结构方程模型中控制变量怎么处理

二、研究设计与方法

(一)数据采集

本次调研最初是在上海市信息委企业信息化促进中心的协助下进行的。该中心根据各企业信息化建设的情况，从中选择水平较高并在各行业中具有代表性的企业，将本次调查问卷发到各企业信息化建设主管经理、副总经理或财务总监领导信箱中，请他们予以协助完成。问卷共计发放46份，但是反馈效果不是很好，回收只有9份，有效问卷7份，反馈率较低。

为此，本研究将同济大学、华东理工大学、上海大学、浙江大学的2008年在职MBA学生作为调研对象，共计发放调查问卷200份，回收有效问卷123份。另外，通过咨询公司顾问发放到企业20份，回收14份有效问卷。共计有效样本数量为144份。

对实证研究样本数量的要求在文献中没有一致的明确规定。在信息系统实证研究领域最常见的标准有两个:一个是规定按照自变量与样本数的比例至少为1∶5，也有的按照自变量与样本数的比例为1∶10确定。前者被认为是最低要求，而后者被认为是更合适的要求。

本研究中涉及的变量数为15个，因此样本最低数量为75份，若达到150份则更为合适。本研究共回收有效问卷144份，基本达到要求。

(二)调查问卷设计

问卷法是通过书面形式，以严格设计的心理测量项目或问题，向研究对象收集研究资料和数据的一种方法。根据研究假设，调研问卷主要涉及了“IT治理能力”、“IT外包关系质量”，以及“IT外包绩效”的相关影响因素的测量。问卷中除了有关被访企业的相关信息以外，所有变量的测量均采用Likert五级量表，按照非常同意、同意、中立、反对、强烈反对形式来答。本研究为确保测量工具的效度，尽量采用国内外文献中已使用过的量表，在问卷正式定稿之前，先进行了问卷的预试，以评估问卷设计及用词上的恰当性，再根据预试者提供的意见修订成最后定稿的问卷，所选择的预试对象为业内专家和著名企业管理人员。调查问卷的具体内容请参见附录C调查问卷。

(三)分析方法和分析工具

本书运用SPSS13.0进行数据的描述性统计和测量的信度、效度分析，运用AMOS7.0进行数据的验证性因子分析、假设检验和模型修正。采用的统计分析方法包括:

1.描述性统计分析

描述性统计主要是对样本的基本资料，包括企业行业、企业规模、产值等进行统计分析，说明各变量的均值、百分比、频度等，以描述样本的类别、特性以及分配比率。

2.信度检查和效度检验

信度(Reliability)是指一组测量项对于测量项母体的测量结果具有的一致性和稳定性程度，通常采用Cronbach’s α系数来衡量。本书针对所有变量对应的测量问题的问卷题项，计算Cronbach’s α系数来进行信度检测。如果构面的α值大于0.7，显示问卷具有良好的信度^［177］。

效度(Validity)是指测量工具能正确测出其欲测量的特质之程度，体现所需测度对象性质的正确性程度，效度可以分为内容效度(Content Validity)、标准关联效度(Criteria－related Validity)、结构效度(Construct Validity)三类^［177］。其中内容效度和标准关联效度的分析主要是体现在测量项及测量体系构建过程中，为了保证这方面的效度，本书的测量项内容在理论综述中已查询相关研究，并结合本书的分析加以修订，在此基础上与相关领域学者和企业界人士讨论后加以修正所得。结构效度则是评估测量工具效度的非常重要的指标，一般通过因子载荷量分析(Factor Loading Analysis)来评估结构效度的质量，同时通过因子分析也可以简化与确定潜在被测变量的测量项基本结构，以便进行被测变量之间的相关性统计分析^［178］。

3.结构方程建模(SEM)

结构方程模型(Structural Equation Modeling，SEM)是近年来发展较快、应用越来越广泛的多变量分析方法，由于其对潜变量、测量误差和因果模型的处理能力，在心理学、教育学和社会学等研究中已经得到了广泛的应用(温忠麟、侯杰泰^［178］)。与传统的回归分析不同，结构方程分析能够同时处理多个因变量，并可以比较及评价不同的理论模型的优劣。与传统的探索性因子分析不同，在结构方程模型中，可以提出一个特定的因子结构，并检验它是否符合数据。结构方程模型(SEM)是应用线性方程系统表示观测变量与潜变量之间及潜变量之间关系的一种统计方法，结构方程建模(SEM)是指基于协方差矩阵研究变量间的关系，也称为协方差结构分析(Covariance Structure Analysis)。

(1)测量方程与结构方程。

在结构方程模型中，对于观察变量指标与潜变量间的关系，通常写为如式(5.1)所示的测量方程:

其中：x——外源指标组成的向量;

　　　y——内生指标组成的向量;

　　　ξ——外源潜变量组成的向量;

　　　η——内生潜变量组成的向量;

　　　Λ_x——外源指标与外源变量之间的关系，是外源指标在外源潜变量上的因子负荷矩阵;

　　　Λ_y——内生指标与内生变量之间的关系，是内生指标在内生潜变量上的因子负荷矩阵;

δ和ε分别表示测量方程的残差。

对于潜变量间的关系，通常写成如式(5.2)所示的结构方程:

其中：β——内生潜变量间的关系;

　　　Γ——外源潜变量对内生潜变量的影响;

　　　ζ——结构方程的残差项，反映在方程中未能被解释的部分。

概括来说，结构方程模型有以下优点:①结构方程分析可以同时

考虑并处理多个因变量，克服了传统回归分析时考虑某一因变量的影响或关系时，忽略了其他因变量的存在及影响;②允许自变量和因变量含测量误差。传统的回归分析，虽然允许因变量含测量误差，但需要假设自变量是没有误差的;③结构方程模型中允许观测变量的误差项具有相关性，这在纵向数据(Longitudinal Data)中特别重要;④能够同时估计因子结构和因子关系，允许更复杂的测量模型，并对模型的拟合程度进行估计。

结构方程的实证分析可以粗略地分为四大步骤:模型构建、模型拟合、模型评价和模型修正。在模型的评价中，要检验结构方程的解是否适当，参数与预测模型的关系是否合理，检验模型的拟合指数，如CFI、RMSEA等，用来衡量模型与数据的拟合程度。

(2)模型拟合度指标。

在结构方程的分析中，是用样本数据对所设定的模型参数进行估计，再根据这些参数估计来重建一个相关矩阵，称为再生矩阵E，该矩阵与样本数据协方差矩阵S的差异，决定了结构方程模型拟合样本数据的程度。常用的模型拟合度指标有下列几项:

①在估计整体模型的拟合度时，χ²(卡方)值是最基本的测定。在一定的条件下，常用的估计方法得到的χ²值渐近服从于卡方分布。χ²值越大，E与S的差异越大。给定显著性水平，若χ²值大于对应的临界值，表示E与S的差异达到显著水平，认为模型与数据拟合不好。反之，若χ²值小于临界值，则认为模型与数据拟合得好。但是χ²值对样本量非常敏感，样本量越大，χ²值越显著，导致与真实模型只有很小差距的理论模型被拒绝。而当样本量很小时，χ²值往往很小，与实际数据拟合不好的模型往往又被错误地接受。因此，评鉴模型的拟合度，应该从不同的角度，参照多种指标来综合地进行判断。

②卡方统计量与自由度的比值(χ²/df)，这是最常用的拟合指标。尽管卡方检验提供模型在统计上是否成功的信息，但卡方值与样本规模相关联，通常不能很好地判定模型的拟合，因此建议采用χ²/df。美国社会统计学家卡米尼斯和马克依维尔认为，卡方值与自由度之比在2∶1～3∶1之间是可以接受的。

③拟合优度指数(Goodness of Fit Indexes，GFI):包括GFI，AGFI，这类指数越高模型拟合越好。最大值为1，越接近1越好。一般而言，GFI以0.9以上为模型适配的标准，但也有学者认为，0.8以上模型即可接受。而AGFI一般认为该值应该大于0.8。

④标准拟合度指标(Normed Fit Index，NFI):通过对设定模型的卡方值与独立模型的卡方值比较来评估模型。一般该指数大于0.9时，认为模型拟合观测数据。

⑤比较拟合度指标(Comparative Fit Index，CFI):通过与独立模型相比较来评价拟合程度。一般该指数大于0.9时，认为模型拟合观测数据。

⑥均方根残差(StandardizedRootMeanSquareResidual，RMR): RMR计算观测值与估计值之间的差异，此值越小越好，一般认为应小于0.05。

⑦近似均方根残差(Root Mean Square Error of Approximation，RMSEA):计算观测值与估算值之间的差异，此值越小越好，低于0.1表示好的拟合，低于0.05表示非常好的拟合。

结构方程模型中最常用的软件有三种:LISREL、AMOS和EQS，其中Joreskog和Sorbom开发的LISREL软件应用最广泛。本书将采用AMOS7.0进行分析。