顾客满意度指数模型的估计与检验_顾客满意度论文

顾客满意度指数模型的估计与检验,本文主要内容关键词为:模型论文,指数论文,顾客满意度论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。

中图分类号:O212文献标识码:A

一、国内顾客满意度指数模型的实践及其问题

我国对顾客满意度的研究是从20世纪90年代后期开始的,近几年政府部门、协会机构、科研部门、市场咨询机构以及企业对顾客满意度的评测逐渐增多。目前大多数市场咨询公司都已开展顾客满意度调研业务,相当数量的大中型企业都实施了满意度调研。

作为一种标准化的满意度评测方法,满意度指数模型有着毋庸置疑的优势,但在其实践应用中,满意度指数的估计精度会受到抽样、调查实施、模型选择以及估计等各个环节的影响。以下结合满意度调查实践,对出现的问题加以总结,以便于我们更好地利用满意度指数方法。

(一)抽样框问题

要对总体进行推估,就要选择概率随机抽样,而完备的抽样框(客户档案)是概率抽样的前提。然而,目前相当数量的企业并没有完备的顾客档案。在调查实践中,客户档案的欠缺会直接影响满意度调查的工作量和估计结果的准确性。此外,客户档案中的辅助信息不仅可以用来进行分层抽样,降低抽样误差,还有助于满意度调查结果的深入分析。建议在满意度调研之前,先建立完整准确的客户档案。

(二)样本量问题

过小的样本量无法得到满意度的有效估计。一般来说,样本量越大,参数估计精度越好。满意度指数模型中未知的潜变量和观测变量个数加起来超过20个,如果样本量过小,会导致估计误差过大,使调查结果失去意义。根据国外的相关研究,样本量个数起码要是变量的5倍。当然,不同的行业、不同的产品(服务)、不同的满意度模型、不同的抽样方法以及不同的模型估计方法对样本量的要求会有所不同。这方面还需要进一步的定量研究。

(三)理论模型的选择问题

照搬国外的模型不一定适合我国的国情。目前国内应用较多的是ACSI,然而到底哪种理论模型更为适合我国国情,还缺乏相应的理论和实证研究。针对具体行业、具体的产品(服务)的满意度指数调查,建议通过预调查选择适当的理论模型。

(四)调查中的测量误差问题

顾客满意度指数模型的构建,对观测变量的测量尺度要求较高,一般采用10级打分法。但这种测度对有些客户难度较大,这种方法是否最为适当?期望、满意度、抱怨等变量的测度难度较大,如何选择观测变量?如何措词?这一系列问题都有待进行实证研究。建议对调查结果进行信度和效度分析。

(五)无回答问题

高无回答率已成为调查业的普遍现象,这是否会导致满意度模型的估计有偏?在客户调研中,我们发现不同重要程度的客户满意度有着显著差异,不同重要程度的客户的无回答率也可能不同。在采取降低无回答的预防措施同时,建议在满意度调查抽样时进行配额控制,或者对调查结果进行加权或插补处理。

(六)满意度指数模型的估计问题

选择不同的估计方法,会得到不同精度的估计量。顾客满意度模型是一个含潜变量的路径模型,简单加权算数平均法没有考虑变量间的关系,不适于计算满意度指数,其结果也不能用于不同行业、不同产品(服务)的满意度比较。对结构方程模型进行参数估计最常用的两种方法是PLS(Partial Least Square)方法和LISREL(LInear Structural RELationships)方法。这两种方法各有利弊,选择估计方法时还要具体问题具体分析。

(七)满意度指数模型的检验问题

社会科学研究中常用这样一种思路:首先,从被研究客体的一定专业经验和基于专业经验的直觉判断出发构造理论模型,接着用数据来验证理论模型,看理论模型能否通过检验或者说理论模型能否得到数据的支持。如果理论模型不能通过检验,那么可以根据检验的结果修正理论模型;如果理论模型能通过检验,则可以将关于被研究客体的经验知识提升为理论知识,而且模型中的关系还可被量化。没有通过检验的模型,是缺乏科学依据的。建议通过模型检验来验证所建立的满意度模型是否符合假设。

二、顾客满意度指数模型的估计

ACSI模型用统计语言可以表达为含潜变量的路径模型(Path Model with Latent Variables,PMLVs(注:PMLVs最早出现于20世纪60年代,由于其可用来分析各个潜变量间的关系,所以被著名计量经济学家Wold.H誉为“一个时代的创举”。))。PML Vs参数的估计方法主要有两种,即:LISREL(Linear Structural RELationships)方法和PLS(Partial Least Square)方法。

(一)LISREL方法

附图

目标函数F(S,Σ(θ))度量的是S和Σ(θ)的接近程度(可以理解为矩阵意义下两个矩阵间的距离),S和Σ(θ)越接近,目标函数F(S,Σ(θ))的取值越小。这样,参数估计问题就转化为目标函数最优化问题。通过迭代方法就可以得到使目标函数取值最优的参数估计

(二)偏最小二乘法(PLS)

PLS方法(Wald,1982)是将主成分分析与多元回归结合起来的迭代估计,是一种因果建模的方法。首先对不同隐变量的测量变量子集抽取主成分估计潜变量得分,然后使用普通最小二乘(Ordinary Least Square,OLS)估计负载系数和路径系数。

(三)两种方法的比较和评价

上述两种估计方法孰优孰劣,一直存在着争议。总的来说,PLS方法解决了LISREL方法的两个主要难题:(1)LISREL假设观测是独立的,且服从多元正态分布;而PLS使用非参数推断方法,不需要对数据的这一严格假定。(2)LISREL在进行参数估计之后,再采用某个目标函数计算潜变量得分,计算结果因目标函数选择不同而不同,而且目前还没有公认的潜变量得分的计算方法;而PLS在参数估计过程中就计算潜变量得分,可以得到确定的计算结果,且理论上可以证明只要选择足够多的关于某个潜变量的观测变量,在大样本下偏最小二乘法估计出的潜变量是真实潜变量的一致估计。

在满意度指数研究中,观测数据很少满足正态分布的条件,而且潜变量得分对于后续的分析很有用。所以美国(ACSI)、瑞典(SCSB)和欧盟(ECSI)的满意度模型都使用PLS进行估计。此外,我国的满意度指数研究由于费用限制,一般样本量也比较少,因此建议采用PLS方法估计模型。

三、样本数据的信度与效废分析

(一)样本数据的信度分析

信度(Reliability)是指问卷调查结果的一致性、稳定性和可靠性。在满意度指数研究中要测量观测变量的可靠程度,用统计语言来描述:

附图

τ是一个受访者关于某个观测变量的真实得分,x是其观测得分,δ是干扰项。假定数据都已标准化,正E(τ)=0,E(x)=0,则E(δ)=0。

如果VAR(δ)越小,则观测得分x的信度就越高。例如用同一把尺子,一个细心的人测量一个人的身高所得的结果可能比一个粗心的人得到的结果信度高。因为细心的人的干扰项的方差可能比粗心的人的干扰项的方差小。

而观测变量τ来测量潜变量ξ可以用统计语言表述为:τ=λ·ξ+ε(假定E(τ)=0,E(ξ)=0,ε是干扰项)。

通常对潜变量ξ测量会选择多个观测变量,假定观测变量为,则上式为:

附图

这里假定对于不同的观测变量有相同的干扰项δ,也就是说相同的受访者在填写问卷时对不同的问题回答的得分与其真实得分的偏差保持一致。由于一份问卷的设计者通常是同一个人,他在问卷的不同问题上会保持一致性。这样可以把上式改写为:

附图

如果,可以看出δ会干扰ξ,这导致我们用佩最小二乘法估计的潜变量为ξ+δ/λ。所以扰项δ的存在会使得潜变量得分估计有偏。

(二)信度评测

信度评测的方法有许多种,较为适用评价满意度指数模型数据的是Cronbach's α系数:

附图

其中,j是指关于第j个潜变量,是指关于第j个潜变量的第i个观测变量,是指关于第j个潜变量的观测变量的个数。

同一潜变量对应的观测变量理论上要保持一致性,Cronhach's α系数正是测量同一潜变量对应的观测变量间的一致性,也即观测变量为间的相关系数越高,Cronhach's α系数就越接近1,观测数据的信度就越高。例如,对于顾客满意度的三个观测变量,即“近三个月来对该公司的满意程度”,“在多大程度上使您失望或者超过了您的预期”,“与该理想中的公司相比服务”,显然,如果它们之间的相关系数很低,从而Cronhach's α系数较低,那么我们就要怀疑调查数据的可靠性。按心理学上类似情况的测量经验,满意度指数模型中Cronbach's α系数至少要达到0.7。

(三)观测变量的效度分析

如前所述,潜变量的观测变量选择越多,在大样本下偏最小二乘法估计出的潜变量越接近真实潜变量。那么,我们是否能不加选择地使用观测变量呢?显然不可以。我们应要选择效度高的观测变量。在满意度指数研究中,效度是用来评价问卷中设计的观测变量是否很好地度量潜变量。

在信度分析时,观测变量来测量潜变量可以用统计语言表述为:

τ=λ·ξ+ε(假定E(r)=0,正(ξ)=0,ε是干扰项)

如果VAR(ε)越小,那么用观测变量τ来测量潜变量ξ的效度就越高。例如,一把最小单位是厘米的尺子来测量人的身高就比一把最小单位是分米的尺子效度高。在PLS估计中潜变量ξ的估计是观测变量的线性加权求和,如果不加选择地使用估测变量,比方说同时选择一把最小单位是厘米的尺子和一把最小单位是分米的尺子来测量一个人的身高,然后平均其结果来作为这个人身高的估计,这样做的效果显然比只使用单位是厘米的尺子测量的效果差。

(四)效度评价指标

附图

其中,j是指关于第j个潜变量;i是指关于第j个潜变量的第i个观测变量。这类似于因子分析中选择公共因子时,要求公共因子的方差贡献率达到某个值。这里如果AVE过小,就表示遗漏了重要的观测变量,这样可能导致有偏的潜变量估计值。一般要求AVE要大于0.5。

四、顾客满意度指数模型的检验

(一)模型的经济含义检验

建立理论模型时曾假定潜变量之间的正负号关系,比如顾客印象与顾客期望之间呈现正相关的关系,顾客满意度与顾客抱怨之间的负相关关系等等。估计出潜变量和路径系数之后,就可以进行模型的经济含义检验,检验模型估计出的潜变量间的路径系数符号是否与原假设和背景知识所确定的路径系数符号相一致。

(二)模型的预测效果检验(Stone-Geisser检验)

Stone-Geisser检验用来检验偏最小二乘估计(PLS)的PMLVs的预测结果是否适当。Stone-Geisser检验步骤为:将数据分成g组(g>7),每次去掉其中的一组,估计模型,估计出的模型可以预测每一个内生潜变量的观测变量,然后用没有参与估计的那一组数据来评判模型的预测效果,从而来评价模型是否有效。计算:

附图

其中,k表示第k个内生潜变量,l表示对应第k个内生潜变量的第l个观测变量。公式中分子是作为评判的那组数据的预测误差的平方和,分母是其离差平方和。如果拟合的模型越有效,分式的结果越小,即模型说明了大量的数据变异信息。所以,如果接近于1,模型就通过Stone-Geisser检验。

(三)模型的参数显著性检验

对模型中估计出的参数(路径系数和载荷系数)进行显著性检验,主要方法为Jacknife法和Bootstrap法。

(1)Jacknife刀切法

附图

五、主要结论

目前我国对顾客满意度模型的应用和研究还远不如发达国家那样普遍和深入,但已经显示出强劲的发展势头,并具有巨大的发展潜力。国内的实践以及相应的理论研究在抽样框、样本量、理论模型的选择、调查中的测量误差、无回答、模型的估计以及模型的检验等7个方面都存在着很多问题,需要进行大量的实证研究。本文主要对顾客满意度指数模型构估计和检验问题进行了分析和探讨,得出以下主要结论:

(1)满意度模型的常用估计方法LISREL方法和PLS方法各有利弊,但在样本量比较少,观测数据不满足正态分布,并要求计算潜变量得分的条件下,建议采用PLS方法。

(2)对满意度调查数据要进行信度和效度分析时,如果某潜变量的Cronhach's。系数达到0.7以上,则在满意度调研中对该潜变量的观测变量的测度是可靠的;如果满意度指纹模型的参数估计值都大于0.7,则可以认为问卷中设计的观测变量可以有效地度量潜变量。潜变量的平均共积效度AVE大于0.5,则说明该潜变量被有效度量。

(3)满意度指数模型中假设顾客满意度与顾客抱怨之间为负相关关系,顾客期望、顾客印象与顾客满意度之间呈正相关关系等,估计出潜变量和路径系数之后,首先要对模型进行经济含义检验。

(4)利用Stone-Geisser检验可以检验PLS的预测效果,从而评价模型是否有效。第k个潜变量的和所有内生潜变量的越接近于1,拟合的模型越有效。

(5)可以利用Jacknife法或Bootstrap法对满意度指数模型中的参数估计值(路径系数和载荷系数)进行显著性检验,检验潜变量之间以及潜变量与观测变量之间的系数是否显著。

标签:;  ;  ;  

顾客满意度指数模型的估计与检验_顾客满意度论文
下载Doc文档

猜你喜欢