怎么用sem模型分析顾客满意度

结构方程模型(Structural equation modeling,

SEM)是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内，SEM大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中。图中的Xn是待构建的测量指标，λ值表示各指标对上级指标的影响大小，ζn和δn表示误差，是受模型外因素影响的部分，如价格满意度等其他因素。由上图可以看出，服务方面的感知满意度对总体满意度的影响远高于产品满意度，再结合服务满意度的得分情况，可以得出结论，该通信分公司应着重改善服务满意度。

顾客满意度就是顾客认为产品或服务是否达到或超过他的预期的一种感受。结构方程模型(SEM)就是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。

SEM模型的基本框架图册在模型中包括两类变量：一类为观测变量，是可以通过访谈或其他方式调查得到的，用长方形表示一类为结构变量，是无法直接观察的变量，又称为潜变量，用椭圆形表示。

各变量之间均存在一定的关系，这种关系是可以计算的。计算出来的值就叫参数，参数值的大小，意味着该指标对满意度的影响的大小，都是直接决定顾客购买

与否的重要因素。如果能科学地测算出参数值，就可以找出影响顾客满意度的关键绩效因素，引导企业进行完善或者改进，达到快速提升顾客满意度的目的。

SEM简单介绍，以下资料来源

因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。

一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。

历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.

SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。

因果关系：

究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。

举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：

3. 这时还有可能出现更多的潜在变量：

这里我又举另外一个例子，回归模型

在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。

我们在举另外一个例子“路径分析”

路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。

在这里我们总结一下：

回归分析简单的说就是：X真的影响Y 吗？

路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。

在这里要提一下因素模型（factor model）

在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。

举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。

相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。

这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。

R包lavaan可以做

https://www.codetd.com/article/916129

软件AMOS可以做

https://mp.weixin.qq.com/s?__biz=MjM5MTI5MDgxOA==&mid=2650098738&idx=1&sn=319fcc4198fbcd36fc30fd1329e27bf0&chksm=beb6289f89c1a189115d96bb0f9bc3114a752f9bf1fed4c9979b2e965322d8e38c60844316de&scene=21#wechat_redirect

https://mp.weixin.qq.com/s?__biz=MjM5MTI5MDgxOA==&mid=2650098759&idx=1&sn=0099b81e77a2f8b6324e88a5b49773ed&chksm=beb628ea89c1a1fcdb4c068466e6f099e0bd1af0909bbc538aca4247477978b4b52b3b9aa036&scene=21#wechat_redirect

https://www.jianshu.com/p/d698dc099dec

https://www.jianshu.com/p/e0938fb35c45

https://blog.csdn.net/yjj20007665/article/details/66967966

χ2 卡方拟合指数 检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。原假设是模型协方差阵等于样本协方差阵。如果模型拟合的好，卡方值应该不显著。

RMR 是残差均方根。RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和，再取平均值的平方根。RMR应该小于0.08，RMR越小，拟合越好。

RMSEA 是近似误差均方根 RMSEA应该小于0.06，越小越好。

GFI 是拟合优度指数，范围在0和1间，但理论上能产生没有意义的负数。按照约定，要接受模型，GFI 应该等于或大于0.90。

CFI 是比较拟合指数，其值位于0和1之间。CFI 接近1表示拟合非常好，其值大于0.90表示模型可接受,越接近1越好。

同时要求样本和指标之间有一个最低数量比例

---