amos_驗證性因子分析結(jié)構(gòu)方程建模步步教程.doc

超市形象 質(zhì)量期望 質(zhì)量感知 感知價值 顧客滿意 顧客抱怨 顧客忠誠 應(yīng)用案例應(yīng)用案例 1 1 第一節(jié)第一節(jié)模型設(shè)定模型設(shè)定 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 2進行計算 闡 述在實際應(yīng)用中結(jié)構(gòu)方程模型的構(gòu)建 運算 修正與模型解釋過程 一 模型構(gòu)建的思路 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) 3進行分析 并對文中提出的模型進行擬合 修正和解釋 二 潛變量和可測變量的設(shè)定 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 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 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 殷榮伍 2000 表表 7 1 設(shè)計的結(jié)構(gòu)路徑圖和基本路徑假設(shè)設(shè)計的結(jié)構(gòu)路徑圖和基本路徑假設(shè) 設(shè)計的結(jié)構(gòu)路徑圖基本路徑假設(shè) 超市形象對質(zhì)量期望有路 徑影響 質(zhì)量期望對質(zhì)量感知有路 徑影響 質(zhì)量感知對感知價格有路 徑影響 質(zhì)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 1關(guān)于該案例的操作也可結(jié)合書上第七章的相關(guān)內(nèi)容來看 2本案例是在 Amos7 中完成的 3見 spss 數(shù)據(jù)文件 處理后的數(shù)據(jù) sav 2 1 顧客滿意模型中各因素的具體范疇 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 表表 7 2 模型變量對應(yīng)表模型變量對應(yīng)表 潛變量潛變量內(nèi)涵可測變量 一一 超超 市市 形形 象象 根據(jù) MARTENSEN 在固定 電話 移動電話 超市等 行業(yè)中的調(diào)查研究 企業(yè) 形象是影響總體滿意水平 的第一要素 這里將超市 形象要素列為影響因素 可以從以下幾個方面進行 觀測 某超市總體形象的評價 a1 與其它超市相比的形象 a2 與其它超市相比的品牌知名度 a3 二二 質(zhì)質(zhì) 量量 期期 望望 質(zhì)量期望是指顧客在使用 某超市產(chǎn)品前對其的期望 水平 顧客的質(zhì)量期望會 影響顧客價值 而且質(zhì)量 期望還會顧客感知造成影 響 還有學(xué)者指出 對于顧 客期望要素 至少可以從 整體感覺 個性化服務(wù) 可靠性三個方面來觀測 結(jié)合上述因素 可以從幾 個方面衡量對某超市的質(zhì) 量期望 購物前 對某超市整體服務(wù)的期望 a4 購物前 期望某超市商品的新鮮程 度達到的水平 a5 購物前 期望某超市營業(yè)時間安排 合理程度 a6 購物前 期望某超市員工服務(wù)態(tài)度 達到的水平 a7 購物前 期望某超市結(jié)賬速度達到 的水平 a8 三三 質(zhì)質(zhì) 量量 感感 知知 質(zhì)量感知和質(zhì)量期望相對 應(yīng) 質(zhì)量期望考慮的是在 購買商品前的期望 質(zhì)量 感知是在購買商品后的實 際感受 可以從幾個方面 衡量 購物后 對某超市整體服務(wù)的滿意 程度 a9 購物后 認為某超市商品的新鮮程 度達到的水平 a10 購物后 認為超市營業(yè)時間安排合 理程度 a11 購物后 認為某超市員工服務(wù)態(tài)度 達到的水平 a12 購物后 認為某超市結(jié)賬速度達到 的水平 a13 四四 感感 知知 價價 值值 根據(jù) ANDERSON 和 FOMELL EUGENEW AND ERSON CLAESFOMELL 2000 對美國顧客滿意指 數(shù)模型的進一步研究 認 為對于顧客價值部分可以 從性價比來衡量 您認為某超市商品的價格如何 a14 與其他超市相比 您認為某超市商 品的價格如何 a15 五五 顧顧 客客 滿滿 意意 顧客滿意一般可以從三個 方面衡量 一是可以從整 體上來感覺 二是可以與 消費前的期望進行比較 尋找兩者的差距 三是可 以與理想狀態(tài)下的感覺比 較 尋找兩者的差距 因 此 可以通過以下幾個指 標衡量 對某超市的總體滿意程度 a16 和您消費前的期望比 您對某超市 的滿意程度 a17 和您心目中的超市比 您對某超市 的滿意程度 a18 六六 顧顧 客客 抱抱 怨怨 FORNE 和 WERNERFELT 1988 的研究成果 認為顧客滿 意的增加會減少顧客的抱 怨 同時會增加顧客的忠 誠 當(dāng)顧客不滿意時 他 們往往會選擇抱怨 對于 抱怨的觀測 一般有兩種 方式 一種是比較正式的 形式 向超市提出正式抱 怨 有換貨 退貨等行為 另一種是非正式的形式 顧客會宣傳 形成群眾對 于該超市的口碑 您對某超市投訴的頻率 包括給超 市寫投訴信和直接向超市人員反映 a19 您對某超市抱怨的頻率 私下抱怨 并未告知超市 a20 您認為某超市對顧客投訴的處理效 率和效果 4 a21 七七 顧顧 客客 忠忠 誠誠 顧客忠誠主要可以從三個 方面體現(xiàn) 顧客推薦意向 轉(zhuǎn)換產(chǎn)品的意向 重復(fù)購 買的意向 同時還有學(xué)者 指出顧客忠誠可以從顧客 對漲價的容忍性 重復(fù)購 買性兩方面衡量 綜合上 述因素 擬從以下幾個方 面衡量顧客忠誠 我會經(jīng)常去某超市 a22 我會推薦同學(xué)和朋友去某超市 a23 如果發(fā)現(xiàn)某超市的產(chǎn)品或服務(wù)有問 題后 能以諒解的心態(tài)主動向超市 反饋 求得解決 并且以后還會來 超市購物 a24 三 關(guān)于顧客滿意調(diào)查數(shù)據(jù)的收集 本次問卷調(diào)研的對象為居住在某大學(xué)校內(nèi)的各類學(xué)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(xué)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 一 一 超市形象超市形象 1 代表代表 非常差勁非常差勁 10 代表代表 非常好非常好 1您對某超市總體形象的評價 1 2 3 4 5 6 7 8 9 10 2 您認為與其它校內(nèi)超市相比 某超市的 形象如何 1 2 3 4 5 6 7 8 9 10 4正向的 采用 Likert10 級量度從 非常低 到 非常高 3 您認為與其它校內(nèi)超市相比 某超市品 牌知名度如何 1 2 3 4 5 6 7 8 9 10 本次調(diào)查共發(fā)放問卷 500 份 收回有效樣本 436 份 四 缺失值的處理 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 五 數(shù)據(jù)的的信度和效度檢驗 1 數(shù)據(jù)的信度檢驗 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 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 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 圖圖 7 1 信度分析的選擇信度分析的選擇 圖圖 7 2 信度分析變量及方法的選擇信度分析變量及方法的選擇 表表7 3 信度分析結(jié)果信度分析結(jié)果 Reliability Statistics Cronbach s AlphaN of Items 89224 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 5 從表 7 4 可以看到 除顧客抱怨量表 Cronbaca 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 5操作過程同前 不同的是在圖 7 14 中選入右邊方框 items 中是相應(yīng)潛變量對應(yīng)的題目 如對超市形象潛 變量 只需要把 a1 a2 和 a3 題目選入到右邊方框 items 中即可 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 表表 7 4 潛變量的信度檢驗潛變量的信度檢驗 潛變量可測變量個數(shù)Cronbach s Alpha 超市形象30 858 質(zhì)量期望50 889 質(zhì)量感知50 862 感知價格20 929 顧客滿意30 948 顧客抱怨30 255 顧客忠誠30 738 2 數(shù)據(jù)的效度檢驗 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 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 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度 例如 是一個變量 我們X 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) 1 X 2 X 1 X 1 X 2 X 我們就說也是具有很高的效度 當(dāng)然 使用這種方法的關(guān)鍵在于作為準則的 2 X 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 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 在實際操作的過程中 前面兩種效度 內(nèi)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) 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(dāng)具有顯著的統(tǒng) 計意義 特別地 通過標準化系數(shù) 6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)構(gòu)效度較好 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 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 六 結(jié)構(gòu)方程模型建模 構(gòu)建如圖 7 3 的初始模型 超市形象質(zhì)量期望質(zhì)量感知 a1 e1 1 1 a2 e21 a3 e31 a5 e5 1 1 a4 e41 a6 e61 a7 e71 a8 e81 a10 e10 1 1 a9 e91 a11 e11 1 a12 e12 1 a13 e13 1 顧客滿意 感知價格 a18e18 1 1 a16e16 1 a17e17 1 a15e15 1 1 a14 顧客忠誠 a24e24 a22e22 a23e23 1 1 1 1 z2 1 z4 1 z5 1 z3 1 z1 1 e14 1 圖圖 7 3 初始模型結(jié)構(gòu)初始模型結(jié)構(gòu) 6關(guān)于標準化系數(shù)的解釋見本章第五節(jié) 圖圖 7 4 Amos Graphics 初始界面圖初始界面圖 第二節(jié)第二節(jié)AmosAmos 實現(xiàn)實現(xiàn) 7 7 一 Amos 基本界面與工具 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 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 7 這部分的操作說明也可參看書上第七章第二節(jié) Amos 實現(xiàn) 圖圖 7 5 建模區(qū)域的版式調(diào)整建模區(qū)域的版式調(diào)整 圖圖 7 6 建立潛變量建立潛變量 二 Amos 模型設(shè)定操作 1 模型的繪制 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 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 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(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 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 圖圖 7 9 設(shè)定潛變量關(guān)系設(shè)定潛變量關(guān)系 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 圖圖 7 10 設(shè)定可測變量及殘差變量設(shè)定可測變量及殘差變量 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(shè)置完成初始模型設(shè)置完成 2 數(shù)據(jù)文件的配置 Amos 可以處理多種數(shù)據(jù)格式 如文本文檔 txt 表格文檔 xls wk1 數(shù)據(jù)庫文檔 dbf mdb SPSS 文檔 sav 等 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 圖圖 7 13 數(shù)據(jù)配置數(shù)據(jù)配置 圖圖 7 14 數(shù)據(jù)讀入數(shù)據(jù)讀入 第三節(jié)第三節(jié)模型擬合模型擬合 一 參數(shù)估計方法選擇 模型運算是使用軟件進行模型參數(shù)估計的過程 Amos 提供了多種模型運算 方法供選擇 8 可以通過點擊 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 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 圖圖 7 15 參數(shù)估計選擇參數(shù)估計選擇 二 標準化系數(shù) 8詳細方法列表參見書后附錄一 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 最后一列 圖圖 7 16 標準化系數(shù)計算標準化系數(shù)計算 標準化系數(shù)是將各變量原始分數(shù)轉(zhuǎn)換為Z分數(shù) 9后得到的估計結(jié)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(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)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 三 參數(shù)估計結(jié)果的展示 9Z 分數(shù)轉(zhuǎn)換公式為 i i XX Z s 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(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 圖圖 7 18 參數(shù)估計結(jié)果圖參數(shù)估計結(jié)果圖 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 10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 四 模型評價 1 路徑系數(shù) 載荷系數(shù)的顯著性 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) 11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 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 表表 7 5 系數(shù)估計結(jié)果系數(shù)估計結(jié)果 未標準化 路徑系數(shù) 估計S E C R PLabel 標準化 路徑系 數(shù)估計 質(zhì)量期 望 超市形 象0 3010 0456 68 par 160 358 質(zhì)量感 知 質(zhì)量期 望0 4340 0577 633 par 170 434 感知價 格 質(zhì)量期 望0 3290 0893 722 par 180 244 感知價 格 質(zhì)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 顧客忠 誠 顧客滿 意0 50 14 988 par 240 569 超市形 10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 11潛變量與潛變量間的回歸系數(shù)稱為路徑系數(shù) 潛變量與可測變量間的回歸系數(shù)稱為載荷系數(shù) 12凡是 a 數(shù)字的變量都是代表問卷中相應(yīng)測量指標的 其中數(shù)字代表的問卷第一部分中問題的序號 象 a2 超市形 象1 0080 03627 991 par 10 899 a3 超市形 象0 7010 04814 667 par 20 629 a5 質(zhì)量期 望10 79 a4 質(zhì)量期 望0 790 06112 852 par 30 626 a6 質(zhì)量期 望0 8910 05316 906 par 40 786 a7 質(zhì)量期 望1 1590 05919 628 par 50 891 a8 質(zhì)量期 望1 0240 05817 713 par 60 816 a10 質(zhì)量感 知10 768 a9 質(zhì)量感 知1 160 06517 911 par 70 882 a11 質(zhì)量感 知0 7580 06811 075 par 80 563 a12 質(zhì)量感 知1 1010 06915 973 par 90 784 a13 質(zhì)量感 知0 9830 06714 777 par 100 732 a18 顧客滿 意10 886 a17 顧客滿 意1 0390 03430 171 par 110 939 a15 感知價 格10 963 a14 感知價 格0 9720 1277 67 par 120 904 a16 顧客滿 意1 0090 03331 024 par 130 95 a24 顧客忠 誠10 682 a23 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(yīng)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 25 z22 2080 2439 08 par 26 z12 060 2418 54 par 27 z34 4050 6686 596 par 28 z40 8940 1078 352 par 29 z51 3730 2146 404 par 30 e10 5840 0797 363 par 31 e20 8610 0939 288 par 32 e32 6750 19913 467 par 33 e51 5260 1311 733 par 34 e42 4590 18613 232 par 35 e61 2450 10511 799 par 36 e70 8870 1038 583 par 37 e81 3350 11911 228 par 38 e101 7590 15211 565 par 39 e90 9760 1227 976 par 40 e113 1380 23513 343 par 41 e121 9260 17111 272 par 42 e132 1280 17612 11 par 43 e181 0560 08911 832 par 44 e160 420 0528 007 par 45 e170 5540 0619 103 par 46 e150 3640 5910 6160 538par 47 e243 4130 29511 55 par 48 e223 3810 28112 051 par 49 e231 730 2526 874 par 50 e140 9810 5621 7450 081par 51 注 表示0 01 水平上顯著 括號中是相應(yīng)的C R值 即t值 五 模型擬合評價 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S 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S S 近于 0 就可以認為模型擬合了數(shù)據(jù) 模型擬合指數(shù)是考察理論結(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 表表 7 7 擬合指數(shù)擬合指數(shù) 指數(shù)名稱指數(shù)名稱評價標準評價標準 13 卡方 2 越小越好 絕對擬合指數(shù) GFI大于 0 9 13表格中給出的是該擬合指數(shù)的最優(yōu)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(jù)具體情況分析 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 越接近 1 越好相對擬合指數(shù) CFI大于 0 9 越接近 1 越好 AIC越小越好 信息指數(shù) CAIC越小越好 7 7 供使用者選擇 14 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 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 第四節(jié)第四節(jié)模型修正模型修正 1515 一 模型修正的思路 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(dāng)模型效果很差時 16可以參考模型修正指標對模型進行調(diào)整 當(dāng)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 17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 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 臨界比率 Critical Ratio 18用于模型限制 二 模型修正指標 19 1 修正指數(shù) Modification Index 14詳細請參考 Amos 6 0 User s Guide 489 項 15關(guān)于案例中模型的擬合方法和模型修正指數(shù)詳情也可參看書上第七章第三節(jié)和第四節(jié) 16如模型不可識別 或擬合指數(shù)結(jié)果很差 17譬如可以刪除初始模型中不存在顯著意義的路徑 18這個 CR 不同于參數(shù)顯著性檢驗中的 CR 使用方法將在下文中闡明 19無論是根據(jù)修正指數(shù)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(jù)為基礎(chǔ) 圖圖 7 19 修正指數(shù)計算修正指數(shù)計算 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 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 20 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) 若要使用修正指數(shù) 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 21 20即當(dāng)模型釋放某個模型參數(shù)時 卡方統(tǒng)計量的減少量將大于等于相應(yīng)的修正指數(shù)值 21只有修正指數(shù)值大于開始值的路徑才會被輸出 一般默認開始值為 4 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(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 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 三 案例修正 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 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 表表 7 8 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果 擬合指 數(shù) 卡方 值 自 由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)果1031 4 180 0 8660 8420 8660 1091133 44 1 1139 37 8 2 834 圖圖 7 21 修正的模型二修正的模型二 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 表表 7 9 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果 擬合指 數(shù) 卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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(shù)也都得 到了改善 但與理想的擬合指數(shù)值仍有差距 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 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圖 7 22 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 表表 7 10 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果 擬合指 數(shù) 卡方值 自 由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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(shù)也都得 到了改善 但與理想的擬合指數(shù)值仍有差距 表表 7 11 5 水平下不顯著的估計參數(shù)水平下不顯著的估計參數(shù) EstimateS E C R PLabel 顧客滿 意 質(zhì)量期望 054 035 1 540 124par 22 顧客忠 誠 超市形象 164 1001 632 103par 21 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(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 到顧客滿意的路徑 重新估計模型 結(jié)果如表 7 12 表表 7 12 5 水平下不顯著的估計參數(shù)水平下不顯著的估計參數(shù) 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(shù)估計的 p 值為 0 099 仍大于 0 05 并且從實際考慮 在學(xué)校內(nèi)部 學(xué)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影響 超市滿意等因素進而影響到顧客忠誠因素 考慮刪除這兩個路徑的模型如圖 7 23 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 表表 7 13 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果 擬合指 數(shù) 卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)果515 1 146 0 9360 9130 9360 080603 11 7 607 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(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 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 表表 7 14 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果 擬合指 數(shù) 卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)果401 3 129 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(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 圖圖 7 23 修正的模型四修正的模型四 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(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 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 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(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 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間顯然存 在相關(guān) 因此考慮增加 e17 與 e18 的相關(guān)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(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 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(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 圖圖 7 25 修正的模型六修正的模型六 根據(jù)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 的部分結(jié)果如表 7 15 表表 7 15 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果 擬合指 數(shù) 卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)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(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) Pairwise 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 Comparison 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 22 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 則 可在相應(yīng)的認為相等的參數(shù)對應(yīng)的路徑或殘差變量上點擊右鍵選擇 Object Properties 然后出現(xiàn)如圖 7 11 的選項卡 選擇 parameters 項 如 22一般絕對值小于 2 認為沒有顯著差異 圖圖 7 26 對應(yīng)因果路徑對應(yīng)因果路徑 圖圖 7 27 對應(yīng)殘差變量對應(yīng)殘差變量 圖圖 7 28 對應(yīng)相關(guān)系數(shù)路徑對應(yīng)相關(guān)系數(shù)路徑 圖 7 26 圖 7 27 圖 7 28 然后在 Regression weight23 variance24 covariane25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) 23對應(yīng)因果路徑 24對應(yīng)殘差變量 25對應(yīng)相關(guān)系數(shù)路徑 現(xiàn)絕對值最小的是 par 44 和 par 45 對應(yīng)的 0 021 遠遠 圖圖 7 29 設(shè)置設(shè)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(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 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 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 表表 7 16 常用擬合指數(shù)計算結(jié)果常用擬合指數(shù)計算結(jié)果 擬合指 數(shù) 卡方值 自由度 CFINFIIFIRMSEAAICBCCEVCI 結(jié)果295 9 146 0 9730 9480 9730 051345 909348 4020 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(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 四 最優(yōu)模型參數(shù)估計的展示 表表 7 17 最優(yōu)模型各路徑系數(shù)估計最優(yōu)模型各路徑系數(shù)估計 未標準化 路徑系數(shù) 估計S E C R PLabel 標準化 路徑系 數(shù)估計 質(zhì)量期 望 超市形 象0 3530 03111 495 bb0 384 質(zhì)量感 知 超市形 象0 7230 02331 516 aa0 814 質(zhì)量感 知 質(zhì)量期 望0 1290 0353 687 par 160 134 顧客滿 意 質(zhì)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 753 a1 超市形 象10 925 a2 超市形 象1 0420 0252 853 b0 901 a3 超市形 象0 7280 03620 367 d0 631 a5 質(zhì)量期 望10 836 a4 質(zhì)量期 望0 7280 03620 367 d0 622 a6