顾客满意模型估计的PLS与LISREL.doc

顾客满意度模型估计的PLS与LISREL 中国人民大学　金勇进 梁燕 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参数估计，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。 ① 内部权重 vij = sign cov(ηj，ηi) 如果ηj和ηi有直接关系 如果ηj和ηi没有直接关系 （1） ② 内部近似。 （2） ③ 解出外部权重。 （3） ④ 外部近似。，其中确保 （4） 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，ML）、非加权最小二乘（Unweighted Least Squares，ULS）、广义最小二乘（Generalized Least Squares，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： （5） 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PLS和LISREL方法，既有相似之处，也有不同。它们的第一个相似点是都采用箭头示意图作为模型的图形表示。第二个相似点是在每个区组（block），都假设测量变量与隐变量和误差项为线性关系，即 y=Λyη+ε x=Λxξ+δ （6） 第三个相似点是路径关系（PLS中称为内部关系）的表达形式一样， η＝Βη+Гξ+ζ 或 （I