第四节 研究结果

根据Anderson等（Anderson & Gerbing，1988）推荐的结构方程模型的两步检验方法，本书首先对测量模型进行信度与效度检验，然后分析结构模型与检验模型假设。

一 测量模型

本书对测量模型的检验主要考察量表的信度与效度。信度是指量表的一致性程度，当测量误差越小时，信度相应也越高。目前用于测量信度最常用的指标为Cronbach's α信度和复合信度。Cronbach's α值越高，则表明潜变量各测量指标的结果越趋于一致，即量表信度越高。当Cronbach's α值大于0.7时，则表示信度较高；Cronbach's α值介于0.35—0.7，则说明信度中等。Nunnally（1978）认为Cronbach's α值大于0.7，则可以认为因子的信度达到要求。复合信度是加权后的信度指标，能更好地反映因子的信度水平。

检验量表效度的指标主要包括内容效度（Content Validity）、区分效度（Discriminant Validity）和聚合效度（Convergent Validity）。其中，内容效度反映了量表的适合性。如果量表内容涵盖了所有研究计划所要讨论的内容和结构，则表明该量表具有较好的内容效度。区分效度反映了某潜变量根据实证标准真正区别于其他潜变量的程度，一般采用因子分析的交叉负载进行检验。聚合效度用于反映潜变量的收敛效度。一般而言，各潜变量的因子负荷均大于0.7时，则表明该变量具有较好的聚合效度。聚合效度在结构方程模型中通常由潜变量的平均萃取方差（Average Variance Extracted，AVE）来检验。AVE反映了潜变量相对于测量误差所解释的方差总量。若AVE值大于等于0.5时，则表示潜变量的测度具有较好的聚合效度（Bagozzi & Yi，1988）。

本书采用大方差旋转的探索性因子分析（Exploratory Factor Analysis，EFA）对数据进行信度检验。结果如表3-1所示，按特征值＞1的标准抽取出的6个因子总共解释了82.051%的方差，并且各个因子的指标负载均大于0.7，远大于各个因子的交叉负载（均在0.4以下），表明各指标均可以有效地反映对应因子，因此，本书的量表区分效度得到了保证。

表3-1 旋转后的因子负载矩阵

续表

本书对样本变量的信度、区分和聚合效度采用验证性因子分析（CFA）进行检验。检验结果如表3-2所示，表中各变量的标准负载、Cronbach's α、复合信度值（Composite Reliability）均超过0.80，确保了较好的信度（Nunnally & Bernstein，1978）。各变量的平均萃取方差均超过0.710，说明本书的量表具有较好的聚合效度。

表3-2 信度与效度分析

续表

本书对变量的AVE值的平方根和变量之间的相关系数进行分析，用于进一步对数据的区分效度进行检验。如果各变量的AVE值的平方根超过其与其他变量之间的相关系数，则表明样本数据的区分效度较好。

表3-3 因子AVE值平方根与因子间相关系数矩阵

从表3-3可以看出，对角线上黑体数字所表示的各因子AVE平方根都超过了相应的相关系数，表明本书的样本数据具有较好的区分效度。

本书采用两种统计方法检验样本数据可能存在的共同方法偏差。首先，本书对测量模型进行了哈曼单因子检测，检验结果表明单个因子所解释的最大方差为16.720%，表明本书的数据不存在较严重的共同方法偏差。接着，基于Podsakoff等（2003）和Liang等（2007）推荐的检验方法，本书对可能存在的共同方法偏差进行进一步检验。由表3-4可知，共同偏差因子的平均因子负载为0.005，远小于原始模型中因子的平均因子负载0.892。从因子负载的显著性水平而言，原始模型中因子的平均因子负载均在p＜0.001水平显著，而绝大部分共同偏差因子的平均因子负载不显著。因此，再次表明本书的样本数据没有严重的共同方法偏差问题。

表3-4 共同方法偏差分析

二 假设检验

本书采用LISREL 8.7对结构方程模型进行分析。模型的拟合指标如表3-5所示，除了模型拟合值GFI略微小于推荐值之外，其他拟合指数均大于对应的推荐值，表明了良好的模型拟合度。

表3-5 拟合指标与模型指标（N=309）

模型检验结果如图3-2所示，大部分的假设都得到了数据的验证。移动购物环境下的感知风险、感知收益和消费者信任均显著影响消费者移动购物意愿，验证了H3-1、H3-2和H3-3。其中，感知风险显著负向影响移动购物意愿；感知收益和移动购物信任显著正向影响移动购物意愿。

图3-2 模型分析结果

此外，消费者对移动购物的信任正向影响感知收益，负向影响感知风险，验证了H3-4和H3-5。在消费者PC互联网向移动互联网渠道的信任传递过程中，消费者对PC互联网购物的信任显著影响移动购物信任和移动购物感知风险，支持了H3-6和H3-8。感知渠道整合对移动购物信任和移动购物感知风险存在显著影响，验证了H3-9和H3-10。但是，消费者对PC互联网的信任对移动购物感知收益和感知风险均不存在显著的影响，因此拒绝了H3-7和H3-11。本章的模型对感知风险、感知收益、移动购物信任和移动购物意愿的解释方差分别为0.054、0.395、0.532和0.387，表明了研究模型较好的解释力。