《影响消费者网上支付因素分析》的数据分析报告

《影响消费者网上支付因素分析》的数据分析报告一、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进行分析，并对文中提出的模型进行拟合、修正和解释。二、潜变量和可测变量的设定模型中共包含五个因素(潜变量)：绩效预期、付出预期、社会影响、使用意图、使用行为，其中前三个要素是前提变量，后两个因素是结果变量，前提变量综合决定并影响着结果变量。（原调查问卷中潜在变量太多，为能更好的完成数据分析，所以只选择了其中几项进行分析。）表7-1设计的结构路径图和基本路径假设设计的结构路径图基本路径假设绩效预期付出代价社会影响绩效预期对使用意图和使用行为有路径影响付出预期对使用意图有路径影响社会影响对使用意图和使用行为有路径影响使用意图使用行为使用意图对使用行为有路径影响2、顾客满意模型中各因素的具体范畴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，以及小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模型变量对应表潜变量内涵可测变量(一)绩效预期顾客对使用网上支付的益处的预期结合上述因素，可以从几个方面衡量对某超市的质量期望。网上银行节省交易费用(a1)可以24小时随时随地连线，更加方便(a2)交易更有效率(a3)C2C交易中可避免收货前付款存在的风险(a4)(二)付出预期顾客对使用网上支付所带来的付出的预期。可以从几个方面衡量对网上支付的付出预期。在线交易需购买安全工具造成额外成本(b1)在线支付安全风险较大，会造成信息泄露(b2)办理网上银行等在线业务续交年费(b3)(三)社会影响社会舆论及环境对顾客使用意图的影响。可以从几个方面衡量。亲友的评价(c1)广告宣传(c2)其他人都在使用，是时事所趋(c3)三、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。调查采用随机拦访的方式。问卷内容包括6个潜变量因子，量表采用了Likert7级量度，但是由于时间有限以及对这门课程认识还不够深刻，为了能够更好的完成，我们决定从前三个方面进行数据分析。如对付出预期的测量：二、付出预期1代表“完全同意”，7代表“完全不同意”123在线交易需购买安全工具造成额外成本1234567在线支付安全风险较大，会造成信息泄露1234567办理网上银行等在线业务续交年费1234567本次调查共发放问卷250份，收回有效样本221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204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。表7-3信度分析结果ReliabilityStatisticsCronbach'sAlphaNofItems另外，对问卷中每个潜变量的信度分别检验结果如表7-4所示。从表7-4可以看到，各分量表的Alpha系数均在0以上，且总量表的Cronbach’sAlpha系数达到了0，表明此量表的可靠性较高。表7-4潜变量的信度检验潜变量绩效预期付出预期社会影响2．数据的效度检验可测变量个数Cronbach’sAlpha4330采用了因子分析法解释的总方差初始特征值提取平方和载入成份合计方差的%累积%合计方差的%累积%123456789103提取方法：主成份分析。33成份矩阵a成份213------------V1V2V3V4V5V6V7V8V9V10提取方法:主成分分析法。a.已提取了3个成份。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参数是否具有统计意义，需要对路径系数或载荷系数进行统计显著性检验，这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。表7-5系数估计结果RegressionWeights:(Groupnumber1-Defaultmodel)RegressionWeights:(Groupnumber1-Defaultmodel)使用意图使用意图使用意图V2V3V5V6V7V8V9<---<---<---<---<---<---<---<---<---<---V10<---syxw<---V4V1<---<---社会影响绩效预期付出预期绩效预期绩效预期付出预期付出预期付出预期社会影响社会影响社会影响使用意图绩效预期绩效预期LabelStandardizdEstimateS.E.C.R.P1***par_1***par_21***par_3***par_41***par_51***par_61***par_71注:“***”表示0水平上显著。表7-6方差估计Variances:(Groupnumber1-Defaultmodel)绩效预期付出预期使用意图z1z2a2a3b1b2b3c1c2c3a4e1EstimateS.EC.RP******Labelpar_18par_19par_206************************par_21par_22par_23par_24par_25par_26par_27par_28par_29par_30注:“***”表示0水平上显著，括号中是相应的C.R值，即t值。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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1绝对拟合指数相对拟合指数信息指数2(卡方)GFIRMRSRMRRMSEANFITLICFIAICCAIC越小越好大于0小于0，越小越好小于0，越小越好小于0，越小越好大于0，越接近1越好大于0，越接近1越好大于0，越接近1越好越小越好越小越好7-7）供使用者选择。如果模型拟合不好，需要根据相关领域知识和模型修正指标进行模型修正。