结构方程模型
结构方程模型有极其复杂的数学背景知识要求,模型形成过程繁复且陷阱众多,结果的解释力也很大程度取决于数据质量和分析角度,同时,他又对于以问卷调查形式获得的数据,并对产品涉入度评估量级和产品复购模型等问题,有坚实的理论支持,可以很好的回应问题。所以这一总结旨在以最一般化和简明的语言叙述,结构方程运用的一般步骤和方法。SEM包括:回归分析、因子分析(验证性因子分析、探索性因子分析)、t检验、方差分析、比较各组因子均值、交互作用模型、实验设计
具体来说,SEM主要有以下特征:
- 同时处理多个因变量
- 容许自变量和因变量含测量[误差传统方法(如回归)假设自变量没有误差 ]
- 同时估计因子结构和因子关系
- 容许更大弹性的测量模型
- 估计整个模型的拟合程度[用以比较不同模型 ]
量及评估 PIES CFA模型
PIES(product involvement and enthusiasm scale)隐因子结构模型主要通过4个无法观测的隐变量,来判断一个产品的特征涉入程度或者该类别个人形象涉入。
数据说明与问题明晰
library(car)
semdf <- read.csv("http://r-marketing.r-forge.r-project.org/data/rintro-chapter10pies.csv")
some(semdf,5)
数据是一个有11个观测变量组成的问卷调查数据,11个观测变量均为取值为1~7的离散数值变量。11个观测变量所构成的项对应3个隐变量(总体涉入因子(general)、特征涉入因子(feature)、形象涉入因子(image)),3个隐变量最终构成一个总体隐变量pies(产品涉入和参与度)
为便于展示,只选取每个隐变量内的前两个变量,由相关矩阵可见,组内相关性明显高于组间相关性,且都是正向关系。
首先需要通过PIES CFA确定这些项和隐变量之间的关系,以及隐变量和总体隐变量之间的关系。
PIES CFA模型
library(lavaan)
ps_mdl <- cfa(strctr, data = semdf)
summary(ps_mdl, fit.measures = T)
library(semPlot)
semPaths(ps_mdl, what = "est")
结果输出:
lavaan (0.5-23.1097) converged normally after 41 iterations
Number of observations 3600
Estimator ML
Minimum Function Test Statistic 287.649
Degrees of freedom