虚拟服务技术继续使用意向研究

在统计分析的过程中，本研究将按照规范的研究方法的流程来对相关数据进行一步步的分析。首先，研究将通过探索性因子分析来确定相关问卷的设计的合理性，包括问卷指标的设计、问卷内容的设计，如果存在和现有指标有比较大出入的问项，研究将依据问项本身的合理性、问项本身和其他指标体系的内容一致性进行选择性删除，以简化和凝练相关的量表。在对量表进行探索性因子分析的过程中，研究将分析通过因子分析理想设计的各个维度是否能够聚合到相应的理论因子结构下，如果出现设计差异，研究将删除那些一致性相对较低的子维度。再通过探索性因子分析之后，研究将对相关量表进行信度分析，只有当所有的问项具有较高的一致性时，才说明整体构念具有较高的内容一致性。在经过探索性因子分析和信度分析后，如果量表被证明是具有较高的内在一致性程度的，利用剩余的问项进行进一步的验证性的因子分析。由于在前一样本中已经将不具有高度一致性的问项剔除，在剩余的样本中也将把相关的问项进行剔除，在剔除完相关问项后，再依据相关量表进行验证性因子分析，以验证在探索性因子分析中得到的量表是否具有高的内在聚合效度和区分效度。如果验证性因子分析说明相关的样本不能很好地聚合得到因子，那么研究将再进行新一轮的因子分析以删除一致性相对较低的指标。在研究的过程中，本研究在做因子分析和信度分析的时候主要利用了SPSS16.0，在做验证性因子分析和结构方程建模的过程中主要利用了LISREL8.7，而在做回归分析的时候主要采用了SPSS16.0和STATA 10.0.

5.1.4.1　探索性因子分析

探索性因子分析的价值在于探索出相关构念本身的理论结构，说明研究本身设定的相关因子结构是否合理，即量表的内容构思效度。由于本研究的量表开发主要通过归纳、修改现有的成熟量表来实现，在一定程度上相关问项都能够反映这一理论构念本身所体现的意思，因此，因子分析最大的价值在于体现相关问项之间是否能够具有内在一致性，即具有较高的内容效度。对于研究构念的构思效度，由于通过因子分析一方面能够通过剔除和现有量表不一致的维度以达到降维的目的，另一方面也能通过聚合具有高度一致的问项以实现找出因子的主体结构构成，这样通过因子分析就实现了提升和检验量表设计的构思效度。在进行研究分析的过程中，只有那些通过了信度和效度测量的量表和问项才能被采用，在本研究的设计中，主要对相关成熟量表中修改的问项进行了分析。按照研究本身的设定，一般而言，探索性因子分析的各个题项的因子荷载一般要求能够高于0.5，在进行探索性因子分析的过程中，研究将主要通过主成分分析方法来提取因子，同时采用最大方差旋转方法对坐标轴进行旋转，以获得聚合一致性相对明显的各个子维度。

在对量表做完探索性因子分析之后，为保证研究得到的量表具有较高的内在一致性，研究还将进一步分析相关量表的信度。这一分析的目的主要是考察量表本身的题项之间的内在一致性，以删除那些可能导致问卷设计存在一致性缺陷的问项，即如果存在题项-总体（Item to Total）相关系数（CITC）不能达到最低的基本要求或者信度的Cronbach’sα系数不能达到最低的要求的情况，研究将要求删除相应的影响最大的子维度以提升量表相关量表的内在一致性的程度。按照以往的经验而言，如果要通过信度的检验，那么题项-总体的相关系数一般要大于0.35，或者Cronbach'sα系数应大于0.70（李怀祖，2004）。

在这一分析的过程中，研究主要采用了SPSS16.0的因子分析和信度分析的两个模块来进行分析。

5.1.4.2　验证性因子分析

验证性因子分析价值在于能够体现相关量表本身的聚合效度和区分效度。通过验证性因子分析来体现相关构念本身的理论结构，区分不同构念之间结构的区分度。一般而言，检验变量测量的聚合效度与区分效度会比较复杂。一般通过检验模型的整体结构的稳定性来测量模型聚合效度和区分效度（Anderson&Gerbing，1988）。在分析模型本身的聚合效度时，主要考察相关题项荷载是不是能够大于0.7（或接近于0.7），如果在这样的背景下，还具有比较好的模型拟合指标，那么就说明研究的构念测度具有较高的聚合效度。而在进行区分效度分析的时候，主要考察和对比两个原本不存在联系的量表之间的估计值设定为1以后，相关模型本身的卡方值的改变程度。如果标记为1自由估计和标记为0非自由估计得到的卡方值的改变是显著的，那么说明这两个量表的设计是能够很好地相互区分的。

在进行验证性因子分析的时候中，本研究主要利用了Lisrel8.7软件。对于相关的指标值是不是能够达到相关的指标的要求，一般研究都有其基本的要求。首先，在研究中，样本本身会具有一定的要求，一般需要在100份以上，这样才能够使用最大似然法进行估计。其次，依据现有的经验研究的基本准则，相应的模型的聚合和区分效度都有特定的拟合值来进行评判。一般而言，在Lisrel8.7的模型的评价基本指标主要包括以下相关指标：χ2和χ2/df（卡方自由度比值），RMSEA（Root Mean Square Error of Approximation，近似误差均方根）、SRMR（Standardized Root Mean square Residual，标准化残差均方根）、NFI（Normed Fit Index，赋范拟合指数）、NNFI（Non-Normed Fit Index，非范拟合指数）、CFI（Comparative Fit Index，比较拟合指数）、GFI（Goodness-of-Fit Index，拟合优度指数）、AGFI（Adjusted Goodness-of-Fit Index，调整拟合优度指数）、Δχ2等。

要检测量表本身设计是不是合理，以上相关指标必须具有良好的拟合优度，即达到一定的基本标准。从传统的经验研究的结果来看，一般需要保证以下几个指标达到基本要求，主要是χ2/df值、RMSEA值、NNFI以及CFI值，而要分析相关量表的区分效度则主要通过分析Δχ2值及卡方值的变化程度是否足够显著。

（1）χ2和χ2/df。一般情况下，研究需要首先考察以下相关指标是不是显著。即考察χ2是不是显著，如果χ2值不显著，则可以不再分析χ2/df值；如果χ2值显著（p＜0.05），则需要进一步考察χ2/df的值即卡方（χ2）与自由度（df）的比值。从现有的经验研究来看，一般而言，若χ2/df＜10，模型勉强接受；若2＜χ2/df＜5，模型可以接受；若χ2/df≤2，模型拟合非常好。(www.xing528.com)

（2）RMSEA，即近似误差均方根，这一指标受样本容量的影响较小，是一个相对比较好的绝对拟合指数，一般经常用于样本本身的测度分析。从理论上而言，这个值本身越低越好，即RMSEA越接近于0，则说明模型本身的拟合程度越好，也意味着整个构念本身的结构相对越稳定。Steiger（1990）认为，RMSEA低于0.10，表示好的拟合；低于0.05，表示非常好的拟合；低于0.01，表示非常出色的拟合（许冠南，2008；姜雁斌，2012）。

（3）NNFI值，是最新的研究中应用相对较多的相对拟合指数。一般认为，若NNFI≥0.90，模型可接受。

（4）CFI，即比较拟合指数。一般而言，这个指标受到样本容量的系统性影响会比较小，因此能够比较敏感地反映误设模型的变化和模型调整后带来的变化，是一个相对比较理想的相对拟合指数。对于CFI值，一般要求相关的指标值CFI≥0.90；CFI越接近于1，则表明模型拟合越好。

（5）Δχ2，主要指在原本设计为2个或多个因子结构的因子被聚合到一个因子后，相应的概念模型带来的卡方值的改变程度，如果原本在理论上设计成2个或多个因子的构念在1个因子下面的卡方值与2个因子或多个下卡方值的改变值的差值存在显著差别，显著变大，那么这就说明在2个或多个因子下卡方值显著变小，这样就能体现出相应的构念在2个因子或者多个因子结构下会优于一个因子的结构，一般的研究主要通过这一方法来说明量表的区分效度以及量表结构性维度设计的合理性。同时通过这一方法能够测量量表的共同方法偏差的问题，如果能够有效区分不同维度的因子，那么说明相关的变量之间不存在严重的共同方法偏差的问题（如：Iverson& Maguire，2000，Korsgaard&Roberson，1995；Mossholder et al.，1998；Podsakoff et al.，2003）.

5.1.4.3　分层回归

除验证性因子分析之外，本研究还将使用SPSS自带的层次回归分析的相关模块来对研究中的调节效应进行分析。层次回归分析的最大好处在于能够基于研究这本书对变量的因果关系的设定将不同的研究变量引入回归模型（Cohen et al.，2003），从而能够非常直观地反映出新进入变量能够解释相关因变量的变差的贡献程度。由于不同的变量测定方式上存在一定的差异，为消除相关变量本身在单位上的差别带来的影响，研究采用了标准化相关变量的方式来降低相关因素的影响。

而在做调节效应分析的时候，如果调节变量和自变量之间存在量纲的差异，为降低这种量纲带来的影响，研究一般也会采用标准化数据的方法来进行标准化回归，不过，在进行回归之前，首先会将所有的变量标准化，然后将自变量Zχ和调节变量Zy相乘得到交互项（ZχZy），再将对应的控制变量、自变量、调节变量以及调节项分3个模块引入模型，这样就会得到相对合理的分析结果。通过标准化相关变量，通常能够保证相关变量的系数能保持在一定的范围之内，这样能够确保回归系数具有意义，另外，标准化消除了变量之间的非本质共线性，还能够有效解决由于多重共线性带来的影响（Cohen et al.，200 3）。

在分析的过程中，主要通过观测R 2变化显著程度来分析相关模型是不是合理，加入的变量是不是具有显著影响，而可以通过模型F值变化显著程度来分析调节效应模型的拟合程度，如果在自变量和调节变量以及第三模块的调节项进去后，F值出现显著的变化，那么此时说明调节效应是显著的，同时也表明模型拟合程度相对更优。当然调节效应是不是显著也可以通过观察相应的调节项的显著性程度来进行考察。