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。
结构方程模型(SEM, Structural Equation Modeling)是建立在回归模型(Regression Models)的基础上,针对潜变量(Latent Variables)的统计方法。&ltimg src="https://pic1.zhimg.com/v2-9097acc14cb5f4a901d4e2d1cf883030_b.png" data-rawwidth="308" data-rawheight="260" class="content_image" width="308"&gtf为latent variable, 例如智力、自尊等,在该SEM模型中为predictor。y1,y2,y3为observed variables, 即可直接测量得到的变量,在该SEM模型中为indicators。λ1-3为factor loadings,ε为residual error。
f为latent variable, 例如智力、自尊等,在该SEM模型中为predictor。y1,y2,y3为observed variables, 即可直接测量得到的变量,在该SEM模型中为indicators。λ1-3为factor loadings,ε为residual error。
先前提到SEM是建立在regression model基础上的,该模型可写为如下方程:
y1 = λ1*f + ε1
y2 = λ2*f + ε2
y3 = λ3*f + ε3
即可看到与regression model的联系。
SEM较为广泛应用的是方差/协方差估计法。即可由上述方程写出关于y1,y2,y3的方差/协方差矩阵:(σ为f的variance)
&ltimg src="https://pic3.zhimg.com/v2-4d1ae9e59cf5987bc5ad78ac07b42c7a_b.png" data-rawwidth="453" data-rawheight="93" class="origin_image zh-lightbox-thumb" width="453" data-original="https://pic3.zhimg.com/v2-4d1ae9e59cf5987bc5ad78ac07b42c7a_r.png"&gt而后计算机根据实际矩阵,对factor loadings等parameters进行估计并输出估计矩阵,与实际矩阵差异最小(最理想)时,即输出结果,得到各估计参数和拟合指数。
而后计算机根据实际矩阵,对factor loadings等parameters进行估计并输出估计矩阵,与实际矩阵差异最小(最理想)时,即输出结果,得到各估计参数和拟合指数。
应用较多的模型/方法:MIMIC, multiple group models(比较组间差异), latent growth modeling(比较纵向差异)等。
应用广泛的软件:
1、Mplus。优点:编程简单,结果全面。缺点:收费,贵。学生版是300$。
2、Amos。优点:傻瓜,画图拖数据即可。缺点:模型稍一复杂就很费时。
3、R。下个package即可。优点:兼容性、专业性强。缺点:用的人少,不利于伸手党。
4、LISREL。优点:易入门。缺点:需输入各矩阵,略过时。
其他还有一些软件,不了解。
SEM入门不久,以上为个人理解,求探讨求轻喷。么么哒
欢迎分享,转载请注明来源:夏雨云
评论列表(0条)