回归问题检验及解决方法

通常来讲，为保证多元回归具有一定的科学性，需要避免三大基本的理论问题，即对于相关模型而言是不是可能存在多重共线性、序列相关和异方差问题；如果对应的理论模型能够很好地通过相关问题的检验，那么说明相关的理论模型是可信的、稳定的。如果存在相应的问题，那么对于研究来讲，得到的结果可能存在不稳定性（马庆国，2002）。但对于回归本身来讲，一般系列相关主要针对时序数据，对于截面数据而言，一般不会出现序列相关问题，因此对于截面数据而言，其多重共线性问题和异方差问题可能是影响最大的问题。因此，研究中并未做详细的分析。

（1）多重共线性检验。多重共线性主要指各个自变量和调节变量以及控制变量之间存在严重的线性相关，即多个变量变差存在共同的变化趋势，在SPSS中研究一般用方差膨胀因子（Variance Inflation Factor，VIF）指数来判断相关模型内变量之间的多重共线问题（马庆国，2002）。一般而言，当0＜VIF＜10时，可以认为不存在多重共线性；当10≤VIF＜100时，认为可能存在较强的多重共线性；当VIF≥100时，肯定存在严重多重共线性。

在进行分析的过程中，尤其是在做调节效应分析的过程中，通常要利用中心化处理的方法来降低多重共线性问题的影响。在本研究中，研究模型经过中性化处理后各个模型的VIF值显著小于10，基本都小于3.6，而独立的多元回归模型中的VIF值也相对较小，显著低于10。因此，对于所有的回归模型的变量，不存在显著的多重共线性的影响。

（2）异方差问题检验。异方差问题主要是指随着解释变量的变化，被解释变量的方差有明显的跳跃，偏离原有的变量之间关系的轨迹（即不具有常数方差的特征），相关异方差的问题通常可用散点图进行判断（马庆国，2002）。通过标准化预测值为横轴，标准化残差为纵轴，对相应的残差项的散点图分析，如果散点分布呈现无序状态，并且相关散点图不存在明显的跳跃，能够很好地聚集到某一中心点的周围，那么研究就可认为不存在明显的异方差。

经本研究进行相关的分析检验，研究中各模型的散点图均呈无序状并且不存在明显的大的跳跃，这是由于研究采用7分制量表的缘故，因变量的残差出现大的跳跃的可能性相对较小。因此，可以判定本研究各模型均不存在异方差问题。

（3）共同方法偏差的问题。由于数据的收集主要依赖主观打分，对于一个个体而言，其主观判断的过程、行为或者习惯会被引入自变量和因变量本身的判定过程，因此扩大因变量和自变量之间的相关关系，同时也可能提升自变量和调节变量之间的关系。对于这一问题，主要原因在于满意度、虚拟和现实一致性以及技术性相关特征是一种个体本身的主观的认知，这种认知通常无法采用客观数据来直接衡量，因此在这种情况下，需要通过主观打分的方式来实现个体对于相关现象的认知，但这样做相对容易出现一个共同方法偏差的问题。如果要检测是不是存在严重的共同方法偏差问题，一个方法就是利用验证性因子分析的方法测量自变量和因变量是不是能够很好地聚合到一起，或者是不是存在很好的区分度。如在验证性因子分析中，研究可以将自变量和因变量作为一个变量的多个维度进入一个结构模型，并对相关结构模型进行单维分析和多维分析，观测相关结构模型在利用不同分析方法后得到的Δχ2值的变动，如果结果显示，Δχ2值变动相对较大，即在多维结构被整合为一维结构的情况下，Δχ2明显提升，并且高度显著，说明在这样的情况下各个变量之间能够有效区分，共同方法偏差问题并不严重，分析的结果不会受到很大影响。同时对于多重共线性问题的检验，也可以通过调节变量和自变量之间的关系来进行分析，通常而言，如果调节项显著的话，那么说明共同方法偏差的问题影响不是太大。本研究最后的分析表明，调节项的回归结果部分显著。并且在验证性因子分析的过程中发现，相关变量能够有效地进行区分，因此，研究认为共同方法偏差本身的影响不是太大。

表6.1　变量的描述性统计

(www.xing528.com)

表6.2　技术型特征、虚拟和现实一致性与用户满意的标准化回归模型

注：分析采用了SPSS16.0；＋表示p＜0.15，*表示p＜0.1，**表示p＜0.05，***表示p＜0.01。

表6.3　技术性特征、虚拟和现实一致性与用户使用意向标准化回归模型

注：分析采用了SPSS16.0；＋表示p＜0.15，*表示p＜0.1，**表示p＜0.05，***表示p＜0.01。