本站小編為你精心準備了電子商務數據參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1因子分析模型及其統計檢驗

因子分析是一種通過顯在變量測評潛在變量，通過具體指標測評抽象因子的統計分析方法。因子分析的目的即在找出量表潛在的結構，減少題目的數目，使之成為一組數量較少而彼此相關較大的變量。在本文中以主成分因素抽取法抽取共同因素，根據Kaiesr（1960）的觀點選取特征值大于1.0以上的共同因素，再以最大變異法進行共同因素正交旋轉處理，保留共同度大于0.6以及因素負荷量大于0.5以上的題目。因素負荷量為寫作碩士論文因素結構中原始變量與抽取出共同因素相關，負荷量越高表示該題目在該共同因素的重要性越大。共同度和特征值是因子分析的兩個重要指標。共同度是每個變量在每個共同因子的負荷量的平方和，也就是個別變量可以被共同因子解釋的變異量百分比，是個別變量與共同因子間多元相關的平方。特征值是每個變量在某一共同因子的因子負荷量的平方總和。

因子分析的數學模型及其統計檢驗描述如下：

彼此之間是獨立的，則模型（4.1）稱為正交因子模型；相反，如果公共因子彼此之間有一定相關性，則稱為斜交因子模型。由于斜交因子模型比較復雜，在本文中只考慮正交因子模型，而且假定各公共因子的均值為0，方差為1。

模型中的矩陣A稱為因子載荷矩陣，a稱為因子“載荷”，是第i個變量在第j個因子上的負荷。因子載荷陣的求解方法有很多，本文用常用的主成分分析法，求解載荷陣得到僅包含m個因子的因子載荷陣。主要問題就在于如何通過SPSS統計軟件對數據的分析來估計因子載荷矩陣A，負荷量大的指標給予保留，否則剔除。保留下來的指標所構成的體系就是本文最終研究得到的指標體系。關于因子載荷的檢驗有：模型的標準化，這主要是為了得到抽象的因子含義，即對因子各維度進行命名；變量共同度檢驗，變量的共同度越高，說明該因子分析模型的解釋能力越高；因子的方差貢獻檢驗，用因子的累計方差貢獻率來確定公共因子提取的個數，也就是尋找一個使得累計方差貢獻率達到較大百分比的自然數，即最終提取方差貢獻大于1的因子作為公共因子。

由于本文的論題是電子商務環境下服務業企業績效評價指標體系構建，本文主要運用平衡計分卡把評價指標體系分為四個方面，18個二級指標作為18個因子，按照因子分析法來選取有效指標，各項指標在選取時，需要遵循兩個原則，一是該指標在以前的研究中出現的概率，二是指標與所要研究的問題的潛在相關性。本文在四個方面的指標的選取上，另外考慮了①全面性，要求所選的指標能反映企業的經營、客戶、企業學習與成長、財務方面的狀況；②有效性，要求選擇那些能夠對預測企業的整體狀況有指示作用的重要指標；如，若各項指標的雙尾T檢驗的顯著性概率小于0.05，則能有效的反映企業的四個方面的狀況，反之，則是無效指標，應剔除。③同趨勢性，即當各項指標增大時，表示企業的整體狀況改善，反之當各項指標減少時，表示企業的整體狀況惡化；④可操作性，采用易得到的數據。

2信度、效度、描述性統計、方差和相關分析方法

信度分析是采用一定的方法來衡量回收問卷中各變量的內部一致性，它主要考查的是問卷測量的可靠性，檢驗每一個因素中各個題目測量相同或相似的特性。本文采用克隆巴赫（Cronbacha）一致性系數檢驗量表的信度和各分量表的信度。效度分析是采用一定的方法對問卷的理論構思效度進行驗證。首先，必須對題目的結構、測量的總體安排以及題目見的關系做出說明，然后運用一定的方法從數據中得出基本構思，以此來對測量構思的效度進行分析。用于評價結構效度的主要指標有累積貢獻率、共同度和因子負荷。累積貢獻率反映公因素對量表或問卷的累積有效程度，共同度反映由公因素解釋原變量的有效程度，因子負荷反映原變量與某個公因素的相關度。描述性統計分析是對各維度中的測量題目的均值、標準差、方差等描述性統計量寫作碩士論文進行統計，了解各維度中題目設置的水平。方差分析又稱變異數分析或F檢驗，其目的是推斷兩組或多組資料的總體均數是否相同，檢驗兩個或多個樣本均數的差異是否具有統計學意義。

方差分析對客觀事物數量進行依存關系的分析，主要刻畫兩類變量間線性相關的密切程度，其兩個變量全是隨機變量，且處于平等地位。兩變量之間的相關關系可以通過繪制散點圖或計算相關系數來反映。

3回歸模型及其統計檢驗

現實世界中，一個事物的運動變化，總是與其他事物相關聯。其中，有的還存在因果關系，這種因果關系有的是線性的，有的是非線性的。當預測對象與其影響因素的關系是線性的，且只有一個影響因素時，就可以用一元線性回歸方法建立其一元線性回歸預測模型，來表述和分析其因果關系；當有兩個或多個影響因素同時作用于一個預測對象時，則用多元線性回歸法建立多元線性回歸預測模型。

本文就是以多對一的關系，因此，用多元線性回歸模型進行統計檢驗。對于多元線性回歸模型及其統計檢驗描述如下：

當預測對象y同時受到多個解釋變量x1,x2,...,xm影響，且各個xj(j=1,2,...,m)與y都近似地表現為線性相關時，則可建立多元線性回歸模型來進行預測和分析，模型為：

3）回歸方程整體顯著性檢驗

回歸模型的顯著性檢驗包括兩個方面，即回歸方程的顯著性檢驗和回歸系數的顯著

性檢驗。

（1）回歸方程的顯著性檢驗

回歸方程的顯著性檢驗用于檢驗被解釋變量與所有解釋變量之間的線性關系是否顯著。回歸模型總體函數的線性關系是否顯著，其實質就是判斷回歸平方和與殘差平方和之比值的大小問題，可以通過方差分析的思想，構造F統計量來進行檢驗，F檢驗是用來檢驗多元線性回歸模型的總體效果。

（2）回歸系數顯著性檢驗

回歸方程總體顯著并不意味著每個解釋變量對被解釋變量的影響都是重要的，還需要對每個回歸系數的顯著性進行檢驗。回歸系數顯著性檢驗通過構造t統計量來進行，

4）殘差正態性檢驗

殘差e是隨機擾動項ε的體現。對殘差進行分析的目的是檢驗隨機擾動項是否服從經典假設。殘差分析的內容包括殘差正態性檢驗、序列相關檢驗、異方差檢驗等。本文應用殘差的累計概率散點圖進行殘差正態性檢驗。

5）異方差檢驗

異方差常常表現為殘差隨某個解釋變量取值的變化而變化，因此，檢驗隨機擾動項是否存在異方差可以通過繪制被解釋變量與解釋變量的散點圖來簡單的判斷。如果散點圖呈帶狀分布，則不存在異方差；如果隨著解釋變量的增大，被解釋變量波動逐漸增大或減少，則很可能存在異方差的現象。實踐中，常常使用加權最小二乘法消除異方差。

7）多重共線性檢驗

所謂多重共線性是指各個解釋變量之間存在線性關系或接近線性關系的現象。多重共線性常常會導致回歸系數方差增大，從而使得t檢驗難以通過。用SPSS檢驗多重共線性共有四種方法：容忍度、方差膨脹因子、條件指數和方差比例。本文選用條件指數和比例方差這兩種方法來檢驗共線性。

（2）方差比例

通過對解釋變量協差陣進行矩陣分解，協差陣的每個特征根可以解釋各個解釋變量方差的一部分。若對于幾個不同的解釋變量，某個特征根能夠解釋的方差比例都很高（一般認為都超過50%），則可以認為這幾個解釋變量之間存在較強的共線性。

需要注意的是，多元線性回歸模型的構建中，可能會遇到多重共線性的問題。如果變量完全相關，則（XTX）?1不存在，最小二乘法失效。應用最小二乘法估計回歸系數的一個重要條件就是自變量之間為不完全的線性相關。如果這種相關程度較低，其影響可以忽略；擔任若高度相關時，則回歸系數無效或無意義，因而所建模型無效或無意義。這時應該選擇其他新的自變量以替代相關的變量或采用其他方法來建立模型。在本文中就是采用其他新的自變量，從模型中剔除不顯著的變量，在這里剔除的是意義相對次要的變量。