在线支付因素分.docx
《在线支付因素分.docx》由会员分享,可在线阅读,更多相关《在线支付因素分.docx(12页珍藏版)》请在冰豆网上搜索。
在线支付因素分
在线支付因素分
————————————————————————————————作者:
————————————————————————————————日期:
《影响消费者网上支付因素分析》的数据分析报告
一、模型构建的思路
本案例在著名的美国顾客满意度指数模型(ASCI)的基础上,提出了一个新的模型,并以此构建潜变量并建立模型结构。
根据构建的理论模型,通过设计问卷对某超市顾客购物服务满意度调查得到实际数据,然后利用对缺失值进行处理后的数据进行分析,并对文中提出的模型进行拟合、修正和解释。
二、潜变量和可测变量的设定
模型中共包含五个因素(潜变量):
绩效预期、付出预期、社会影响、使用意图、使用行为,其中前三个要素是前提变量,后两个因素是结果变量,前提变量综合决定并影响着结果变量。
(原调查问卷中潜在变量太多,为能更好的完成数据分析,所以只选择了其中几项进行分析。
)
表7-1设计的结构路径图和基本路径假设
设计的结构路径图
基本路径假设
Ø绩效预期对使用意图和使用行为有路径影响
Ø付出预期对使用意图有路径影响
Ø社会影响对使用意图和使用行为有路径影响
Ø使用意图对使用行为有路径影响
2.1、顾客满意模型中各因素的具体范畴
参考前面模型的总体构建情况、国外研究理论和其他行业实证结论,以及小范围甄别调查的结果,模型中各要素需要观测的具体范畴,见表7-2。
表7-2模型变量对应表
潜变量
内涵
可测变量
(一)绩效预期
顾客对使用网上支付的益处的预期结合上述因素,可以从几个方面衡量对某超市的质量期望。
Ø网上银行节省交易费用(a1)
Ø可以24小时随时随地连线,更加方便(a2)
Ø交易更有效率(a3)
ØC2C交易中可避免收货前付款存在的风险(a4)
(二)付出预期
顾客对使用网上支付所带来的付出的预期。
可以从几个方面衡量对网上支付的付出预期。
Ø在线交易需购买安全工具造成额外成本(b1)
Ø在线支付安全风险较大,会造成信息泄露(b2)
Ø办理网上银行等在线业务续交年费(b3)
(三)社会影响
社会舆论及环境对顾客使用意图的影响。
可以从几个方面衡量。
Ø亲友的评价(c1)
Ø广告宣传(c2)
Ø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
1234567
3
办理网上银行等在线业务续交年费
1234567
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
潜变量
可测变量个数
Cronbach’sAlpha
绩效预期
4
0.705
付出预期
3
0.671
社会影响
3
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%
合计
方差的%
累积%
1
3.351
33.513
33.513
3.351
33.513
33.513
2
1.806
18.062
51.576
1.806
18.062
51.576
3
1.202
12.024
63.599
1.202
12.024
63.599
4
.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
10
.253
2.529
100.000
提取方法:
主成份分析。
成份矩阵a
成份
1
2
3
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)
RegressionWeights:
(Groupnumber1-Defaultmodel)
Estimate
S.E.
C.R.
P
Label
Standardizd
使用意图
<---
社会影响
1.000
.620
使用意图
<---
绩效预期
1.000
.428
使用意图
<---
付出预期
1.000
.408
V2
<---
绩效预期
1.013
.181
5.596
***
par_1
.734
V3
<---
绩效预期
.862
.160
5.384
***
par_2
.648
V5
<---
付出预期
1.000
.610
V6
<---
付出预期
1.529
.338
4.528
***
par_3
.890
V7
<---
付出预期
.732
.139
5.283
***
par_4
.444
V8
<---
社会影响
1.184
.139
8.532
***
par_5
.888
V9
<---
社会影响
1.000
.684
V10
<---
社会影响
.991
.114
8.690
***
par_6
.710
syxw
<---
使用意图
1.000
.889
V4
<---
绩效预期
1.068
.190
5.623
***
par_7
.757
V1
<---
绩效预期
1.000
.461
注:
“***”表示0.01水平上显著。
表7-6方差估计
Variances:
(Groupnumber1-Defaultmodel)
Estimate
S.E.
C.R.
P
Label
绩效预期
.688
.225
3.057
.002
par_18
付出预期
.624
.181
3.440
***
par_19
使用意图
1.441
.290
4.961
***
par_20
z1
1.000
z2
1.000
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
注:
“***”表示0.01水平上显著,括号中是相应的C.R值,即t值。
Ø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
与理论方差协方差矩阵
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
小于0.05,越小越好
RMSEA
小于0.05,越小越好
相对拟合指数
NFI
大于0.9,越接近1越好
TLI
大于0.9,越接近1越好
CFI
大于0.9,越接近1越好
信息指数
AIC
越小越好
CAIC
越小越好
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
RegressionWeights:
(Groupnumber1-Defaultmodel)
Estimate
S.E.
C.R.
P
Label
standardized
使用意图
<---
社会影响
1.000
.500
使用意图
<---
绩效预期
1.000
.500
使用意图
<---
付出预期
1.000
.500
V2
<---
绩效预期
.877
.080
10.995
***
par_1
.757
V3
<---
绩效预期
.717
.078
9.159
***
par_2
.644
V5
<---
付出预期
1.000
.727
V6
<---
付出预期
1.138
.118
9.630
***
par_3
.817
V7
<---
付出预期
.620
.098
6.300
***
par_4
.472
V8
<---
社会影响
1.411
.116
12.178
***
par_5
.907
V9
<---
社会影响
1.000
.602
V10
<---
社会影响
1.128
.113
9.966
***
par_6
.685
syxw
<---
使用意图
1.000
.894
V4
<---
绩效预期
.881
.082
10.805
***
par_7
.745
V1
<---
绩效预期
1.000
.537
注:
“***”表示0.01水平上显著.
RMSEA
Model
RMSEA
LO90
HI90
PCLOSE
Defaultmodel
.127
.106
.148
.000
Independencemodel
.256
.238
.273
.000
ECVI
Model
ECVI
LO90
HI90
MECVI
Defaultmodel
1.032
.864
1.237
1.049
Saturatedmodel
.640
.640
.640
.677
Independencemodel
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)
使用意图
社会影响
绩效预期
付出预期
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***
(间接效应)
0.051
(总效应)
0.648
0.134
付出预期(直接效应)
0.408***
0.610***
(间接效应)
0.543
0.075
(总效应)
0.890
0.084
0.610
注:
“***”表示0.01水平上显著。
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。