理论教育 深入剖析高阶因子分析方法

深入剖析高阶因子分析方法

时间:2023-06-11 理论教育 版权反馈
【摘要】:6-3-2-2营销能力分量表的高阶因子分析根据本研究的目标,笔者设计使用营销能力这一二阶因子表达一阶因子客户管理能力、市场学习能力、市场推广能力之间的关系。同时通过对一阶因子的CFA分析,发现这三个因子之间的相关系数至少在0.7以上,表明这三个因子之间存在较强的关系,可以对其使用高阶因子分析。

深入剖析高阶因子分析方法

当假设各一阶因子可以有相关时,由于没有限制这些相关的大小或关系(如某两个相关系数必须相等),需估计的参数很多,例如,如果有5个一阶因子,就会有10个因子间的相关。此时如果假设有一个二阶因子能影响各一阶因子的表现时,即将原来的10个因子间的相关改为由5个参数(二阶因子与一阶因子的关系)替代,那么将得到一个较简单又准确描述数据关系的模型(侯杰泰等人,2007)。

根据本研究的假设,笔者将分析电子商务应用这一二阶潜变量对营销能力各一阶潜变量和二阶潜变量的关系,同时希望考查营销能力这一二阶潜变量对营销绩效各一阶潜变量和二阶潜变量之间的关系,另外本研究的主旨明确了探索营销能力在电子商务应用和营销绩效关系之间的中介作用,这些均要求在进行全模型分析前考查电子商务应用、营销能力和营销绩效是否可以由一个二阶潜变量表示。因此,本研究针对三个分量表分别进行了高阶因子分析

6-3-2-1 电子商务应用分量表的高阶因子分析

根据本研究的目标,笔者设计使用电子商务应用这一二阶因子表达一阶因子内部管理、采购管理、营销管理之间的关系,同时通过对一阶因子的CFA分析,发现这三个因子之间的相关系数至少在0.7以上,表明这三个因子之间存在较强的关系,可以对其使用高阶因子分析。通过运行LISREL8.7版的统计软件,本研究得到了有关模型检验指标如表6.28,因子间的载荷系数见图6.8。

表6.28 电子商务应用二阶因子分析的拟合优度检验

图6.8 电子商务应用二阶因子分析的参数估计值

根据二阶因子分析的结果,可以看到二阶因子分析所得到的主要数据与一阶因子相同(原始模型中,χ2(51)=121.64),而且,二阶因子与一阶因子之间的关系较强(系数大于0.7),因此,笔者认为这个二阶因子足以反映电子商务应用各一阶因子之间的关系,可以在后续研究中使用。

6-3-2-2 营销能力分量表的高阶因子分析

根据本研究的目标,笔者设计使用营销能力这一二阶因子表达一阶因子客户管理能力、市场学习能力、市场推广能力之间的关系。同时通过对一阶因子的CFA分析,发现这三个因子之间的相关系数至少在0.7以上,表明这三个因子之间存在较强的关系,可以对其使用高阶因子分析。通过运行LISREL8.7版的统计软件,本研究得到了有关模型检验指标如表6.29。

表6.29 营销能力二阶因子分析的拟合优度检验(www.daowen.com)

根据二阶因子分析的结果,卡方值相对于一阶因子分析的结果(原始模型中,χ2(62)=211.07)增加了10.09,没有达到显著水平。而且,二阶因子与一阶因子之间的关系很强(系数大于0.9),因此,笔者认为这个二阶因子足以反映营销能力各一阶因子之间的关系,可以在后续研究中使用。

根据表6.29中MC2A的结果,可以发现NNFI和CFI的值显示模式可以接受,达到了0.95以上,但是χ2/df和RMSEA的值都不太理想,因此存在改进的可能。根据LISREL提供的修改建议,在观察变量“市场信息与创新理念相关”与“收集市场变动信息的频率”之间建立误差关联,这两个观察变量之间的关系在营销能力的一阶因子分析中就已经分析过了,修正后的模型拟合指标见表6.29中的MC2B。可以看出模型MC2B有了很大改进,Δχ2(1)=17.20,χ2/df也有所下降,同时RMSEA变为0.087,说明模型拟合的较MC2A要好,但是从整体上来看,还存在继续修正模型的可能。因此,继续修正模型,根据LISREL所产生的结果,发现在观察变量“顾客和竞争者信息集成到创新中”与观察变量“不成功的市场调研项目的总结”之间的MI指数为43.17,期望参数改变值为0.26,这两个观察变量之间的关系在营销能力的一阶因子分析中就已经分析过了,理论上存在正相关的关系,因此,继续对模型进行修正,结果见表6.29中的MC2C,Δχ2(1)=34.64,χ2/df也下降为1.882,同时RMSEA变为0.076,说明模型拟合的较MC2B有很大改进。继续根据LISREL提供的修改建议,建立观察变量“数据库和客户信息系统”与“收集市场变动信息的频率”、“不成功的市场调研项目的总结”与“竞争者了解的程度”、“组织结构”与“整体导向”、“能够更快速地将新产品推向市场”与“组织结构”、“顾客和竞争者信息集成到创新中”与“市场细分的了解程度”、“不成功的市场调研项目的总结”与“收集市场变动信息的频率”之间的联系,分别得到MC2D、MC2E、MC2F、MC2G、MC2H、MC2I,可以看到通过建立有关观察变量测量误差项之间的联系,模型的拟合优度已经相当好了(P=0.436)。对应的因子间载荷系数见图6.9。

图6.9 改进后的营销能力二阶测量模型的参数估计值

6-3-2-3 营销绩效分量表的高阶因子分析

根据本研究的目标,笔者设计使用营销绩效这一二阶因子表达一阶因子会计效果、客户价值、竞争结果、产品创新、品牌资产之间的关系。通过运行LISREL8.7版的统计软件,本研究得到了有关模型检验指标如表6.30。

表6.30 营销绩效二阶因子分析的拟合优度检验

根据二阶因子分析的结果,可以看到由于减少了对自由参数的估计,卡方值相对于一阶因子分析的结果(原始模型中,χ2(67)=151.01)在自由度增加5个的情况下只增加了4.15,没有达到显著水平。而且,二阶因子与一阶因子之间的关系很强(系数大于0.7),因此,笔者认为这个二阶因子足以反映营销绩效各一阶因子之间的关系,可以在后续研究中使用。

根据表6.30中MP2A的结果,可以发现NNFI和CFI的值显示模式可以接受,达到了0.98,χ2/df也小于3,但是RMSEA的值还需进一步改进,因此根据LISREL提供的修改建议,在观察变量“利润率”与“毛利润”之间建立误差关联,这两个观察变量之间的关系在营销绩效的一阶因子分析中就已经分析过了,修正后的模型拟合指标见表6.28中的MP2B。可以看出模型MP2B有了很大改进,Δχ2(1)=21.82,χ2/df也大幅下降,同时RMSEA变为0.076,CFI提高到0.99,说明模型拟合的较MP2A要好,但是从整体上来看,还存在继续修正模型的可能。因此根据LISREL提供的修改建议,在观察变量“新产品或服务占销售百分比”与“毛利润”之间建立误差关联,这两个观察变量之间的关系在营销绩效的一阶因子分析中就已经分析过了,修正后的模型拟合指标见表6.30中的MP2C。继续根据LISREL提供的修改建议,建立观察变量销售收入与客户的满意度、新产品收益与新产品数量、新产品收益与利润率之间的联系,得到修正后的模型拟合指标MP2D、MP2E、MP2F。最终模型达到0.016的P值,RMSEA为0.050,GFI也由原来的0.87增加到0.92。对应的因子间载荷系数见图6.10。

图6.10 改进后的营销绩效二阶测量模型的参数估计值

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