【正文】 te . . P Label顧客滿意 質(zhì)量期望 .035 .124 par_22顧客忠誠 超市形象 .164 .100 .103 par_21圖 722 修正的模型三除上面表 711 中的兩個(gè)路徑系數(shù)在 的水平下不顯著外，該模型其它各個(gè)參數(shù)在 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?？紤]刪除這兩個(gè)路徑的模型如圖 723。修改后的模型如圖724。圖 723 修正的模型四圖 724 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 ，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(huì)減小較多。 ）重新估計(jì)模型，重新尋找 MI 值較大的，e7 與 e8 的 MI 值較大，為， （雖然 e3 與 e6 的 MI 值等于 ，但它們不屬于同一個(gè)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(huì)減小較多。重新估計(jì)模型，重新尋找 MI 值較大的，e2 與 e3 的 MI 值較大，為，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(huì)減小較多。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。該模型的各個(gè)參數(shù)在 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。如果經(jīng)檢驗(yàn)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(jì)時(shí)限定兩個(gè)參數(shù)相等。比如從圖 725 修正的模型六輸出的臨界比率結(jié)果中發(fā)22對應(yīng)因果路徑。對應(yīng)的是e22 和 e24 的方差估計(jì)，從實(shí)際考慮，也可以認(rèn)為它們的方差相差，則殘差變量 e22 和 e24 上點(diǎn)擊右鍵選擇 Object Properties，出現(xiàn)如圖 729 的選項(xiàng)卡，然后在 Object Properties 選項(xiàng)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。該模型的各個(gè)參數(shù)在 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。第五節(jié) 模型解釋結(jié)構(gòu)方程模型主要作用是揭示潛變量之間（潛變量與可測變量之間以及可測變量之間）的結(jié)構(gòu)關(guān)系，這些關(guān)系在模型中通過路徑系數(shù)（載荷系數(shù)）來體現(xiàn)。1．直接效應(yīng)(direct effect)指由原因變量（可以是外生變量或內(nèi)生變量）到結(jié)果變量（內(nèi)生變量）的直接影響，用原因變量到結(jié)果變量的路徑系數(shù)來衡量直接效應(yīng)。當(dāng)只有一個(gè)中介變量時(shí)，間接效應(yīng)的大小是兩個(gè)路徑系數(shù)的乘積。比如利用表 717 最后一列的結(jié)果，超市形象到質(zhì)量感知的直接效應(yīng)是 ，超市形象到質(zhì)量感知的間接效應(yīng)是 ，則超市形象到質(zhì)量感知的總效應(yīng)為+=。圖 731 輸出模型的直接效應(yīng)、間接效應(yīng)以及總效應(yīng)表 720 模型中各潛在變量之間的直接效應(yīng)、間接效應(yīng)以及總效應(yīng)（標(biāo)準(zhǔn)化的結(jié)果）超市形象 質(zhì)量期望 質(zhì)量感知 顧客滿意質(zhì)量期望（直接效應(yīng)）***()（間接效應(yīng)）（總效應(yīng)） 質(zhì)量感知（直接效應(yīng)）***()***()（間接效應(yīng)） （總效應(yīng)） 顧客滿意（直接效應(yīng)）***()***()（間接效應(yīng)） （總效應(yīng)） 顧客忠誠（直接效應(yīng)）***()（間接效應(yīng)） （總效應(yīng)） 注 :“***”表示 水平上顯著，括號(hào)中是相應(yīng)的 值，即 t 值。這說明當(dāng)其他條件不變時(shí)， “超市形象”潛變量每提升 1個(gè)單位， “質(zhì)量感知”潛變量將間接提升 個(gè)單位。這說明當(dāng)其他條件不變時(shí)， “超市形象”潛變量每提升 1 個(gè)單位， “質(zhì)量期望”潛變量將直接提升 個(gè)單位。 total effects 項(xiàng)（如圖 731） 。表 718 最優(yōu)模型相關(guān)性路徑系數(shù)估計(jì)協(xié)方差估計(jì) . . P Label相關(guān)系數(shù)估計(jì)e12 e13 *** r2 e7 e8 *** r2 e18 e17 *** r1 e2 e3 *** r1 注 :“***”表示 水平上顯著，括號(hào)中是相應(yīng)的 值，即 t 值。根據(jù)上面提出的如圖 730 所示的模型，在 Amos 中運(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表 716。24對應(yīng)相關(guān)系數(shù)路徑。圖 726 對應(yīng)因果路徑圖 727 對應(yīng)殘差變量圖 728 對應(yīng)相關(guān)系數(shù)路徑圖 726，圖 727，圖 728。通過點(diǎn)擊工具欄中的 來查看模型輸出詳細(xì)結(jié)果中的 Pairwise Parameter Comparison 項(xiàng)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(gè)待估參數(shù)，其含義在模型參數(shù)估計(jì)結(jié)果表（如表 75，76）中標(biāo)識(shí)。圖 725 修正的模型六根據(jù)上面提出的如圖 725 所示的模型，在 Amos 中運(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表 715。重新估計(jì)模型，重新尋找 MI 值較大的，e10 與 e12 的 MI 值較大，為，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(huì)減小較多。重新估計(jì)模型，重新尋找 MI 值較大的，e17 與 e18 的 MI 值較大，為，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(huì)減小較多。因此考慮增加 e12 與 e13 的相關(guān)性路徑。表 714 常用擬合指數(shù)計(jì)算結(jié)果擬合指數(shù)卡方值(自由度)CFI NFI IFI RMSEA AIC BCC EVCI結(jié)果 (129) 從表 713 和表 714 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。表 713 常用擬合指數(shù)計(jì)算結(jié)果擬合指數(shù)卡方值(自由度)CFI NFI IFI RMSEA AIC BCC EVCI結(jié)果 (146) 7 從表 710 和表 713 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。表 712 5%水平下不顯著的估計(jì)參數(shù)Estimate . . P Label顧客忠誠 超市形象 .166 .101 .099 par_21從表 712 可以看出，超市形象對顧客忠誠路徑系數(shù)估計(jì)的 p 值為 ，仍大于 。 根據(jù)上面提出的圖 722 所示的模型，在 Amos 中運(yùn)用極大似然估計(jì)運(yùn)行的部分結(jié)果如表 7表 711。下面考慮通過修正指數(shù)對模型修正，通過點(diǎn)擊工具欄中的 來查看模型輸出詳細(xì)結(jié)果中的 Modification Indices 項(xiàng)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(gè)可測變量的殘差變量間增加一條相關(guān)路徑至少會(huì)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(gè)變量間增加一條因果路徑至少會(huì)減少的模型的卡方值。修改的模型如圖 721。但從模型參數(shù)的顯著性檢驗(yàn)（如表 75）中可發(fā)現(xiàn)可以看出，無論是關(guān)于感知價(jià)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。在模型假設(shè)下，CR 統(tǒng)計(jì)量服從正態(tài)分布，所以可以根據(jù) CR 值判斷兩個(gè)待估參數(shù)間是否存在顯著性差異。其后面的 Threshold for Modification Indices指的是輸出的開始值 20。圖 719 修正指數(shù)計(jì)算修正指數(shù)用于模型擴(kuò)展，是指對于模型中某個(gè)受限制的參數(shù)，若容許自由估計(jì)（譬如在模型中添加某條路徑） ，整個(gè)模型改良時(shí)將會(huì)減少的最小卡方值 19。15如模型不可識(shí)別，或擬合指數(shù)結(jié)果很差。模型擴(kuò)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(shí)使用；模型限制是指通過刪除 16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(shí)別性時(shí)使用。即便擬合指數(shù)沒有達(dá)到最優(yōu)，但一個(gè)能夠使用相關(guān)理論解釋的模型更具有研究意義。RMR 小于 ，越小越好SRMR 小于 ，越小越好RMSEA 小于 ，越小越好NFI 大于 ，越接近 1 越好TLI 大于 ，越接近 1 越好相對擬合指數(shù)CFI 大于 ，越接近 1 越好AIC 越小越好信息指數(shù)CAIC 越小越好77）供使用者選擇 13。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(jìn)行度量。表 76 方差估計(jì)方差估計(jì) . . P Label超市形象 *** par_25z2 *** par_26z1 *** par_27z3 *** par_28z4 *** par_29z5 *** par_30