企业对市场研究的需求日益强烈，市场研究中大量应用统计方法的趋势也日益明显。随着市场研究方法向定量化、科学化发展，许多统计方法不断地被吸收进来。结构方程模型作为一种能够处理潜在变量的多元统计技术，在市场研究中的应用受到越来越多的重视，特别是一些涉及到潜在变量分析的研究项目。 一、顾客满意度测评及特点
顾客满意度（CSI）测评是对企业产品/服务质量进行量化性评估，以通过连续性监测研究，获得消费者对企业产品/服务质量的综合性评定。市场竞争日益激烈，企业要获得市场竞争的优势就必须站在顾客的立场来考虑产品和服务的问题。据有关调查结果显示：获得一个新顾客的成本是保持一个满意顾客的成本的5倍。因此，开展顾客满意度测评，提升顾客满意度，争取顾客重复购买成为许多企业的迫切要求。
1.顾客满意度测评的意义
顾客满意度（指数）作为满意度测评得出的结果，无论是理论研究方面，还是实际应用上都具有重要意义，其应用价值可从宏观和微观两个层面来看。
宏观上，顾客满意度的测评便于政府部门对国家或地区的总体质量状况有一大致的认识，为制定经济发展战略提供依据，推动经济增长方式由数量型向质量的转变；顾客满意度指数的公布也有利于企业和公众增强质量意识，促使企业提高产品/服务质量，促进经济增长和运行质量提高。
微观上顾客满意度可以帮助企业了解顾客对自己产品/服务的评价，对自身经营状况的评价，制定相应的经营战略，以便有针对性地改进产品/服务质量，增强产品/服务市场竞争力，提高经营绩效。
中国加入WTO后，全面质量管理中不可缺少的顾客满意度作为外资企业打开中国市场的杀手锏，极大地刺激着国内的竞争对手。国内企业要想在未来的市场竞争中处于有利地位，必须了解顾客对自身产品/服务的满意状况，进而改进不足之处。
2.顾客满意度测评模型概述
顾客满意度是一个经济心理学的概念，要衡量它就必须建立模型，将顾客满意度与一些相关变量(例如价值、质量、忠诚度等)联系起来。瑞典、美国、挪威、欧盟等许多国家和地区根据各自的实践特点和满意度理论,相继建立起自己的顾客满意模型。
瑞典的SCSB模型是最早建立的全国性顾客满意度模型，该模型的前导变量包括“顾客对产品/服务的价值感知”和“顾客对产品/服务的期望”，结果变量包括“顾客投诉”和“顾客忠诚度”。模型中共有5个结构变量：顾客预期、感知价值、顾客满意度、顾客抱怨和顾客忠诚。其中顾客预期是外生变量，其他变量是内生变量。美国顾客满意度ACSI模型采纳了SCSB模型的成果，并进行一些修正，已成为影响最为广泛的模型，为新西兰、中国台湾和奥地利等采用，也是挪威和欧盟模型的基础。ACSI模型对SCSB模型的修正主要包括:（1）将质量感知从价值感知分离出来，并增加了三个质量感知的问题：产品/服务满足顾客需求的程度、需求满足的可靠程度,以及总体质量。（2）与质量感知的测量变量相对应，ACSI引入了“满足顾客需求程度期望”和“可靠程度期望”,与原有的“总体期望”一起来衡量顾客期望。随着实践的深入，后来的挪威顾客满意度模型(NCSB)和欧盟顾客满意度模型(ECSI)根据各自的国情，又对ACSI进行了修正。
我国不少学者也对顾客满意度模型进行了探讨，提出构建中国顾客满意度模型的原则、方法和指标，其他比较有代表性的模型包括清华模型、兰州炼化模型等。上海交通大学的张新安（2002）结合消费心理学因素,共选择了6个结构变量作为潜在变量，构建起顾客满意度模型。许多市场研究公司也纷纷提出自己的顾客满意度模型，泉州沃尔德营销研究咨询公司顾客满意度测评模型包含7个变量，都是难以直接量化的潜在变量；新华信市场研究咨询有限公司认为“顾客收益、顾客成本、顾客期望”三个变量构成“顾客的价值感受”，形成“顾客满意度”，进而影响“顾客的投诉和忠诚度”。当然，还有许多其他顾客满意度理论模型，不再一一介绍。
3.顾客满意度测评的特点
顾客满意度是顾客感觉状态的一种水平，它来源于顾客对企业的某种产品/服务所设想的绩效或产出与自己的期望所进行的对比。也就是说“满意”不仅仅是顾客对服务、产品质量、价格等方面直观的满意，更深一层的含义是企业所提供的产品/服务与顾客期望、要求等相吻合的程度如何，因而产生了顾客对企业产品/服务的不同满意程度。
顾客满意度测评的依据是顾客满意度理论模型，而理论模型中一般都涉及到“顾客期望、质量感知、价值感知、顾客满意度、顾客抱怨和顾客忠诚”等要素，这些要素均为潜在变量，不可直接测量。那么，由这些潜在变量构成的顾客满意度理论模型的合理性如何？各潜在变量之间的关系及其强度怎么样？很难直接进行观察和检验，需要借助一定的方法对其进行验证和测量。测量方法既要能够处理多个自变量与多个因变量之间的关系，又要能够对潜在变量进行分析，并允许用来测量潜在变量的观测变量存在误差。顾客满意度测评的这些特点，对用于满意度测评的工具提出了较高的要求，而结构方程模型是恰好能够满足要求的多元统计技术。
二、结构方程模型及其特色
结构方程模型（Structural EquationModel，简称SEM）是一种验证性多元统计技术，主要用于验证一个或多个自变量与一个或多个因变量之间的相互关系。其主要功能是对一些解释可观察变量与潜在变量关系的理论模型做出评价,不但能研究可观测变量,还可研究不能直接观测的潜在变量,既可研究变量间的直接作用,又可研究变量间的间接作用。
结构方程模型假定一组潜在变量之间存在因果关系，这些潜在变量可以分别用一组可观测变量来表示。假设模型通常包括某个基本线性回归模型和很多观测变量，潜在变量分别是那些观测变量的线性组合。技术上，通过验证观测变量之间的协方差，估计出线性回归模型的系数，进而从统计上检验假设模型对研究过程是否合适，也就是检验观测变量的协方差矩阵与模型拟合后的引申协方差矩阵的拟合程度。如果证实所假设的模型合适，就可以得出结论：事先假设的潜在变量之间的关系是合理的。
1.结构方程模型的形式
结构方程模型一般由一个测量模型和一个结构模型组成，可由三个矩阵方程式代表。具体表达式为：
η＝Βη＋Γξ＋ζ （1）
y = Λyη + ε （2）
x = Λxξ+ δ （3）
式（1）是结构模型部分，规定了所研究模型中假设的隐性（潜在）外生变量和隐性内生变量之间的因果关系，Β表示隐性内生变量对隐性内生变量的效应系数矩阵，Γ表示隐性外生变量对隐性内生变量的效应系数矩阵，ζ表示残差项构成的向量。式（3）和式(2)是测量模型部分，分别规定了隐性外生变量ξ和显性（观测）外生变量X之间的关系，以及隐性内生变量η和显性内生变量Y之间的关系；Λx和Λy分别表示对隐性变量ξ和η的回归系数或因子负荷矩阵；δ和ε分别表示了显性变量X和Y的测量误差。可以看出，结构方程模型的测量模型类似于因子分析模型，可看成一种验证性的因子分析模型。
总之，结构方程模型的建立共涉及到8个基本的参数矩阵：Λx、Λy、Β、Γ、Ф、Ψ、θε、θδ。其中Λx、Λy、Β、Γ的涵义如上所述，Ф是隐性外生变量ξ的方差协方差矩阵，Ψ是结构模型残差项ζ的方差协方差矩阵，θε、θδ分别是显性变量y和x误差项的方差协方差矩阵。关于隐性内生变量η的方差和协方差用不着在程序中进行估计，可以用公式var(η)=Var[(Γξ＋ζ)/(I-Β)]计算出来。
模型的设定实际上就是设定上述8个矩阵中所包含的一整套模型参数，这些模型参数既可以设定为固定参数，也可以设定为自由参数。固定参数将不从模型中估计，它们的值通常定为零；自由参数是研究人员认为是非零的那些参数，它们将根据实测数据来进行估计。
2.结构方程模型的特色
结构方程模型的基本原理可以概括为“三个两”：即两类变量（观测变量和潜在变量）、两个模型（测量模型和结构模型）以及两条路径（潜在变量与观测变量之间的路径和潜在变量之间的路径）。社会科学及管理学等领域的许多变量不能直接测量，是人们为了理解和研究问题而建立的假设概念，对于它们并不存在直接的测量方法。当然，人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识又总是包含了大量的测量误差。许多方法对这个问题都难以解决，结构方程模型正因为具有以上“三个两”的特点，能够使研究人员在分析中处理测量误差，并探求潜在变量之间的结构关系。
与传统多元统计技术及一些其他方法相比，结构方程模型具有以下几个方面的优点：（1）可以同时考虑和处理多个因变量；（2）容许自变量及因变量含有测量误差；（3）与因子分析相似，容许潜在变量由多个观察指标构成，并且可以同时估计指标的信度及效度；（4）SEM可采用比传统方法更有弹性的测量模型，如某一指标变量或项目从属于两个潜变量；（5）研究者可以设计出潜在变量之间的关系，并估计整个模型与数据拟合的程度。
结构方程模型能够对潜在变量进行分析及允许观测变量存在测量误差的优势，正好符合顾客满意度测评的要求，从而使其非常适合于顾客满意度的研究。
三、SEM与CSI的结合点及应用步骤
1.SEM与CSI的结合点分析
用于市场研究的多元分析方法本质上都是描述性的（例如主成分分析和聚类分析等），所以进行假设检验很困难，甚至不可能；一些通过探索性因子分析和回归分析等分析技术得出的结论在统计上也只是探索性分析，而非验证性的。SEM一方面通过观测变量之间统计显著性关系，估计包含潜在变量的回归模型的系数，另一方面用卡方统计量等指标来检验假设模型的合理性、拟合度，最终达到验证的目的。
SEM的以上特性使其在市场研究中有着广泛的应用，特别适合于顾客满意度研究。顾客满意度研究既要确定评价指标体系，又要研究用户价值，更要研究产品特性与顾客价值之间的复杂关系。由于其必须用一些相互联系而且具有因果关系的潜在变量来表示，因而利用其他多元统计方法来分析非常困难，有时还不具有可行性，利用SEM来分析则再合适不过。
2.SEM验证CSI理论模型的步骤
利用SEM进行顾客满意度研究，整个进程的第一步工作是依据一定的理论基础，联系观测变量与潜在变量。联结过程事先并不需要有确凿的依据，也就是说如果我们觉得某个特定变量能够很好地反映某一潜在情况，就不必有什么顾虑，可在这两个变量之间进行联结。然后，设计出调查问题，抽取一定的调查对象进行调查，让被调查者针对一些项目进行评价，回答具体的问题，这些项目就是那些可观测变量。再利用结构方程模型对这些问卷的数据进行分析，估计潜在变量间的相关系数，从而验证事先假设的潜在变量之关系模型是否合理，若不合理，则可对模型进行修正，重新加以验证。当然，对各观测变量及潜在变量之间的相关系数，也可以进行分析，发现有价值的问题和结论。
其实，SEM在CSI中的应用主要是对CSI理论模型的合理性进行验证。利用SEM验证顾客满意度的理论模型，大致包括设定理论模型、构造因果关系路径图、建构模型方程式、参数估计及模型识别、拟合精度评价、模型修正等几个具体步骤。（1）设定理论模型。明确顾客满意度研究中哪些变量是观测变量，哪些是潜在变量，以及彼此间的因果关系，设定的变量个数要考虑到实际可操作性。（2）构造因果关系路径图。通过路径图的方式，对变量间的因果关系予以描述。结构方程模型的分析结果和评价指标也标识在路径图上，从而可以直观地看出各潜在变量之间的因果关系和影响大小，以及各观测变量对潜在变量的影响程度的大小。（3）建构模型方程式。从概念到统计模型的过渡便是用代表因果关系的线性方程系统表示理论上的模型，将路径图中的结构模型转化为结构方程式，同时在方程式中将测量误差表现出来。（4）参数估计及模型识别。结构方程模型的估计过程力求尽量缩小样本的方差协方差值与模型估计的方差协方差值之间的差异，以观测方差协方差与预测方差协方差之间的差别作为残差。（5）拟合精度评价。对模型的拟合检验可采用多种指标，根据不同的目的可选用不同的拟合指标加以检验，一般要对整体模型和结构模型、测量模型分别进行拟合精度评价。整体模型最常用的是卡方检验，测量模型的评价主要是评估观测变量对潜在变量测量的可靠性和有效程度，结构模型主要是对模型估计得到的路径系数进行显著性检验。（6）模型修正。如果模型检验效果不速查理论，需对模型进行修正，寻找可替代的更好模型。重新设定模型既是出于数据的驱使，也是出于理论的驱使，模型拟合程度的改进不能单纯追求统计上的考虑，而应该尽量使模型具有实际根据。最终的目标是探索一个不仅在统计上能很好地拟合数据，而且每一个参数都能得到符合实际的解释的理论模型。
四、SEM应用于CSI需注意的问题
顾客满意度测评有很多不同的方法，用结构方程模型来研究顾客满意度，具有能够对理论模型进行验证、分析潜在变量之间关系等独特优势。当然，其不可避免地存在一些局限性，应用中的一些问题也需要引起注意。
1.数据呈正态分布的假设前提不一定满足。从技术角度看，对顾客满意度研究的实际数据可能呈现出分层结构的特征,数据之间是嵌套形式，譬如全国范围顾客满意度调查数据与各省顾客满意度调查数据混合在一起，使得数据呈正态分布的假设前提难以满足。当数据非正态或正态但样本量N很小时，ML、GLS和WLS等方法有可能高估卡方值，使模型看起来不拟合数据。
2.应用相关矩阵进行SEM分析存在前提条件。SEM的数据分析一般是通过协方差矩阵进行，但相关矩阵较为方便，若利用相关矩阵进行SEM分析，必须注意隐含的两个假设条件：模型是尺度不变的模型、模型中所有的参数都是尺度不变的参数。只有这两个条件得到满足，才能利用相关矩阵进行分析。
3.模型与数据拟合和理论模型是否正确的关系。顾客满意度研究中利用SEM检验数据与理论模型的拟合度，若拟合度高，理论模型通过检验。通过检验并不代表数据证明理论模型完全正确，而只是表示没有理由拒绝该理论模型，其在一定程度上是合理有效的；但不能保证验证的理论模型是所有模型中最好的，可能还存在未能考虑到、更简洁而又拟合得很好的模型。
4.卡方统计量失效的问题。要审查模型与数据是否一致，需要比较估计协方差矩阵和样本协方差矩阵之差异(E－S)，卡方统计量是最常用的拟合指数。然而，直接应用卡方统计量判别某一特定模型是否与数据一致实际上有很大困难，因为卡方的大小与样本容量（N）有关。在N很小时，卡方统计量的辨别度不高；而当N极大时，卡方统计量又过分敏感。所以，模型拟合效果的检验，在观察卡方值外，还要结合其他拟合优度指数，以全面观察模型检验结果。
顾客满意度测评中利用SEM来分析具有一定的局限性，因此，实际应用中可把SEM与回归分析、主成分分析、典型相关分析、偏最小二乘法分析结合起来，以得到更为全面、合理的结论。 |
