结构方程模型是一种被广泛应用于心理学、经济学、社会学等领域的线性统计建模技术。结构方程模型提出的背景是为了改进传统统计方法的不足，这种改进体现在两个方面：一是对变量结构进行了改进；二是在兼顾复杂概念测量所产生的误差的基础上建立变量间因果等关系。结构方程模型分析一般包含5个主要步骤，依次是：模型的设定、模型的识别、模型的估计、模型的评价和模型的修正[29]。
结构方程模型与传统统计方法相比，具有的优势主要有：①引入了潜在变量的概念。虽然因子分析也可以对潜在变量设立多元的标识，但其无法对潜在变量之间的关系进行分析。结构方程模型克服了这一弊端，将多个潜在变量放在同一模型中进行考虑并可研究它们之间的关系结构。②传统的多元回归、路径分析方法一般只能处理具有观测值的变量，还必须以观测值不存在测量误差为前提。与之相比，结构方程模型不需要很严格的假定限制条件，分析过程中自变量和因变量之间可以允许存在一定的测量误差。③对路径分析进行了扩展和优化。结构方程模型克服了传统路径分析中存在的基本假设过多、无法包含潜在变量等弊端，引入路线图的概念从而使得各变量间的关系清晰明了。
本书使用结构方程模型对上文提出的18个研究假设进行检验。结构方程模型包括结构方程和测量方程。结构方程测算外生潜在变量（外生变量）与内生潜在变量（内生变量）之间的关系，测量方程测算指标（观测指标）和潜在变量（因子）之间的关系。其中潜在变量有多个指标测度，可以通过多个指标评价数据与模型的拟合程度，因此结构方程模型能够得出较传统统计分析更为精确的结果。
结构方程模型中较为普遍的一种情形是：模型中的外生变量和内生变量同时都是潜在变量，而且外生变量和内生变量都有相应的测量方程。其模型如下：
公式4－1表示的是内生变量的测量方程，y是由p个内生观测指标组成的p×1向量，η是由m个内生潜在变量组成的m×1向量，Λy是y在η上的p×m因子负荷矩阵，εy是p个测量误差组成的p×1向量。
公式4－2表示的是外生变量的测量方程，x是由q个外生观测指标组成的q×1向量，ξ是由n个外生潜在变量组成的n×1向量，Λx是x在ξ上的q×n因子负荷矩阵，δx是由n个外生潜在变量组成的q×1向量。
公式4－3表示的是结构方程模型，B是m×m系数矩阵，描述了内生潜在变量η彼此间的联系；Γ是m×n系数矩阵，描述了外生潜在变量ξ对内生潜在变量η的影响，ζ是m×1的残差向量，反映了内生潜在变量在方程中未能解释的部分[30]。
根据本书的研究情境，构建其结构方程模型如公式4－4所示：
其中η1表示用户的资源生成行为，ξ1表示感知易用性，ξ2表示感知有用性，ξ3表示认同感，ξ4表示社会互动和交往，ξ5表示信任，ξ6表示外部奖励，η2表示自我效能，η3表示兴趣，η4表示互惠。γ表示外生变量与内生变量之间的关系，β表示内生变量之间的关系，ζ表示内生变量残差项。
本书用LISREL软件对模型的假设进行了检验，计算出模型中各条路径系数和回归方差。验证结果表明，除了H1a、H2a、H3c、H4c和H5a这5个假设不成立外，其余13条假设均得到了支持。其中H1c、H2c、H3a和H4a的支持关系不显著。9个内生变量与用户资源生成行为的关系得到了显著支持。具体结果如图4－4所示，为了方便识别，图中已将不支持的关系删去，虚线表示支持关系不显著，“＊＊＊”符号代表p＜0.001，表示在p＜0.001下显著。从图中可以看出，4个内生变量，即社会互动和交往、兴趣、互惠和感知有用性与用户资源生成行为的路径系数分别达到了0.89、0.88、0.76和0.71，具有显著的正相关水平。除去感知易用性与用户资源生成行为的路径系数为0.39外，其他几个变量所支持的路径系数也均在0.50以上。
图4－4 实证模型路径系数分析结果
一般而言，结构方程模型拟合的判断标准主要有如下几个：(www.xing528.com)
（1）卡方统计值（χ2）。
卡方值是非参数检验中的一个统计量，卡方值越小，表明假设模型与数据存在不一致的可能性越小。当卡方值为0时，表示假设模型与数据完全拟合。
（2）卡方值自由度比（χ2/df）。
将卡方值自由度比作为拟合指标，目的是适当减少样本的影响。一般来说，如果卡方值自由度比小于3，则表示假设模型与数据是拟合较好的。
（3）规范拟合指数（Normal Fit Index，NFI）。
其值在0到1之间，大于0.9拟合较好，越接近1拟合越好。
（4）不规范拟合指数（Non Normal Fit Index，NNFI）。
自由度可以作为测量指标来衡量模型复杂度。NNFI指数主要是在考虑NFI的基础上同时把自由度也考虑进来。
（5）比较拟合指数（Comparative Fit Index，CFI）。
该指数是对NFI指标的一种改良，其使用意义表现在测量从最限制模型到最饱和模型时，非集中参数的改善情况。
（6）近似误差均方根（Root Mean Square Error of Approximation，RMSEA）。
一般来说，如果RMSEA值越小，说明模型与实际数据拟合得越好。
本章所提的假设模型与问卷数据的拟合指数值及相应参考范围见表4－4。从表中可以看出，5个拟合指数均在推荐范围内，由此可见理论模型和数据拟合良好，模型检验的数据可信。
表4－4 拟合指数值及参考范围
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
