虚拟和现实一致性量表验证性因子分析-研究结果

研究对虚拟和现实一致性量表的3个基本维度进行了相应的验证性因子分析。最终的拟合结果如表5.24所示，体验价值一致性在一维划分时由于只有3个子项，在对应的设计下基本达到了饱和状态，并且相关题项本身的系数大于0.3且在0.000的显著性程度上显著。通过进一步考察，CFI以及NNFI的值都大于0.9，同时在这样的情况下RMSEA值为.000，说明体验价值一致性本身的一维划分是合理并且达到饱和状态的。而CFI和NNFI的值为1则说明，相应的量表的各个题项本身具有较好的聚合效度，这说明本研究所设定的量表是相对合理的。

类似的，对习惯一致性的分析表明由于研究只有3个题项，因此在对应的背景下，相应的量表基本达到饱和，不能继续拆分，同时CFI及NNFI的值达到1.0，RMSEA的值为0.000，显著小于0.1，各个测量指标系数均大于0.3，并且在0.000的显著性程度上显著，说明习惯一致性的各测量维度具有良好的聚合效度，本研究所使用的量表是有效的。

对功能价值一致性的分析表明，RMSEA的值达到0.209，高于0.1，并且χ2/df值等于12.96大于10，但CFI以及NNFI的值分别为0.97和0.92，同时各个测量指标值的系数明显大于0.8，比最低的要求0.3要高，且均在0.000的显著性程度上显著，本研究仍然认为所利用的测量量表是可以反映功能价值一致性这一概念的，因此设定的量表仍然是有效的。

对虚拟和现实一致性整体量表的区分效度以及聚合效度进行了进一步分析。研究表明，当虚拟和现实一致性被划分为本研究所设定的3个维度的时候具有最好的拟合值，对应的研究设计下，相应的χ2/df值等于6.87，RMSEA值为0.101。相比于把所有的几个构念维度划分为1个构念的情况，其χ2值比其他几类的划分模式具有更低的参数值（包括χ2值等），而CFI、NNFI值则会显著更高，如在3个维度的划分模式下，样本的CFI和NNFI达到了0.95和0.97，而在一维的划分下想要的CFI和NNFI则达到了0.87和0.84，这说明本研究最初设定的3个基本的维度的划分模式是最为合理的，在这样的情况下，聚合和区分效度都能达到最高。

表5.24　虚拟和现实一致性量表的验证性因子分析(www.xing528.com)

注：数据分析采用了Lisrel8.7，相关系数矩阵采用Stata10.0的corr命令获得。

每组量表下方的指标参数是独立模型验证性因子分析得到的相关指标。对于约束和未约束模型，Δχ2都显著增加，这说明整体模型相关维度之间的划分是合理的，同时共同方法偏差的问题影响不显著。