由于前文在问卷的效度分析时做的验证性因子分析从侧面部分证实了理论基础的合理程度，并结合信度分析做出了观察变量取舍的判断，因此，此处的测量模型分析是在验证性因子分析的基础上直接验证观察变量与潜在变量的关系，证明模型理论基础的合理性并做出相应修正，为后续结构方程模型分析提供修改依据。

6-3-1-1　电子商务应用的测量模型分析

在电子商务应用的理论框架中，有“信息沟通”、“内部管理”、“电子采购”与“营销和销售”四个潜在变量，它们与可观察变量的对应关系在问卷的电子商务应用量表中已经作了区分。运用LISREL8.7统计软件进行一阶因子分析，所得到的原始模型如图6.1，主要拟合度指标见表6.24中的EC01A所示。

表6.24　电子商务应用测量模型分析的拟合度检验

图6.1　原始电子商务应用一阶测量模型的参数估计值

EC01A的不规范拟合指数NNFI和比较拟合指数CFI都大于0.95，χ2/df<3，显示拟合的较好；RMSEA仅比0.10稍大，而且其90％置信区间为0.079～0.12，表示数据在可接受的范围内，但还有改进的可能。从图6.1的结果看，笔者发现信息沟通因子与内部管理、电子采购存在着很强的相关关系，相关系数分别为0.91和0.95，这种强相关关系表明模型的设定存在一定的问题。如果在此基础上对模型进行修正以达到较好适配的结果时，需要经历至少10步（见表6.24a），而且关键是修改模型后所建立的问项误差项之间的联系也多数体现在信息沟通的问项与其他问项之间的联系（参见图6.2），因此，笔者决定修改模型，将信息沟通因子分解到其他三个因子中去，经对因子结构的重新调整得到了“内部管理电子商务应用”、“采购管理电子商务应用”，以及“营销管理电子商务应用”三个因子，这三个因子的分解也代表了企业内部的三个核心流程，因此同样具有理论和实际意义。

表6.24a　对电子商务应用测量初始模型的调整过程[2]

图6.2　根据初始模型逐步改进后的电子商务应用一阶测量模型的参数估计值

对应的问项调整方式为：将前两个问项“企业内部物流和零部件情况沟通”和“企业内部一般信息的沟通”合并到“内部管理”要素中，“与客户的一般信息沟通”合并到“营销和销售”要素中，并据此将因子“营销和销售”重新命名为“营销管理”，“与外部的数据库集成信息查询”合并到“电子采购”，同时将“电子采购”重新命名为“采购管理”。接着，笔者对新的模型2进行了验证性因子分析，得到表6.25，可以看出χ2/df和RMSEA指标都有了一定改善，更重要的，因子之间的关系减弱（见图6.3）。根据表6.25的结果，笔者认为得到了一个拟合度较好的模型（RMSEA<0.1，χ2/df<3，NNFI>0.95，CFI>0.95）。

表6.25　电子商务应用测量模型2的拟合度检验

图6.3　模型2的参数估计值

6-3-1-2　营销能力的测量模型分析

营销能力量表分别反映的是“客户管理能力”、“市场学习能力”和“市场推广能力”三个潜在变量，在前面的问卷效度检验中已经对其进行了验证。运用LISREL8.7软件进行一阶因子分析，主要检验指标见表6.26所示。(www.daowen.com)

表6.26　营销能力测量模型分析的拟合度检验

根据表6.26中MC1A的结果，可以发现虽然NNFI和CFI的指标均符合要求，但是RMSEA和χ2/df的值都不太理想如图6.4。根据LISREL提供的修改建议，在观察变量2与4、5与6、9与10、9与7、8与7、10与8、12与7、5与3之间建立误差关联，修正后的模型拟合指标见表6.24中的MC1B至MC1I。可以看出随着观察变量之间关系的加入，较原模型MC1A有了很大改进，Δχ2（9）=149.82，χ2/df也下降到了1.134，同时RMSEA变为0.030，NNFI和CFI都达到了1，GFI也提高至0.94，此时P值等于0.23，说明模型拟合的很好。

对模型修改后的项目误差关联可以用问项之间的关联进行解释。观察变量2与4之间表示整体客户导向与组织结构与建立客户关系的匹配程度之间的关系、观察变量5与6之间表示收集市场变动信息的频率与通过市场信息找到创新理念的程度之间的关系、观察变量9与10之间表示把顾客和竞争者信息集成到创新中的程度与对不成功的市场调研项目的总结并将受到的教训在公司广泛沟通以促使改进的程度之间的关系、观察变量9与7之间表示把顾客和竞争者信息集成到创新中的程度与对市场细分的了解程度之间的关系、观察变量8与7之间表示对竞争者的了解程度与对市场细分的了解程度之间的关系、观察变量10与8之间表示对不成功的市场调研项目的总结，并将受到的教训在公司广泛沟通以促使改进的程度与对竞争者的了解程度之间的关系、观察变量12与7之间表示我们的营销人员业务活动能力非常强与对市场细分的了解程度之间的关系、观察变量5与3之间表示收集市场变动信息的频率与数据库和客户信息系统之间的关系如图6.5。这些变量之间在实际中也存在一定的关系，如企业收集市场变动信息的频率越高，越可能影响获得的市场信息和创新理念之间的相关性，对不成功调研项目的经验总结可以更好地帮助企业应用来自于顾客和竞争者的信息，并将其有效地集成到创新中。营销能力的测量模型分析可以进入后续结构方程模型中进行进一步分析。

图6.4　原始营销能力一阶测量模型的参数估计值

图6.5　改进后的营销能力一阶测量模型的参数估计值

6-3-1-3　营销绩效的测量模型分析

营销绩效分量表中共有“会计效果”、“客户价值”、“竞争结果”、“产品创新”和“品牌资产”五个潜变量，分别对应于14个可观察变量，运用LISREL8.7做测量模型分析，有关模型检验指标见表6.27所示。

表6.27　营销绩效测量模型分析的拟合度检验

根据表6.27中MP1A的结果，可以发现基本上有关拟合优度的指标均符合要求，而且NNFI和CFI的值达到了0.98，但是还存在改进的可能，因为RMSEA的值都不太理想，仅为0.091。根据LISREL提供的修改建议，在观察变量3与2、10与2、9与7、12与11、4与1、11与3、6与5以及8与5之间建立误差关联，考虑到观察变量9与7之间，即平均价格水平与市场份额之间通常不存在正相关的关系，在修正模型的时候没有添加该路径。其余变量之间[3]关联建立后所得到的修正后的模型拟合指标见表6.25中的MP1B至MP1I。可以看出模型较MP1A有了很大改进，Δχ2（8）=68.81，χ2/df也下降到了1.5以下，同时RMSEA变为0.050，NNFI、CFI接近或达到1，GFI也大于0.9，说明模型拟合的很好。

对模型修改后的项目误差关联可以用问项之间的关联进行解释。观察变量“毛利润”和“利润率”显然存在一定的关联，因为企业的毛利润直接影响利润率；而观察变量“毛利润”和“新产品或服务占销售的百分比”通常存在负相关的关系，因为如果企业的新产品或服务占销售的百分比增加，企业的毛利润就会下降。营销绩效的测量模型分析同样可以在后续结构方程模型中进行深入分析。

图6.6　原始营销绩效一阶测量模型的参数估计值

图6.7　改进后的营销绩效一阶测量模型的参数估计值