模型結(jié)構(gòu)</p><p>　　圖7-4 Amos Graphics初始界面圖</p><p>&l

20、t;b>　　Amos實現(xiàn)</b></p><p>　　Amos基本界面與工具</p><p>　　打開Amos Graphics，初始界面如圖7-4。其中第一部分是建模區(qū)域，默認是豎版格式。如果要建立的模型在橫向上占用較大空間，只需選擇View菜單中的Interface Properties選項下的Landscape（如圖7.5），即可將建模區(qū)域調(diào)整為橫板格式。</

21、p><p>　　圖7-2中的第二部分是工具欄，用于模型的設(shè)定、運算與修正。相關(guān)工具的具體功能參見書后附錄二。</p><p>　　圖7-5 建模區(qū)域的版式調(diào)整</p><p>　　圖7-6 建立潛變量</p><p>　　Amos模型設(shè)定操作</p><p><b>　　1．模型的繪制</b>

22、</p><p>　　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：</p><p>　　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 P

23、roperties，為潛變量命名（如圖7-7）。繪制好的潛變量圖形如圖7-8。</p><p>　　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)系圖如圖7-9。</p><p>　　圖7-7 潛變量命名</p><p>　　圖7-8 命名后的潛變量</p><p>　　圖7-9 設(shè)

24、定潛變量關(guān)系</p><p>　　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。</p>

25、<p>　　圖7-10 設(shè)定可測變量及殘差變量</p><p>　　圖7-11 可測變量指定與命名</p><p>　　圖7-12 初始模型設(shè)置完成</p><p><b>　　2．數(shù)據(jù)文件的配置</b></p><p>　　Amos可以處理多種數(shù)據(jù)格式，如文本文檔（*.txt），表格文檔（*.xls、*

26、.wk1），數(shù)據(jù)庫文檔（*.dbf、*.mdb），SPSS文檔（*.sav）等。</p><p>　　為了配置數(shù)據(jù)文件，選擇File菜單中的Data Files（如圖7-13），出現(xiàn)如圖7-14左邊的對話框，然后點擊File name按鈕，出現(xiàn)如圖7-14右邊的對話框，找到需要讀入的數(shù)據(jù)文件“處理后的數(shù)據(jù).sav”,雙擊文件名或點擊下面的“打開”按鈕，最后點擊圖7-14左邊的對話框中“ok”按鈕，這樣就讀入數(shù)據(jù)了

27、。</p><p>　　圖7-13 數(shù)據(jù)配置</p><p>　　圖7-14 數(shù)據(jù)讀入</p><p><b>　　模型擬合</b></p><p><b>　　參數(shù)估計方法選擇</b></p><p>　　模型運算是使用軟件進行模型參數(shù)估計的過程。Amos提供了

28、多種模型運算方法供選擇?？梢酝ㄟ^點擊View菜單在Analysis Properties（或點擊工具欄的）中的Estimation項選擇相應(yīng)的估計方法。</p><p>　　本案例使用最大似然估計（Maximum Likelihood）進行模型運算，相關(guān)設(shè)置如圖7-15。</p><p>　　圖7-15 參數(shù)估計選擇</p><p><b>　　標準化系

29、數(shù)</b></p><p>　　如果不做選擇，輸出結(jié)果默認的路徑系數(shù)（或載荷系數(shù)）沒有經(jīng)過標準化，稱作非標準化系數(shù)。非標準化系數(shù)中存在依賴于有關(guān)變量的尺度單位，所以在比較路徑系數(shù)（或載荷系數(shù)）時無法直接使用，因此需要進行標準化。在Analysis Properties中的Output項中選擇Standardized Estimates項（如圖7-26），即可輸出測量模型的因子載荷標準化系數(shù)如表7-5最

30、后一列。</p><p>　　圖7.16 標準化系數(shù)計算</p><p>　　標準化系數(shù)是將各變量原始分數(shù)轉(zhuǎn)換為Z分數(shù)后得到的估計結(jié)果，用以度量變量間的相對變化水平。</p><p>　　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)

31、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。</p><p><b>　　參數(shù)估計結(jié)果的展示</b></p><p>　　圖7-17 模型運算完成圖</p><p>　　使用Analyze菜單下的Calculate Estimates進行模型運算（或使用工具欄中的

32、），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）。</p><p>　　圖7-18 參數(shù)估計結(jié)果圖</p><p>　　Amos還提供了表格形式的模型運算詳細結(jié)果信息，通過點擊工具欄中的來查看。詳細信息包括分析基本情況（Analysis Summary）、變量基

33、本情況（Variable Summary）、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。</p><p><b>　　模型評價</b></p>&

34、lt;p>　　1．路徑系數(shù)/載荷系數(shù)的顯著性</p><p>　　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)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（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(gòu)成（如表7-5中第四列）。

35、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。</p><p>　　表7-5

36、系數(shù)估計結(jié)果</p><p>　　注:“***”表示0.01 水平上顯著，括號中是相應(yīng)的C.R值，即t值。</p><p>　　表7-6 方差估計</p><p>　　注:“***”表示0.01 水平上顯著，括號中是相應(yīng)的C.R值，即t值。</p><p><b&g

37、t;　　模型擬合評價</b></p><p>　　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（）各個元素接近于0，就可以認為模型擬合了數(shù)據(jù)。</p><p>　　模型擬合指數(shù)是考察

38、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對理論模型進行度量。Amos提供了多種模型擬合指數(shù)（如表</p><p>　　表7-7 擬合指數(shù)</p><p>　　7-7）供使用者選擇。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。</p&g

39、t;<p>　　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。</p><p><b>　　模型修正</b></p><p><b>　　模

40、型修正的思路</b></p><p>　　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，當模型效果很差時可以參考模型修正指標對模型進行調(diào)整。</p><p>　　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(jié)果

41、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。</p><p>　　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

42、，臨界比率（Critical Ratio）用于模型限制。</p><p><b>　　模型修正指標</b></p><p>　　1. 修正指數(shù)（Modification Index）</p><p>　　圖7-19 修正指數(shù)計算</p><p>　　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

43、估計（譬如在模型中添加某</p><p>　　條路徑），整個模型改良時將會減少的最小卡方值。</p><p>　　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)。</p><p>　　若要使用修正指數(shù)，需要在Analysis Properties中的Output項選擇Modification I

44、ndices項（如圖7-19）。其后面的Threshold for Modification Indices指的是輸出的開始值。</p><p>　　圖7-20 臨界比率計算</p><p>　　2. 臨界比率（Critical Ratio）</p><p>　　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

45、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。</p><p>　　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）。</p><p

46、><b>　　案例修正</b></p><p>　　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</p><p>　　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

47、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。超市形象對顧客忠誠的路徑先保留。修改的模型如圖7-21。</p><p>　　表7-8 常用擬合指數(shù)計算結(jié)果</p><p>　　圖7-21 修正

48、的模型二</p><p>　　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。</p><p>　　表7-9 常用擬合指數(shù)計算結(jié)果</p><p>　　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

49、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。</p><p>　　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條

50、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

51、圖7-22。 </p><p>　　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。</p><p>　　表7-10 常用擬合指數(shù)計算結(jié)果</p><p>　　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

52、的擬合指數(shù)值仍有差距。</p><p>　　表7-11 5%水平下不顯著的估計參數(shù)</p><p>　　圖7-22 修正的模型三</p><p>　　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

53、的路徑。重新估計模型，結(jié)果如表7-12。</p><p>　　表7-12 5%水平下不顯著的估計參數(shù)</p><p>　　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

54、影響超市滿意等因素進而影響到顧客忠誠因素?？紤]刪除這兩個路徑的模型如圖7-23。</p><p>　　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。</p><p>　　表7-13 常用擬合指數(shù)計算結(jié)果</p><p>　　從表7-10和表7-13可以看出，

55、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(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。</p><p>

56、　　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。</p><p>　　表7-14 常用擬合指數(shù)計算結(jié)果</p><p>　　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

57、數(shù)增大了。</p><p>　　圖7-23 修正的模型四</p><p>　　圖7-24 修正的模型五</p><p>　　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)帳的速度，實際上也確實存在相關(guān)，設(shè)想，對顧客而言

58、，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。）</p><p>　　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

59、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。</p><p>　　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

60、間顯然存在相關(guān)，因此考慮增加e17與e18的相關(guān)性路徑。</p><p>　　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)，因此考慮增加e2與e3的相關(guān)性路徑。</p><p>　　重新估計模型，重新尋找MI值較大的，e10與e12的MI值較大

61、，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。</p><p>　　圖7-25 修正的模型六</p><p>　　根據(jù)上面提出的如圖7-

62、25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7-15。</p><p>　　表7-15 常用擬合指數(shù)計算結(jié)果</p><p>　　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)Pa

63、irwise 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 Co

64、mparison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，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，</p><p>　　圖7-26 對

65、應(yīng)因果路徑</p><p>　　圖7-27 對應(yīng)殘差變量</p><p>　　圖7-28 對應(yīng)相關(guān)系數(shù)路徑</p><p>　　圖7-26，圖7-27，圖7-28。然后在Regression weight,variance,covariane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)現(xiàn)絕對值最小的是par_44和par_45對應(yīng)的

66、-0.021，遠遠</p><p>　　圖7-29 設(shè)置e22和e24的方差相等</p><p>　　圖7-30 修正的模型七</p><p>　　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，出現(xiàn)如圖7

67、-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。</p><p>　　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。</p><p>　　表7-16

68、 常用擬合指數(shù)計算結(jié)果</p><p>　　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。</p><p>　　最優(yōu)模型參數(shù)估計的展示</p><p>　　表7-17

69、 最優(yōu)模型各路徑系數(shù)估計</p><p>　　注:“***”表示0.01 水平上顯著，括號中是相應(yīng)的C.R值，即t值。</p><p>　　表7-18 最優(yōu)模型相關(guān)性路徑系數(shù)估計</p><p>　　注:“***”表示0.01 水平上顯著，括號中是相應(yīng)的C.R值，即t值。

70、</p><p>　　表7-19 最優(yōu)模型方差估計</p><p>　　注:“***”表示0.01 水平上顯著，括號中是相應(yīng)的C.R值，即t值。</p><p><b>　　模型解釋</b></p><p>　　結(jié)構(gòu)方程模型主要作用是揭示潛變量之間（潛變量

71、與可測變量之間以及可測變量之間）的結(jié)構(gòu)關(guān)系，這些關(guān)系在模型中通過路徑系數(shù)（載荷系數(shù)）來體現(xiàn)。</p><p>　　若要輸出模型的直接效應(yīng)、間接效應(yīng)以及總效應(yīng)，需要在Analysis Properties中的Output項選擇Indirect , direct & total effects項（如圖7-31）。</p><p>　　對于修正模型，Amos輸出的中各潛變量之間的直接效應(yīng)

72、、間接效應(yīng)以及總效應(yīng)如表7-20。</p><p>　　1．直接效應(yīng)(direct effect)</p><p>　　指由原因變量（可以是外生變量或內(nèi)生變量）到結(jié)果變量（內(nèi)生變量）的直接影響，用原因變量到結(jié)果變量的路徑系數(shù)來衡量直接效應(yīng)。比如利用表7-17最后一列的結(jié)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(yīng)是0.814。這說明當其他條件不變時，“

73、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。</p><p>　　2．間接效應(yīng)(indirect effect)</p><p>　　指原因變量通過影響一個或者多個中介變量，對結(jié)果變量的間接影響。當只有一個中介變量時，間接效應(yīng)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(jié)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

74、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(yīng)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。</p><p>　　3．總效應(yīng)(total effect)</p><p>　　由原因變量到結(jié)果變量總的影響，它是直接效應(yīng)與間接效應(yīng)之和。比如利用表7-17最后一列的結(jié)果，超市形象

75、到質(zhì)量感知的直接效應(yīng)是0.814，超市形象到質(zhì)量感知的間接效應(yīng)是0.051，則超市形象到質(zhì)量感知的總效應(yīng)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。</p><p>　　圖7-31 輸出模型的直接效應(yīng)、間接效應(yīng)以及總效應(yīng)</p><p>　　表7-20 模型中各潛在變量之間