1、精選優質文檔-傾情為你奉上專心-專注-專業超市形象質量期望質量感知感知價值顧客滿意顧客抱怨顧客忠誠一、潛變量和可測變量的設定本文在繼承 ASCI 模型核心概念的基礎上，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，設計的模型見表 7-1。模型中共包含七個因素(潛變量)：超市形象、質量期望、質量感知、感知價值、顧客滿意、顧客抱怨、顧客忠誠，其中前四個要素是前提變量，后三個因素是結果變量，前提變量綜合決定并影響著結果變量(Eugene W. Anderson & Claes Fornell，2000;殷榮伍

2、，2000)。表表 7-1 設計的結構路徑圖和基本路徑假設設計的結構路徑圖和基本路徑假設設計的結構路徑圖基本路徑假設超市形象對質量期望有路徑影響質量期望對質量感知有路徑影響質量感知對感知價格有路徑影響質量期望對感知價格有路徑影響感知價格對顧客滿意有路徑影響顧客滿意對顧客忠誠有路徑影響超市形象對顧客滿意有路徑影響超市形象對顧客忠誠有路徑影響因此數據的效度檢驗就轉化為結構方程模型評價中的模型擬合指數評價數據的效度檢驗就轉化為結構方程模型評價中的模型擬合指數評價。對于本案例，從表 7-16 可知理論模型與數據擬合較好，結構效度較好。二、結構方程模型建模構建如圖 7.3 的初始模型。精選優質文檔-傾情

3、為你奉上專心-專注-專業超市形象質量期望質量感知a1e111a2e21a3e31a5e511a4e41a6e61a7e71a8e81a10e1011a9e91a11e111a12e121a13e131顧客滿意感知價格a18e1811a16e161a17e171a15e1511a14顧客忠誠a24e24a22e22a23e231111z21z41z51z31z11e141圖圖 7-3 初始模型結構初始模型結構圖圖 7-4 Amos Graphics 初始界面圖初始界面圖第一節第一節AmosAmos 實現實現1 11 這部分的操作說明也可參看書上第七章第二節:Amos 實現。精選優質文檔-傾情為你

4、奉上專心-專注-專業一、Amos 模型設定操作1模型的繪制在使用 Amos 進行模型設定之前，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。相關軟件操作如下：第一步，使用建模區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 Properties，為潛變量命名（如圖 7-7） 。繪制好的潛變量圖形如圖 7-8。第二步設置潛變量之間的關系。使用來設置變量間的因果關系，使用來設置變量間的相關關系。繪制好的潛變量關

5、系圖如圖 7-9。圖圖 7-7 潛變量命名潛變量命名圖圖 7-8 命名后的潛變量命名后的潛變量精選優質文檔-傾情為你奉上專心-專注-專業圖圖 7-9 設定潛變量關系設定潛變量關系第三步為潛變量設置可測變量及相應的殘差變量，可以使用繪制，也可以使用和自行繪制（繪制結果如圖 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 一項對應的是數據中的變量名（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果如圖 7-12。圖圖 7-10 設定可測變量及殘差變量設定可

6、測變量及殘差變量精選優質文檔-傾情為你奉上專心-專注-專業圖圖 7-11 可測變量指定與命名可測變量指定與命名圖圖 7-12 初始模型設置完成初始模型設置完成 第二節第二節模型擬合模型擬合標準化系數是將各變量原始分數轉換為Z分數2后得到的估計結果，用以度量變量間的相對變化水平。因此不同變量間的標準化路徑系數（或標準化載荷系數）可以直接比較。從表7-17 最后一列中可以看出：受“質量期望”潛變量影響的是“質量感知”潛變量和“感知價格”潛變量；標準化路徑系數分別為 0.434 和 0.244，這說明“質量期望”潛變量對“質量感知”潛變量的影響程度大于其對“感知價格”潛變量的影響程度。2Z 分數轉換

7、公式為：。iiXXZs精選優質文檔-傾情為你奉上專心-專注-專業一、參數估計結果的展示圖圖 7-17 模型運算完成圖模型運算完成圖使用 Analyze 菜單下的 Calculate Estimates 進行模型運算（或使用工具欄中的） ，輸出結果如圖 7-17。其中紅框部分是模型運算基本結果信息，使用者也可以通過點擊 View the output path diagram（）查看參數估計結果圖（圖7-18） 。圖圖 7-18 參數估計結果圖參數估計結果圖詳細信息包括分析基本情況（Analysis Summary） 、變量基本情況（Variable 精選優質文檔-傾情為你奉上專心-專注-專業S

8、ummary） 、模型信息（Notes for Model） 、估計結果（Estimates） 、修正指數（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3了解模型，在模型評價時使用估計結果和模型擬合部分，在模型修正時使用修正指數部分。二、模型評價1路徑系數/載荷系數的顯著性參數估計結果如表 7-5 到表 7-6，模型評價首先要考察模型結果中估計出的參數是否具有統計意義，需要對路徑系數或載荷系數4進行統計顯著性檢驗，這類似于回歸分析中的參數顯著性檢驗，原假設為系數等于。Amos 提供了一種簡單便捷的方法，叫做 CR（Critic

9、al Ratio） 。CR 值是一個 Z 統計量，使用參數估計值與其標準差之比構成（如表 7-5 中第四列） 。Amos 同時給出了 CR 的統計檢驗相伴概率 p（如表 7-5 中第五列） ，使用者可以根據 p 值進行路徑系數/載荷系數的統計顯著性檢驗。譬如對于表 7.5 中“超市形象”潛變量對“質量期望”潛變量的路徑系數（第一行）為 0.301，其 CR 值為 6.68，相應的 p 值小于 0.01，則可以認為這個路徑系數在 95%的置信度下與 0 存在顯著性差異。表表 7-5 系數估計結果系數估計結果未標準化路徑系數估計S.E.C.R.PLabel標準化路徑系數估計質量期望-超市形象0.3

10、010.0456.68*par_160.358質量感知-質量期望0.4340.0577.633*par_170.434感知價格-質量期望0.3290.0893.722*par_180.244感知價格-質量感知-0.1210.082-1.4670.142par_19-0.089感知價格-超市形象-0.0050.065-0.070.944par_20-0.004顧客滿意-超市形象0.9120.04321.389*par_210.878顧客滿意-感知價格-0.0290.028-1.0360.3par_23-0.032顧客忠誠-超市形象0.1670.1011.6530.098par_220.183顧客

11、忠誠-顧客滿意0.50.14.988*par_240.569超市形3分析基本情況（Analysis Summary） 、變量基本情況（Variable Summary） 、模型信息（Notes for Model）三部分的詳細介紹如書后附錄三。4潛變量與潛變量間的回歸系數稱為路徑系數；潛變量與可測變量間的回歸系數稱為載荷系數。5凡是 a+數字的變量都是代表問卷中相應測量指標的，其中數字代表的問卷第一部分中問題的序號。精選優質文檔-傾情為你奉上專心-專注-專業象a2-超市形象1.0080.03627.991*par_10.899a3-超市形象0.7010.04814.667*par_20.629

12、a5-質量期望10.79a4-質量期望0.790.06112.852*par_30.626a6-質量期望0.8910.05316.906*par_40.786a7-質量期望1.1590.05919.628*par_50.891a8-質量期望1.0240.05817.713*par_60.816a10-質量感知10.768a9-質量感知1.160.06517.911*par_70.882a11-質量感知0.7580.06811.075*par_80.563a12-質量感知1.1010.06915.973*par_90.784a13-質量感知0.9830.06714.777*par_100.732

13、a18-顧客滿意10.886a17-顧客滿意1.0390.03430.171*par_110.939a15-感知價格10.963a14-感知價格0.9720.1277.67*par_120.904a16-顧客滿意1.0090.03331.024*par_130.95a24-顧客忠誠10.682a23-顧客忠誠1.2080.09213.079*par_140.846注:“*”表示0.01 水平上顯著，括號中是相應的C.R值，即t值。表表 7-6 方差估計方差估計方差估計S.E.C.R.PLabel超市形象3.5740.29911.958*par_25z22.2080.2439.08*par_26

14、精選優質文檔-傾情為你奉上專心-專注-專業z12.060.2418.54*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

15、.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_49e231.73

16、0.2526.874*par_50e140.9810.5621.7450.081par_51注:“*”表示0.01 水平上顯著，括號中是相應的C.R值，即t值。三、模型擬合評價在結構方程模型中，試圖通過統計運算方法（如最大似然法等）求出那些使樣本方差協方差矩陣與理論方差協方差矩陣的差異最小的模型參數。換S一個角度，如果理論模型結構對于收集到的數據是合理的，那么樣本方差協方差矩陣與理論方差協方差矩陣差別不大，即殘差矩陣（）各個元素接SS近于 0，就可以認為模型擬合了數據。模型擬合指數是考察理論結構模型對數據擬合程度的統計指標。不同類別的模型擬合指數可以從模型復雜性、樣本大小、相對性與絕對性等方面

17、對理論模型進行度量。Amos 提供了多種模型擬合指數（如表表表 7-7 擬合指數擬合指數指數名稱指數名稱評價標準評價標準6(卡方)2越小越好絕對擬合指數GFI大于 0.96表格中給出的是該擬合指數的最優標準，譬如對于 RMSEA，其值小于 0.05 表示模型擬合較好，在 0.05-0.08 間表示模型擬合尚可（Browne & Cudeck，1993） 。因此在實際研究中，可根據具體情況分析。精選優質文檔-傾情為你奉上專心-專注-專業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NFI大于 0.9，越接近 1 越好TLI大于 0.9，越

18、接近 1 越好相對擬合指數CFI大于 0.9，越接近 1 越好AIC越小越好信息指數CAIC越小越好7-7）供使用者選擇7。如果模型擬合不好，需要根據相關領域知識和模型修正指標進行模型修正。需要注意的是，擬合指數的作用是考察理論模型與數據的適配程度，并不能作為判斷模型是否成立的唯一依據。擬合優度高的模型只能作為參考，還需要根據所研究問題的背景知識進行模型合理性討論。即便擬合指數沒有達到最優，但一個能夠使用相關理論解釋的模型更具有研究意義。第三節第三節模型修正模型修正8 8一、模型修正的思路模型擬合指數和系數顯著性檢驗固然重要，但對于數據分析更重要的是模型結論一定要具有理論依據，換言之，模型結果

19、要可以被相關領域知識所解釋。因此，在進行模型修正時主要考慮修正后的模型結果是否具有現實意義或理論價值，當模型效果很差時9可以參考模型修正指標對模型進行調整。當模型效果很差時，研究者可以根據初始模型的參數顯著性結果和 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，使模型結構更加合理，通常在提高模型擬合程度時使用；模型限制是指通過刪除10或限制部分路徑，使模型結構更加簡潔，通常在提高模型可識別性時使用。Amos 提供了兩種模型修正指標，其中修正指數（Modification Ind

20、ex）用于模型擴展，臨界比率（Critical Ratio）11用于模型限制。二、模型修正指標121. 修正指數（Modification Index）7詳細請參考 Amos 6.0 Users Guide 489 項。8關于案例中模型的擬合方法和模型修正指數詳情也可參看書上第七章第三節和第四節。9如模型不可識別，或擬合指數結果很差。10譬如可以刪除初始模型中不存在顯著意義的路徑。11這個 CR 不同于參數顯著性檢驗中的 CR，使用方法將在下文中闡明。12無論是根據修正指數還是臨界比率進行模型修正，都要以模型的實際意義與理論依據為基礎。精選優質文檔-傾情為你奉上專心-專注-專業圖圖 7-19

21、修正指數計算修正指數計算修正指數用于模型擴展，是指對于模型中某個受限制的參數，若容許自由估計（譬如在模型中添加某條路徑） ，整個模型改良時將會減少的最小卡方值13。使用修正指數修改模型時，原則上每次只修改一個參數，從最大值開始估算。但在實際中，也要考慮讓該參數自由估計是否有理論根據。若要使用修正指數，需要在 Analysis Properties 中的 Output 項選擇Modification Indices 項（如圖 7-19） 。其后面的 Threshold for Modification Indices指的是輸出的開始值14。13即當模型釋放某個模型參數時，卡方統計量的減少量將大于

22、等于相應的修正指數值。14只有修正指數值大于開始值的路徑才會被輸出，一般默認開始值為 4。精選優質文檔-傾情為你奉上專心-專注-專業圖圖 7-20 臨界比率計算臨界比率計算2. 臨界比率（Critical Ratio） 臨界比率用于模型限制，是計算模型中的每一對待估參數（路徑系數或載荷系數）之差，并除以相應參數之差的標準差所構造出的統計量。在模型假設下，CR 統計量服從正態分布，所以可以根據 CR 值判斷兩個待估參數間是否存在顯著性差異。若兩個待估參數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賦以相同的值。若要使用臨界比率，需要在 Analysis Properties 中的 Ou

23、tput 項選擇 Critical Ratio for Difference 項（如圖 7-20） 。三、案例修正對本章所研究案例，初始模型運算結果如表 7-8，各項擬合指數尚可。但從模型參數的顯著性檢驗（如表 7-5）中可發現可以看出，無論是關于感知價格的測量方程部分還是關于結構方程部分（除與質量期望的路徑外） ，系數都是不顯著的。關于感知價格的結構方程部分的平方復相關系數為 0.048，非常小。另外，從實際的角度考慮，通過自身的感受，某超市商品價格同校內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構方程模型中去除，并且增加質量期望和質量感知到顧客滿意的路徑。超市形

24、象對顧客忠誠的路徑先保留。修改的模型如圖 7-21。表表 7-8 常用擬合指數計算結果常用擬合指數計算結果擬合指數卡方值(自由度)CFINFIIFIRMSEAAICBCCEVCI結果1031.4 (180)0.8660.8420.8660.1091133.4411139.3782.834圖圖 7-21 修正的模型二修正的模型二精選優質文檔-傾情為你奉上專心-專注-專業根據上面提出的圖 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果如表 7-9。表表 7-9 常用擬合指數計算結果常用擬合指數計算結果擬合指數卡方值(自由度)CFINFIIFIRMSEAAICBCCEVC

25、I結果819.5 (145)0.8830.8620.8840.108909.541914.2782.274從表 7-8 和表 7-9 可以看出，卡方值減小了很多，并且各擬合指數也都得到了改善，但與理想的擬合指數值仍有差距。該模型的各個參數在 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。下面考慮通過修正指數對模型修正，通過點擊工具欄中的來查看模型輸出詳細結果中的 Modification Indices 項可以查看模型的修正指數（Modification Index）結果，雙箭頭（“” ）部分是殘差變量間的協方差修正指數，表示如果在兩個可測變量的殘差變量間增加一

26、條相關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重修正指數，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，超市形象到質量感知的 MI 值為 179.649，表明如果增加超市形象到質量感知的路徑，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量感知，設想，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量較好；反之，則相反。因此考慮增加從超市形象到質量感知的路徑的模型如圖 7-22。 根據上面提出的圖 7-22 所示的模型，在 Amos 中運用極大似然估計運行的部分結果如表 7-10、表 7-11。表表 7-10 常用擬合指數計

27、算結果常用擬合指數計算結果擬合指數卡方值(自由度)CFINFIIFIRMSEAAICBCCEVCI結果510.1(144)0.9360.9140.9370.080602.100606.9421.505從表 7-9 和表 7-10 可以看出，卡方值減小了很多，并且各擬合指數也都得到了改善，但與理想的擬合指數值仍有差距。表表 7-11 5%水平下不顯著的估計參數水平下不顯著的估計參數EstimateS.E.C.R.PLabel顧客滿意-質量期望-.054.035-1.540.124par_22顧客忠誠-超市形象.164.1001.632.103par_21精選優質文檔-傾情為你奉上專心-專注-專業

28、圖圖 7-22 修正的模型三修正的模型三除上面表 7-11 中的兩個路徑系數在 0.05 的水平下不顯著外，該模型其它各個參數在 0.01 水平下都是顯著的，首先考慮去除 p 值較大的路徑，即質量期望到顧客滿意的路徑。重新估計模型，結果如表 7-12。表表 7-12 5%水平下不顯著的估計參數水平下不顯著的估計參數EstimateS.E.C.R.PLabel顧客忠誠-超市形象.166.1011.652.099par_21從表 7-12 可以看出，超市形象對顧客忠誠路徑系數估計的 p 值為 0.099，仍大于 0.05。并且從實際考慮，在學校內部，學生一般不會根據超市之間在形象上的差別而選擇堅持

29、去同一個品牌的超市，更多的可能是通過超市形象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。根據上面提出的如圖 7-23 所示的模型，在 AMOS 中運用極大似然估計運行的部分結果如表 7-13。表表 7-13 常用擬合指數計算結果常用擬合指數計算結果擬合指數卡方值(自由度)CFINFIIFIRMSEAAICBCCEVCI結果515.1 (146)0.9360.9130.9360.080603.117607.7491.508從表 7-10 和表 7-13 可以看出，卡方值幾乎沒變，并且各擬合指數幾乎沒有改變，但模型便簡單了，做此改變是值得的。該模型的各個參數在

30、 0.01 的水平下都是顯著的，另外質量感知對應的測量指標 a11（關于營業時間安排合理程度的打分）對應方程的測定系數為 0.278，比較小，從實際考慮，由于人大校內東區物美超市的營業時間從很長，幾乎是全天候營業在顧客心中，可能該指標能用質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。精選優質文檔-傾情為你奉上專心-專注-專業根據上面提出的如圖 7-24 所示的模型，在 Amos 中運用極大似然估計運行的部分結果如表 7-14。表表 7-14 常用擬合指數計算結果常用擬合指數計算結果擬合指數卡方值(自由度)CFINFIIFIRMSEAAICBCCEVCI結果401.3

31、(129)0.9510.9300.9510.073485.291489.4801.213從表 7-13 和表 7-14 可以看出，卡方值減小了很多，并且各擬合指數都得到了較大的改善。該模型的各個參數在 0.01 的水平下都仍然是顯著的，各方程的對應的測定系數增大了。圖圖 7-23 修正的模型四修正的模型四精選優質文檔-傾情為你奉上專心-專注-專業圖圖 7-24 修正的模型五修正的模型五下面考慮通過修正指數對模型修正，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，員工對顧客的態度與員工給顧客結

32、帳的速度，實際上也確實存在相關，設想，對顧客而言，超市員工結帳速度很慢本來就是一種對顧客態度不好的方面；反之，則相反。因此考慮增加 e12 與 e13 的相關性路徑。 （這里的分析不考慮潛變量因子可測指標的更改，理由是我們在設計問卷的題目的信度很好，而且題目本身的設計也不允許這樣做，以下同。 ）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，因此不能考慮增加相關性路徑，以下同）表明如果增加 a7 與 a8 之間的殘差相關的路徑，則模型的卡方值會減小較多。這也是員工對

33、顧客的態度與員工給顧客結帳的速度之間存在相關，因此考慮增加 e7 與 e8 的相關性路徑。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間顯然存在相關，因此考慮增加 e17 與 e18 的相關性路徑。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，因此

34、考慮增加e2 與 e3 的相關性路徑。重新估計模型，重新尋找 MI 值較大的，e10 與 e12 的 MI 值較大，為5.222，表明如果增加 a10 與 a12 之間的殘差相關的路徑，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度之間顯然不存在相關，因此不考慮增加 e10 與 e12 的相關性路徑。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。精選優質文檔-傾情為你奉上專心-專注-專業圖圖 7-25 修正的模型六修正的模型六根據上面提出的如圖 7-25 所示的模型，在 Amos 中運用極大似然估計運行的

35、部分結果如表 7-15。表表 7-15 常用擬合指數計算結果常用擬合指數計算結果擬合指數卡方值(自由度)CFINFIIFIRMSEAAICBCCEVCI結果281.9 (125)0.9720.9510.9720.056373.877378.4650.935從表 7-14 和表 7-15 可以看出，卡方值減小了很多，并且各擬合指數都得到了較大的改善。該模型的各個參數在 0.01 的水平下都仍然是顯著的，各方程的對應的測定系數增大了。下面考慮根據 Pairwise Parameter Comparisons 來判斷對待估計參數的設定，即判斷哪些結構方程之間的系數沒有顯著差異，哪些測量方程的系數之間

36、沒有顯著差異，哪些結構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參數估計設定為相等,直到最后所有相應的 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果中的 Pairwise Parameter Comparison 項可以查看臨界比率（Critical Ratio）結果，其中 par_1 到 par_46 代表模型中 46 個待估參數，其含義在模型參數估計結果表（如表 7-5，7-6）中標識。根據 CR 值的大小15，可以判斷兩個模型參數的數值間是否存在顯著性差異。如果經檢驗發現參數值間不

37、存在顯著性差異，則可以考慮模型估計時限定兩個參數相等。如果是某兩個參數沒有顯著差異，并且根據經驗也是如此，則可在相應的認為相等的參數對應的路徑或殘差變量上點擊右鍵選擇 Object Properties，然后出現如圖 7-11 的選項卡，選擇 parameters 項，如15一般絕對值小于 2 認為沒有顯著差異。精選優質文檔-傾情為你奉上專心-專注-專業圖圖 7-26 對應因果路徑對應因果路徑圖圖 7-27 對應殘差變量對應殘差變量圖圖 7-28 對應相關系數路徑對應相關系數路徑圖 7-26，圖 7-27，圖 7-28。然后在 Regression weight16,variance17,co

38、variane18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果中發16對應因果路徑。17對應殘差變量。18對應相關系數路徑。精選優質文檔-傾情為你奉上專心-專注-專業現絕對值最小的是 par_44 和 par_45 對應的-0.021，遠遠圖圖 7-29 設置設置 e22 和和 e24 的方差相等的方差相等圖圖 7-30 修正的模型七修正的模型七小于 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

39、，出現如圖 7-29 的選項卡，然后在 Object Properties 選項卡下面的 variance 中都輸入“v2” ，最后關掉窗口即可精選優質文檔-傾情為你奉上專心-專注-專業設置 e22 和 e24 的方差相等。經過反復比較得到的結構方程模型如圖 7-30。根據上面提出的如圖 7-30 所示的模型，在 Amos 中運用極大似然估計運行的部分結果如表 7-16。表表 7-16 常用擬合指數計算結果常用擬合指數計算結果擬合指數卡方值(自由度)CFINFIIFIRMSEAAICBCCEVCI結果295.9 (146)0.9730.9480.9730.051345.909348.4020.

40、865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，并且各擬合指數都得到了較大的改善（NFI 除外） 。該模型的各個參數在 0.01的水平下都仍然是顯著的，各方程的對應的測定系數相對而言增大了很多。四、最優模型參數估計的展示表表 7-17 最優模型各路徑系數估計最優模型各路徑系數估計未標準化路徑系數估計S.E.C.R.PLabel標準化路徑系數估計質量期望-超市形象0.3530.03111.495*bb0.384質量感知-超市形象0.7230.02331.516*aa0.814質量感知-質量期望0.1290.0353.687*par_160.134顧客滿意

41、-質量感知0.7230.02331.516*aa0.627顧客滿意-超市形象0.3530.03111.495*bb0.345顧客忠誠-顧客滿意0.7230.02331.516*aa0.753a1-超市形象10.925a2-超市形象1.0420.0252.853*b0.901a3-超市形象0.7280.03620.367*d0.631a5-質量期望10.836a4-質量期望0.7280.03620.367*d0.622a6-質量期望0.8720.02633.619*a0.808a7-質量期望1.0420.0252.853*b0.853精選優質文檔-傾情為你奉上專心-專注-專業a8-質量期望0.8

42、720.02633.619*a0.731a10-質量感知10.779a9-質量感知1.1590.03632.545*c0.914a12-質量感知1.0420.0252.853*b0.777a13-質量感知0.8720.02633.619*a0.677a18-顧客滿意10.861a17-顧客滿意1.0420.0252.853*b0.919a16-顧客滿意1.0420.0252.853*b0.963a24-顧客忠誠10.706a23-顧客忠誠1.1590.03632.545*c0.847a22-顧客忠誠0.8720.02633.619*a0.656注:“*”表示0.01 水平上顯著，括號中是相應的

43、C.R值，即t值。表表 7-18 最優模型相關性路徑系數估計最優模型相關性路徑系數估計協方差估計S.E.C.R.PLabel相關系數估計e12e130.6990.0729.658*r20.32e7e80.6990.0729.658*r20.46e18e170.2770.055.568*r10.289e2e30.2770.055.568*r10.178注:“*”表示0.01 水平上顯著，括號中是相應的C.R值，即t值。表表 7-19 最優模型方差估計最優模型方差估計方差估計S.E.C.R.PLabel超市形象3.4610.27512.574*par_17z22.4980.21911.42*par

44、_18z10.6450.0857.554*par_19z40.4110.0626.668*par_20z51.4470.1778.196*par_21e51.2630.07816.217*v3e42.4580.12519.59*v5e61.1890.07316.279*v6e71.1890.07316.279*v6e81.9440.10917.84*v7e101.7730.11914.904*v1精選優質文檔-傾情為你奉上專心-專注-專業e90.7260.05214.056*v4e121.9440.10917.84*v7e132.4580.12519.59*v5e181.2630.07816.217*v3e170.7260.05214.056*v4e243.3670.19817.048*v2e223.3670.19817.048*v2e231.7730.11914.904*v1e10.583