在线支付因素分Word格式.docx
《在线支付因素分Word格式.docx》由会员分享，可在线阅读，更多相关《在线支付因素分Word格式.docx（12页珍藏版）》请在冰豆网上搜索。
可以从几个方面衡量。
亲友的评价（c1）
广告宣传（c2）
其他人都在使用，是时事所趋（c3）
三、调查数据的收集
本次问卷调研的对象为居住在某大学校内的各类学生。
调查采用随机拦访的方式。
问卷内容包括6个潜变量因子，量表采用了Likert7级量度，但是由于时间有限以及对这门课程认识还不够深刻，为了能够更好的完成，我们决定从前三个方面进行数据分析。
如对付出预期的测量：
二、
付出预期
1代表“完全同意”，7代表“完全不同意”
1
在线交易需购买安全工具造成额外成本
1234567
2
在线支付安全风险较大，会造成信息泄露
3
办理网上银行等在线业务续交年费
本次调查共发放问卷250份，收回有效样本221份。
四、缺失值的处理
采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。
最终得到204条数据，基于这部分数据做分析。
五、数据的的信度和效度检验
1．数据的信度检验
信度（reliability）指测量结果（数据）一致性或稳定性的程度。
一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。
稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。
如果问卷设计合理，重复测量的结果间应该高度相关。
由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。
表7-3信度分析结果
ReliabilityStatistics
Cronbach'
sAlpha
NofItems
.769
10
另外，对问卷中每个潜变量的信度分别检验结果如表7-4所示。
从表7-4可以看到，各分量表的Alpha系数均在0.65以上，且总量表的Cronbach’sAlpha系数达到了0.769，表明此量表的可靠性较高。
表7-4潜变量的信度检验
可测变量个数
Cronbach’sAlpha
绩效预期
4
0.705
0.671
社会影响
0.800
2．数据的效度检验
采用了因子分析法
解释的总方差
成份
初始特征值
提取平方和载入
合计
方差的%
累积%
3.351
33.513
1.806
18.062
51.576
1.202
12.024
63.599
.867
8.675
72.274
5
.733
7.333
79.607
6
.599
5.986
85.593
7
.498
4.984
90.578
8
.367
3.671
94.249
9
.322
3.222
97.471
.253
2.529
100.000
提取方法：
主成份分析。
成份矩阵a
V1
.503
.321
-.152
V2
.604
.541
-.118
V3
.413
.669
-.084
V4
.651
.465
-.090
V5
.488
-.209
.661
V6
.616
-.207
.553
V7
.595
.058
.302
V8
.647
-.500
-.327
V9
.610
-.495
-.266
V10
.613
-.404
-.372
提取方法:
主成分分析法。
a.已提取了3个成份。
1．路径系数/载荷系数的显著性
参数估计结果如表7-5到表7-6，模型评价首先要考察模型结果中估计出的参数是否具有统计意义，需要对路径系数或载荷系数进行统计显著性检验，这类似于回归分析中的参数显著性检验，原假设为系数等于。
Amos提供了一种简单便捷的方法，叫做CR（CriticalRatio）。
CR值是一个Z统计量，使用参数估计值与其标准差之比构成（如表7-5中第四列）。
Amos同时给出了CR的统计检验相伴概率p（如表7-5中第五列），使用者可以根据p值进行路径系数/载荷系数的统计显著性检验。
表7-5系数估计结果
RegressionWeights:
（Groupnumber1-Defaultmodel）
Estimate
S.E.
C.R.
P
Label
Standardizd
使用意图
<
---
1.000
.620
.428
.408
1.013
.181
5.596
***
par_1
.734
.862
.160
5.384
par_2
.648
1.529
.338
4.528
par_3
.890
.732
.139
5.283
par_4
.444
1.184
8.532
par_5
.888
.684
.991
.114
8.690
par_6
.710
syxw
.889
1.068
.190
5.623
par_7
.757
.461
注:
“***”表示0.01水平上显著。
表7-6方差估计
Variances:
.688
.225
3.057
.002
par_18
.624
3.440
par_19
1.441
.290
4.961
par_20
z1
z2
a2
.606
.095
6.363
par_21
a3
.705
.090
7.855
par_22
b1
1.054
.164
6.411
par_23
b2
.383
.299
1.280
.201
par_24
b3
1.363
.151
9.000
par_25
c1
.540
.192
2.815
.005
par_26
c2
1.643
.209
7.847
par_27
c3
1.388
.189
7.357
par_28
a4
.584
.100
5.855
par_29
e1
2.551
.275
9.283
par_30
“***”表示0.01水平上显著，括号中是相应的C.R值，即t值。
模型拟合评价
在结构方程模型中，试图通过统计运算方法（如最大似然法等）求出那些使样本方差协方差矩阵
与理论方差协方差矩阵
的差异最小的模型参数。
换一个角度，如果理论模型结构对于收集到的数据是合理的，那么样本方差协方差矩阵
差别不大，即残差矩阵（
）各个元素接近于0，就可以认为模型拟合了数据。
模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。
不同类别的模型拟合指数可以从模型复杂性、样本大小、相对性与绝对性等方面对理论模型进行度量。
Amos提供了多种模型拟合指数（如表
表7-7拟合指数
指数名称
评价标准
绝对拟合指数
（卡方）
越小越好
GFI
大于0.9
RMR
小于0.05，越小越好
SRMR
RMSEA
相对拟合指数
NFI
大于0.9，越接近1越好
TLI
CFI
信息指数
AIC
CAIC
7-7）供使用者选择。
如果模型拟合不好，需要根据相关领域知识和模型修正指标进行模型修正。
需要注意的是，拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。
拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。
即便拟合指数没有达到最优，但一个能够使用相关理论解释的模型更具有研究意义。
使用修正指数修改模型时，原则上每次只修改一个参数，从最大值开始估算。
但在实际中，也要考虑让该参数自由估计是否有理论根据。
若要使用修正指数，需要在AnalysisProperties中的Output项选择ModificationIndices项（如图7-19）。
其后面的ThresholdforModificationIndices指的是输出的开始值。
表7-19修正后模型方差估计
standardized
.500
.877
.080
10.995
.717
.078
9.159
.644
.727
1.138
.118
9.630
.817
.098
6.300
.472
1.411
.116
12.178
.907
.602
1.128
.113
9.966
.685
.894
.881
.082
10.805
.745
.537
“***”表示0.01水平上显著.
Model
LO90
HI90
PCLOSE
Defaultmodel
.127
.106
.148
.000
Independencemodel
.256
.238
.273
ECVI
MECVI
1.032
.864
1.237
1.049
Saturatedmodel
.640
.677
3.357
2.972
3.779
3.368
模型中各潜在变量之间的直接效应、间接效应以及总效应（标准化的结果）
社会影响（直接效应）
0.628***
（间接效应）
（总效应）
0.628
绩效预期（直接效应）
0.428***
0.134***
0.051
0.648
0.134
付出预期（直接效应）
0.408***
0.610***
0.543
0.075
0.890
0.084
0.610
表中给出的均是标准化后的参数,直接直接效应就是模型中的路径系数。
升级会员 