《表2 相关系数矩阵表：基于PPM框架的网络用户转换行为研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于PPM框架的网络用户转换行为研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在建构效度验证方面，本文将按常规检验收敛效度与区别效度。平均变异数萃取量（AVE:Average of Variance Extracted）可以表征潜变量的收敛效度，Fornell和Larcker(1981年）认为因子载荷系数（Factor Loading）大于0.7、AVE大于0.5的模型就有较好的收敛效度，按照Hair J F(2006年）的标准，对模型中因子载荷系数的要求并非刚性约束条件，比如做探索性因子分析时，因子载荷系数在0.6以上也是完全可接受的。区别效度能够验证2个不同变量在统计上是否有差异。根据平均方差萃取法，潜变量AVE值的平方根大于变量之间的相关系数，则区别效度存在。表2为相关系数矩阵，由表2可见，各潜变量的AVE值均大于0.5，模型具有收敛效度。由于AVE值的平方根均大于变量间相关系数，因此模型具有区别效度。此外，对于推动因素、拉动因素与锚定因素，根据Wang和Haggerty(2011年）[37]的研究，本文采用了一阶的反映型指标作为二阶形成型指标，权重均大于0.2，VIF值小于3，所得结果显著[38]。