享乐选择态度测量

3.2.2　功利、享乐选择态度测量

我们采用了消费者访谈和问卷测量相结合的研究方法来挖掘消费者的功利/享乐态度。其中关于态度的消费者访谈，是贯穿于全书的。态度的测量与之后的态度与满意的问卷测量是一次测量。我们采用了Voss，Spangenberg ＆Grohmann(2003)的研究结论开发了态度测量问卷(详见附录四)(7分制，“1”代表非常不赞同，“4”代表没有偏好，“7”代表非常赞同)来测量消费者购物过程中的享乐/功利态度。问卷针对每一个变量设计1～2个问题，共18个问题，测量享乐态度的有10个问题(标示为HED1-HED10)，测量功利态度的有8个问题(标示为UT1-UT8)。详细调查问卷见表3-1。为了提高受访者回答问卷的认真程度，对每份有效的问卷我们都发放奖品(奖品价值在5元左右)。

我们共发放问卷400份，回收有效问卷328份。使用SPSS15.0对问卷样本进行描述性统计。问卷被试的性别、年龄、受教育程度、月收入以及购物所在地（购物环境）描述性统计分别如表3-2、表3-3、表3-4、表3-5和表3-6所示。

对量表项目的筛查采用探索性因子分析来进行。我们对328个样本数据处理工具采用SPSS15.0的主成分因子分析法。

1）项目剔除前因子分析

首先进行探索性因子分析，使用主成分提取法，并令特征值大于２（如果取特征值大于1，则会得到三个因子）。一方面，我们不能更好地对三个因子进行解释；另一方面，第三个因子所涵盖的信息量较少。所以我们限定了较高的特征值要求，得到两个潜因子，旋转后的因子载荷值见表3-7。根据载荷矩阵对两个因子进行命名：第一个因子命名为享乐因子；第二个因子命名为功利因子。

整个问卷的KMO值为0.898，并且巴特里特（Bartlett）检验的P值为0.000（卡方值为2740.643），说明该问卷适合进行因子分析（见表3-8）；问卷问题的设计主要基于Voss，Spangenberg ＆ Grohmann（2003）的已有研究，并结合消费者访谈的结论修改而成，所以问卷的内容效度是可以保证的。

项目剔除前主成分分析的结果如表3-9所示，表明量表中18个项目可以形成2个因子进行说明。累计贡献率达到50.157%。两个因子结果与研究的因子设计相符。

采用方差最大化方法Varimax，对因子进行旋转，各项目落在两个因子上的情况如表3-7所示。

结果表明，HED1、HED2、HED3、HED4、HED5、HED6、HED7.、HED8、HED9、HED10落在第一个因子上，而UT1、UT2、UT3、UT4、UT5、UT6、UT7、UT8落在第二个因子上。这与量表对18个项目分类的结果相符合。量表与数据的契合性较好。标准化后的因子载荷除HED1和UT8两项略低于标准0.5，其他问项均大于0.5，说明HED2～HED10，UT1～UT7等问项是有效的。因而考虑要对项目进行筛查，删除掉HED1和UT8两个问项。

2)项目剔除后因子分析

删除因子载荷在0.5以下的问项后，KMO值为0.901，Bartlett检验显著性水平小于0.05，同样表明适合做因子分析(见表3-10)。两个因子的一致性检验Cronbach α系数值分别为0.893和0.839(见表3-11)，Price指出可靠性系数(cronbach α)大于0.7时，数据具有良好的可靠性，这说明问卷的设计具有较好的信度(可靠性)。剔除项目后对信息1的数据进行因子分析适合性检验。

项目剔除后主成分分析的结果如表3-11所示，表明量表中16个项目可以形成2个因子进行说明。累计贡献率达到54.569%。

采用方差最大化方法Varimax，对因子进行旋转，各项目落在两个因子上的情况如表3-12所示。结果表明HED2、HED3、HED4、HED5、HED6、HED7、HED8、HED9、HED10九个项目落在第一个因子上，我们称之为享乐态度因子(享乐因子)。而UT1、UT2、UT3、UT4、UT5、UT6、UT7七个项目落在第二个因子上，我们称之为功利态度因子(功利因子)。这与量表对这些项目分类的结果符合，与量表的最初设计相符合。这表明现有的数据与项目删除后的量表契合很好。

通过对无效样本和不适合项目的筛查，原采用的态度测量量表从以前的18个项目精炼成16个项目。通过以上几个步骤完成了实验数据的清洗,为进一步的实验量表的效度、信度检验以及实验假设的验证提供了数据支持。

内部信度分析(Internal Reliability)常用项目分析(Items)来实现，项目分析用来研究项目与总体的相关度(Item-to-total Correlation)。折半信度(Half Reliability)检验常用Cronbanch’s α系数来分析。Bollen(1989)等学者都将复平方相关系数(Squared Multiple Correlations)，即R²作为检验信度的指标。

指标的信度是指一套指标与它所要度量变量的一致程度，Churchill于1979年发表了有关信度如何验证的文章后，他的方法被广泛应用，后来又有学者Anne，他的方法进行了进一步的讨论，对使用中应注意的事项做出说明。他的方法是，计算CITC(Corrected.Item-Total Correlation)，其值小于0.5则删去指标；同时计算α系数，若α系数在0.6以上，说明指标可靠性是可以接受的。复平方相关系数R²达到0.5信度是可以接受的。

量表效度方面，一般认为效度包含着两个方面，即内容效度，建构效度。所谓内容效度是指测量题项是否能够代表想要测量的内容或主题。为了得到高效度的量表，通常需要尽量收集和阅读与测量内容有关的资料以及相关的以往研究报告，以便所设计的量表能较好地覆盖有关内容的各个方面。换言之，内容效度代表了将概念折解成维度与指标的过程，通常内容效度是通过访谈或座谈小组的形式证实的。由于本次的测量量表采用已有的研究，因而具有较高的内容效度。建构效度是指量表确实能够测量到理论上所欲测量的结构或特质的程度，建构效度分析通常是通过因子分析而得到，一般通过探索性因子分析(Exploratory Factor Analysis,EFA)及验证性因素分析(Confirmatory Factor Analysis,CFA)来共同验证量表的建构效度(Anderson.＆.Gerbing,1988)。

验证性因子分析对于建构效度的测量主要是通过测量量表的收敛效度(convergent validity)与区别效度(discriminate validity)来进行的，前者是指测量题项是否真正能归属于某个因子，后者则是判断两个或以上的因子是否能相互区别开来。

我们使用AMOS7.0进行验证性因子分析(CFA)。参数估计的方法是极大似然法(Maximum Likelihood)。该方法在一般场合是稳健(Robust)估计，即使正态条件不满足时，基于ML的估计也是可信的。使用AMOS7.0采用验证性因子分析，检验两因子模型的信度与效度(见图3-1)。潜因子与各变量的相关系数均大于0.5，说明各变量与潜因子之间的相关性较强。e2～e17代表测量误差，误差项箭头上的数值为标准化后的误差平方估计值。测量模型验证性因子分析的结果显示，各观测变量的标准化因子载荷除UT7之外均大于0.5(见表3-13)，符合因子载荷大于0.5的标准，说明各因子对测量模型具有较强的解释能力。用标准化因子载荷和各观测变量的测量误差方差对潜在变量的综合信度进行计算，结果介于0.88～0.91之间，符合Fornell ＆Larcker的建议值0.7，反映了观测变量量表内部具有较好的一致性信度。测量模型的会聚效度可以从潜在变量的平均变异抽取量(Average Variance Extracted，AVE)来进行判断，表3-14中2个潜变量的平均变异抽取量均高于Fornell ＆Larcker建议的0.5的最低标准，因此测量模型的会聚效度较为理想。

注:综合信度值CR=(∑Li)²/((∑Li)²+∑Var(Ei))；平均变抽取量AVE=∑Li²/(∑Li²+∑Var(Ei))，其中Li为标准化因子载荷，Var(Ei)为观测变量的误差方差。

在我们的研究中，消费者享乐/功利态度倾向差异还是很明显的，但并不完全替代(相关系数为-0.56)。这说明享乐和功利并不是一个单纬度量表上的两个极端，对于一种消费行为而言，其往往同时具有一定程度的享乐特性和功利特性，但二者有个相对侧重的问题。因此，我们认为消费者在决策制定的过程中，是兼具享乐与功利态度的，但会偏重于某个态度。某消费者在享乐态度问项中的分值较高，说明对于本次调研的消费行为来说，该消费者更倾向于享乐态度；反之，则更倾向于功利态度。因此我们得出消费者在购物过程中虽然享乐与功利态度兼有，但仍会以某一态度为主的结论。