结构方程模型:技术接受度模型TAM2_yanyanwenmeng的博客-程序员秘密_接受度模型

技术标签: 数学建模  结构方程模型  spss  论文  AMOS  

课程地址:https://study.163.com/course/courseLearn.htm?courseId=1210809833#/learn/video?lessonId=1283244027&courseId=1210809833

续接前一篇文章:

https://liangyan.blog.csdn.net/article/details/122240605

一、概念模型与理论框架

二、研究假设

三、构念的操作型定义

四、测量工具的开发

五、测量工具的选取

六、抽样方式与数据来源、样本数据预处理

七、共同方法偏差检验

八、信效度分析

九、各变量的均值、标准差、相关系数矩阵表

十、结构方程建模

目录

八、信效度分析

 (一)信度分析

(二)效度分析

 1. 结构效度(EFA因子载荷表、CFA模型拟合结果)

2. 聚敛效度(CR、AVE)

3. 区分效度(HTMT)

化潜为显的情况下信效度的分析

九、各变量(潜变量得分或量表题项)的均值、标准差、相关系数矩阵表

(一)相关系数矩阵表spss操作流程

 (二)均值、标准差操作流程

十、结构方程建模

(一)各结构路径的假设检验

 (二)带结果系数和拟合指数的模型图——保留三位小数

 (三)模型拟合度评估


八、信效度分析

信效度分析时纳入分析的题项是修正后的CFA题项,因为这里是结构方程模型结果汇报。如果是EFA确定量表结构,就需要汇报所有的题项,再进行题项删减。

 (一)信度分析

spss操作步骤:

(1)选择【分析】【刻度】【可靠性分析】 

(2)将要分析的题项选入进去,点击【确定】

 

 (3)输出结果

 这里的0.906就表示维度一“感知有用性”的克隆巴赫alpha信度为0.906.

同理,可以得到另外4个维度的信度,最终结果如下: 

(二)效度分析

这里汇报结构效度、聚敛效度和区分效度

 1. 结构效度(EFA因子载荷表、CFA模型拟合结果

EFA因子载荷表

spss操作流程:

(1)选择【分析】【降维】【因子】

 (2)选择要分析的题项

由于最终的结构方程模型中是将ATT4和USE4题项删除了的,所以我们在进行因子分析操作时不要将这两个题项选择进入。 

 (3)提取中的【方法】选择【主轴因式分解】,【提取】中选择提取5个因子。这里也可以选择主成分分析和最大方差法旋转,不过量表题目最好选用主轴因式分解。

主成分法:它假设变量是各因子的线性组合,从解释变量的变异出发、尽量使变量的方差能够被主成分所解释,且保证各公因子对方差的解释比例依次减少。此法的实际应用效果很好,一般应用场景下,绝大多数情况下无需更改。

主轴因式分解法:该方法从原始变量的相关性出发,使得变量间的相关程度能够尽可能地被公因子解释。该方法重在解释变量的相关性,确定内在结构,而对于变量方差的解释不太重视。但对于量表开发而言,主轴因式分解比主成分更适用。

最大似然法:该方法要求数据服从多变量正太分布,此时它生成的参数估计最接近观察到的相关矩阵,在样本量较大时使用较好。

在具体应用时,应该每种方法都试一下,看下哪种方法生成的结果比较接近于自己想要的结果。

 (4)旋转选择【最优斜交法】

正交旋转:最大方差法、四次幂极大法、等量最大法

最大方差法:是最常用的旋转方法,使各因子仍然保持正交的状态,但尽量使得各因子的方差差异达到最大,即相对载荷平方和达到最大,从而方便对因子解释。

斜交旋转:直接斜交法、最优斜交法

最优斜交法:最常用的斜交旋转方法,是在最大方差法的基础上再进行斜交旋转。该旋转方法可比直接斜交旋转更快的计算出来,因此适用于大型数据集。选择此方法时,需要在其下方的编辑框中键入Kappa值。其值应大于1,系统默认为4,使用时可以调整该值,并查看结果是否有改善。一般情况下使用默认值即可。

 (5)【选项】中为了得到清晰的因子结构,可以选择因子载荷值<0.4的就不显示。这个值可以进行调整。

 结果解释:

 初始特征值为主成分分析法提取的数据,在进行汇报时,我们需要汇报【提取载荷平方和】。

如果是选择主成分进行提取,最大方差法进行旋转,最后需要汇报的也是【提取载荷平方和】部分。上表为通过主成分提取,最大方差法旋转得出的结果。 

 

 公因子方差【提取】部分即为共同度。

因子载荷汇报模式矩阵内容 。

最终结果如下所示:

经主轴因式分解法提取,最优斜交法旋转后的模式矩阵、特征值及方差解释

因子

感知有用性

使用态度

感知易用性

使用意向

实际系统使用

共同度/

Communality

USEF1

0.703

0.551

USEF2

0.810

0.651

USEF3

0.882

0.741

USEF4

0.842

0.700

USEF5

0.824

0.673

EOU1

0.702

0.496

EOU2

0.799

0.602

EOU3

0.808

0.698

EOU4

0.695

0.551

EOU5

0.758

0.550

BI1

0.540

0.524

BI2

0.847

0.667

BI3

0.851

0.745

ATT1

0.883

0.793

ATT2

0.899

0.815

ATT3

0.875

0.770

ATT5

0.804

0.635

USE1

0.865

0.724

USE2

0.741

0.534

USE3

0.464

0.301

特征值

7.012

1.994

1.684

1.200

0.832

方差解释%

35.061

9.968

8.419

6.002

4.162

累计方差解释%

35.061

45.029

53.448

59.449

63.611

 CFA模型拟合结果

CFA 模型拟合结果需要汇报修正后的CFA模型运行出来的值。

 汇报格式参考文献:李雅筝. (2016). 在线教育平台用户持续使用意向及课程付费意愿影响因素研究. 中国科学技术大学.

 

参考文献:王钰彪. K12教师机器人教育接受度模型建构与实证研究[D]. 华东师范大学, 2020.

2. 聚敛效度(CR、AVE)

AMOS中操作过程:

(1)选择【Plugins】中的【Validity and Reliability Test】插件

 (2)运行结果:

最终整理结果:

 如果两个构念AVE的平方根均大于两个变量间的相关系数 (或者两个构念的AVE值均大于两个构念变量的相关系数平方),表示两个构念间有良好的区别效度,其理论基于一个潜在构念被其题项(测量变量)解释的变异量应高于被另一个潜在构念解释的变异量(吴明隆著, 2013, p.86)。

3. 区分效度(HTMT)

通过【Plugins】中的【Validity and Reliability Test】插件同样可以得到HTMT的结果

最终整理表格如下所示:

HTMT是特质间相关(between-trait)与特质内(within-trait)相关的比率。是不同构面间指标相关的均值相对于相同构面间指标相关的均值的比值。使用该方法时引用文献(Henseler et al., 2014),根据该文献,HTMT的取值小于0.85(这是严格的标准,放松的标准是0.90),认为是有区分效度的。有关该方法结果描述可参考(苏鹭燕 et al., 2019)和(高天茹 & 贺爱忠, 2019)。

参考文献:

Henseler, J., Ringle, C. M., Sarstedt, M. (2014). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.

化潜为显的情况下信效度的分析

化潜为显的情况下,大多是直接使用成熟的量表来测量不同潜在构念,一般只用验证其单维性,并给出这些测量工具在当前样本数据下的信度即可。

参考文献:

彭顺, 汪夏, 张红坡, & 胡祥恩. (2019). 母亲外向性与青少年外向性的关系:中介与调节作用模型. 心理发展与教育, 35(02), 167-175.

丁倩, 唐云, 魏华, 张永欣, 周宗奎. (2018). 相对剥夺感与大学生网络游戏成瘾的关系:一个有调节的中介模型. 心理学报, 50(09), 1041-1050.

九、各变量(潜变量得分或量表题项)的均值、标准差、相关系数矩阵表

(一)相关系数矩阵表spss操作流程

(1)选择【分析】【相关】【双变量】 

(2)将要分析的变量选进去,选择皮尔逊相关。

 (3)输出结果

将结果复制到Excel中进行整理即可。

 (二)均值、标准差操作流程

(1)选择【分析】【描述统计】【描述】 

(2)将要进行计算的变量放进去即可。这里放入的是各个分量表的平均值。在前面相关分析时也可以放入各分量表的平均值。

 (3)输出结果

最后整理后的格式可以参考下表: 

参考文献:

丁倩, 唐云, 魏华, 张永欣, 周宗奎. (2018). 相对剥夺感与大学生网络游戏成瘾的关系:一个有调节的中介模型. 心理学报, 50(09), 1041-1050.

十、结构方程建模

(一)各结构路径的假设检验

AMOS操作流程

(1)在AMOS中绘制好优化后的SEM图,然后运行,查看结果

 (2)查看结果,观察假设是否成立。

 最终整理结果如下表所示:

假设

路径

Standardized Estimate/
标准化估计

Estimate/
非标准化估计

S.E./
标准误

C.R./

临界比值

P

H1

感知易用性

感知有用性

0.509

0.402

0.027

15.048

***

H2

感知易用性

使用态度

0.297

0.262

0.032

8.186

***

H3

感知有用性

使用态度

0.253

0.283

0.039

7.260

***

H4

感知有用性

使用意向

0.461

0.739

0.054

13.595

***

H5

使用态度

使用意向

0.176

0.253

0.046

5.508

***

H6

使用态度

实际系统使用

0.248

0.367

0.053

6.955

***

H7

使用意向

实际系统使用

0.198

0.203

0.038

5.365

***

注:P为显著性,***表示P<0.001,通常双尾检验P<0.05时表示路径系数估计值显著不等于0,说明非标准化路径系数具有显著性。

论文中汇报格式:结构模型的路径分析

 

 

 (二)带结果系数和拟合指数的模型图——保留三位小数

如何设置保留三位小数呢?

(1)选择【View】【Interface Properties】

 (2)可以在【Typefces】中将所有的字体调为宋体,这样绘制出的图形要清晰些 

(3) 设置3位小数,首先选择【Formats】【New Format】将其名字命名为【std3】,表示保留3位小数格式。 

(4)将其格式调为z.zzz.

 

 (5) 最后输出的模型图就是3位小数 

可以在PPT中将显著性标记标注上

 

 (三)模型拟合度评估

 如果在结构方程建模阶段拟合度不达标,可以将不显著的路径删除从而进行修正。

 

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/yanyanwenmeng/article/details/122340773

智能推荐

Java - JWT的简单介绍和使用_Zong_0915的博客-程序员秘密_java-jwt文档

目前自己在做一个云直播个人项目,后端架构是微服务,目前准备用JWT来做Token的校验。借此机会来复习和学习一遍JWT的相关知识。

我的世界服务器物品锁bug,【MOD教程】已知MOD服BUG物品解析_豆豆豆豆豆豆豆叶的博客-程序员秘密

本文章我的世界MODBUG可能并不完整,只是我开服遇到过的BUG以及修复方法.(修复方法1.7.2-1.7.10服务端核心有效果的,1.6X我不确定有效.)文章转自我的世界中文论坛用户:CanobeNPCMODNPCMOD便携性以及强大的功能,成为了MOD服,服主必装的MOD但是也有一些BUG.1.玩家通过"背包编辑器"(All-U-Want)无视权限ban任何人(比如服主OP也能被玩家ban)2...

包含和导入文件_Op_Wa的博客-程序员秘密

包含和导入文件管理大型playbook如果playbook很长或很复杂,我们可以将其分成较小的文件以便于管理可采用模块化方式将多个playbook组合为一个主要playbook,或者将文件中的任务列表插入play可以更轻松地在不同项目中重用play或任务序列包含或导入文件Ansible可以使用两种操作将内容带入playbook。可以包含内容,也可以导入内容。包含内容是一个动态操作。在playbook运行期间,Ansible会在内容到达时处理所包含的内容。导入内容是一个静态操作。在运行开

深度学习-Windows下开发环境搭建-Anaconda安装Tensorflow_快乐的小小程序猿的博客-程序员秘密

深度学习Windows下开发环境搭建2. Anaconda环境安装2.3 Anaconda安装Tensorflow参考链接:https://blog.csdn.net/weixin_43094275/article/details/108412995https://blog.csdn.net/weixin_44709783/article/details/105965765?utm_medium=distribute.pc_relevant.none-task-blog-title-2

无限宝电脑连接不上服务器,无限宝客户端登录过程问题_疯狂的马修的博客-程序员秘密

1.无限宝客户端无法启动问题现象:点击“进入课堂”后,出现在线升级一闪而过,但是无限宝无法启动,问题原因:可能是从旧版本升级至新版本的过程中出现问题或者在卸或者安装无限宝过程中要求重启却没有重启,导致卸载或注册不成功。无限宝无法启动,提示“由于应用程序配置不正确,应用程序未能启动”问题现象:登录课堂出现如下提示解决办法:1)关闭IE浏览器以后,卸载无限宝,在控制面板中将卸载干净,在卸载过程中系统提...

Create Intellij Plugin_乾谷的博客-程序员秘密

Creating Your First Plugin more 文章原地址http://stanho.top/2017/03/13/intellijPlugin/Download IntelliJ IDEA Community Edition 编写插件安装并打开IntelliJ IDEA新建工程创建intelliJ platform plugin如果没有Project SDK 点击new

随便推点

(转载)Electron & C++ 快速开发桌面Web "混合"应用_xiaolu289的博客-程序员秘密_electron c++

转载自:https://www.jianshu.com/p/5a4c7ce2be54?winzoom=1最近要做个小东西,接入网易直播 SDK,但有一个比较蛋疼的问题就是 web 推流一般都用 Flash,Flash 音频只能用 speex,然而接收端如果是苹果,一般都会选 HLS,而 HLS 只能用 AAC 音频。这样一来,要么服务端再做一次转码和重新分发(延迟+成本,所以猪厂直接不支持),要么...

python语法简洁清晰特色之一是强制用什么作为语句缩进_python练习题_weixin_39855634的博客-程序员秘密

Python是纯粹的自由软件, 源代码和解释器CPython遵循 GPL(GNU General Public License)协议[2]。Python语法简洁清晰,特色之一是强制用空白符(white space)作为语句缩进。Python具有丰富和强大的库。它常被昵称为胶水语言,能够把用其他语言制作的各种模块(尤其是C/C++)很轻松地联结在一起。常见的一种应用情形是,使用Python快速生成程...

Android关于TextView 宽度过大导致Drawable无法居中问题_一叶飘舟的博客-程序员秘密

在做项目的时候,很多时候我们都要用到文字和图片一起显示,一般设置TextView的DrawableLeft、DrawableRight、DrawableTop、DrawableBottom就行了。但是有一种情况是当TextView的熟悉是fill_parent或者使用权重的时候并且设置了起Gravity的ceter的时候,Drawable图片是无法一起居中的,为了解决其,我们一般再套一层布局,然后

modbus串口调试_qq_36244623的博客-程序员秘密_modbus串口调试

1.window7 64位操作系统的话 要使用java 64位的串口通信包:http://download.csdn.net/detail/likekobe2012/9149871将里面的三个文件分别放到这里 &lt;JAVA_HOME&gt;代表你的jdk安装目录,比如我的是C:\Program Files (x86)\Java\jdk1.6.0_31Copy RXTXcomm.jar ...

leveldb之Put、Get操作_禾夕的博客-程序员秘密

一个简单的leveldb使用示例如下:#include <assert.h>#include <iostream>#include "leveldb/db.h"#include "leveldb/env.h"using namespace std;#include <assert.h>#include <iostream>#include "leveldb/db.h"#include

[转贴]想成为嵌入式程序员应知道的几个基本问题_aaronbai的博客-程序员秘密

C语言测试是招聘嵌入式系统程序员过程中必须而且有效的方法。这些年,我既参加也组织了许多这种测试,在这过程中我意识到这些测试能为面试者和被面试者提供许多有用信息,此外,撇开面试的压力不谈,这种测试也是相当有趣的。        从被面试者的角度来讲,你能了解许多关于出题者或监考者的情况。这个测试只是出题者为显示其对ANSI标准细节的知识而不是技术技巧而设计吗?这是个愚蠢的问题吗?如要你答出某个字符的