資源描述：
《顧客滿意度模型估計(jì)的PLS與LISREL》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、----------專業(yè)最好文檔，專業(yè)為你服務(wù)，急你所急，供你所需-------------文檔下載最佳的地方顧客滿意度模型估計(jì)的PLS與LISREL中國(guó)人民大學(xué) 金勇進(jìn)梁燕顧客滿意度模型是一個(gè)多方程的因果關(guān)系系統(tǒng)——結(jié)構(gòu)方程模型（SEM，StructuralEquationModel），有多個(gè)因變量，是一個(gè)原因和結(jié)果關(guān)系的網(wǎng)，模型必須要按照這些關(guān)系進(jìn)行估計(jì)。模型中包括質(zhì)量感知、顧客滿意度、顧客忠誠(chéng)度和企業(yè)形象等隱變量，這些隱變量只能通過多個(gè)具體測(cè)量變量來間接衡量。模型中允許自變量和因變量含有測(cè)量誤差，還必須要計(jì)算
2、出來隱變量的表現(xiàn)得分（例如通過多個(gè)測(cè)量變量的加權(quán)指數(shù)）。以ACSI模型為例，它就是一個(gè)結(jié)構(gòu)方程模型，包括結(jié)構(gòu)方程（隱變量之間關(guān)系的方程）和測(cè)量方程（隱變量和測(cè)量變量之間關(guān)系的方程）模型具體形式本文不贅述。。要對(duì)結(jié)構(gòu)方程模型進(jìn)行參數(shù)估計(jì)，目前最經(jīng)常使用的兩種方法是PLS（PartialLeastSquare）方法和LISREL（LInearStructuralRELationships）方法。這兩種方法既有相同之處，也有許多不同之處。本文主要討論兩種方法的算法，以及他們之間的聯(lián)系與區(qū)別，并根據(jù)實(shí)證案例，提出我國(guó)在構(gòu)建
3、顧客滿意度模型過程中使用的方法。一、PLS和LISREL方法PLS（Wald，1982）是將主成分分析與多元回歸結(jié)合起來的迭代估計(jì)，是一種因果建模的方法。瑞典、美國(guó)和歐盟模型都使用這種方法進(jìn)行估計(jì)。在ACSI模型估計(jì)中所有測(cè)量變量/調(diào)查指標(biāo)都是隱變量反映（reflective）/結(jié)果指標(biāo)，即所有測(cè)量變量與隱變量的關(guān)系都是從隱變量指向測(cè)量變量的。另一種情況是所有測(cè)量變量/調(diào)查指標(biāo)都是隱變量影響（formative）/原因指標(biāo)，即所有測(cè)量變量與隱變量的關(guān)系都是從測(cè)量變量指向隱變量的。，該方法對(duì)不同隱變量的測(cè)量變量子集抽
4、取主成分，放在回歸模型系統(tǒng)中使用，然后調(diào)整主成分權(quán)數(shù)，以最大化模型的預(yù)測(cè)能力。PLS方法的具體步驟如下所示。步驟1：用迭代方法估計(jì)權(quán)重和隱變量得分。從④開始，重復(fù)①—④直至收斂。①內(nèi)部權(quán)重vij=signcov(ηj，ηi)如果ηj和ηi有直接關(guān)系0如果ηj和ηi沒有直接關(guān)系（1）②內(nèi)部近似。（2）③解出外部權(quán)重。（3）④外部近似。，其中確保（4）步驟2：估計(jì)路徑系數(shù)和載荷系數(shù)。步驟3：估計(jì)位置參數(shù)。----------專業(yè)最好文檔，專業(yè)為你服務(wù)，急你所急，供你所需-------------文檔下載最佳的地方---
5、-------專業(yè)最好文檔，專業(yè)為你服務(wù)，急你所急，供你所需-------------文檔下載最佳的地方PLS方法是“偏”LS，因?yàn)楣烙?jì)的每一步都在給定其他參數(shù)條件下，對(duì)某個(gè)參數(shù)子集的殘差方差進(jìn)行最小化。雖然在收斂的極限，所有殘差方差聯(lián)合的進(jìn)行最小化，但PLS方法仍然是“偏”LS，因?yàn)闆]有對(duì)總體殘差方差或其他總體最優(yōu)標(biāo)準(zhǔn)嚴(yán)格的進(jìn)行最小化。LISREL（Joreskog，1970）方法通過擬合模型估計(jì)協(xié)方差與樣本協(xié)方差（S）來估計(jì)模型參數(shù)，也稱為協(xié)方差建模方法。具體來說，就是使用極大似然（MaximumLikelih
6、ood，ML）、非加權(quán)最小二乘（UnweightedLeastSquares，ULS）、廣義最小二乘（GeneralizedLeastSquares，GLS）或其他方法不同的方法適用于不同的情況。三種方法的估計(jì)都具有一致性，但當(dāng)多元正態(tài)性假設(shè)成立或變量的分布具有正常的偏度時(shí)，ML和GLS方法的估計(jì)是近似有效的，ULS方法的估計(jì)不是有效的，且ML和GLS方法不依賴于測(cè)量的標(biāo)度。而ULS方法不需要變量服從一定的分布，且該方法的參數(shù)估計(jì)依賴于測(cè)量的標(biāo)度。，構(gòu)造一個(gè)模型估計(jì)協(xié)方差與樣本協(xié)方差的擬合函數(shù)，然后通過迭代方法，得
7、到使擬合函數(shù)值最優(yōu)的參數(shù)估計(jì)。例如，采用ML方法的擬合函數(shù)的形式為：（5）p是內(nèi)生測(cè)量變量的個(gè)數(shù)，q是外生測(cè)量變量的個(gè)數(shù)。LISREL中的步驟與PLS相反：先估計(jì)參數(shù)，然后如果需要，再考慮所有結(jié)構(gòu)信息，對(duì)所有觀測(cè)變量作回歸，“估計(jì)”隱變量。LISREL軟件可以進(jìn)行模型的識(shí)別，對(duì)所有估計(jì)參數(shù)的標(biāo)準(zhǔn)誤進(jìn)行檢驗(yàn)，并對(duì)模型擬合程度進(jìn)行檢驗(yàn)。為了得到最優(yōu)估計(jì)，ML方法的計(jì)算量很大。最麻煩的是信息矩陣（也稱為Hessian矩陣，即似然函數(shù)對(duì)模型中任意兩個(gè)參數(shù)的二階偏微分矩陣）。如果模型可識(shí)別，Hessian矩陣必須是正定的。二
8、、兩種方法的聯(lián)系與區(qū)別上面簡(jiǎn)要介紹的PLS和LISREL方法，既有相似之處，也有不同。它們的第一個(gè)相似點(diǎn)是都采用箭頭示意圖作為模型的圖形表示。第二個(gè)相似點(diǎn)是在每個(gè)區(qū)組（block），都假設(shè)測(cè)量變量與隱變量和誤差項(xiàng)為線性關(guān)系，即y=Λyη+εx=Λxξ+δ（6）第三個(gè)相似點(diǎn)是路徑關(guān)系（PLS中稱為內(nèi)部關(guān)系）的表達(dá)形式一樣，η＝Βη+Гξ+ζ或（I-Β）η＝Гξ
