《表1 奖励-惩罚对比分析虚拟变量阈限》

  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

《节事价值共创的非对称性及影响因素——基于观众和演职人员主体》

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

奖励-惩罚对比分析的核心是准确定义奖励系数与惩罚系数的阈值，这既是建立虚拟回归的基础也是准确识别各因素聚类的重要前提[11]。Caber等提出基于因素-表现率的四分法[28]，然而，Lai和Hichcock认为，样本充分限制是因素-表现率四分法的一个重要缺陷，因为受访者具有社会期望偏差，这种偏差导致其选择较低评分等级的可能性较小，此时倘若采用最低25%因素值设置惩罚虚拟变量，易出现样本量充分限制并显著影响研究信度和效度[11]。Mikulic和Prebezac认为，样本容量达到1000份以上，才能有效避免样本充分限制对研究结果的影响[29]，但实际研究受时间、地点或情境等因素的诸多限制，想要抽取到大样本的可能性较小。为了解决样本量充分限制的问题，以便采用小样本也能得到可靠的研究结果，就必须选择更适当的阈限值。Matzler和Sauerwein认为，要解决该问题就必须重新审视三因素理论中各因素的充要性与非对称性之间的关系[30]。他们认为在服务研究中，基础因素和兴奋因素的不同概率与总体满意度之间存在显著的非对称关系，与之不同的是，表现因素与被解释变量之间却存在近似线性对称关系。故此，在单因素评价区间里，假如以表现因素的满足均值为阈限值，那么被解释变量的均值曲线斜率与表现因素切线斜率应近似相等。所以，Matzler和Sauerwein提出，以表现因素切线形成的斜率视为该区间内被解释变量的阈限值[30]。基于上述理论，Lai和Hichcock认为奖励-惩罚对比分析的系数阈限值应为被解释变量的均值，即以被解释变量的均值为阈限值，大于被解释变量均值的部分设置为奖励系数，其数值为1，其余部分为0；小于等于被解释变量均值的部分设置为惩罚系数，其数值为1，其余部分为0[11]。依据Matzler和Sauerwein以及Lai和Hichcock的研究，本研究的奖励-惩罚变量阈限值如表1所示。