SEM模型_在线百科全书查询
SEM模型
结构方程模型（Structural equation modeling, SEM）是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内，SEM大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中.
概念
SEM模型
Structural Equation Modeling, 简称SEM模型
顾客满意度就是顾客认为产品或服务是否达到或超过他的预期的一种感受。结构方程模型（SEM）就是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。
如下图：
图: SEM模型的基本框架
在模型中包括两类变量：一类为观测变量，是可以通过访谈或其他方式调查得到的，用长方形表示；一类为结构变量，是无法直接观察的变量，又称为潜变量，用椭圆形表示。
各变量之间均存在一定的关系，这种关系是可以计算的。计算出来的值就叫参数，参数值的大小，意味着该指标对满意度的影响的大小，都是直接决定顾客购买 与否的重要因素。如果能科学地测算出参数值，就可以找出影响顾客满意度的关键绩效因素，引导企业进行完善或者改进，达到快速提升顾客满意度的目的。
SEM的主要优势
第一，它可以立体、多层次的展现驱动力分析。这种多层次的因果关系更加符合真实的人类思维形式，而这是传统回归分析无法做到的。SEM根据不同属性的抽象程度将属性分成多层进行分析。
第二，SEM分析可以将无法直接测量的属性纳入分析，比方说消费者忠诚度。这样就可以将数据分析的范围加大，尤其适合一些比较抽象的归纳性的属性。
第三，SEM分析可以将各属性之间的因果关系量化，使它们能在同一个层面进行对比，同时也可以使用同一个模型对各细分市场或各竞争对手进行比较。
SEM模型案例分析
情况说明
某通信分公司屡次位居榜尾，于是痛下决心改革。该分公司有三类业务：固话业务、小灵通业务以及上网业务。围绕着这三类业务产品的销售，该通信分公司还提供了售前、售中和售后三个环节多方面的服务。结合该通信分公司的主要产品情况，从顾客满意度着手，重点分析并找出影响顾客满意的关键因素，从而为制定有 效的顾客满意度提升方案提供数据支持。
设计满意度模型
根据该公司的业务具体情况，设计出了顾客满意度模型，如下图：
图:某通信分公司顾客满意度SEM模型
上图显示，该地市分公司重点要考察的是产品满意度和服务满意度对顾客满意度的影响。图中的Xn是待构建的测量指标，λ值表示各指标对上级指标的影响大小，ζn和δn表示误差，是受模型外因素影响的部分，如价格满意度等其他因素。
构建具体测量指标
基于建立的满意度SEM模型，围绕固话业务、小灵通业务以及上网业务的销售，及销售这些业务产品的售前、售中和售后三个环节多方面的服务内容，构建具体的观测指标（变量），如下表：
表：顾客满意度观测指标
调查取样
明确了指标，下一步的工作就是对这些指标进行调查，了解消费者对此的反应。一般我们采用问卷调查的方式，可分为四大部分：
（1）甄别部分：该部分设计一些过滤性的问题，以确保被访者属于目标群体；
（2）总体评价：在访问开始就应该向被访者询问总体满意度得分，问题可以这样设计：
“总体而言，您对______是满意还是不满意？请您采用10分制给______打分，1表示非常差，10表示非常好。”
（3）表现得分：就是了解顾客对产品、服务在各个具体方面表现的认知情况。与总体评价一致，仍然采用10分制进行打分。研究者将根据评分来测量顾客对产品、服务各个方面的满意度情况，并通过SEM模型分析，找出影响顾客满意度的关键因素；
（4）背景资料：如人口和生活方式信息，这些信息用于分类，如：某一特定人口或生活方式群体是否比一般的顾客满意度更高或更低？
借用软件实现满意度调查
在取得一手数据之后，就可以借助软件对数据进行统计分析，不管用哪种软件，其基本步骤都是一致的。
我们将前面设计好的模型转移到特定软件中，建立好该地市通信分公司顾客满意度模型，然后输入调查数据，就可以得到影响服务满意度的关键因素分析结果，如下图：
图:影响顾客满意度的关键因素分析模型图
上图中两指标之间的值就是统计出来的参数，它表示该指标对其上一级指标的影响，又称为贡献值。如果该值较大，则表明该指标对上一级指标的满意度影响较大；该值较小，则表明该指标对上一级指标的满意度影响较小。
根据上图参数估计结果，可以看出影响服务满意度的关键因素是售后服务是关键（参数值为0.40）,而售后服务中的投诉处理（参数值为0.98）又是关键中的关键。由上图可以看出，服务方面的感知满意度对总体满意度的影响远高于产品满意度，再结合服务满意度的得分情况，可以得出结论，该通信分公司应着重改善服务满意度。
EM模型在市场研究中的应用
SEM以研究因果关系为背景，是一种包罗万象的量化和理论检验的工具。在市场研究界可应用于多种研究，如：满意度研究、品牌研究、产品研究等。因此对品牌管理具有很好的帮助作用。
从宏观角度出发，SEM构建的模型有助于对品牌的宏观掌控。这种SEM模型一般都比较简洁，着重于宏观的、归纳性的目的，模型结构在较长的时间里不会发生变化（下图是一个典型的例子）。
图:ACSI模型
从微观角度出发，SEM可以为品牌的微观管理建立详细的路径图，对品牌建设提供具体的操作指导。这种SEM模型的特点是模型一般都比较复杂，包含从抽象到具体的各类属性，着重全面、有层次性的目的，模型可能需要定期的进行调整。
评价指标
评价构想模型是否得到了观测数据的支持,有三类拟合指标。一是绝对拟合指标,如χ2 ,近似均方根误差(RMSEA),标准均方根残差( SRMSR) ,拟合优度指数( GF I) , 调整后的拟合优度指数(AGF I),比较拟合指数(CFI)等;二是相对拟合指标,如NF I,NNF I;三是省俭度,如省俭规范拟合指数( PNF I),省俭拟合优度指数( PGF I)等。与传统的χ2 检验相反,结构方程模型希望得到的是不显著的χ2。χ2越小,表示观测数据与模型拟合得越好。由于χ2 与样本大小有关,因此不直接作为评价模型的指标,而用χ2 /df来进行衡量。χ2 /df值越接近0,观测数据与模型拟合得越好。一般认为,χ2 / df < 3,模型较好;< 5,观测数据与模型基本拟合,模型可以接受; >5,表示观测数据与模型拟合得不好,模型不好; > 10,表示观测数据与模型不能拟合,模型很差。但由于χ2与样本量密切相关,当样本较大时,χ2 / df也会受到影响。因此近年来多采用RMSEA、SRMSR
等综合性拟合指标对观测数据与构想模型的支持情况进行评价。RMSEA和SRMSR的取值范围均在0和1之间。越接近于0,表示观测数据与模型拟合得越好。按照通用的标准:RMSEA < 0. 1,观测数据与模型较好拟合; < 0.05,观测数据模型很好拟合;< 0. 01,观测数据与模型极好拟合。SRMSR< 0108,观测数据与模型较好拟合; < 0.05,观测数据与模型很好拟合。其它几个拟合指标: GFI, AGFI,CFI,NFI,NNFI等的取值范围也在0至1之间。越接近1,表示模型拟合得越好; > 0.90以上,则认为模型得到较好拟合。上述指标都是观测数据对模型绝对拟合程度的描述。在对模型进行比较时,还用到PGFI,PNFI等反应模型省俭度的指标。PGFI和PNFI也是越接近1 越好,但大到什么程度,没有统一的标准。
结构方程模型理论认为,模型评价是一个复杂的问题,在进行模型评定时,不同拟合指标评定的侧重点不同。因此,一般认为,对于一个模型的好坏,不能以一个,而应以多个指标进行综合评价。
本条目在以下条目中被提及
PPS抽样调查法 Q分类法 SEM 不重复抽样 主观概率法 二手资料调研 二路焦点小组 产品留置测试 任意抽样 会议调查 典型调查法 分层抽样 分层最佳抽样 分层比例抽样 判断抽样 双重抽样 可行性研究 因果性调研 垃圾调研法 多维尺度法 多阶段抽样 定性研究方法 定量研究方法 实地调研 家庭日记法 市场实验调查法 市场容量测定法 平衡量表法 技术接受模型 投射研究 投影技法 抽样调查 抽签法 拐点调研 探索性调研 推销人员估计法 描述性调研 数值分配量表 整群抽样 文案调查法 文献调查法 无准备访问 案例研究法 案头调研 概率抽样 深层访谈法 滚雪球抽样 焦点访谈法 独立控制配额抽样 电话调查 留置调查 盲测 相互控制配额抽样 等比量表 等距抽样 等距量表 简单随机抽样 类别量表 经销商访谈 经验判断法 网上间接调查 网络调研 联合分析法 行踪分析 观察法 评价量表 询问法 辛迪加调研 逐户寻找法 邮寄调查 配对比较量表 配额抽样 重点调查 重置抽样 问卷调查法 随机号码表法 非概率抽样 面谈访问法 顺序量表 更多条目(79)...
关键字
SEM模型,结构方程模型,Structural equation modelin,SEM结构方程模型,Structural Equation Modeling.
