AMOS结构方程模型修正经典案例

1、AMOS结构方程模型修正经典案例第一节模型设定结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件1进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。一、模型构建的思路本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据本案例是在Amos7中完成的。见spss数据文件“处理后的数据.sav进行分析，并对文中提出的模型进行拟合、修正和解释。

2、潜变量和可测变量的设定本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(EugeneW.Anderson&ClaesFornell，2000;殷荣伍，2000)。表7-1设计的结构路径图和基本路径假设超市形象设计的结构路径图顾客抱怨质量期望顾客满意感知价值/-%质量感知勺顾

3、客忠诚基本路径假设超市形象对质量期望有路径影响质量期望对质量感知有路径影响质量感知对感知价格有路径影响质量期望对感知价格有路径影响感知价格对顾客满意有路径影响顾客满意对顾客忠诚有路径影响超市形象对顾客满意有路径影响超市形象对顾客忠诚有路径影响2.1、顾客满意模型中各因素的具体范畴以及小参考前面模型的总体构建情况、国外研究理论和其他行业实证结论范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。表7-2模型变量对应表量变潜涵内量变测可超市形象zv定行曦要Atu固等O第象M在市仙的形屈。4超血平市冋测EN、，水超,观NS话矩意将爲行M电研满里因进RT动查体这响面IA移调总，影方M、的响

4、素为个据话中影要列几根电业是一素下3)一、-度-价象牌-评形品-的的的、象比比一一二一一二一体市市总超超市它它-超鱼八鱼八-某与与-质量期望二zv影望还望三塚对用望会期期感性hM;使期望量响客体靠*衡在的期质影顾整可詐面。客其量且成于从、纟方望顾对质而造对以务。个期指前的，知，可服测几量是品客值感出少化观从质望产顾价客指至性来以的期市。客顾昔，个W-可市量超平顾会学素、方，超莎熙ZK-响远律M-觉代素熙望程排度到期鲜安态达的新间务度彷勺寸艮束jAnn0nH服品业工账体商营员结整市r市曲帀超5)超超超超(a7)熙杲望平望望(a望TJndcndaAnd刑期水期期汗期8,，的，度，水，(auZuZu

5、口王Zu厶U严冃、冃、冃、冃ZHn、冃-、-物4)物达物理物到物水购(a购度购合购达购的量感质三对MC望知面期感感方弐量际葫质饭O聊蒯品刃质珀是受意程合度到/pruK满鲜扫态达的新安务度务的间服速服品时工账体商业员结整市0)营市、帀,刃，的,(a，水，(a后(a后到后度后的后平物度物达物程物到物水购程购度购理购达购的仍型值憾和丽数讨禾册8叫NNF指，S01髡r醴叽艸|心1噩肿鷲)品筍R3正向的，采用Likert10级量度从“非常低”到“非常高”(五)顾客前者的差距下的感觉顾客满意一般可以从三个方面衡量，一是可以从整体上来感觉；二是可以与消费的期望进行比较，寻找两满三是可以与理想意状态:比较，寻

6、找两者的差距。因此，可以通过以下几个指标衡量。对某超市的总体满意程度(a16)和您消费前的期望比，您对某超市的满意程度(a17)和您心目中的超市比，您对某超市的满意程度(a18)(六)顾客抱怨FORNE和WERNERFELT(1988)的研究成果，认为顾客满意的增加会减少顾客的抱怨，同时会增加顾客的忠诚，当顾客不满意时，他们往往会选择抱怨。对于抱怨的观测，一般有两种方式，一种是比较正式的形式，向超市提出正式抱怨，有换货，退货等行为；另一种是非正式的形式，顾客会宣传，形成群众对于该超市的口碑。您对某超市投诉的频率(包括给超市写投诉信和直接向超市人员反映)(a19)您对某超市抱怨的频率(私下抱怨并

7、未告知超市)(a20)您认为某超市对顾客投诉的处理效率和效果3(a21)(七)顾客忠诚顾客忠诚主要可以从三个方面体现：顾客推荐意向、转换产品的意向、重复购买的意向。同时还有学者指出顾客忠诚可以从顾客对涨价的容忍性、重复购买性两方面衡量。综合上述因素，拟从以下几个方面衡量顾客忠诚。我会经常去某超市(a22)我会推荐同学和朋友去某超市(a23)如果发现某超市的产品或服务有问题后，能以谅解的心态主动向超市反馈，求得解决，并且以后还会来超市购物(a24)三、关于顾客满意调查数据的收集本次问卷调研的对象为居住在某大学校内的各类学生(包括全日制本科生、全日制硕士和博士研究生)，并且近一个月内在校内某超市有

8、购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了LikertlO级量度，如对超市形象的测量：、超市形象1代表“非常差劲”，10代表“非常好”1您对某超市总体形象的评价123456789102您认为与其它校内超市相比，某超市的形象如何123456789103您认为与其它校内超市相比，某超市品牌知名度如何12345678910本次调查共发放问卷500份，收回有效样本436份。四、缺失值的处理采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到40

9、1条数据，基于这部分数据做分析。五、数据的的信度和效度检验1数据的信度检验信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。折半信度（split-halfreliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计

10、相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（CronbachsAlpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部一致性。在Analyze菜单中选择Scale下的ReliabilityAnalysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击，左边方框中待分析的24个题目进入右边的items

11、方框中，使用Alpha模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示CronbachsAlpha系数为0892，说明案例所使用数据具有较好的信度。5邑15.00?am35.m4.DD号*.Qj4.0075.00孑600gD.03io50J111Q.DO3.00估U15nT匿耳1*易H1t图7-6建立潜变量Amos模型设定操作1模型的绘制在使用Amos进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。相关软件操作如下：第一步，使用*建模区域绘制模型中的七个潜变量（如图7-6）。为了保持图形的美观，可以

12、使用先绘制一个潜变量，再使用复制工具巴绘制其他潜变量，以保证潜变量大小一致。在潜变量上点击右键选择ObjectProperties，为潜变量命名（如图7-7）。绘制好的潜变量图形如图7-8。第二步设置潜变量之间的关系。使用H来设置变量间的因果关系，使用来设置变量间的相关关系。绘制好的潜变量关系图如图7-9oTextParantetersColorsFormatVisibilityFontslyleVariable且am色S.etDefault图7-7潜变量命名二Ttiut宅：Filft些7详细方法列表参见书后附录一。图7-14数据读入第三节模型拟合图7-13数据配置一、参数估计方法选择模型运算

13、是使用软件进行模型参数估计的过程。Amos提供了多种模型运算方法供选择7。可以通过点击View菜单在AnalysisProperties（或点击工具栏的）中的Estimation项选择相应的估计方法。本案例使用最大似然估计（MaximumLikelihood）进行模型运算，相关设置如图7-15。图7-15参数估计选择tidnIj；Numcrical|ElasOutput|BootstrEip!Formutations|Xandom#Title标准化系数如果不做选择，输出结果默认的路径系数（或载荷系数）没有经过标准化,称作非标准化系数。非标准化系数中存在依赖于有关变量的尺度单位，所以在比较路径系

14、数（或载荷系数）时无法直接使用，因此需要进行标准化。在AnalysisProperties中的Output项中选择StandardizedEstimates项（如图7-26），即可输出测量模型的因子载荷标准化系数如表7-5最后一列。图7.16标准化系数计算标准化系数是将各变量原始分数转换为Z分数8后得到的估计结果，用以度量变量间的相对变化水平。因此不同变量间的标准化路径系数（或标准化载荷系数）可以直接比较。从表7-17最后一列中可以看出：受“质量期望”潜变量影响的是“质量感知”潜变量和“感知价格”潜变量；标准化路径系数分别为0.434和0.244，这说明“质量期望”潜变量对“质量感知”潜变量的

15、影响程度大于其对“感知价格”潜变量的影响程度。三、参数估计结果的展示8z分数转换公式为:XXszi船阳的錚IShjmLsLIErsinnIEkkm.gwsbwkumdQLrtmurtHhanfariru-aulala日哼irvriini；卫匕止诵至嵋bbl?suitHcdjslillLALSaL-OTL.1j31JBHTK專Bllls-i-rwdtLTlj.JtpiJtCfci-jq,ua=Bl勺SLJj.itEDhurwnjiilvsiTvdiiElwiAkncihlhl.atn&rnullniuihTI血匚ULrs.f生旺3D31.J图7-17模型运算完成图使用Analyze菜单下的Cal

16、culateEstimates进行模型运算（或使用工具栏中的昭；），输出结果如图7-17。其中红框部分是模型运算基本结果信息，使用者也可以通过点击Viewtheoutputpathdiagram（|）查看参数估计结果图（图7-18）。图7-18参数估计结果图Amos还提供了表格形式的模型运算详细结果信息，通过点击工具栏中的土二来查看。详细信息包括分析基本情况（AnalysisSummary）、变量基本情况(VariableSummary)、模型信息(NotesforModel)、估计结果(Estimates)、修正指数(ModificationIndices)和模型拟合(ModelFit)六部

17、分。在分析过程中，一般通过前三部分9了解模型，在模型评价时使用估计结果和模型拟合部分，在模型修正时使用修正指数部分。四、模型评价1路径系数/载荷系数的显著性参数估计结果如表7-5到表7-6，模型评价首先要考察模型结果中估计出的10类似于回归分析中的参数显著性检验，原假设为系数等于。Amos提供了一种简单便捷的方法，叫做CR(CriticalRatio)。CR值是一个Z统计量，使用参数估计值与其标准差之比构成(如表7-5中第四列)。Amos同时给出了CR的统计检验相伴概率p(如表7-5中第五列)，使用者可以根据p值进行路径系数/载荷系数的统计显著性检验。譬如对于表7.5中“超市形象”潜变量对“质

18、量期望”潜变量的路径系数(第一行)为0.301，其CR值为6.68，相应的p值小于0.01，则可以认为这个路径系数在95%的置信度下与0存在显著性差异。表7-5系数估计结果未标准化标准化路径系数路径系估计S.E.C.R.PLabel数估计质量期超市形望象0.3010.0456.68*par_160.358质量感质量期知望0.4340.0577.633*par_170.434感知价质量期格望0.3290.0893.722*par_180.244感知价质量感格知-0.1210.082-1.4670.142par_19-0.089感知价超市形格象-0.0050.065-0.070.944par_20

19、-0.004顾客满超市形意象0.9120.04321.389*par_210.878顾客满感知价意格-0.0290.028-1.0360.3par_23-0.032顾客忠超市形诚象0.1670.1011.6530.098par_220.183顾客忠顾客满诚意0.50.14.988*par_240.569al11超市形10.927分析基本情况(AnalysisSummary)、变量基本情况(VariableSummary)、模型信息(NotesforModel)三部分的详细介绍如书后附录三。潜变量与潜变量间的回归系数称为路径系数；潜变量与可测变量间的回归系数称为载荷系数。凡是a+数字的变量都是代

20、表问卷中相应测量指标的，其中数字代表的问卷第一部分中问题的序号。象超市形a2-象1.0080.03627.991*par_10.899超市形a3-象0.7010.04814.667*par_20.629质量期a5-望10.79质量期a4-望0.790.06112.852*par_30.626质量期a6-望0.8910.05316.906*par_40.786质量期a7-望1.1590.05919.628*par_50.891质量期a8-望1.0240.05817.713*par_60.816质量感a10-知10.768质量感a9-知1.160.06517.911*par_70.882质量感a1

21、1-知0.7580.06811.075*par_80.563质量感a12-知1.1010.06915.973*par_90.784质量感a13-知0.9830.06714.777*par_100.732顾客满a18-意10.886顾客满a17-意1.0390.03430.171*par_110.939感知价a15-格10.963感知价a14-格0.9720.1277.67*par_120.904顾客满a16-意1.0090.03331.024*par_130.95顾客忠a24-诚10.682顾客忠a23诚1.2080.09213.079*par140.846注：“*”表示0.01水平上显著，括

22、号中是相应的C.R值，即t值。表7-6方差估计方差估计S.E.C.R.PLabel超市形象3.5740.29911.958*par_25z22.2080.2439.08*par_26z12.060.2418.54*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

23、*par_35e61.2450.10511.799*par_36e70.8870.1038.583*par_37e81.3350.11911.228*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_46e150.3640.5910.61

24、60.538par_47e243.4130.29511.55*par_48e223.3810.28112.051*par_49e231.730.2526.874*par_50e140.9810.5621.7450.081par51汪：“*”表示0.01水平上显著，括号中是相应的C.R值，即t值。五、模型拟合评价在结构方程模型中，试图通过统计运算方法（如最大似然法等）求出那些使样本方差协方差矩阵S与理论方差协方差矩阵匕的差异最小的模型参数。换一个角度，如果理论模型结构对于收集到的数据是合理的，那么样本方差协方差矩阵S与理论方差协方差矩阵差别不大，即残差矩阵（S）各个元素接近于0,就可以认为模型拟

25、合了数据。模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。不同类别的模型拟合指数可以从模型复杂性、样本大小、相对性与绝对性等方面对理论模型进行度量。Amos提供了多种模型拟合指数（如表表7-7拟合指数指数名称评价标准12绝对拟合指数辿卡方）越小越好GFI大于0.912表格中给出的是该拟合指数的最优标准，譬如对于RMSEA，其值小于0.05表示模型拟合较好，在0.05-0.08间表示模型拟合尚可（Browne&Cudeck，1993）。因此在实际研究中，可根据具体情况分析。RMR小于0.05，越小越好SRMR小于0.05，越小越好RMSEA小于0.05，越小越好相对拟合指数TNFI大于0

26、9，越接近1越好LI大于09，越接近1越好CFI大于09，越接近1越好信息指数AIC越小越好CAIC越小越好7-7)供使用者选择13。如果模型拟合不好，需要根据相关领域知识和模型修止指标进行模型修正。需要注意的是，拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。即便拟合指数没有达到最优，但一个能够使用相关理论解释的模型更具有研究意义。第四节模型修正14一、模型修正的思路模型拟合指数和系数显著性检验固然重要，但对于数据分析更重要的是模型结论一定要具有理论依据，换言之，模型结果要可以

27、被相关领域知识所解释。因此，在进行模型修正时主要考虑修正后的模型结果是否具有现实意义或理论价值，当模型效果很差时15可以参考模型修正指标对模型进行调整。当模型效果很差时，研究者可以根据初始模型的参数显著性结果和Amos提供的模型修正指标进行模型扩展(ModelBuilding)或模型限制(ModelTrimming)。模型扩展是指通过释放部分限制路径或添加新路径，使模型结构更加合理，通常在提高模型拟合程度时使用；模型限制是指通过删除16或限制部分路径，使模型结构更加简洁，通常在提高模型可识别性时使用。Amos提供了两种模型修正指标，其中修正指数(ModificationIndex)用于模型扩展

28、，临界比率(CriticalRatio)17用于模型限制。二、模型修正指标18修正指数(ModificationIndex)详细请参考Amos6.0UsersGuide489项。关于案例中模型的拟合方法和模型修正指数详情也可参看书上第七章第三节和第四节。如模型不可识别，或拟合指数结果很差。譬如可以删除初始模型中不存在显著意义的路径。17这个CR不同于参数显著性检验中的CR，使用方法将在下文中阐明。18无论是根据修正指数还是临界比率进行模型修正，都要以模型的实际意义与理论依据为基础。图7-19修正指数计算修正指数用于模型扩展，是指对于模型中某个受限制的参数，若容许自由估计（譬如在模型中添加某条路

29、径），整个模型改良时将会减少的最小卡方值19。使用修正指数修改模型时，原则上每次只修改一个参数，从最大值开始估算。但在实际中，也要考虑让该参数自由估计是否有理论根据。若要使用修正指数，需要在AnalysisProperties中的Output项选择ModificationIndices项（如图7-19）。其后面的ThresholdforModificationIndices指的是输出的开始值20。即当模型释放某个模型参数时，卡方统计量的减少量将大于等于相应的修正指数值只有修正指数值大于开始值的路径才会被输出，一般默认开始值为4。图7-20临界比率计算临界比率（CriticalRatio）临界比

30、率用于模型限制，是计算模型中的每一对待估参数（路径系数或载荷系数）之差，并除以相应参数之差的标准差所构造出的统计量。在模型假设下，CR统计量服从正态分布，所以可以根据CR值判断两个待估参数间是否存在显著性差异。若两个待估参数间不存在显著性差异，则可以限定模型在估计时对这两个参数赋以相同的值。若要使用临界比率，需要在AnalysisProperties中的Output项选择CriticalRatioforDifference项（如图7-20）。三、案例修正对本章所研究案例，初始模型运算结果如表7-8，各项拟合指数尚可。但从模型参数的显著性检验（如表7-5）中可发现可以看出，无论是关于感知价格的测

31、量方程部分还是关于结构方程部分（除与质量期望的路径外），系数都是不显著的。关于感知价格的结构方程部分的平方复相关系数为0.048，非常小。另外，从实际的角度考虑，通过自身的感受，某超市商品价格同校内外其它主要超市的商品价格的差别不明显，因此，首先考虑将该因子在本文的结构方程模型中去除，并且增加质量期望和质量感知到顾客满意的路径。超市形象对顾客忠诚的路径先保留。修改的模型如图7-21表7-8常用拟合指数计算结果拟合指卡方CFINFIIFIRMSEAAICBCCEVCI数值（自由度）结果1031.40.8660.8420.8660.1091133.4411139.3782.834（10）也sEeu

32、uoimbesEsLnyucgDriTauliadd：图7-21修正的模型二ZHDddiWjw心1DH*inilDnwr根据上面提出的图7-21提出的所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-9。表7-9常用拟合指数计算结果拟合指数卡方值（自由度）CFINFIIFIRMSEAAICBCCEVCI结果819.5(145)0.8830.8620.8840.108909.541914.2782.274从表7-8和表7-9可以看出，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。该模型的各个参数在0.05的水平下都是显著的，并且从实际考虑，各因子的各个

33、路径也是合理存在的。下面考虑通过修正指数对模型修正，通过点击工具栏中的酝来查看模型输出详细结果中的ModificationIndices项可以查看模型的修正指数（ModificationIndex）结果，双箭头（“一”）部分是残差变量间的协方差修正指数，表示如果在两个可测变量的残差变量间增加一条相关路径至少会减少的模型的卡方值；单箭头（“一-）部分是变量间的回归权重修正指数，表示如果在两个变量间增加一条因果路径至少会减少的模型的卡方值。比如，超市形象到质量感知的MI值为179.649，表明如果增加超市形象到质量感知的路径，则模型的卡方值会大大减小。从实际考虑，超市形象的确会影响到质量感知，设想

34、，一个具有良好品牌形象的超市，人们难免会对感到它的商品质量较好；反之，则相反。因此考虑增加从超市形象到质量感知的路径的模型如图7-22。表7-10根据上面提出的图7-22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7-10、表7-11。顾客满意顾客忠诚-054-质量期望164-超市形象6.100.035-1.540.124par_221.632.103par_21拟合指数卡方值（自由度）CFINFIIFIRMSEAlAICBCCEVCI结果510.1(144)0.9360.9140.9370.080602.100606.9421.505从表7-9和表7-10可以看出，卡方值减小了

35、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。表7-115%水平下不显著的估计参数EstimateS.E.C.R.PLabel常用拟合指数计算结果图7-22修正的模型三除上面表7-11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7-12。表7-125%水平下不显著的估计参数EstimateSE.CRPLabel顾客忠诚T.wtmndel?.w?I百rb从表7-10和表7-13可以看出，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

36、是值得的。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，由于人大校内东区物美超市的营业时间从很长，几乎是全天候营业在顾客心中，可能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7-24。根据上面提出的如图7-24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7-14。表7-14常用拟合指数计算结果拟合指卡方值CFINFIIFIRMSEAAICBCCEVCI数(自由度)结果401.30.9510.9300.9510.073485.291489

37、.4801.213(129)从表7-13和表7-14可以看出，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001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。ILliUi.Ltiifr(PT1?-図ff-fF屛吁芯“st.sl:ztii图7-23修正的模型四_H_jIhull.|lstlaadlDlPMir3DdfilO2.aawnodslOBiumMQdfclN.aiia他讯时FacdfflWisw*iiijscfe-l?.ua图7-24修正的模型五下面考虑通过修正指数对模型修正,e12与e13的MI值最大，为26.932,表明如果增加a12与a13之间的残

38、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，设想，对顾客而言，超市员工结帐速度很慢本来就是一种对顾客态度不好的方面；反之，则相反。因此考虑增加e12与e13的相关性路径。（这里的分析不考虑潜变量因子可测指标的更改，理由是我们在设计问卷的题目的信度很好，而且题目本身的设计也不允许这样做，以下同。）重新估计模型，重新寻找MI值较大的，e7与e8的MI值较大，为26.230,（虽然e3与e6的MI值等于26.746，但它们不属于同一个潜变量因子，因此不能考虑增加相关性路径，以下同）表明如果增加a7与a8之间的残差相关的路径，则模型

39、的卡方值会减小较多。这也是员工对顾客的态度与员工给顾客结帐的速度之间存在相关，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

40、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径，则模型的卡方值会减小较多。但实际上超市的食品保险&日用品丰富性与员工态度之间显然不存在相关，因此不考虑增加e10与e12的相关性路径。另外,从剩下的变量之间MI值没有可以做处理的变量对了，因此考虑MI值修正后的模型如图7-25。21一般绝对值小于2认为没有显著差异。图7-25修正的模型六根据上面提出的如图7-25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7-15。拟合指数卡方值（自由度）CFINFIIFIRMSEAAICBCCEVCI结果281.9(

41、125)0.9720.9510.9720.056373.877378.4650.935表7-15常用拟合指数计算结果从表7-14和表7-15可以看出，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。下面考虑根据PairwiseParameterComparisons来判断对待估计参数的设定，即判断哪些结构方程之间的系数没有显著差异，哪些测量方程的系数之间没有显著差异，哪些结构方程的随机项的方差之间没有显著差异，哪些测量方程的随机项的方差之间的之间没有显著差异，对没有显著差异的相应参数估计设定为相等，直到最后所有

42、相应的criticalratio都大于2为止。通过点击工具栏中的巒诞来查看模型输出详细结果中的PairwiseParameterComparison项可以查看临界比率（CriticalRatio）结果，其中par_1到par_46代表模型中46个待估参数，其含义在模型参数估计结果表（如表7-5，7-6）中标识。根据CR值的大小21，可以判断两个模型参数的数值间是否存在显著性差异。如果经检验发现参数值间不存在显著性差异，则可以考虑模型估计时限定两个参数相等。如果是某两个参数没有显著差异，并且根据经验也是如此，则可在相应的认为相等的参数对应的路径或残差变量上点击右键选择ObjectProperti

43、es，然后出现如图7-11的选项卡，选择parameters项，如冈Fontsizeaxui?tyleijrientatianHorisorrtalSetD-efult7.ObjectPropeiticsTeKtParamet；.jlorsForn：wrisibilityOrientationjHorixntal图7-26对应因果路径TextParapetersColorsFtimat(lsibili+y.Fnntriseandstyle二爲ObjtsctPropertiesEIiRefularaOrientationHorizQntil图7-27对应残差变量ObjectPropertiesT

44、extPariniSttiS:ColorsFormatVisibilityCovariance图7-28对应相关系数路径图7-26，图7-27，图7-28。然后在Regressionweight22,variance23,covariane24输入相同的英文名称即可。比如从图7-25修正的模型六输出的临界比率结果中发现对应因果路径。对应残差变量。对应相关系数路径。绝对值最小的是par_44和par_45对应的-0.021，远远3HHK!T：比/)窖二nrulite隅13qaHaorlairrHthAad*i!-AJ!lhlVT4OdR脣Inputdfmflrrdiudj工上d上生七正毗Icdc

45、lflTsfi-r&upniuhertYTib*EDibiTKCiltliijCltrl_.,ftbjPmrcrriBB图7-29设置e22和e24的方差相等四HlAMDg中DmfuJlaTextFdiPbti护|Colors|F*ra-a.t,Viisibilitj-1L1*射十Ewitrzeatidstyle-CLtraerrtati&f1soJ*lliltEt】比忖Umriiif奄:垃电铠E3喊人芻K件.耳口七ingoirtgtH4d?lQlr3A孑odsdQSisiw北口d?103iuw3adrlL4.aav3Qi1e10.qboJbIM,anaorfalOIidlOl.-avnp碍戈

46、niDt1】左屠甲T+科JiirimFiOl-tlljl.CH.VAode-1口耳屮诃ie-id.p103-?vnlfsod-BiiOfl.OTVMd-e丄anhLicUIEINmMW111图7-30修正的模型七小于95%置信水平下的临界值，说明两个方差间不存在显著差异。对应的是e22和e24的方差估计，从实际考虑，也可以认为它们的方差相差，则残差变量e22和e24上点击右键选择ObjectProperties，出现如图7-29的选项卡，然后在ObjectProperties选项卡下面的variance中都输入“v2”，最后关掉窗口即可设置e22和e24的方差相等。经过反复比较得到的结构方程模

47、型如图7-30。根据上面提出的如图7-30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7-16。表7-16常用拟合指数计算结果拟合指数卡万值（自由度）CFINFIIFIRMSEAAICBCCEVCI结果295.9(146)0.9730.9480.9730.051345.909348.4020.865从表7-15和表7-16可以看出，卡万值虽然增大了一些，但自由度大大增加了，并且各拟合指数都得到了较大的改善（NFI除外）。该模型的各个参数在0.01的水平下都仍然是显著的，各万程的对应的测定系数相对而言增大了很多。四、最优模型参数估计的展示表7-17最优模型各路径系数估计未标准化路径

48、系数估计SECRPLabel标准化路径系数估计质量期超市形望-象0.3530.03111.495*bb0.384质量感超市形知-象0.7230.02331.516*aa0.814质量感质量期知-望0.1290.0353.687*par_160.134顾客满质量感意-知0.7230.02331.516*aa0.627顾客满超市形意-象0.3530.03111.495*bb0.345顾客忠顾客满诚-意0.7230.02331.516*aa0.753超市形a1-象10.925超市形a2-象1.0420.0252.853*b0.901超市形a3-象0.7280.03620.367*d0.631质量期a

49、5-望10.836质量期a4-望0.7280.03620.367*d0.622质量期a6-望0.8720.02633.619*a0.808质量期a7-望1.0420.0252.853*b0.853质量期a8-望质量感0.8720.02633.619*a0.731a10-知质量感10.779a9-知质量感1.1590.03632.545*c0.914a12-知质量感1.0420.0252.853*b0.777a13-知顾客满0.8720.02633.619*a0.677a18-意顾客满10.861a17-意顾客满1.0420.0252.853*b0.919a16-意顾客忠1.0420.0252.

50、853*b0.963a24-诚顾客忠10.706a23-诚顾客忠1.1590.03632.545*c0.847a22诚0.8720.02633.619*a0.656注：“*”表示0.01水平上显著，括号中是相应的C.R值,即t值。表7-18最优模型相关性路径系数估计协方差估相关系数估计S.E.C.R.PLabel计e12e130.6990.0729.658*r20.32e7e80.6990.0729.658*r20.46e18e170.2770.055.568*r10.289e2e30.2770.055.568*r10.178注：“*”表示001水平上显著，括号中是相应的C.R值，即t值。表7-19最优模型方差估计方差估计S.E.C.R.PLabel超市形象3.4610.27512.574*par_17z22.4980.21911.42*par_18z10.6450.0857.554*par_19z40.4110.