构建与验证情感与信任关系的结构方程模型

情感主观状况的考察包含对两个子成分的检验，即情感认知度和情感行为意向。

1.描述统计和因子分析

问卷对情感主观状况的考察包含六个指标变量的检验，如表4-15 所示：

表4-15　问卷架构内容

以上测试共包含六个观测指标变量，其相关矩阵如表4-16 所示：

表4-16　情感主观状况指标变量的相关矩阵（N=384）

** p＜ 0.01 * p＜0.05　level （2-tailed）

由表4-16 可见，Q40c_1 除了与Q40d_1 指标变量相关显著（p＜0.01）外，与其他指标变量的相关不显著；Q40g_1 与Q40d_1 和Q10_1 指标变量之间的相关显著（p＜0.01）外，与其他指标变量的相关不显著，而且Q17_1指标变量Kurtosis 值大于4，属于有偏分布，应剔除该变量，所有其他数据的偏度（Skew）均小于3，峰度（Kurtosis）均小于4，由此表明该数据达到了正态分布的标准（Mine，1998），可以进行下一步的模型建构。

2.因子分析

在进行因子分析之前进行了KMO 测度，得到的KMO 系数为0.52，Bartlett's Test 检验值p＜0.0001，说明该指标变量量表可以做因子分析，旋转后的因子得分如表4-17 所示：

表4-17　旋转后的因子得分表

从表4-17 因子得分可以看出，这六个指标变量可以归纳为两个因子，用这两个因子代表六个指标变量，可以解释51.2%的误差。Q40g_1 和Q40c_1 这两个指标变量因子投射不显著，而且考虑Q40g_1 与Q40d_1 和Q10_1 指标变量之间的相关显著，分属两个因子，应剔除该问项。再次旋转后的因子得分如表4-18：

表4-18　旋转后的因子得分表(www.xing528.com)

从表4-18 因子得分可以看出，这六个指标变量可以归纳为两个因子，用这两个因子代表六个指标变量，可以解释62.6%的误差。“您对情感的态度（Q10_1）”“人没有爱情、亲情、友情这些情感的支持就不能活下去（Q40a_1）”两个指标变量可以归结为因子1，取名为“情感认知度”因子；“应当尊重情感生活的隐私性（Q40c_1）”“个人的情感是完全自由的（Q40d_1）”两个指标变量可以归结为因子2，取名为“情感行为意向”因子。经过因子分析，情感的六个指标变量就由“情感认知度”和“情感行为意向”两个潜变量因子代替。

图4-8　情感主观状况碎石图

3.验证性因素分析

关于情感主观状况测量任务的因素分析，本研究用以下三个验证性因素分析模型来检验是否具有可分离性，还是倾向统一的整体。用以上六个指标变量做情感主观状况的验证性因素分析，共产生三个模型：

模型一（CFAl）：六项观测指标变量合成一个潜变量；

模型二（CFA2）：根据相关矩阵的提示，删除Q17_1 和Q40g_1 指标变量，剩余四个指标变量合成一个潜变量；

模型三（CFA3）：由Q40a_1 和Q10_1 四个指标变量合成一个潜变量，Q40c_1 和Q40d_1 两个指标变量合成另一个潜变量。

根据建模过程中修正指数的提示和理论假设，以上三个测量模型中都允许Q40b_1 与Q40f_1 两个指标变量的误差相关，并允许信任关系的两个潜变量误差相关，因为它们每对变量使用的测量程序相近，故这样设置是合理的。虽然仍有其他指标变量误差相关，对应的修正指数比较大，但是没有依据可以让那些误差相关自由估计，故不再设置。

三个测量模型的统计拟合指数如表4-19 所示：

表4-19　情感的测量模型拟合指数

比较三个模型，CFA1 的拟合指标大部分没有达到标准，所以放弃CFA1；CFA2 中，拟合指标大部分没有达到标准，所以放弃CFA2；CFA3中各项观察指标变量估计值的t 值很小，显著水平p 值为0.471 大于0.01。表明CFA3 的模型与数据拟合较好，并且各个拟合指标全部达到标准。所以最后选择CFA3 进入下一步的分析，其模型图如图4-9 所示：

从表4-19 和图4-9 中可以看到，情感的多项测量任务，更倾向于聚类成两个潜变量，即情感认知度和情感行为意向。Q40d_1 指标变量对情感认知度潜变量的负荷相对比较低（0.34），但是也达到了显著水平，其余各项指标变量对情感两个潜变量的因子负荷都比较高（0.40—0.67），表明它们能被情感两个潜变量解释的最多，而且，信任认知度和信任行为意向的相关显著（0.34），这符合理论原理。

图4-9　情感主观状况的测量模型（CFA3）