5.4.2　测量模型检验

测量模型检验包括收敛效度（convergent validity）、区分效度（discriminant validity）和信度检验。

首先，使用最大方差旋转的主成分分析法检验收敛效度（convergent validity）。因子分析时的KMO值可以用于考察样本数据是否适合做因子分析。当KMO＞0.9时，非常适合；当0.8＜KMO＜0.9时，较适合；当0.7＜KMO＜0.8时，适合；当0.6＜KMO＜0.7时，较不适合；当0.5＜KMO＜0.6时，不合适；当0.4＜KMO＜0.5时，非常不合适。本章研究的KMO值为0.823，且Bartlett球形度检验在p=0.000的水平上显著，表明本章研究的样本数据适合进行主成分分析[172]。旋转后的主成分分析结果显示提取的特征值大于1的因子共有7个，方差解释程度为68.645%。另外，感知风险的其中一个测度项——“使用MCDMS存在较多的不确定性问题”，因为因子载荷系数较小，交叉载荷因子较大，故删除[173]。

进一步地，基于SmartPLS 2.0的验证性因子分析结果（见表5-4）显示，所有因子题项的载荷系数均显著且大于建议值0.5，没有出现交叉载荷较大的情况，进一步验证收敛效度较高。

表5-4　信度与聚合效度分析

续表

信度一般通过克隆巴赫系数（Cronbach'sα）测量，内部一致性通常用CR值（composite reliability，复合信度）测量。由表6-4，各个因子的α在0.639到0.843之间，CR在0.762到0.893之间，AVE（average variance extracted，平均方差提取值）在0.619到0.677之间，均大于以往研究给出的建议值0.6，0.7和0.5，由此说明测量模型具有较高的信度与收敛效度（convergent validity）[174]。此外，表5-5的结果显示各个因子的AVE的平方根均显著大于该因子与其他因子的相关系数值，由此说明测量模型具有较高的区分效度。

表5-5　区分效度