结构方程模型的假设验证和拟合分析

本文利用结构方程模型（Structural Equation Modeling，SEM）来进行模型的拟合与检验。结构方程模型是一种重要的量化分析方法，也被称为潜变量模型（Latent Variable Models）。该方法融合了因子分析和回归分析等技术，既可以同时处理多个因变量，也能估计因子结构和因子路径关系，可以识别、验证各种因果模型。结构方程模型是一种验证性的分析方法，在进行模型假设检验前，研究者首先要根据既有的理论或经验法提出假设，并且构建理论模型，最后才能根据量表收集到的数据进行假设的验证。

结构方程模型中可以出现以下两种变量：显性变量（Manifest Variables）与潜在变量（Latent Variable），显性变量又可以称为观测变量。一个潜在变量至少应以两个显性变量来估计。结构方程模型包括测量模型（Measured Model）和结构模型（Structural Model，又叫因果模型）。测量模型由潜在变量和显性变量组成，通过验证性因子来进行分析，主要来测量观察变量能否有效地反映潜在变量，即效度分析。结构模型所代表的则是潜在变量间的因果关系，即用来直接反映潜变量之间的相互关系。

结构方程模型优点很多，如可以同时处理多个因变量、容许自变量和因变量含有测量误差、能够估计整个模型的拟合度等，因而其在社会科学领域的研究中得到了广泛的应用。本文采用AMOS24．0软件进行分析，采用最大似然法来估计相关参数。

（1）模型拟合度分析

模型拟合度分析主要通过模型适配度（Goddness－of－fit Indices）来分析。模型适配度用来评价假设的路径分析模型图与搜集的数据是否相互匹配。需要说明的是模型适配度不能说明路径分析模型图的好坏，一个适配度完全符合评价标准的模型不一定保证是个有用的模型，只能说明研究者假设的模型图和实际数据的现况具有较好符合度。根据吴明隆的《结构方程模型——AMOS的操作与应用》［77］一书，模型拟合度指数一般可分为绝对适配指数、增值适配度指数、简约适配度指数。在本文中，经过AMOS24．0分析所得到的适配度指数如表5－5所示，可见本模型的适配度基本满足要求。

表5－5　模型拟合度评价

（2）假设检验

采用结构方程模型分析，用AMOS24．0软件对收集到的数据进行验证，得出潜在变量之间的标准路径系数等参数如表5－6所示。(www.xing528.com)

表5－6　研究假设检验结果

（续表）

注：＊＊＊表示P＜0．001。

根据上表，可见模型中的路径除了“感知用户性→感知有用性”不显著外，其他都分别达到了P＜0．05，P＜0．01和P＜0．001三个不同程度的显著水平。模型中所提出的15条假设除了“H5a：用户对“雪球”或“雪球”App的感知用户性正向影响感知有用性”不满足外，其他都通过了检验，具体假设验证结果如表5－7所示。

表5－7　研究假设检验结果

（续表）

注：＊＊＊表示P＜0．001。