理论教育 主要科学方法:描述统计、因子分析、多元回归等

主要科学方法:描述统计、因子分析、多元回归等

时间:2023-05-25 理论教育 版权反馈
【摘要】:为了使研究结论更准确可靠,需要使用科学合理的研究方法。本研究选用的方法主要采取描述性统计分析法、Cronbach’s α系数法、因子分析法、方差膨胀因子法、DW法、残差项散点图法、多元线性回归分析法,等等。

主要科学方法:描述统计、因子分析、多元回归等

为了使研究结论更准确可靠,需要使用科学合理的研究方法。本研究选用的方法主要采取描述性统计分析法、Cronbach’s α系数法、因子分析法、方差膨胀因子法、DW法、残差项散点图法、多元线性回归分析法,等等。

1.描述性统计分析法

描述性统计分析法是指通过对样本数据统计分析进行处理,计算出样本数据的极值、平均值、方差等参数,可以初步性的了解数据的整体分布情况等信息。

2.Cronbach’s α系数法

Cronbach’s α系数法是一种测量样本数据是否真实可信的计算方法。通过计算真实分数的方差与观察分数方差的比值α,再根据Cronbach’s α的取值范围,来判断测量样本数据的可信度

Cronbach’s α系数计算公式为:

其中n为测验题数目,为每题被试得分的方差,为被试所得总分的方差。将所得到的值与权威性参考值进行对比,根据其所在的具体信度区间判断其是否能够通过信度检验。

本研究以调查问卷的数据计算出社交网络平台特性、消费者购买意向、信任主体和信任产生方式的Cronbach’s α系数,从而删除信度较低的测量项,使得剩余各项数据都有较高的可信度,从而可以用于后续的计算分析。

3.因子分析法

社交网络平台特性、信任主体、信任产生方式、消费者购买意向等概念都包含了多个变量,需要通过因子分析法在保留数据信息的基础上对数据进行降维处理,从而计算多项因子相关性。

若以X=(x1,x2,…,xP)为变量,则因子分析模型为:

上式可改写为矩阵形式:

其中F为X的公因子,矩阵A是因子载荷矩阵,e是X的特殊因子。

其中为变量xi的共同度,表示公因子对变量xi的影响作用。是公因子Fj对xj的方差的影响,体现了不同公因子的相关性。在计算全部后,根据的大小进行排序,提取出影响作用最大的公因子,对其检验后就可以用于计算回归模型。

影响消费者购买意向的因素很多,单一的因子分析方法不能充分考虑变量对测试结果的影响,因此,本研究通过因子分析法对社交网络平台特性、信任和消费者购买意向等相关变量进行分析。

4.方差膨胀因子法

如果多项变量之间存在相互作用,则会导致研究结果不稳定,因此要计算各项变量的方差膨胀因子(VIF)。方差膨胀因子的计算方法如下:

其中VIFj自变量xj的方差膨胀因子;是将xj当作因变量时对其他解释变量进行回归后的复相关系数。如果方差膨胀因子小于10,则说明解释变量之间不存在多重共线性

5.残差项散点图法

残差项散点图法可以用以测定回归模型中方差之间是否相互独立。计算方法如下:

在计算出回归模型的方差后,可根据残差散点的分布来判断。如果残差散点的分布不具备规律性,即散点在零基准线上下没有呈规律的分布,则说明根据回归模型计算得到的方差是齐性的,解释变量之间不存在异方差的问题。

6.DW法

序列相关是指数据在时间尺度上可能存在相关影响,可以通过DW法检验数据是否具有序列相关性。该检验是对随机残差项是否存在前后自身相关问题的检验。计算方法如下:

其中et,et-1分别为被解释变量Yt在对若干解释变量作回归以后的每一个时点与其前一个时点的残差。(www.daowen.com)

7.多元线性回归分析法

多元线性回归模型可以综合全面地考虑多种因子对因变量的共同作用。通过多元回归模型,可以计算出社交网络平台特性、信任主体、信任产生方式与消费者购买意向之间的关系。

(1)多元线性回归分析模型表达式:

其中β0为常数项;β1,β2,…,βm 为斜率的总体参数;εi随机误差项。

将式(4-10)改写成矩阵形式为

(2)利用最小二乘法估算模型参数。

其中b为参数β的无偏估计值。

(3)回归方程假设检验

假设H0:β12=…=βm=0;H1:βi(i=1,2,…,m)不全为0。

(4)偏回归系数的假设检验。

方差分析法:

其中v1=1,v2=n-m -1,SS(xi)为第i个自变量的偏回归平方和

② t检验法:

其中v=n-m-1。

根据上述方法计算得到的回归模型和系数可以量化多个自变量对因变量的影响。所以,本研究最根本的设计是运用多个定量分析方法,从不同角度探讨信任、社交平台特性、消费者购买意向及倾向之间的关系,积极验证定性分析提出的各种假设。

8.结构方程模型

结构方程模型(Structural Equation Modeling,简称SEM)是一种验证性方法,一般情况下需要理论或经验法则的支持。它可建立变量间的因果模型(Causal Model),是社会科学研究中常用且好用的方法。传统的统计方法在经济、管理等领域需要研究潜变量或者多因素、多结果之间的关系时往往难以解决,而20世纪60年代提出来的结构方程模型很好地弥补了传统的统计方法的不足,特别是在多元数据分析中非常有效。结构方程模型是建立、估计、检验模型中是否存在因果关系的重要工具,该模型包含了显在变量和潜在变量,可以进行多重回归、因子分析和方差分析等,并且能够直观地展示单项指标间的相互关系及各指标对总体的影响。

一般的结构方程模型有两个:一个是测量模型,另一个是潜在变量模型或结构模型。其建模步骤如下。

(1)测量模型:

其中X为外生显变量组成的向量;Y为内生显变量组成的向量;ξ为外生潜变量组成的向量;η为内生潜变量组成的向量;ΛX为外生显变量与外生潜变量之间的关系,即因子负荷矩阵;ΛY为内生显变量与内生潜变量之间的关系,同样是因子负荷矩阵。

(2)结构模型:

其中 B 为内生潜变量间的关系(如其他内生潜变量与工作满意度的关系);γ为外源潜变量对内生潜变量的影响(如工作自主权对工作满意度的影响);ζ为结构方程的残差项,反映了方程中未能被解释的部分。

本研究采用结构方程模型检验了模型中的潜在变量(Latent Variables)、外显变量(Manifest Variables)及误差变量(Error Variable)之间的关系,通过对变量间的路径关系研究来评估结构模式的配适性,以验证本研究提出的关于信任、社交平台特性、消费者购买意向三者之间的研究假设。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈