结构方程模型基本概念及其在电信满意度研究中应用.doc

结构方程模型的基本概念及其在电信满意度研究中的应用 一、满意度指数模型及其主要分析技术比较 2001年信产部开始对各运营商的服务质量进行测评，2002年又电信用户申诉受理中心；2003年颁布《电信服务质量监督抽查规定》；2004年的《中国电信业发展指导》中，信产部再次强调“继续加大电信服务质量监管工作”。另一方面，随着各家运营商的上市、对ISO的引进以及境外运营商的进入，客户满意度亦成为运营商的工作的重点，各运营商纷纷开始对客户满意度和忠诚度的研究。 目前国际上满意度研究所广泛采用的理论模型是费耐尔提出的满意度指数模型（CSI），该模型的基本框架如下： 资料来源：《顾客满意度测评》 该模型自1992年问世以来，得到了不断发展和修正，并在模型中纳入了一些新元素，比如，ECSI（欧洲满意度指数模型）中引入了品牌形象作为影响总体满意度的一个变量，而在《中国顾客满意度指数指南》一书中同样引入“品牌形象”作为一些行业满意度测评的变量。 自CSI模型提出以来，偏最小二乘回归（PLS，PartialLeastSquares）就被作为对模型中潜变量（LatentVariable）进行估计最主要的方法。但是偏最小二乘回归在应用中存在一些先天的不足和缺陷，主要是： ◇虽然它能通过观测变量对潜变量作出很好的预测，但是对于观测变量测量误差的预测则存在偏误； ◇当因子在理论上存在相关时，偏最小二乘回归不能准确的揭示因子间的这种关系，而且因子载荷也可能被过度估计； ◇最小二乘回归模型中，潜变量的得分是在指标信度估计和潜变量回归方程的决定系数（）最大化的基础上获得的，这种方法会导致部分参数（误差方程）最小化。 作为潜变量估计的另一种方法：结构方程模型（SEM，Structural Equation Modeling），由K.Jorekog于1973年提出，在过去三十多年里不断得到发展，20世纪90年代被广泛应用于社会科学领域。与偏最小二乘回归相比，结构方程不仅克服了偏最小二乘回归的缺点，同时还具有以下优势： 1.结构方程模型能够对模型中的省略变量，如误差协方差，进行显著性检验； 2.结构方程对于模型的设定具有更大的弹性； 3.结构方程模型能够同时在多个群体中对同一模型进行估计； 4.在结构方程模型中，研究人员可以限定参数等于某个特定的值或者作为其他参数的线性/非线性函数； 5.结构方程模型中可以包含定序（Ordinal）甚至分类变量(Categorical)，而PLS则假定变量为定距变量； 6.结构方程模型可以对缺失数据进行最大似然估计，而PLS则要求数据是完整的数据集，若数据不完整则需要通过回归、均值替代、列表状态删除等方法对缺失值进行处理。 鉴于以上一些因素，近年来结构方程模型逐渐取代最小二乘回归在满意度研究中得到应用。本文将对结构方程模型的基本概念及步骤进行介绍，并通过该方法在移动通信满意度研究中案例对模型使用过程的问题及结果进行解释，权当抛砖引玉。 二结构方程模型的基本概念 结构方程模型是通过观测变量集合的间的协方差结构和相关结构出发，从定量的角度建立模型来研究变量的间因果关系的一种方法，它包含了回归分析、因子分析、路径分析和多元方差分析等多元分析技术。要应用结构方程模型，必须先熟悉模型的一些基本概念。 1、潜变量（LatentVariable）与观测变量（ObservedVariable） 在社会科学中，研究者常常会关注一些不能直接测量的理论结构或者变量，比如社会地位、声望等，这些比较抽象的现象或者概念，在结构方程模型中被成为潜变量。在满意度研究中，诸如总体满意度、忠诚度等，常作为潜变量。由于潜变量不能直接测量，所以研究者需要设计一系列可以反映其特征或属性的行为变量进行测量，如为了对于客户忠诚度，研究者常通过“是否继续使用”、“是否会向别人推荐”等行为变量监测客户的忠诚度。这些可以直接进行测量的变量“是否继续使用”、“是否会向别人推荐”等即是观测变量。在市场研究中，收入，教育等变量也属于观测变量的范畴。 2、内生变量（EndogenousVariable）与外生变量（ExogenousVariable） 在结构方程模型中，潜在变量分为外生潜变量和内生潜在变量，所谓外生潜变量，相当于自变量，它们会引起模型中其他潜变量的变化，而它们的变化是由模型之外的其他因素决定的，如测量误差即属于此类变量。通常影响外生变量的因素包括性别、社会经济状况等。内生潜变量相当于因变量它们常常直接或间接受到外生变量或其他变量解释影响，也即内生潜变量值的变化通常都能被模型解释。总体满意度、忠诚度通常都属于内生潜变量。此外，在结构方程模型中，观测变量均属于内生变量。 三、结构方程模型的一般形式 1数学模型 结构方程模型由测量模型和结构模型两部分构成。 1）对于潜在变量之间的关系