5.4.3 结构模型检验
（1）主效应检验
本章假设检验结果如表5-6所示。本章提出的各类影响因素解释了个体用户MCDMS采纳意愿49.4%（R2=0.494）的方差变异，大于以往多数研究基于TAM修正模型对各类创新性医疗信息技术服务用户采纳意愿的解释程度[53]。
表5-6 假设检验结果
注：+p＜0.1；*p＜0.05；**p＜0.01；***p＜0.001
本章的实证结果符合以往多数研究结论[34，53，80，175]。感知有用作为最显著且重要的影响因素（
=0.458，t=7.168），与感知易用（
=0.154，t=2.834）一起对用户的MCDMS采纳意愿产生显著的正向影响，由此支持本章研究所提的假设H1和H2。感知疾病威胁（
=0.182，t=2.922）和初始信任
=0.135，t=2.527）对采纳意愿的显著正向影响也得到证实，而感知风险
=-0.128，t=1.895）对采纳意愿的负向影响呈现边际显著，故假设H3，H4，H5均得到了支持。进一步地，本章也证实了技术焦虑通过感知易用
=-0.297，t=5.336）对采纳意愿产生了间接的负向影响。
进一步地，通过相关性分析结果显示，用户年龄（
=-0.092，
=0.125），用户性别（
=-0.045，
=0.495），用户教育背景（
=0.094，
=0.118），用户个人月收入水平（
=0.094，
=0.115），以及用户类别（包括慢性病患者和家属）（
=-0.027，
=0.654）均与MCDMS采纳意愿的相关性不显著，即本章所提控制变量对用户个体的MCDMS采纳意愿的影响均不显著。
（2）调节效应检验
基于PLS进行结构方程模型假设检验过程中，当调节变量为类别变量或研究者希望对可能存在的调节效应有个大概了解的情况下，多群组比较法（group comparison approach）相对于构造交互项方法（product term approach）更适合调节效应的检验[176]。考虑到Chow test方法存在数据分布假设方面的要求，有学者认为该方法在基于PLS进行结构方程模型假设检验过程中被认为是次优的[176]。Chin[177]提出了无需进行数据分布假设的permutation-based方法，当基于PLS进行模型假设检验时，若调节变量属于类别变量，该方法则适合于不同组别之间的路径系数差异化检验。Keil et al.[178]基于该方法，证实了软件项目中用户的承诺升级行为呈现出跨文化差异，并对该方法的步骤和过程进行了阐述。Kankanhalli et al.[179]则以移动数据服务创新平台的潜在用户和实际用户为对象，基于该方法证实了两类用户贡献行为的各类影响因素之间存在差异。
考虑到本章中的用户类型为类别调节变量，本章根据Keil et al.[178]提出的计算方法验证前因变量对MCDMS用户采纳意愿的影响在慢性病患者与患者家属之间是否存在显著差异。通过构造统计量和
检验来对比分析慢性病患者和家属之间结构方程模型相同路径上的路径系数差异，具体计算公式下：
其中，
代表结构方程模型路径系数差异估计量；
代表自由度为
+
-2的
检验；
代表样本组
的样本大小；
代表样本组
的结构方程模型路径系数标准误；
代表样本组
的结构方程模型路径系数。
在本章研究中，
与
的值代表慢性病患者群体在结构方程模型上的对应路径系数与标准误，
与
的值代表家属群体在结构方程模型上的对应路径系数与标准误。当
的绝对值大于2时，表示慢性病用户群体和家属用户群体在模型相应路径系数方面存在显著性差异，且
的值与
的值符号一致时，表示慢性病患者群体在该路径关系上的影响大于家属群体，反之，则表示家属群体在该路径关系上的影响大于慢性病患者群体。
表5-7为用户类别的调节效应检验结果，假设H7a，H7b，H7c得到了支持，而假设H7d和H7e没有被支持。即在个体的MCDMS采纳决策制定过程中，慢性病患者相比家属更加重视该服务在慢性病自我管理方面是否有用（
=22.923），而家属则更加重视MCDMS在操作方面是否便利（
=-24.572），并更倾向于考虑自身是否受到了疾病威胁以及威胁的程度（
=-8.973）。但是，初始信任水平对采纳意愿的影响在两类群体之间的差异并不显著（
=-0.599），而考虑到感知风险，表5-7的实证结果证实其对两类群体采纳意愿的影响均不显著（可能因为样本量偏少导致），无进一步进行路劲系数差异化检验的必要[179]。
表5-7 用户类别的调节效应检验
注：+p＜0.1，*p＜0.05，**p＜0.01，***p＜0.001，ns=不显著；括号内数字为标准误