利用大样本数据的实证分析方法及软件使用

除本书5.3节用到的信度和效度检验方法外，本研究对利用大样本调查获得的数据进行描述性统计分析、验证性因子分析（Confirmatory Factor Analysis，CFA）和结构方程建模与拟合。本研究所使用的分析软件为SPSS（Statistics Package for Social Science）18.0版和AMOS（Analysis of Moment Structures）18.0版。具体的分析方法如下。

（1）描述性统计分析

描述性统计分析主要说明各变量的最大值、最小值、均值、标准差等情况，同时对样本的特性和构成情况做出描述。

（2）验证性因子分析（CFA）

通常在研究中，任何一个测量量表的开发都是以一系列文献和理论作支撑的，虽然探索性因子分析（EFA）可探索测量的因子数量，并根据题项在因子上的载荷情况进行命名，但该方法更倾向于统计，而非变量之间或变量内各题项间的逻辑关系（黄芳铭，2005），因此EFA难以对一组变量测度的结构效度提供理论说明。学者们更倾向于采用CFA来进行测量效度和信度的评估（黄芳铭，2005）。郭爱芳（2010）认为CFA是研究者基于理论对开发的测量量表进行验证，检验已知的特定结构是否按照预期的方式产生作用，它的分析更具逻辑性，也更具操作性。本研究将使用AMOS 18.0软件进一步运用大样本数据对变量做验证性因子分析，通过数据与测量模型的拟合分析，验证各观测变量的因子结构与先前的构想是否相符。

本研究用于评价和选择模型的拟合指数及其相应的判断标准如下：

① χ2/df，即卡方（Chi-square）对自由度（df）的比值，是一种基于拟合函数（Fit Function）的绝对拟合指数。它能较为恰当地选择一个参数不太多的模型，从而调节模型的复杂程度，弥补了χ2检验倾向于接纳比较复杂模型的缺点。具体地，本研究选择2<χ2/df<5，模型可以接受；若χ2/df≤2，模型拟合非常好（Byrne，2001）。

② 近似误差均方根（RMSEA），该指标受样本容量的影响较小，是较为理想的绝对拟合指数。若RMSEA低于0.1，表示模型拟合得好；若低于0.05，表示模型拟合得非常好；若低于0.01，则表示模型拟合得非常出色（Steiger，1990；Bagozzi & Yi，1988；MacCallum，Browne，& Sugawara，1996），但王志玮（2010）认为最后一种情况在具体模型检验实践中几乎碰不到。(www.xing528.com)

③ 塔克—刘易斯指数（Tucker-Lewis Index，TLI）是相对拟合指数的一种，该指数在近年的拟合指数研究中逐渐受到推崇。TLI值的变化范围并非一定在0和1之间。一般认为，若TLI越接近于1，表示模型拟合程度越好，模型可接受范围为TLI≥0.90（Tucher Lewis 1973；Hair，Black，& Anderson，2009）。

④ 比较拟合指数（Comparative Fit Index，CFI）亦是相对拟合指数的一种，该指数受样本容量的影响较小，即使是对小样本模型拟合时也能比较敏感地反映预设模型的变化，是较为理想的相对拟合指数。其值位于0和1之间，若CFI≥0.90，模型可接受；CFI越接近于1表明模型拟合越好（Bagozzi & Yi，1988；Bentler，1992）。

（3）结构方程建模与拟合

在对各变量测量量表的信度和效度进行检验之后，本研究将运用结构方程模型法（Structural Equation Modeling，SEM）对第4章提出的酒店创新影响因素及其作用机制的概念模型进行检验，通过概念模型与样本数据的拟合情况，分析找出模型中拟合欠佳的部分，并予以修正，以期得到一个相对满意的模型。在具体模型拟合过程中采用软件AMOS 18.0版进行。

结构方程模型是一种融合了多元回归分析、路径分析和验证性因子分析的多元统计技术，是基于变量的协方差分析变量之间关系的一种统计方法。侯杰泰等（2004）、黄芳铭（2005）提出由于社会科学研究中很多变量难以准备和直接地测量，只能以另外可观察的变量作为这些潜变量的替代性标识，而这些潜变量不可避免地包含大量测量误差（王志玮，2010）。传统统计分析方法要求可观察变量不存在测量误差，因此在很多情况下传统分析方法难以估计社会科学研究中存在测量误差的潜变量测度问题。结构方程模型允许自变量和因变量存在测量误差，且可对潜变量之间的结构关系予以估计，因此该方法被广泛应用于在心理学、社会学、经济学等领域的研究中。

由于本书所研究的酒店创新影响因素与效应的概念模型中所涉及的酒店外部知识源、酒店吸收能力、酒店内部资源、酒店创新和酒店绩效等变量具有难以直接测度、主观性强、测度误差较大、因果关系比较复杂等特点，因此本研究非常适合采用结构方程模型建模和拟合。

结构方程模型的应用可大致分为四个步骤（侯杰泰等，2004）：①模型构建（Model Specification），根据以往研究和理论来构建假设的初始概念模型；②模型拟合（Model Fitting），设法拟合出模型的解，其中主要是模型参数的估计；③模型评价（Model Assessment），对模型与数据是否拟合进行检视；④模型修正（Model Modification），对不能很好拟合数据的模型进行修正和再次设定。结构方程分析的核心是拟合研究者所提出变量间的关联模式，通过模型检验判断是否与实际数据拟合以及拟合的程度如何，从而对研究者的理论研究模型进行验证。与验证性因子分析中的拟合指标选择相同，本研究将选用χ2/df、RMSEA、TLI和CFI四类指标作为评价结构模型的拟合指数。