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。
一、模型构建的思路
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进行分析，并对文中提出的模型进行拟合、修正和解释。
二、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 & Claes Fornell，2000;殷荣伍，2000)。
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本案例是在Amos7中完成的。
3见spss数据文件“处理后的数据.sav”。
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。
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，
4正向的，采用Likert10级量度从“非常低”到“非常高”
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，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（Cronbach's 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Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。
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
7-4所示5。从表7-4可以看到，除顾客抱怨量表Cronbaca’s 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Cronbach’s 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
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。
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题目选入到右边方框items中即可。
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
1X 、2X 两种工具进行测量。如果使用1X 作为准则，并且1X 和2X 高度相关，我们就
说2X 也是具有很高的效度。当然，使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。
六、 结构方程模型建模 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。
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
7
这部分的操作说明也可参看书上第七章第二节:Amos 实现。
一、Amos基本界面与工具
打开Amos Graphics，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
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7-13 数据配置
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，8详细方法列表参见书后附录一。
称作非标准化系数。非标准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。
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。
三、 参数估计结果的展示
9
Z 分数转换公式为：i i
X X Z s
-
-=。
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）。
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。
四、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11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Labe 标准化路径系
望-- 象0.301 5 6.68 *** 16 0.358
质量感知<-
--
质量期
望0.434
0.05
7 7.633 ***
par_
17 0.434
感知价格<-
--
质量期
望0.329
0.08
9 3.722 ***
par_
18 0.244
感知价格<-
--
质量感
知-0.121
0.08
2
-1.46
7
0.1
42
par_
19 -0.089
感知价格<-
--
超市形
象-0.005
0.06
5 -0.07
0.9
44
par_
20 -0.004
顾客满意<-
--
超市形
象0.912
0.04
3
21.38
9 ***
par_
21 0.878
顾客满意<-
--
感知价
格-0.029
0.02
8
-1.03
6 0.3
par_
23 -0.032
顾客忠诚<-
--
超市形
象0.167
0.10
1 1.653
0.0
98
par_
22 0.183
顾客忠诚<-
--
顾客满
意0.5 0.1 4.988 ***
par_
24 0.569
10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。
a112<-
--
超市形
象 1 0.927
a2 <-
--
超市形
象 1.008
0.03
6
27.99
1 ***
par_
1 0.899
a3 <-
--
超市形
象0.701
0.04
8
14.66
7 ***
par_
2 0.629
a5 <-
--
质量期
望 1 0.79
a4 <-
--
质量期
望0.79
0.06
1
12.85
2 ***
par_
3 0.626
a6 <-
--
质量期
望0.891
0.05
3
16.90
6 ***
par_
4 0.786
a7 <-
--
质量期
望 1.159
0.05
9
19.62
8 ***
par_
5 0.891
a8 <-
--
质量期
望 1.024
0.05
8
17.71
3 ***
par_
6 0.816
a10 <-
--
质量感
知 1 0.768
a9 <-
--
质量感
知 1.16
0.06
5
17.91
1 ***
par_
7 0.882
a11 <-
--
质量感
知0.758
0.06
8
11.07
5 ***
par_
8 0.563
a12 <-
--
质量感
知 1.101
0.06
9
15.97
3 ***
par_
9 0.784
a13 <-
--
质量感
知0.983
0.06
7
14.77
7 ***
par_
10 0.732
a18 <-
--
顾客满
意 1 0.886
a17 <-
--
顾客满
意 1.039
0.03
4
30.17
1 ***
par_
11 0.939
a15 <-
--
感知价
格 1 0.963
a14 <-
--
感知价
格0.972
0.12
7 7.67 ***
par_
12 0.904
a16 <-
--
顾客满
意 1.009
0.03
3
31.02
4 ***
par_
13 0.95
a24 <-
--
顾客忠
诚 1 0.682
a23 <-
--
顾客忠
诚 1.208
0.09
2
13.07
9 ***
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
12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。
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。
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
∑-）各个元素接近于0，S与理论方差协方差矩阵∑差别不大，即残差矩阵（S
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
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。
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。
第四节模型修正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17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）18用于模型限制。
二、模型修正指标19
1. 修正指数（Modification Index）
14详细请参考Amos 6.0 User’s 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。
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20。
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21。
20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。
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) 0.86
6
0.84
2
0.86
6
0.109 1133.
441
1139.
378
2.83
4
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
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。 一、模型构建的思路 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进行分析，并对文中提出的模型进行拟合、修正和解释。 二、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 & Claes Fornell，2000;殷荣伍，2000)。 表 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。 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本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。
表
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 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 4正向的，采用Likert10级量度从“非常低”到“非常高”
Amos模型设定操作 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。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。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对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。
3.配置数据文件，读入数据 File——Data Files——File Name——OK。 4.模型拟合 View——Analysis Properties——Estimation——Maximum Likelihood。 5.标准化系数
Analysis Properties——Output——Standardized Estimates——因子载荷标准化系数。 6.参数估计结果 Analyze——Calculate Estimates。红色框架部分是模型运算基本结果信息，点击View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看AMOS路径系数或载荷系数以及拟合指标评价。 路径系数/载荷系数的显著性 模型评价首先需要对路径系数或载荷系数进行统计显著性检验。
模型拟合指数 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。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
组织承诺与员工建言行为测量模型检验 在前述的章节中，本文已经进行了所用量表的信度分析和效度分析，使用了经过优化的量表。其中，组织承诺量表包含18个条目的三个维度的结构，建言行为量表是包含11个条目的两个维度的结构。本章使用正式调查的数据对组织承诺和检验行为两个测量模型进行检验，在研究中使用了AMOS21.0软件，结合模型适配度指标，以检验理论设想或假设模型存在的合理性和优劣程度。 1.组织承诺测量模型的检验 验证性因子分析的主要作用之一在于可以用于比较多个模型的优劣，对理论设想或者假设模型进行验证。根据前文的逻辑和探索性因子分析可知，本研究中组织承诺量表包含18个条目3个维度，各个维度之间中度相关，表明组织承诺十分有可能是单维结构。本文将对组织承诺的单维模型和三维度模型进行比较，以确定最佳的组织承诺测量模型。 图1 组织承诺单维模型
图2 组织承诺三维度模型 组织承诺模型的适配度检验指标如表1所示，将单维模型和多维模型进行比较可以得出，组织承诺单维模型的各个衡量指标较差，均未达到标准。因此，结果表明，三维组织承诺模型更加合适。 表1 组织承诺模型适配度检验结果表
表1和表2分别给出了单维模型和三维模型路径系数估计结果。其中使用了最大似然估计的方法，求出了使样本方差协方差矩阵与理论协方差矩阵差异最小的模型参数。模型的拟合指数是550.837，伴随概率是0.000，在1%的显著性水平下显著成立，因此模型估计有效。根据表1和表2的结果，三维模型的大部分路径系数的估计结果显著成立，而单维模型的估计结果则不能显著成立，因此可以证明三维模型要优于单维模型。 2.员工建言测量模型检验结果 图3 员工建言单维度模型
Amos-验证性因子分析步步教程
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。 一、模型构建的思路 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进行分析，并对文中提出的模型进行拟合、修正和解释。 二、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 & Claes Fornell，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 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。 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本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。
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 & Claes Fornell，2000;殷荣伍，2000)。 表 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。
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
目录 验证性因子分析 (1) 分析步骤 (3) （1）模型设定 (4) （2）模型拟合 (4) （ 3 ）模型修正 (6) （4）模型分析 (9) 验证性因子分析，是用于测量因子与测量项（量表题项）之间的对应关系是否与研究者预测保 持一致的一种研究方法。尽管因子分析适合任何学科使用，但以社会科学居多。 目前有很多软件都可以非常便利地实现验证性因子分析，本文将基于SPSSAU系统进行说明。 验证性因子分析
Step1：因子分析类型 因子分析可分为两种类型：探索性因子分析（EFA）和验证性因子分析（CFA）。 探索性因子分析，主要用于浓缩测量项，将所有题项浓缩提取成几个概括性因子，达到减少分析次数，减少重复信息的目的。 验证性因子分析与探索性因子分析相似，两者区别只在于探索性因子分析（EFA）用于探索因 子与测量项之间的对应关系，验证性因子分析（CFA）用于验证结果与理论预期是否一致。 Step2：分析思路 在实际研究中，验证性因子分析常会与结构方程模型、路径分析等方法联系到一起，对于不 熟悉概念的研究人员容易搞混这些方法，下表对这几种方法进行简单说明：
探索性因子分析（EFA）验证性因子分析（CFA ）研究测量关系研究测量关系 回归分析研究自变量对一个因变量的影响关系 路径分析研究多个自变量与多个因变量之间的影响关系 适用于非经典量表 适用于经典量表 y 为定量数据 可先用CFA/EFA 确定因子与研究项关系，再进行路径分析 结构方程模型包括两部分： 结构方程模型研究影响关系及测量关系 验证性因子分析和路径分析
探索性因子分析：验证因子与分析项的对应关系，索性因子分析。 验证性因子分析：验证因子与分析项的对应关系，性因子分析。确认测量关系后，后续可进行路径分析系。检验量表效度，非经典量表通常用探 检验量表效度，成熟量表通常用验证 / 线性回归分析研究具体的影响关 路径分析：用于研究多个自变量与多个因变量影响关系；如果因变量只有一个，可以使用线性回归分析。 结构方程模型SEM：包括测量关系和影响关系。如果仅包括影响关系，此时称作路径分析 （Path analysis，有时也称通径分析）。通常需要进行探索性因子分析和验证性因子分析， 均保证测量关系无误之后，再进行结构方程模型构建。 从分析思路上看，建议先用探索性因子分析EFA构建模型，确定存在几个因子及各分析项与因子的 对应关系，再用验证性因子分析CFA加以检验。 Step3：SPSSAU操作 分析步骤
X、在验证性因子分析中，有下列常见指标用以检验模型的拟合优度，如2 X、CFI、RMSEA来衡量模型与数据的拟和程度。其中， /2 df 2 X（卡方）是由拟合函数所转换而来的统计量，反应了结构方程模型假设模型的导出矩阵与观察矩阵的差异程度。所以卡方值越小，说明模型的拟合程度越好。 X（卡方自由度比）：卡方自由度比越小，表示模型拟合度越高，反之/2 df 则表示模型拟合度越差。一般而言，卡方自由度比小于2时，表示模型具有理想的拟合度。 CFI：CFI指标反应了假设模型与无任何相关性的独立模型差异程度的量数，也考虑到被检验模型与中央卡方分配的离散性。当CFI>0.95时，说明模型拟合度较好。 RMSEA：用来比较理论模型与饱和模型的差距，不受样本数和模型复杂度的影响。当RMSEA<0.05时，模型具有良好的拟合度。 raw data from file ss.psf latent variables cleaning managing repairing shoufa shouka phonerepairing tiaopei satisfy relationships V1-V5=cleaning V6-V13=managing V14-V15=repairing V16-V17=shoufa V18-V19=shouka V20-V21=phonerepairing V22-V23=tiaopei V24-V25=satisfy managing=cleaning satisfy=cleaning managing repairing shoufa shouka phonerepairing tiaopei path diagram options:AD=OFF end of problem
验证性因子分析的实例分析 基本上，在应用CFA时，皆是在检验某个学者所发展的测验或量表。 CFA对测验或量表的检验可以有以下作为： （1）检验量表的面向性，或者称因子结构。 （2）检验因子的阶层关系，此种测量模式成为阶层式CFA。 （3）检验量表的信度与效度。 实例一：检验测验的面向性 测验或量表的形成是由理论所建构的，可能某些学者的理论认为某个量表是一种单一面向的量表，也可能有些理论认为该量表是有多个面向，对于这种测验或量表的面向性检验，就是一种理论建构的因素效度的检验。对CFA而言，它可以检验出哪一种面向比较符合观察数据，而决定出理论建构的最有效因子结构。 本例采用一个父母对孩子学校表现关注量表。这个量表一共7题（X1,…,X7），资料的搜集来自于某县初中3年级学生，共有590个样本。我们假定了三种面向性的模型：（1）此7题只建构了一个潜在因子，称为“关注”因子；（2）此7题可以建构2个潜因子，一个称为“探询”因子，一个称为“协助与督促”因子；（3）此7题可以建构成3个潜因子，第一个称为“了解”因子，第二个称为“与学校接触”因子，第三个称为“协助与督促”因子。 第一步：模型界定 利用路径图呈现3种模型中变量的关系。如图1~图3所示。 图1 父母对孩子学校表现关注量表单因子CFA模型 图2 父母对孩子学校表现关注量表一级二因子CFA模型 图3 父母对孩子学校表现关注量表一级三因子CFA模型 接着是把路径图转换成方程式，就可以用LISREL程序编写出来。 图1的方程式如下： X1=λ1ξ1+δ1 X2=λ2ξ1+δ2 X3=λ3ξ1+δ3 X4=λ4ξ1+δ4 X5=λ5ξ1+δ5 X6=λ6ξ1+δ6 X7=λ7ξ1+δ7 图2的方程式如下： X1=λ1ξ1+δ1 X2=λ2ξ1+δ2 X3=λ3ξ1+δ3 X4=λ4ξ1+δ4 X5=λ5ξ1+δ5 X6=λ6ξ2+δ6 X7=λ7ξ2+δ7 cov(探询，协助与督促) 图3的方程式如下： X1=λ1ξ1+δ1
LISREL验证性因素分析 数据预处理 1.生成PRELIS文件 首先需要在C盘新建一个文件夹存放将要分析的SAV数据。数据应该事先做整理，这个数据文件应该只包括需要分析的变量，而不应该包括其他无关的变量，以方便到后面使用。File → Import External Data in Other Formats→打开SPSS 的文件→保存为PRELIS Data 2.定义变量 Data→ Define Variables→选中一个变量→Variable Type →Continues →Apply to All → OK。 完成上述操作后点击Save保存数据（注意数据应保存在系统盘，否则可能得不出结果）。 3.计算协方差矩阵 Stati stics→ Output Option→ Save to File→命名A.cov；选LISREL System Data；选Save the Transformed Data to File→命名B.dsf→ OK。到此，数据的预处理工作算是完毕了。
建立模型 Fi le→New→ Path Diagram→保存为同名.PTH。 Setup→Title and Comments（一般不用定义）→Next→Group Names（一般也不用定义）→Next→Labels（左侧Observed Variables：观测变量即观测指标；右侧Latent Variables：潜变量） （1）先添加观测变量。Add/Read Variables——Read from File——PRELIS System File——Browse——出现PSF文件，OK。 （2）再添加潜变量。Add Latent Variables，直接命名潜变量即可，Next。
如何用amos做验证性因子分析 验证性因素分析是20世纪60年代后从探索性因素分析发展而来的[12]。它可以通过协方差结构模型(Covariance Structure Modeling,CSM)或称结构方程模型(Structure Equation Modeling,SEM)实现。对于数据的计算和模型的验证，现已编有多种计算机软件，其中著名的一种是K.G.Joreskog和D.Sorbom编制的LISREL。在验证性因素分析方法出现之前，对评价中心的构想效度的验证，更多的是用多质多法。对于多质多法的批评意见，主要是认为这种方法以包含测量误差的可观测变量间的相关为基础，来对潜在的结构进行解释，而实际上测量误差每次是不一致的，从而会影响到相关系数，进而影响对潜在结构解释的准确性。 验证性因素分析方法则可以解决这个问题，它对误差和相关的变量进行控制，进而得出一个更加令人满意的结果。因而，它很快被公认为一种适宜且通用的评估MTMM数据的方法[12]。在这种方法中，同一特质不同测评方法所决定的因素代表测评的构想效度，而同一测评方法不同测评特质所代表的因素则表明了测评方法的效应。每一个可观测变量均由特质因素、方法因素和测量误差三部分组成。其最大优点在于能对因素的负荷进行固定，并对提出的不同假设模型进行检验。 每一种自由负荷的大小反映了问题的所在。如果在能力因素上的自由负荷小且不显著，而在方法因素上的自由负荷大且显著，那么，这种结果就是支持测评方法导向的。反过来，不同测评方法中的同一种能力的因素负荷的值大而且是显著的，那么，就可以认为不同测评方法之间能力的一致性可以得到确认。通过检测这些不同的假设模型，就可以得出评价中心的评分到底是指向测评维度的还是测评方法的。 验证性因素分析及其在心理与教育研究中的应用 在心理与教育研究中，方法的突破往往是研究取得新进展的一个重要方面。正如班特勒(Bentler，1990)指出：“研究的突破往往在研究方法的变革上。”而心理与教育研究非常复杂，它具有多层面、多指标的特性，常涉及许多变量(包括控制变量、依变量等)，如何对多变量的问题进行研究，一直是人们努力的方向，也取得不少突破性的进展。如兴起于六、七十年代，目前已在社会科学领域里得到广泛的应用，并被称为近年来统计学三大进展之一的协方差结构模型方法(covarian structure models，CSM)。① 通常协方差结构模型分析由两部分组成，一部分是在心理与教育测量中经常使用的验证性因子模型(验证性因素分析)，也可称之为测量模型；另一部分是在经济计量学中使用的结构方程模型。②③顾海根先生已在《上海教育科研》详细介绍了结构方程模型及其在研究中的应用，因而本文拟对验证性因子分析方法及其在心理与教育研究中的应用作一定的说明。 一、探索性因素分析与验证性因素分析 最早提出因素分析想法的是高尔顿，他奠定了因素分析的基础。其后，斯皮尔曼在研究“一般智力”(general intelligence)中首次采用了因素分析的数学模型方法，使得因素分析的方法得以真正成为现实。我们知道，因素分析是将多个实测变量转换为少数几个综合指标(或称潜变量)，④它反映了一种降维的思想。我们在研究中往往需要对反映事物的多个变量进行观测，收集数据，变量庞大无疑为科学研究提供了丰富的信息，但在一定程度上增加了问题分析的复杂性，由于各变量存在一定相关关系，因而可以通过降维将相关性高的变量聚在一起，因素分析的思想由此而来。 最初在因素分析时常采用探索性因素分析方法，如SPSS软件包中的因素分析(Factor analysis)，MINITAB 软件包中的因素分析，SYSTAT软件包中的因素分析。随着近年来EQS、LISREL、CALIS等软件的开发，
探索性因子分析与验证性因子分析比较研究 湖北武汉杨丹 摘要：探索性因子分析与验证性因子分析是因子分析的两种不同形式。它们都是以普通因子模型为基础,但它们之间也存在着较大差异。本文通过对它们进行比较分析,找出其异同，并对实证分析提供一定的指导依据。 关键词：探索性因子分析、验证性因子分析、结构方程模型 现实生活中的事物是错综复杂的，在现实的数据中，我们经常遇到的是多元的情况，而不仅仅是单一的自变量和单一的因变量。因此要用到多元的分析方法，而因子分析就是其中一种非常重要的处理降维的方法。它是将具有错综复杂关系的变量（或样品）综合为少数几个因子，以再现原始变量与因子之间的相互关系，同时根据不同因子还可以对变量进行分类。它实际上就是一种用来检验潜在结构是怎样影响观测变量的方法。因子分析主要有两种基本形式：探索性因子分析（Exploratory Factor Analysis）和验证性因子分析（Confirmatory Factor Analysis）。探索性因子分析（EFA）致力于找出事物内在的本质结构；而验证性因子分析（CFA）是用来检验已知的特定结构是否按照预期的方式产生作用。两者之间是既有联系也有区别的，下面我们就从不同的方面进行分析比较。 一、两种因子分析的相同之处 两种因子分析都是以普通因子模型为基础的。因子分析的基本思想是通过变
量的相关系数矩阵内部结构的研究，找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系，但在这里，这少数几个随机变量是不可观测的，通常称为因子。然后根据相关性的大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量相关性较低。 如图１所示，我们假定一个模型，它表明所有的观测变量（变量1到变量5）是一部分受到潜在公共因子（因子1和因子2）影响，一部分受到潜在特殊因子（E1到E5）影响的。而每个因子和每个变量之间的相关程度是不一样的，可能某给定因子对于某些变量的影响要比对其他变量的影响大一些。 我们可以把图１的因子模型表示成线性函数： 11111221 22112222 3311322344114224 55115225 X a F a F X a F a F X a F a F X a F a F X a F a F εεεεε=++=++=++=++=++ 其中12,F F 表示两个因子，它对所有(1,2, ,5)i X i =是公有的因子，通常称为公共因子，它们的系数(1,2,,5;1,2)ij a i j ==表示第i 个变量在第j 个因子上的载 荷。 (1,2,,5)i i ε=表示第i 个变量不能被前两个因子包括的部分，称为特殊因子，通常假定2(0,)i i N εσ。
amos_验证性因子分析步步教程 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 & Claes Fornell，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超市形象径影响 , 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顾客抱怨质量期望径影响 , 质量期望对感知价格有路 径影响顾客满意感知价值 , 感知价格对顾客满意有路 径影响质量感知 , 顾客满意对顾客忠诚有路顾客忠诚径影响 , 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。 1 e10e9e11e12e13e5e4e6e7e8e1e2e31111111111111 a10a9a11a12a13a5a4a6a7a8a1a2a311111 z1z2质量感知质量期望超市形象 11e14z3a1411感知价格e15a15 11e17a17z41a16顾客满意e1611e18a18 1e23a2311e22a22z5顾客忠诚11e24a24 图7-3 初始模型结构 图7-4 Amos Graphics初始界面图 1第一节 Amos实现 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。 2 1(模型的绘制
amos验证性因子分析教程
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。 一、模型构建的思路 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进行分析，并对文中提出的模型进行拟合、修正和解释。 二、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 & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 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。 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本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。
应用案例 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1 2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。 一、模型构建的思路 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进行分析，并对文中提出的模 型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASC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 & Claes Fornell 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超市形象径影响 —w 质量期望对质量感知有路 \ 径影响 质量期望、顾客抱怨 V Tfc JF 质量感知对感知价格有路径影响 —\ 、V质量期望对感知价格有路 * 7 厂径影响 感知价值厂* 顾客满意感知价格对顾客满意有路 .....▼- 、 质量感知顾客忠诚 ＞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 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本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”