【正文】 最小卡方值 20。但在實際中，也要考慮讓該參數(shù)自由估計是否有理論根據(jù)。其后面的 Threshold for Modification Indices 指的是輸出的開始值 21。在模型假設下，CR 統(tǒng)計量服從正態(tài)分布， 所以可以根據(jù) CR 值判斷兩個待估參數(shù)間是否存在顯著性差異。若要使用臨界比率，需要在 Analysis Properties 中的 Output 項選擇 Critical Ratio for Difference 項（如圖720） 。但從模型參數(shù)的顯著性檢驗（如表 75）中可發(fā)現(xiàn)可以看出，無論是關于感知價格的測量方程部分還是關于結構方程部分（除與質量期望的路徑外） ，系數(shù)都是不顯著的。另外，從實際的角度考慮，通過自身的感受，某超市商品價格同校內外其它主要超市的商品價格的差別不明顯，因此，首先考慮將該因子在本文的結構方程模型中去除，并且增加質量期望和質量感知到顧客滿意的路徑。修改的模型如圖 721。21只有修正指數(shù)值大于開始值的路徑才會被輸出，一般默認開始值為 4。表 79 常用擬合指數(shù)計算結果擬合指數(shù) 卡方值(自由度) CFI NFI IFI RMSEA AIC BCC EVCI結果 (145) 從表 78 和表 79 可以看出，卡方值減小了很多，并且各擬合指數(shù)也都得到了改善，但與理想的擬合指數(shù)值仍有差距。下面考慮通過修正指數(shù)對模型修正，通過點擊工具欄中的 來查看模型輸出詳細結果中的Modification Indices 項可以查看模型的修正指數(shù)（Modification Index）結果，雙箭頭（“” ）部分是殘差變量間的協(xié)方差修正指數(shù)，表示如果在兩個可測變量的殘差變量間增加一條相關路徑至少會減少的模型的卡方值；單箭頭（“” ）部分是變量間的回歸權重修正指數(shù)，表示如果在兩個變量間增加一條因果路徑至少會減少的模型的卡方值。從實際考慮，超市形象的確會影響到質量感知，設想，一個具有良好品牌形象的超市，人們難免會對感到它的商品質量較好；反之，則相反。 根據(jù)上面提出的圖 722 所示的模型，在 Amos 中運用極大似然估計運行的部分結果如表 7表 711。表 711 5%水平下不顯著的估計參數(shù)Estimate . . P Label顧客滿意 質量期望 .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 中的兩個路徑系數(shù)在 的水平下不顯著外，該模型其它各個參數(shù)在 水平下都是顯著的，首先考慮去除 p 值較大的路徑，即質量期望到顧客滿意的路徑。表 712 5%水平下不顯著的估計參數(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)估計的 p 值為 ，仍大于 。考慮刪除這兩個路徑的模型如圖 723。表 713 常用擬合指數(shù)計算結果擬合指數(shù) 卡方值(自由度) CFI NFI IFI RMSEA AIC BCC EVCI結果 (146) 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。修改后的模型如圖 724。表 714 常用擬合指數(shù)計算結果擬合指數(shù) 卡方值(自由度) CFI NFI IFI RMSEA AIC BCC EVCI結果 (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。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之間的殘差相關的路徑，則模型的卡方值會減小較多。因此考慮增加 e12 與 e13 的相關性路徑。）重新估計模型，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潛變量因子，因此不能考慮增加相關性路徑，以下同）表明如果增加a7 與 a8 之間的殘差相關的路徑，則模型的卡方值會減小較多。重新估計模型，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 之間的殘差相關的路徑，則模型的卡方值會減小較多。重新估計模型，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 之間的殘差相關的路徑，則模型的卡方值會減小較多。重新估計模型，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 之間的殘差相關的路徑，則模型的卡方值會減小較多。日用品豐富性與員工態(tài)度之間顯然不存在相關，因此不考慮增加 e10 與 e12 的相關性路徑。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 中運用極大似然估計運行的部分結果如表 715。該模型的各個參數(shù)在 的水平下都仍然是顯著的，各方程的對應的測定系數(shù)增大了。通過點擊工具欄中的 來查看模型輸出詳細結果中的 Pairwise Parameter Comparison 項可以查看臨界比率（Critical Ratio）結果，其中 par_1 到 par_46 代表模型中 46 個待估參數(shù)，其含義在模型參數(shù)估計結果表（如表 75，76 ）中標識。如果經(jīng)檢驗發(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時限定兩個參數(shù)相等。圖 728 對應相關系數(shù)路徑圖 726，圖 727，圖 728。比如從圖 725 修正的模型六輸出的臨界比率結果中發(fā)現(xiàn)絕對值最小的是 par_44 和 par_45 ，遠遠圖 729 設置 e22 和 e24 的方差相等23對應因果路徑。25對應相關系數(shù)路徑。對應的是 e22 和 e24 的方差估計，從實際考慮，也可以認為它們的方差相差，則殘差變量 e22 和 e24 上點擊右鍵選擇 Object Properties，出現(xiàn)如圖729 的選項卡，然后在 Object Properties 選項卡下面的 variance 中都輸入“v2” ，最后關掉窗口即可設置e22 和 e24 的方差相等。根據(jù)上面提出的如圖 730 所示的模型，在 Amos 中運用極大似然估計運行的部分結果如表 716。該模型的各個參數(shù)在 的水平下都仍然是顯著的，各方程的對應的測定系數(shù)相對而言增大了很多。表 718 最優(yōu)模型相關性路徑系數(shù)估計協(xié)方差估計 . . P Label 相關系數(shù)估計e12 e13 *** r2 e7 e8 *** r2 e18 e17 *** r1 e2 e3 *** r1 注 :“***”表示 水平上顯著，括號中是相應的 值，即 t 值。第五節(jié) 模型解釋結構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）的結構關系，這些關系在模型中通過路徑系數(shù)（載荷系數(shù)）來體現(xiàn)。 total effects 項（如圖 731） 。1．直接效應(direct effect)指由原因變量（可以是外生變量或內生變量）到結果變量（內生變量）的直接影響，用原因變量到結果變量的路徑系數(shù)來衡量直接效應。這說明當其他條件不變時， “超市形象”潛變量每提升 1 個單位， “質量期望”潛變量將直接提升 個單位。當只有一個中介變量時，間接效應的大小是兩個路徑系數(shù)的乘積。這說明當其他條件不變時， “超市形象”潛變量每提升 1 個單位， “質量感知”潛變量將間接提升 個單位。比如利用表 717 最后一列的結果，超市形象到質量期望的直接效應是 ，超市形象到質量感知的間接效應是 ，則超市形象到質量感知的總效應為 +=。圖 731 輸出模型的直接效應、間接效應以及總效應表 720 模型中各潛在變量之間的直接效應、間接效應以及總效應（標準化的結果）超市形象 質量期望 質量感知 顧客滿意質量期望（直接效應）***()（間接效應）（總效應） 質量感知（直接效應）***()***()（間接效應） （總效應） 顧客滿意（直接效應）***()***()（間接效應） （總效應） 顧客忠誠（直接效應）***()（間接效應） （總效應） 注 :“***”表示 水平上顯著，括號中是相應的 值，即 t