续接前一篇文章：
一、概念模型与理论框架
二、研究假设
三、构念的操作型定义
四、测量工具的开发
五、测量工具的选取
六、抽样方式与数据来源、样本数据预处理
七、共同方法偏差检验
八、信效度分析
九、各变量的均值、标准差、相关系数矩阵表
十、结构方程建模
目录
八、信效度分析
（一）信度分析
（二）效度分析
1. 结构效度（EFA因子载荷表、CFA模型拟合结果）
2. 聚敛效度（CR、AVE）
3. 区分效度（HTMT）
化潜为显的情况下信效度的分析
九、各变量（潜变量得分或量表题项）的均值、标准差、相关系数矩阵表
（一）相关系数矩阵表spss操作流程
（二）均值、标准差操作流程
十、结构方程建模
（一）各结构路径的假设检验
（二）带结果系数和拟合指数的模型图——保留三位小数
（三）模型拟合度评估
八、信效度分析
信效度分析时纳入分析的题项是修正后的CFA题项，因为这里是结构方程模型结果汇报。如果是EFA确定量表结构，就需要汇报所有的题项，再进行题项删减。
（一）信度分析
spss操作步骤：
（1）选择【分析】【刻度】【可靠性分析】
（2）将要分析的题项选入进去，点击【确定】
（3）输出结果
这里的0.906就表示维度一“感知有用性”的克隆巴赫alpha信度为0.906.
同理，可以得到另外4个维度的信度，最终结果如下：
（二）效度分析
这里汇报结构效度、聚敛效度和区分效度
CFA模型拟合结果）
EFA因子载荷表
spss操作流程：
（1）选择【分析】【降维】【因子】
（2）选择要分析的题项
由于最终的结构方程模型中是将ATT4和USE4题项删除了的，所以我们在进行因子分析操作时不要将这两个题项选择进入。
（3）提取中的【方法】选择【主轴因式分解】，【提取】中选择提取5个因子。这里也可以选择主成分分析和最大方差法旋转，不过量表题目最好选用主轴因式分解。
主成分法：它假设变量是各因子的线性组合，从解释变量的变异出发、尽量使变量的方差能够被主成分所解释，且保证各公因子对方差的解释比例依次减少。此法的实际应用效果很好，一般应用场景下，绝大多数情况下无需更改。
主轴因式分解法：该方法从原始变量的相关性出发，使得变量间的相关程度能够尽可能地被公因子解释。该方法重在解释变量的相关性，确定内在结构，而对于变量方差的解释不太重视。但对于量表开发而言，主轴因式分解比主成分更适用。
最大似然法：该方法要求数据服从多变量正太分布，此时它生成的参数估计最接近观察到的相关矩阵，在样本量较大时使用较好。
在具体应用时，应该每种方法都试一下，看下哪种方法生成的结果比较接近于自己想要的结果。
（4）旋转选择【最优斜交法】
正交旋转：最大方差法、四次幂极大法、等量最大法
最大方差法：是最常用的旋转方法，使各因子仍然保持正交的状态，但尽量使得各因子的方差差异达到最大，即相对载荷平方和达到最大，从而方便对因子解释。
斜交旋转：直接斜交法、最优斜交法
最优斜交法：最常用的斜交旋转方法，是在最大方差法的基础上再进行斜交旋转。该旋转方法可比直接斜交旋转更快的计算出来，因此适用于大型数据集。选择此方法时，需要在其下方的编辑框中键入Kappa值。其值应大于1，系统默认为4，使用时可以调整该值，并查看结果是否有改善。一般情况下使用默认值即可。
（5）【选项】中为了得到清晰的因子结构，可以选择因子载荷值<0.4的就不显示。这个值可以进行调整。
结果解释：
初始特征值为主成分分析法提取的数据，在进行汇报时，我们需要汇报【提取载荷平方和】。
如果是选择主成分进行提取，最大方差法进行旋转，最后需要汇报的也是【提取载荷平方和】部分。上表为通过主成分提取，最大方差法旋转得出的结果。
公因子方差【提取】部分即为共同度。
因子载荷汇报模式矩阵内容 。
最终结果如下所示：
经主轴因式分解法提取，最优斜交法旋转后的模式矩阵、特征值及方差解释 | ||||||
因子 | ||||||
感知有用性 | 使用态度 | 感知易用性 | 使用意向 | 实际系统使用 | 共同度/ Communality | |
USEF1 | 0.703 | 0.551 | ||||
USEF2 | 0.810 | 0.651 | ||||
USEF3 | 0.882 | 0.741 | ||||
USEF4 | 0.842 | 0.700 | ||||
USEF5 | 0.824 | 0.673 | ||||
EOU1 | 0.702 | 0.496 | ||||
EOU2 | 0.799 | 0.602 | ||||
EOU3 | 0.808 | 0.698 | ||||
EOU4 | 0.695 | 0.551 | ||||
EOU5 | 0.758 | 0.550 | ||||
BI1 | 0.540 | 0.524 | ||||
BI2 | 0.847 | 0.667 | ||||
BI3 | 0.851 | 0.745 | ||||
ATT1 | 0.883 | 0.793 | ||||
ATT2 | 0.899 | 0.815 | ||||
ATT3 | 0.875 | 0.770 | ||||
ATT5 | 0.804 | 0.635 | ||||
USE1 | 0.865 | 0.724 | ||||
USE2 | 0.741 | 0.534 | ||||
USE3 | 0.464 | 0.301 | ||||
特征值 | 7.012 | 1.994 | 1.684 | 1.200 | 0.832 | |
方差解释% | 35.061 | 9.968 | 8.419 | 6.002 | 4.162 | |
累计方差解释% | 35.061 | 45.029 | 53.448 | 59.449 | 63.611 | |
CFA模型拟合结果
CFA 模型拟合结果需要汇报修正后的CFA模型运行出来的值。
汇报格式参考文献：李雅筝. (2016). 在线教育平台用户持续使用意向及课程付费意愿影响因素研究. 中国科学技术大学.
参考文献：王钰彪. K12教师机器人教育接受度模型建构与实证研究[D]. 华东师范大学, 2020.
2. 聚敛效度（CR、AVE）
AMOS中操作过程：
（1）选择【Plugins】中的【Validity and Reliability Test】插件
（2）运行结果：
最终整理结果：
如果两个构念AVE的平方根均大于两个变量间的相关系数 (或者两个构念的AVE值均大于两个构念变量的相关系数平方)，表示两个构念间有良好的区别效度，其理论基于一个潜在构念被其题项(测量变量)解释的变异量应高于被另一个潜在构念解释的变异量(吴明隆著, 2013, p.86)。
3. 区分效度（HTMT）
通过【Plugins】中的【Validity and Reliability Test】插件同样可以得到HTMT的结果
最终整理表格如下所示：
HTMT是特质间相关（between-trait）与特质内（within-trait）相关的比率。是不同构面间指标相关的均值相对于相同构面间指标相关的均值的比值。使用该方法时引用文献(Henseler et al., 2014)，根据该文献，HTMT的取值小于0.85（这是严格的标准，放松的标准是0.90），认为是有区分效度的。有关该方法结果描述可参考(苏鹭燕 et al., 2019)和(高天茹 & 贺爱忠, 2019)。
参考文献：
Henseler, J., Ringle, C. M., Sarstedt, M. (2014). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.
化潜为显的情况下信效度的分析
化潜为显的情况下，大多是直接使用成熟的量表来测量不同潜在构念，一般只用验证其单维性，并给出这些测量工具在当前样本数据下的信度即可。
参考文献：
彭顺, 汪夏, 张红坡, & 胡祥恩. (2019). 母亲外向性与青少年外向性的关系:中介与调节作用模型. 心理发展与教育, 35(02), 167-175.
丁倩, 唐云, 魏华, 张永欣, 周宗奎. (2018). 相对剥夺感与大学生网络游戏成瘾的关系:一个有调节的中介模型. 心理学报, 50(09), 1041-1050.
九、各变量（潜变量得分或量表题项）的均值、标准差、相关系数矩阵表
（一）相关系数矩阵表spss操作流程
（1）选择【分析】【相关】【双变量】
（2）将要分析的变量选进去，选择皮尔逊相关。
（3）输出结果
将结果复制到Excel中进行整理即可。
（二）均值、标准差操作流程
（1）选择【分析】【描述统计】【描述】
（2）将要进行计算的变量放进去即可。这里放入的是各个分量表的平均值。在前面相关分析时也可以放入各分量表的平均值。
（3）输出结果
最后整理后的格式可以参考下表：
参考文献：
丁倩, 唐云, 魏华, 张永欣, 周宗奎. (2018). 相对剥夺感与大学生网络游戏成瘾的关系:一个有调节的中介模型. 心理学报, 50(09), 1041-1050.
十、结构方程建模
（一）各结构路径的假设检验
AMOS操作流程
（1）在AMOS中绘制好优化后的SEM图，然后运行，查看结果
（2）查看结果，观察假设是否成立。
最终整理结果如下表所示：
假设 | 路径 | Standardized Estimate/ | Estimate/ | S.E./ | C.R./ 临界比值 | P | ||
H1 | 感知易用性 | → | 感知有用性 | 0.509 | 0.402 | 0.027 | 15.048 | *** |
H2 | 感知易用性 | → | 使用态度 | 0.297 | 0.262 | 0.032 | 8.186 | *** |
H3 | 感知有用性 | → | 使用态度 | 0.253 | 0.283 | 0.039 | 7.260 | *** |
H4 | 感知有用性 | → | 使用意向 | 0.461 | 0.739 | 0.054 | 13.595 | *** |
H5 | 使用态度 | → | 使用意向 | 0.176 | 0.253 | 0.046 | 5.508 | *** |
H6 | 使用态度 | → | 实际系统使用 | 0.248 | 0.367 | 0.053 | 6.955 | *** |
H7 | 使用意向 | → | 实际系统使用 | 0.198 | 0.203 | 0.038 | 5.365 | *** |
注：P为显著性，***表示P<0.001，通常双尾检验P<0.05时表示路径系数估计值显著不等于0，说明非标准化路径系数具有显著性。
论文中汇报格式：结构模型的路径分析
带结果系数和拟合指数的模型图——保留三位小数
如何设置保留三位小数呢？
（1）选择【View】【Interface Properties】
(2)可以在【Typefces】中将所有的字体调为宋体，这样绘制出的图形要清晰些
（3） 设置3位小数，首先选择【Formats】【New Format】将其名字命名为【std3】，表示保留3位小数格式。
（4）将其格式调为z.zzz.
(5) 最后输出的模型图就是3位小数
可以在PPT中将显著性标记标注上
模型拟合度评估
如果在结构方程建模阶段拟合度不达标，可以将不显著的路径删除从而进行修正。
