定量研究方法与建模第12章--路径分析、结构方程讲义.ppt

说明3：路径调整。 通过修正系数MI的“←→”对残差间路径的增（表明两者具有相关性）删，可减少拟合结果的卡方值；通过对“←”对变量间的路径调整（改变变量间的因果关系），也可减少拟合结果的卡方值。 e1 e2 变量X 变量Y 图21 修正的模型三 根据上面提出的图21所示的模型，在Amos中运用极大似然估计运行的部分结果如表10、表11。 拟合指数 卡方值(自由度) CFI NFI IFI RMSEA AIC BCC EVCI 结果 510.1(144) 0.936 0.914 0.937 0.080 602.100 606.942 1.505 表10常用拟合指数计算结果 表10与表9相比，卡方值减小了很多，并且各拟合指数也都得到了改善，但与理想的拟合指数值仍有差距。 Estimate S.E. C.R. P Label 顾客满意 --- 质量期望 -.054 .035 -1.540 .124 par_22 顾客忠诚 --- 超市形象 .164 .100 1.632 .103 par_21 表11 5%水平下不显著的估计参数 除上面表11中的两个路径系数在0.05的水平下不显著外，该模型其它各个参数在0.01水平下都是显著的，首先考虑去除p值较大的路径，即质量期望到顾客满意的路径。重新估计模型，结果如表12。 Estimate S.E. C.R. P Label 顾客忠诚 --- 超市形象 .166 .101 1.652 .099 par_21 表12 5%水平下不显著的估计参数 超市形象对顾客忠诚路径系数估计的p值为0.099，仍大于0.05。并且从实际考虑，在学校内部，学生一般不会根据超市之间在形象上的差别而选择坚持去同一个品牌的超市，更多的可能是通过超市形象影响超市满意等因素进而影响到顾客忠诚因素。考虑删除这两个路径的模型如图22。 图22 修正的模型四 根据图22所示的模型，在AMOS中运用极大似然估计运行的部分结果如表13。 拟合指数 卡方值(自由度) CFI NFI IFI RMSEA AIC BCC EVCI 结果 515.1 (146) 0.936 0.913 0.936 0.080 603.117 607.749 1.508 表13 常用拟合指数计算结果 表13与表10相比，卡方值几乎没变，并且各拟合指数几乎没有改变，但模型便简单了，做此改变是值得的。同时，该模型的各个参数在0.01的水平下都是显著的，另外质量感知对应的测量指标a11（关于营业时间安排合理程度的打分）对应方程的测定系数为0.278，比较小，从实际考虑，由于该超市的营业时间从很长，几乎是全天候营业在顾客心中，该指标能用质量感知解释的可能性不大，考虑删除该测量指标。修改后的模型如图23。 图23 修正的模型五 根据图23所示的模型，在Amos中运用极大似然估计运行的部分结果如表14。 拟合指数 卡方值(自由度) CFI NFI IFI RMSEA AIC BCC EVCI 结果 401.3 (129) 0.951 0.930 0.951 0.073 485.291 489.480 1.213 表14 常用拟合指数计算结果 表14与表13相比，卡方值减小了很多，并且各拟合指数都得到了较大的改善。该模型的各个参数在0.01的水平下都仍然是显著的，各方程的对应的测定系数增大了。 下面考虑通过同一潜变量中残差间的修正指数中对残差间的路径关系进行修正 e12与e13的MI值最大，为26.932，表明如果增加a12与a13之间的残差相关的路径，则模型的卡方值会减小较多。从实际考虑，员工对顾客的态度与员工给顾客结帐的速度，实际上也确实存在相关。因此考虑增加e12与e13的相关性路径。 重新估计模型，重新寻找同一个潜变量因子残差间的MI值较大的，e7与e8的MI值较大，为26.230，表明如果增加a7与a8之间的残差相关的路径，则模型的卡方值会减小较多。因此考虑增加e7与e8的相关性路径。 重新估计模型，重新寻找同一个潜变量因子残差间的MI值较大的，e17与e18的MI值较大，为13.991，表明如果增加a17与a18之间的残差相关的路径，则模型的卡方值会减小较多。实际上消费前的满意度和与心中理想超市比较的满意度之间显然存在相关，因此考虑增加e17与e18的相关性路径。 重新估计模型，重新寻找MI值较大的，e2与e3的MI值较大，为11.088，表明如果增加a2与a3之间的残差相关的路径，则模型的卡方值会减小较多。实际上超市形象和超市品牌知名度之间显然存在相关，因此考虑增加e2与e3的相关性路径。 重新估计模型，重新寻找MI值较大的，e10与e12的MI值较大，为5.222，表明如果增加a10与a12之间的残差相关的路