市场研究中的数据分析知识整理 （七）-结构方程模型

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）

#「=~」读作由。。。 表示，表明隐变量和项的关系
strctr <-  "general =~ i1 + i2 + i3
           feature =~ i4+i5+i6 +i7
           image =~ i8 + i9 + i10 + i11
           pies =~ general + feature + image"

library(RColorBrewer)
scatterplotMatrix(semdf[,c(1,2,4,5,8,9)],diag= "histogram",col = brewer.pal(3,"Paired"), ellipse = T)

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