amos_验证性因子分析报告步步教程

本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。

模型包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 设计的结构路径图 超市形象 基本路径假设 超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 质量期望 顾客抱怨 感知价值 质量感知 顾客满意 顾客忠诚

因此数据的效度检验就转化为结构方程模型评价中的模型拟合指数评价。对于本案例，从表7-16可知理论模型与数据拟合较好，结构效度较好。

二、 结构方程模型建模

构建如图的初始模型。

e101a10e91a91e111a11质量感知e121a12e131a13e51a5e41a41e61a6质量期望e71a7e81a8e11a11e21e31a3a2超市形象1z1111z2e14e15a14a151感知价格1z3e17e16e18111a17a161顾客满意1z4a18e23e22e24111a23a221a24顾客忠诚1z5图7-3 初始模型结构

图7-4 Amos Graphics初始界面图

第一节 Amos实现1

一、

1

Amos模型设定操作

这部分的操作说明也可参看书上第七章第二节:Amos实现。

1．模型的绘制

在使用Amos进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。相关软件操作如下：

第一步，使用建模区域绘制模型中的七个潜变量（如图7-6）。为了保持图形的美观，可以使用先绘制一个潜变量，再使用复制工具绘制其他潜变量，以保证潜变量大小一致。在潜变量上点击右键选择Object Properties，为潜变量命名（如图7-7）。绘制好的潜变量图形如图7-8。

第二步设置潜变量之间的关系。使用来设置变量间的因果关系，使用来设置变量间的相关关系。绘制好的潜变量关系图如图7-9。

图7-7 潜变量命名

图7-8 命名后的潜变量

图7-9 设定潜变量关系

第三步为潜变量设置可测变量及相应的残差变量，可以使用绘制，也可以使用和自行绘制（绘制结果如图7-10）。在可测变量上点击右键选择Object Properties，为可测变量命名。其中Variable Name一项对应的是数据中的变量名（如图7-11），在残差变量上右键选择Object Properties为残差变量命名。最终绘制完成模型结果如图7-12。

图7-10 设定可测变量及残差变量

图7-11 可测变量指定与命名

图7-12 初始模型设置完成

第二节 模型拟合

标准化系数是将各变量原始分数转换为Z分数2后得到的估计结果，用以度量变量间的相对变化水平。

因此不同变量间的标准化路径系数（或标准化载荷系数）可以直接比较。从表7-17最后一列中可以看出：受“质量期望”潜变量影响的是“质量感知”潜变量和“感知价格”潜变量；标准化路径系数分别为和，这说明“质量期望”潜变量对“质量感知”潜变量的影响程度大于其对“感知价格”潜变量的影响程度。

一、 参数估计结果的展示

2Z

分数转换公式为：ZXiX。

is

图7-17 模型运算完成图

使用Analyze菜单下的Calculate Estimates进行模型运算（或使用工具栏中的），输出结果如图7-17。其中红框部分是模型运算基本结果信息，使用者也可以通过点击View the output path diagram（7-18）。

）查看参数估计结果图（图

图7-18 参数估计结果图 详细信息包括分析基本情况（Analysis Summary）、变量基本情况（Variable Summary）、模型信息（Notes for Model）、估计结果（Estimates）、修正指数

（Modification Indices）和模型拟合（Model Fit）六部分。在分析过程中，一般通过前三部分3了解模型，在模型评价时使用估计结果和模型拟合部分，在模型修正时使用修正指数部分。

二、 模型评价

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4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）。CR值是一个Z统计量，使用参数估计值与其标准差之比构成（如表7-5中第四列）。Amos同时给出了CR的统计检验相伴概率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。譬如对于表中“超市形象”潜变量对“质量期望”潜变量的路径系数（第一行）为，其CR值为，相应的p值小于，则可以认为这个路径系数在95%的置信度下与0存在显著性差异。

表7-5 系数估计结果 未标准化标准化路径系数路径系

. . P Label 数估计 估计 par_1质量期超市形<--- *** 6 望 象

par_1质量感质量期

<--- *** 7 知 望

par_1感知价质量期

<--- *** 8 格 望

par_1感知价质量感

<--- 9 格 知

par_2感知价超市形

<--- 0 格 象

par_2顾客满超市形

<--- *** 1 意 象

par_2顾客满感知价

<--- 3 意 格

par_2顾客忠超市形

<--- 2 诚 象

par_2顾客忠顾客满

<--- *** 4 诚 意

超市形

a15 <--- 1 象

3分析基本情况（Analysis Summary）、变量基本情况（Variable Summary）、模型信息（Notes for Model）三

部分的详细介绍如书后附录三。

4潜变量与潜变量间的回归系数称为路径系数；潜变量与可测变量间的回归系数称为载荷系数。

5凡是a+数字的变量都是代表问卷中相应测量指标的，其中数字代表的问卷第一部分中问题的序号。

超市形

a2 <--- *** par_1 象

超市形

a3 <--- *** par_2 象

质量期

a5 <--- 1 望

质量期

a4 <--- *** par_3 望

质量期

a6 <--- *** par_4 望

质量期

a7 <--- *** par_5 望

质量期

a8 <--- *** par_6 望

质量感

a10 <--- 1 知

质量感

a9 <--- *** par_7 知

质量感

a11 <--- *** par_8 知

质量感

a12 <--- *** par_9 知

par_1质量感

a13 <--- *** 0 知

顾客满

a18 <--- 1 意

par_1顾客满

a17 <--- *** 1 意

感知价

a15 <--- 1 格

par_1感知价

a14 <--- *** 2 格

par_1顾客满

a16 <--- *** 3 意

顾客忠

a24 <--- 1 诚

par_1顾客忠

a23 <--- *** 4 诚

注:“***”表示 水平上显著，括号中是相应的值，即t值。 表7-6 方差估计

. . P 方差估计 *** 超市形象 z2 *** z1 ***

Label par_25 par_26 par_27

z3 *** par_28 z4 *** par_29 z5 *** par_30 e1 *** par_31 e2 *** par_32 e3 *** par_33 e5 *** par_34 e4 *** par_35 e6 *** par_36 e7 *** par_37 e8 *** par_38 e10 *** par_39 e9 *** par_40 e11 *** par_41 e12 *** par_42 e13 *** par_43 e18 *** par_44 e16 *** par_45 e17 *** par_46 e15 par_47 e24 *** par_48 e22 *** par_49 e23 *** par_50 e14 par_51 注:“***”表示 水平上显著，括号中是相应的值，即t值。

三、 模型拟合评价

在结构方程模型中，试图通过统计运算方法（如最大似然法等）求出那些使样本方差协方差矩阵S与理论方差协方差矩阵的差异最小的模型参数。换一个角度，如果理论模型结构对于收集到的数据是合理的，那么样本方差协方差矩阵S与理论方差协方差矩阵差别不大，即残差矩阵（S）各个元素接近于0，就可以认为模型拟合了数据。

模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。不同类别的模型拟合指数可以从模型复杂性、样本大小、相对性与绝对性等方面对理论模型进行度量。Amos提供了多种模型拟合指数（如表

表7-7 拟合指数 指数名称 评价标准6 2(卡方) 绝对拟合指数 GFI RMR 越小越好 大于 小于，越小越好 6表格中给出的是该拟合指数的最优标准，譬如对于

RMSEA，其值小于表示模型拟合较好，在间表示模型拟

合尚可（Browne & Cudeck，1993）。因此在实际研究中，可根据具体情况分析。

SRMR 小于，越小越好 RMSEA 小于，越小越好 NFI 大于，越接近1越好 相对拟合指数 TLI 大于，越接近1越好 CFI 大于，越接近1越好 AIC 越小越好 信息指数 CAIC 越小越好 7-7）供使用者选择7。如果模型拟合不好，需要根据相关领域知识和模型修正指标进行模型修正。

需要注意的是，拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。即便拟合指数没有达到最优，但一个能够使用相关理论解释的模型更具有研究意义。

第三节 模型修正8

一、 模型修正的思路

模型拟合指数和系数显著性检验固然重要，但对于数据分析更重要的是模型结论一定要具有理论依据，换言之，模型结果要可以被相关领域知识所解释。因此，在进行模型修正时主要考虑修正后的模型结果是否具有现实意义或理论价值，当模型效果很差时9可以参考模型修正指标对模型进行调整。

当模型效果很差时，研究者可以根据初始模型的参数显著性结果和Amos提供的模型修正指标进行模型扩展（Model Building）或模型（Model Trimming）。模型扩展是指通过释放部分路径或添加新路径，使模型结构更加合理，通常

10

在提高模型拟合程度时使用；模型是指通过删除或部分路径，使模型结构更加简洁，通常在提高模型可识别性时使用。

Amos提供了两种模型修正指标，其中修正指数（Modification Index）用于模型扩展，临界比率（Critical Ratio）11用于模型。

二、 模型修正指标12

1. 修正指数（Modification Index）

7详细请参考

Amos User’s Guide 4项。

8关于案例中模型的拟合方法和模型修正指数详情也可参看书上第七章第三节和第四节。 9如模型不可识别，或拟合指数结果很差。

10譬如可以删除初始模型中不存在显著意义的路径。

11这个CR不同于参数显著性检验中的CR，使用方法将在下文中阐明。

12无论是根据修正指数还是临界比率进行模型修正，都要以模型的实际意义与理论依据为基础。

图7-19 修正指数计算

修正指数用于模型扩展，是指对于模型中某个受的参数，若容许自由估计（譬如在模型中添加某 条路径），整个模型改良时将会减少的最小卡方值13。

使用修正指数修改模型时，原则上每次只修改一个参数，从最大值开始估算。但在实际中，也要考虑让该参数自由估计是否有理论根据。

若要使用修正指数，需要在Analysis Properties中的Output项选择Modification Indices项（如图7-19）。其后面的Threshold for Modification Indices指的是输出的开始值14。

13即当模型释放某个模型参数时，卡方统计量的减少量将大于等于相应的修正指数值。 14只有修正指数值大于开始值的路径才会被输出，一般默认开始值为

4。

图7-20 临界比率计算

2. 临界比率（Critical Ratio） 临界比率用于模型，是计算模型中的每一对待估参数（路径系数或载荷系数）之差，并除以相应参数之差的标准差所构造出的统计量。在模型假设下，CR统计量服从正态分布，所以可以根据CR值判断两个待估参数间是否存在显著性差异。若两个待估参数间不存在显著性差异，则可以限定模型在估计时对这两个参数赋以相同的值。 若要使用临界比率，需要在Analysis Properties中的Output项选择Critical Ratio for Difference项（如图7-20）。

三、 案例修正

对本章所研究案例，初始模型运算结果如表7-8，各项拟合指数尚可。但从

模型参数的显著性检验（如

表7-5）中可发现可以看出，无论是关于感知价格的测量方程部分还是关于结构方程部分（除与质量期望的路径外），系数都是不显著的。关于感知价格的结构方程部分的平方复相关系数为，非常小。另外，从实际的角度考虑，通过自身的感受，某超市商品价格同校内外其它主要超市的商品价格的差别不明显，因此，首先考虑将该因子在本文的结构方程模型中去除，并且增加质量期望和质量感知到顾客满意的路径。超市形象对顾客忠诚的路径先保留。修改的模型如图7-21。 表7-8 常用拟合指数计算结果

NFI IFI RMSEA AIC BCC EVCI 拟合指卡方CFI

数 值(自

由度) (180) 结果

图7-21 修正的模型二

根据上面提出的图7-21提出的所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-9。

表7-9 常用拟合指数计算结果

NFI IFI RMSEA AIC BCC EVCI 拟合指卡方值CFI

数 (自由度)

(145) 结果

从表7-8和表7-9可以看出，卡方值减小了很多，并且各拟合指数也都得到了改善，但与理想的拟合指数值仍有差距。该模型的各个参数在的水平下都是显著的，并且从实际考虑，各因子的各个路径也是合理存在的。

下面考虑通过修正指数对模型修正，通过点击工具栏中的来查看模型输出详细结果中的Modification Indices项可以查看模型的修正指数（Modification Index）结果，双箭头（“<-->”）部分是残差变量间的协方差修正指数，表示如果在两个可测变量的残差变量间增加一条相关路径至少会减少的模型的卡方值；单箭头（“<---”）部分是变量间的回归权重修正指数，表示如果在两个变量间增加一条因果路径至少会减少的模型的卡方值。比如，超市形象到质量感知的MI值为，表明如果增加超市形象到质量感知的路径，则模型的卡方值会大大减小。从实际考虑，超市形象的确会影响到质量感知，设想，一个具有良好品牌形象的超市，人们难免会对感到它的商品质量较好；反之，则相反。因此考虑增加从超市形象到质量感知的路径的模型如图7-22。

根据上面提出的图7-22所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-10、表7-11。

表7-10 常用拟合指数计算结果

NFI IFI RMSEA AIC BCC EVCI 拟合指卡方值(自CFI

数 由度) (144) 结果 从表7-9和表7-10可以看出，卡方值减小了很多，并且各拟合指数也都得到了改善，但与理想的拟合指数值仍有差距。

表7-11 5%水平下不显著的估计参数

Estimate . . P Label 顾客满.035 .124 par_22

<--- 质量期望 意

顾客忠

.1 .100 .103 par_21

<--- 超市形象 诚

图7-22 修正的模型三

除上面表7-11中的两个路径系数在的水平下不显著外，该模型其它各个参数在水平下都是显著的，首先考虑去除p值较大的路径，即质量期望到顾客满意的路径。重新估计模型，结果如表7-12。

表7-12 5%水平下不显著的估计参数

Estimate . . P Label .166 .101 .099 par_21 顾客忠诚 <--- 超市形象 从表7-12可以看出，超市形象对顾客忠诚路径系数估计的p值为，仍大于。并且从实际考虑，在学校内部，学生一般不会根据超市之间在形象上的差别而选择坚持去同一个品牌的超市，更多的可能是通过超市形象影响超市满意等因素进而影响到顾客忠诚因素。考虑删除这两个路径的模型如图7-23。

根据上面提出的如图7-23所示的模型，在AMOS中运用极大似然估计运行的部分结果如表7-13。

表7-13 常用拟合指数计算结果

CFI NFI IFI RMSEA AIC BCC EVCI 拟合指卡方值

数 (自由度) (146) 结果 从表7-10和表7-13可以看出，卡方值几乎没变，并且各拟合指数几乎没有改变，但模型便简单了，做此改变是值得的。该模型的各个参数在的水平下都是显著的，另外质量感知对应的测量指标a11（关于营业时间安排合理程度的打分）对应方程的测定系数为，比较小，从实际考虑，由于校内东区物美超市的营业时间从很长，几乎是全天候营业在顾客心中，可能该指标能用质量感知解释的可能性不大，考虑删除该测量指标。修改后的模型如图7-24。

根据上面提出的如图7-24所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-14。

表7-14 常用拟合指数计算结果

CFI NFI IFI RMSEA AIC BCC EVCI 拟合指卡方值

数 (自由度) (129) 结果 从表7-13和表7-14可以看出，卡方值减小了很多，并且各拟合指数都得到了较大的改善。该模型的各个参数在的水平下都仍然是显著的，各方程的对应的测定系数增大了。

图7-23 修正的模型四

图7-24 修正的模型五

下面考虑通过修正指数对模型修正，e12与e13的MI值最大，为，表明如果增加a12与a13之间的残差相关的路径，则模型的卡方值会减小较多。从实际考虑，员工对顾客的态度与员工给顾客结帐的速度，实际上也确实存在相关，设想，对顾客而言，超市员工结帐速度很慢本来就是一种对顾客态度不好的方面；反之，则相反。因此考虑增加e12与e13的相关性路径。（这里的分析不考虑潜变量因子可测指标的更改，理由是我们在设计问卷的题目的信度很好，而且题目本身的设计也不允许这样做，以下同。）

重新估计模型，重新寻找MI值较大的，e7与e8的MI值较大，为，（虽然e3与e6的MI值等于，但它们不属于同一个潜变量因子，因此不能考虑增加相关性路径，以下同）表明如果增加a7与a8之间的残差相关的路径，则模型的卡方值会减小较多。这也是员工对顾客的态度与员工给顾客结帐的速度之间存在相关，因此考虑增加e7与e8的相关性路径。

重新估计模型，重新寻找MI值较大的，e17与e18的MI值较大，为，表明如果增加a17与a18之间的残差相关的路径，则模型的卡方值会减小较多。实际上消费前的满意度和与心中理想超市比较的满意度之间显然存在相关，因此考虑增加e17与e18的相关性路径。

重新估计模型，重新寻找MI值较大的，e2与e3的MI值较大，为，表明如果增加a2与a3之间的残差相关的路径，则模型的卡方值会减小较多。实际上超市形象和超市品牌知名度之间显然存在相关，因此考虑增加e2与e3的相关性路径。

重新估计模型，重新寻找MI值较大的，e10与e12的MI值较大，为，表明如果增加a10与a12之间的残差相关的路径，则模型的卡方值会减小较多。但实际上超市的食品保险&日用品丰富性与员工态度之间显然不存在相关，因此不考虑增加e10与e12的相关性路径。另外,从剩下的变量之间MI值没有可以做处理的变量对了，因此考虑MI值修正后的模型如图7-25。

图7-25 修正的模型六

根据上面提出的如图7-25所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-15。

表7-15 常用拟合指数计算结果

CFI NFI IFI RMSEA AIC BCC EVCI 拟合指卡方值

数 (自由度) (125) 结果 从表7-14和表7-15可以看出，卡方值减小了很多，并且各拟合指数都得到了较大的改善。该模型的各个参数在的水平下都仍然是显著的，各方程的对应的测定系数增大了。下面考虑根据Pairwise Parameter Comparisons来判断对待估计参数的设定，即判断哪些结构方程之间的系数没有显著差异，哪些测量方程的系数之间没有显著差异，哪些结构方程的随机项的方差之间没有显著差异，哪些测量方程的随机项的方差之间的之间没有显著差异，对没有显著差异的相应参数估计设定为相等,直到最后所有相应的critical ratio都大于2为止。通过点击工具栏中的来查看模型输出详细结果中的Pairwise Parameter Comparison项可以查看临界比率（Critical Ratio）结果，其中par_1到par_46代表模型中46个待估参数，其含义在模型参数估计结果表（如表7-5，7-6）中标识。根据CR值的大小15，可以判断两个模型参数的数值间是否存在显著性差异。如果经检验发现参数值间不存在显著性差异，则可以考虑模型估计时限定两个参数相等。如果是某两个参数没有显著差异，并且根据经验也是如此，则可在相应的认为相等的参数对应的路径或残差变量上点击右键选择Object Properties，然后出现如图7-11的选项卡，选择parameters项，如

图7-26 对应因果路径

15一般绝对值小于

2认为没有显著差异。

图7-27 对应残差变量

图7-28 对应相关系数路径

图7-26，图7-27，图7-28。然后在Regression weight16,variance17,covariane18输入相同的英文名称即可。比如从图7-25修正的模型六输出的临界比率结果中发现绝对值最小的是par_44和par_45对应的，远远

16对应因果路径。 17对应残差变量。 18对应相关系数路径。

图7-29 设置e22和e24的方差相等

图7-30 修正的模型七

小于95%置信水平下的临界值，说明两个方差间不存在显著差异。对应的是e22和e24的方差估计，从实际考虑，也可以认为它们的方差相差，则残差变量e22和e24上点击右键选择Object Properties，出现如图7-29的选项卡，然后在Object Properties选项卡下面的variance中都输入“v2”，最后关掉窗口即可设置e22和e24的方差相等。经过反复比较得到的结构方程模型如图7-30。

根据上面提出的如图7-30所示的模型，在Amos中运用极大似然估计运行的部分结果如表7-16。

表7-16 常用拟合指数计算结果

CFI NFI IFI RMSEA AIC BCC EVCI 拟合指卡方值

数 (自由度) (146) 结果 从表7-15和表7-16可以看出，卡方值虽然增大了一些，但自由度大大增加了，并且各拟合指数都得到了较大的改善（NFI除外）。该模型的各个参数在的水平下都仍然是显著的，各方程的对应的测定系数相对而言增大了很多。

四、 最优模型参数估计的展示

表7-17 最优模型各路径系数估计

未标准化标准化路径系数路径系

. . P Label 数估计 估计 质量期超市形<--- *** bb 望 象

质量感超市形

<--- *** aa 知 象

par_1质量感质量期

<--- *** 6 知 望

顾客满质量感

<--- *** aa 意 知

顾客满超市形

<--- *** bb 意 象

顾客忠顾客满

<--- *** aa 诚 意

超市形

a1 <--- 1 象

超市形

a2 <--- *** b 象

超市形

a3 <--- *** d 象

质量期

a5 <--- 1 望

质量期

a4 <--- *** d 望

质量期

a6 <--- *** a 望

质量期

a7 <--- *** b 望

质量期

a8 <--- *** a 望 a10 <--- 质量感1

知 质量感

a9 <--- *** c 知

质量感

a12 <--- *** b 知

质量感

a13 <--- *** a 知

顾客满

a18 <--- 1 意

顾客满

a17 <--- *** b 意

顾客满

a16 <--- *** b 意

顾客忠

a24 <--- 1 诚

顾客忠

a23 <--- *** c 诚

顾客忠

a22 <--- *** a 诚 注:“***”表示 水平上显著，括号中是相应的值，即t值。

表7-18 最优模型相关性路径系数估计

协方差估相关系数估

. . P Label 计 计 e12 <--> e13 *** r2 e7 <--> e8 *** r2 e18 <--> e17 *** r1 e2 <--> e3 *** r1 注:“***”表示 水平上显著，括号中是相应的值，即t值。

表7-19 最优模型方差估计

. . P Label 方差估计 *** par_17 超市形象 z2 *** par_18 z1 *** par_19 z4 *** par_20 z5 *** par_21 e5 *** v3 e4 *** v5 e6 *** v6 e7 *** v6 e8 *** v7 e10 *** v1 e9 *** v4 e12 *** v7 e13 *** v5

e18 *** v3 e17 *** v4 e24 *** v2 e22 *** v2 e23 *** v1 e1 *** par_22 e2 *** par_23 e3 *** par_24 e16 *** par_25

注:“***”表示 水平上显著，括号中是相应的值，即t值。

第四节 模型解释

结构方程模型主要作用是揭示潜变量之间（潜变量与可测变量之间以及可测变量之间）的结构关系，这些关系在模型中通过路径系数（载荷系数）来体现。

若要输出模型的直接效应、间接效应以及总效应，需要在Analysis Properties中的Output项选择Indirect , direct & total effects项（如图7-31）。

对于修正模型，Amos输出的中各潜变量之间的直接效应、间接效应以及总效应如表7-20。

1．直接效应(direct effect)

指由原因变量（可以是外生变量或内生变量）到结果变量（内生变量）的直接影响，用原因变量到结果变量的路径系数来衡量直接效应。比如利用表7-17最后一列的结果，超市形象到质量期望的标准化路径系数是，则超市形象到质量感知的直接效应是。这说明当其他条件不变时，“超市形象”潜变量每提升1个单位，“质量期望”潜变量将直接提升个单位。

2．间接效应(indirect effect)

指原因变量通过影响一个或者多个中介变量，对结果变量的间接影响。当只有一个中介变量时，间接效应的大小是两个路径系数的乘积。比如利用表7-17最后一列的结果，超市形象到质量期望的标准化路径系数是，质量期望到质量感知的标准化路径系数是，则超市形象到质量感知的间接效应就是×=。这说明当其他条件不变时，“超市形象”潜变量每提升1个单位，“质量感知”潜变量将间接提升个单位。

3．总效应(total effect)

由原因变量到结果变量总的影响，它是直接效应与间接效应之和。比如利用表7-17最后一列的结果，超市形象到质量感知的直接效应是，超市形象到质量感知的间接效应是，则超市形象到质量感知的总效应为+=。这说明当其他条件不变时，“超市形象”潜变量每提升1个单位，“质量感知”潜变量总共将提升个单位。

图7-31 输出模型的直接效应、间接效应以及总效应

表7-20 模型中各潜在变量之间的直接效应、间接效应以及总效应（标准化的结果）

超市形象 质量期望 质量感知 顾客满意 *** 质量期望 （直接效应） （间接效应） （总效应）

*** *** 质量感知

（直接效应） （间接效应） （总效应）

*** *** 顾客满意

（直接效应） （间接效应） （总效应）

*** 顾客忠诚

（直接效应） （间接效应） （总效应） 注:“***”表示 水平上显著，括号中是相应的值，即t值。表中给出的均是标准化后的参数,直接效应就是模型中的路径系数。