在线支付因素分析.doc

《影响消费者网上支付因素分析》的数据分析报告 模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务本次问卷调研的对象为居住在大学校内的各类学生调查采用随机拦访的方式Likert7级量度，但是由于时间有限以及对这门课程认识还不够深刻，为了能够更好的完成，我们决定从前三个方面进行数据分析。如对付出预期的测量： 二、 付出预期 1代表“完全同意”，7代表“完全不同意” 1 在线交易需购买安全工具造成额外成本 1 2 3 4 5 6 7 2 在线支付安全风险较大，会造成信息泄露 1 2 3 4 5 6 7 3 办理网上银行等在线业务续交年费 1 2 3 4 5 6 7 本次调查共发放问卷250份，收有效样本份（reliability）主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。Reliability Statistics Cronbachs Alpha N of Items .769 10 另外，对问卷中每个潜变量的信度分别检验结果如表7-4所示。从表7-4可以看到，各分量表的Alpha系数均在0.65以上，且总量表的Cronbach’s Alpha系数达到了0.769，表明此量表的可靠性较高。 表7-4 潜变量的信度检验 潜变量 可测变量个数 Cronbach’s Alpha 绩效预期 4 0.705 付出预期 3 0.671 社会影响 3 0.800 2．数据的效度检验 采用了因子分析法 解释的总方差 成份 初始特征值 提取平方和载入 合计 方差的 % 累积 % 合计 方差的 % 累积 % 1 3.351 33.513 33.513 3.351 33.513 33.513 2 1.806 18.062 51.576 1.806 18.062 51.576 3 1.202 12.024 63.599 1.202 12.024 63.599 4 .867 8.675 72.274 5 .733 7.333 79.607 6 .599 5.986 85.593 7 .498 4.984 90.578 8 .367 3.671 94.249 9 .322 3.222 97.471 10 .253 2.529 100.000 提取方法：主成份分析。 成份矩阵a 成份 1 2 3 V1 .503 .321 -.152 V2 .604 .541 -.118 V3 .413 .669 -.084 V4 .651 .465 -.090 V5 .488 -.209 .661 V6 .616 -.207 .553 V7 .595 .058 .302 V8 .647 -.500 -.327 V9 .610 -.495 -.266 V10 .613 -.404 -.372 提取方法 :主成分分析法。 a. 已提取了 3 个成份。  1．路径系数/载荷系数的显著性 参数估计结果如表7-5到表7-6，模型评价首先要考察模型结果中估计出的参数是否具有统计意义，需要对路径系数或载荷系数进行统计显著性检验，这类似于回归分析中的参数显著性检验，原假设为系数等于。Amos提供了一种简单便捷的方法，叫做CR（Critical Ratio）。p（如表7-5中第五列），使用者可以根据p值进行路径系数/载荷系数的统计显著性检验。 表7-5 系数估计结果 Regression Weights: (Group number 1 - Default model) Regression Weights: (Group number 1 - Default model) Estimate S.E. C.R. P Label Standardizd 使用意图 --- 社会影响 1.000 .620 使用意图 --- 绩效预期 1.000 .428 使用意图 --- 付出预期 1.000 .408 V2 --- 绩效预期 1.013 .181 5.596 *** par_1 .734 V3 --- 绩效预期 .862 .160 5.384 *** par_2 .648 V5 --- 付出预期 1.000