中二个软
于26.746，但它们不属于同一个潜变量因子，因此不能考虑增加相关性路径，以下同）表明如果增加a7与a8之间的残差相关的路径，则模型的卡方值会减小较多。这也是员工对顾客的态度与员工给顾客结帐的速度之间存在相关，因此考虑增加e7与e8的相关性路径。
重新估计模型，重新寻找MI值较大的，e17与e18的MI值较大，为13.991，表明如果增加a17与a18之间的残差相关的路径，则模型的卡方值会减小较多。实际上消费前的满意度和与心中理想超市比较的满意度之间显然存在相关，因此考虑增加e17与e18的相关性路径。
重新估计模型，重新寻找MI值较大的，e2与e3的MI值较大，为11.088，表明如果增加a2与a3之间的残差相关的路径，则模型的卡方值会减小较多。实际上超市形象和超市品牌知名度之间显然存在相关，因此考虑增加e2与e3的相关性路径。
重新估计模型，重新寻找MI值较大的，e10与e12的MI值较大，为5.222，表明如果增加a10与a12之间的残差相关的路径，则模型的卡方值会减小较多。但实际上超市的食品保险&日用品丰富性与员工态度之间显然不存在相关，因此不考虑增加e10与e12的相关性路径。另外,从剩下的变量之间MI值没有可以做处理的变量对了，因此考虑MI值修正后的模型如图7-25。
图7-25 修正的模型六
根据上面提出的如图7-25所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-15。 表7-15 常用拟合指数计算结果 拟合指数 结果 卡方值(自由度) 281.9 (125)
CFI 0.972
NFI 0.951
IFI 0.972
RMSEA 0.056
AIC 373.877
BCC 378.465
EVCI 0.935
从表7-14和表7-15可以看出，卡方值减小了很多，并且各拟合指数都得到了较大的改善。该模型的各个参数在0.01的水平下都仍然是显著的，各方程的对应的测定系数增大了。下面考虑根据Pairwise Parameter Comparisons来判断对待估计参数的设定，即判断哪些结构方程之间的系数没有显著差异，哪些测量方程的系数之间没有显著差异，哪些结构方程的随机项的方差之间没有显著差异，哪些测量方程的随机项的方差之间的之间没有显著差异，对没有显著差异的相应参数估计设定为相等,直到最后所有相应的critical ratio都大于2为止。通过点击工具栏中的
来查看模型输出详细结果中的Pairwise Parameter
Comparison项可以查看临界比率（Critical Ratio）结果，其中par_1到par_46代表模型中46个待估参数，
其含义在模型参数估计结果表（如表7-5，7-6）中标识。根据CR值的大小22，可以判断两个模型参数的数值间是否存在显著性差异。如果经检验发现参数值间不存在显著性差异，则可以考虑模型估计时限定两个参数相等。如果是某两个参数没有显著差异，并且根据经验也是如此，则可在相应的认为相等的参数对应的路径或残差变量上点击右键选择Object Properties，然后出现如图7-11的选项卡，选择parameters项，如
图7-26 对应因果路径
图7-27 对应残差变量
图7-28 对应相关系数路径
22
一般绝对值小于2认为没有显著差异。
图7-26，图7-27，图7-28。然后在Regression weight23,variance24,covariane25输入相同的英文名称即可。比如从图7-25修正的模型六输出的临界比率结果中发现绝对值最小的是par_44和par_45对应的-0.021，远远
图7-29 设置e22和e24的方差相等
图7-30 修正的模型七
2324
对应因果路径。 对应残差变量。 25
对应相关系数路径。
小于95%置信水平下的临界值，说明两个方差间不存在显著差异。对应的是e22和e24的方差估计，从实际考虑，也可以认为它们的方差相差，则残差变量e22和e24上点击右键选择Object Properties，出现如图7-29的选项卡，然后在Object Properties选项卡下面的variance中都输入“v2”，最后关掉窗口即可设置e22和e24的方差相等。经过反复比较得到的结构方程模型如图7-30。
根据上面提出的如图7-30所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-16。 表7-16 常用拟合指数计算结果 拟合指数 结果 卡方值(自由度) 295.9 (146)
CFI 0.973
NFI 0.948
IFI 0.973
RMSEA 0.051
AIC 345.909
BCC 348.402
EVCI 0.865
从表7-15和表7-16可以看出，卡方值虽然增大了一些，但自由度大大增加了，并且各拟合指数都得到了较大的改善（NFI除外）。该模型的各个参数在0.01的水平下都仍然是显著的，各方程的对应的测定系数相对而言增大了很多。
四、最优模型参数估计的展示
表7-17 最优模型各路径系数估计
未标准化路
超市形象 超市形象 质量期望 质量感知 超市形象 顾客满意 超市形象 超市形象 超市形象 质量期望 质量期望 质量期望 质量期望 质量期望 质量感知 质量感知 质量感知 质量感知 顾客满意 顾客满意 顾客满意 顾客忠诚 顾客忠诚 顾客忠诚
径系数估计 0.353 0.723 0.129 0.723 0.353 0.723 1 1.042 0.728 1 0.728 0.872 1.042 0.872 1 1.159 1.042 0.872 1 1.042 1.042 1 1.159 0.872
S.E. 0.031 0.023 0.035 0.023 0.031 0.023 0.02 0.036 0.036 0.026 0.02 0.026 0.036 0.02 0.026 0.02 0.02 0.036 0.026
C.R. 11.495 31.516 3.687 31.516 11.495 31.516 52.853 20.367 20.367 33.619 52.853 33.619 32.545 52.853 33.619 52.853 52.853 32.545 33.619
P *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** ***
Label bb aa par_16 aa bb aa b d d a b a c b a b b c a
标准化路径系数估计
0.384 0.814 0.134 0.627 0.345 0.753 0.925 0.901 0.631 0.836 0.622 0.808 0.853 0.731 0.779 0.914 0.777 0.677 0.861 0.919 0.963 0.706 0.847 0.656
质量期望 <--- 质量感知 <--- 质量感知 <--- 顾客满意 <--- 顾客满意 <--- 顾客忠诚 <---
a1 a2 a3 a5 a4 a6 a7 a8 a10 a9 a12 a13 a18 a17 a16 a24 a23 a22
<--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <---
注:“***”表示0.01 水平上显著，括号中是相应的C.R值，即t值。
表7-18 最优模型相关性路径系数估计
协方差估计
S.E. C.R. P Label 相关系数估计
e12 e7 e18 e2
<--> <--> <--> <-->
e13 e8 e17 e3
0.699 0.699 0.277 0.277
0.072 0.072 0.05 0.05
9.658 9.658 5.568 5.568
*** *** *** ***
r2 r2 r1 r1
0.32 0.46 0.289 0.178
注:“***”表示0.01 水平上显著，括号中是相应的C.R值，即t值。
表7-19 最优模型方差估计
方差估计
S.E.
C.R.
P
Label
超市形象 z2 z1 z4 z5 e5 e4 e6 e7 e8 e10 e9 e12 e13 e18 e17 e24 e22 e23 e1 e2 e3 e16
3.461 2.498 0.645 0.411 1.447 1.263 2.458 1.189 1.189 1.944 1.773 0.726 1.944 2.458 1.263 0.726 3.367 3.367 1.773 0.583 0.871 2.781 0.314
0.275 0.219 0.085 0.062 0.177 0.078 0.125 0.073 0.073 0.109 0.119 0.052 0.109 0.125 0.078 0.052 0.198 0.198 0.119 0.074 0.086 0.197 0.046
12.574 11.42 7.554 6.668 8.196 16.217 19.59 16.279 16.279 17.84 14.904 14.056 17.84 19.59 16.217 14.056 17.048 17.048 14.904 7.876 10.13 14.106 6.863
*** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** *** ***
par_17 par_18 par_19 par_20 par_21 v3 v5 v6 v6 v7 v1 v4 v7 v5 v3 v4 v2 v2 v1 par_22 par_23 par_24 par_25
注:“***”表示0.01 水平上显著，括号中是相应的C.R值，即t值。
第五节 模型解释
结构方程模型主要作用是揭示潜变量之间（潜变量与可测变量之间以及可测变量之间）的结构关系，这些关系在模型中通过路径系数（载荷系数）来体现。
若要输出模型的直接效应、间接效应以及总效应，需要在Analysis Properties中的Output项选择Indirect , direct & total effects项（如图7-31）。
对于修正模型，Amos输出的中各潜变量之间的直接效应、间接效应以及总效应如表7-20。 1．直接效应(direct effect)
指由原因变量（可以是外生变量或内生变量）到结果变量（内生变量）的直接影响，用原因变量到
结果变量的路径系数来衡量直接效应。比如利用表7-17最后一列的结果，超市形象到质量期望的标准化路径系数是0.814，则超市形象到质量感知的直接效应是0.814。这说明当其他条件不变时，“超市形象”潜变量每提升1个单位，“质量期望”潜变量将直接提升0.698个单位。 2．间接效应(indirect effect)
指原因变量通过影响一个或者多个中介变量，对结果变量的间接影响。当只有一个中介变量时，间接效应
