顾客满意度模型估计新的PLS与LISREL.pdfVIP

1 顾客满意度模型估计的 PLS 与 LISRE 顾客满意度模型估计的 PLS 与 LISREL 文/罗春财 顾客满意度模型是一个多方程的因果关系系统——结构方程模型（SEM，Structural Equation Model），有多个因变量，是一个原因和结果关系的网，模型必须要按照这些关 系进行估计。模型中包括质量感知、顾客满意度、顾客忠诚度和企业形象等隐变量，这 些隐变量只能通过多个具体测量变量来间接衡量。模型中允许自变量和因变量含有测量 误差，还必须要计算出来隐变量的表现得分（例如通过多个测量变量的加权指数）。 以 ACSI 模型为例，它就是一个结构方程模型，包括结构方程（隐变量之间关系的方 程）和测量方程（隐变量和测量变量之间关系的方程） 。要对结构方程模型进行???数 估计，目前最经常使用的两种方法是 PLS（Partial Least Square）方法和 LISREL（LInear Structural RELationships）方法。这两种方法既有相同之处，也有许多不同之处。本文主 要讨论两种方法的算法，以及他们之间的联系与区别，并根据实证案例，提出我国在构 建顾客满意度模型过程中使用的方法。 一、PLS 和 LISREL 方法 PLS（Wald，1982）是将主成分分析与多元回归结合起来的迭代估计，是一种因果建模 的方法。瑞典、美国和欧盟模型都使用这种方法进行估计。在 ACSI 模型估计中 ，该方 法对不同隐变量的测量变量子集抽取主成分，放在回归模型系统中使用，然后调整主成 分权数，以最大化模型的预测能力。PLS 方法的具体步骤如下所示。 步骤 1：用迭代方法估计权重和隐变量得分。从④开始，重复①—④直至收敛。 步骤 2：估计路径系数和载荷系数。 步骤 3：估计位置参数。 PLS 方法是“偏”LS，因为估计的每一步都在给定其他参数条件下，对某个参数子集的残 差方差进行最小化。虽然在收敛的极限，所有残差方差联合的进行最小化，但 PLS 方法 仍然是“偏”LS，因为没有对总体残差方差或其他总体最优标准严格的进行最小化。 LISREL（Joreskog，1970）方法通过拟合模型估计协方差 与样本协方差（S）来估计 模型参数，也称为协方差建模方法。具体来说，就是使用极大似然（Maximum Likelihood， 1 / 5 2 顾客满意度模型估计的 PLS 与 LISRE ML）、非加权最小二乘（Unweighted Least Squares，ULS）、广义最小二乘（Generalized LeastSquares，GLS）或其他方法 ，构造一个模型估计协方差与样本协方差的拟合函数， 然后通过迭代方法，得到使拟合函数值最优的参数估计。例如，采用 ML 方法的拟合函 数的形式为： LISREL 中的步骤与 PLS 相反：先估计参数，然后如果需要，再考虑所有结构信息，对所 有观测变量作回归，“估计”隐变量。LISREL 软件可以进行模型的识别，对所有估计参数 的标准误进行检验，并对模型拟合程度进行检验。 为了得到最优估计，ML 方法的计算量很大。最麻烦的是信息矩阵（也称为 Hessian 矩 阵，即似然函数对模型中任意两个参数的二阶偏微分矩阵）。如果模型可识别，Hessian 矩阵必须是正定的。 二、两种方法的联系与区别 上面简要介绍的 PL