为了进一步对所提出的理论模型进行实证研究，本书拟采用的数据分析方法主要有以下几类。
4.5.1 描述性统计分析
本研究应用Spss中描述性统计功能，主要是通过百分比、平均数、标准差等统计数据来了解被调查样本的结构和分布，包括基本的人口统计特征分布、网络使用情况分布和网络购物情况分布，使得对于问卷被访者的大体结构有清晰的展示。通过基本统计分析，能够使分析者掌握数据的基本统计特征，把握数据的总体分布形态。描述性统计分析的结论对进一步的数据建模，将起到重要的指导和参考作用。
4.5.2 信度与效度分析
信度（Reliability）又叫可靠性，是指测量的可信程度，信度分析主要检验所设计的量表在度量相关变量时是否具有一致性和稳定性。常用的信度指标有三类：稳定性（Stability），等值性（Equivalance）和内部一致性（Internal Consistency）。其中内部一致性指标最为常用，它表示测量指标（问卷的问题项）之间的内部一致性或同质性。内部一致性常用克隆巴赫一致性系数（Cronbach's α）来测量，Cronbach's α的值一般是介于0和1之间，系数越大，说明该变量各个题项的相关性越大，即内部一致性程度越高。
问卷信度合格并不一定其效度也合格。信度是效度的必要条件，但非充分条件。效度可以定义为观测值之间的差异所反映的物体之间被测特性的真实差异程度，而不是系统误差或者随机误差。主要包括内容效度和结构效度。
1.问卷的内容效度（Content Validity）
内容效度也叫做表面效度或逻辑效度，是对量表的内容表现特定测量任务的优劣程度的一个主观而系统的评价，即指的是检验指标与测量目标之间的适合性和逻辑相符性。按照斯特劳勃的观点，保证测量工具内容效度的最好办法就是请熟悉该研究领域的专家对量表进行反复评价，直到取得最后的一致。此外，为了建立具有内容效度的问卷，研究者必须依循理论架构，搜集所有相关的问题与变量，并从中选择能够完整涵盖所界定的研究范围的问题，如此才能使量表具备充分的内容效度。
2.问卷的结构效度（Construct Validity）
结构效度主要是用来反映量表是否可以真正度量出所要度量的变量。主要分为收敛效度（Convergent Validity）与区分效度（Discriminant Validity）两种。以不同的方法来测量同一个构面时，其两个测量的结果之间，应具有较高的相关程度，即具有收敛效度。若以相同的方法来测量不同构面时，其两个测量结果之间，应具有较低的相关程度，即具有区分效度。
问卷的结构效度可以通过因子分析来检验，因子分析通常由探索性和验证性两种方式。一般来说，要使研究者是相对观测数据背后存在多少个基础变量一无所知，因子分析仅仅是用来作为探索基础变量的维数，这种类型的应用称为探索性因子分析；而在另一些情况下，研究者根据某些理论或其他先验知识可能对因子的个数或因子的结构做出假设，因子分析也可以用来验证这个假设，作为实证假设的工具，这种类型的应用则称为验证性因子分析。
在进行探索性因子分析前，先进行巴特利特球体检验（Bartlett's Sphericity Test）及KMO样本测度（Kaiser-Meyer-Olkin Measure of Sampling Adequacy），以检验各问项之间是否具有相关性。只有当这个相关性较高时，才适合做因子分析。KMO测度要求如下：当KMO达到0.9以上时，非常适合做因子分析；在0.8～0.9之间，很适合做因子分析；在0.7～0.8之间，适合做因子分析，0.6～0.7之间，不太适合做因子分析；0.5～0.6之间，只能勉强做因子分析；当KMO小于0.5时，不适合做因子分析。Bartlett球体检验从整个相关系数矩阵来考虑问题，其原假设为相关系数矩阵为单位矩阵。当Bartlett统计值的显著性概率小于等于a时，拒绝零假设，可以做因子分析。
在进行验证性因子分析时，当测量同一构面（Construct）的一组题目确实落在一个因子上时，则量表具有收敛效度；当理论上有区别的构面不具有高度相关性时，则量表具有区分效度。区分效度，从现有文献来看，有四种方法来检验区分效度，一是计算相关构面的相关系数，若该相关系数值的95%置信区间不包含1，则可以认为相关构面之间具有区分效度。二是对限定性和非限定性计量模型的卡方值（χ2）和自由度进行比较分析。设定限定性计量模型每一组构面之间的相关系数固定为1.0，非限定性计量模型则设定每组构面之间的相关系数为待估计参数，分别计算两个计量模型的χ2之差和自由度之差。非限定计量模型的χ2值低于限定模型的χ2值，且达到显著水平（Δχ2≥3.96），表明这组构面并不是两个相同的概念，构面之间具有区分效度。三是计算每个构面的平均变异抽取量与其他构面的相关系数，当一个构面的平均变异抽取量大于该构面与其他构面的相关系数平方时，表示这两个构面之间具有区分效度。四是比较各个潜变量被解释方差与该变量与其他变量的共同方差，如果前者大于后者，则表明该数据有较高的判别有效性。
4.5.3 单因素方差分析
单因素方差分析（One-way ANOVA）用来研究一个控制变量的不同水平是否对观测变量产生了显著影响。通过推断控制变量各水平下各观测变量总体的均值是否存在显著差异，分析控制变量是否给观测变量带来了显著影响。
对应于假设H：控制变量不同水平下各组均值有显著性差异，检验统计量F的表达式为：F，F值服从自由度为（k-1，n-k）的F分布，依据F分布表，Spss给出F值的表查出概率值P，对于显著性水平 α（默认值为0.05），若P≤α，则接受假设H，认为各组的均值存在显著嫌疑，即控制变量的不同水平给观测变量带来了显著影响；否则拒绝假设H，认为各组的均值不存在显著差异，即控制变量的不同水平对观测变量没有影响。
1.方差齐性检验
方差齐性检验是对控制变量不同水平下各观测变量总体方差是否相等进行分析。控制变量不同水平下观测变量总体方差无显著差异是方差分析的前提，因此，有必要对方差是否齐性进行检验。
2.多重比较分析
单因素方差分析只能判断控制变量是否对观测变量产生了显著影响，如果控制变量确实对观测变量产生了显著影响，需要进一步利用多重比较分析来确定控制变量的不同水平对观测变量的影响程度如何。
本研究主要分析不同人口统计特征（包括性别、受教育程度、年龄和收入）的用户在网上购物感知变量上的差异；不同网络使用经验的用户在网上购物感知变量上的差异。
4.5.4 结构方程模型分析
结构方程模型（Structural Equation Modeling，SEM）是由瑞典统计学家卡尔·G·约雷斯考克（Karl G。Joreskog）于20世纪70年代中期提出来的一种线性统计建模技术，综合运用多元回归分析、路径分析和验证性因子分析方法而形成的一种统计数据分析工具，可以用来解释一个或多个自变量与一个或多个因变量之间的关系。它是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，也可称之为协方差结构分析，其思想起源于20世纪20年代的塞维尔·怀特（Sewll Wright）提出的路径分析概念。近来，普遍应用于教育学、市场学、心理学、社会学以及管理科学方面的研究，在信息系统领域采用SEM进行实证研究的数量也在逐渐增加。
按照变量的特点不同，结构方程模型中的变量分为潜在变量（Latent Variable）和观测变量（Manifest Variable）。潜在变量是不可直接观测的，只能通过观测变量而间接度量，观测变量是具体的可测变量，即研究中所使用的测量指标。根据潜在变量在模型中的地位，又可分为两类：外生潜变量（Exogenous Variable）和内生潜变量（Endogenous Variable）。外生潜变量在模型中不受其他变量的影响，无“前因”并作为其他变量的“因”而存在，其值由外部输入模型，相当于自变量的概念。内生潜变量受模型中其他变量的影响，其值视其他变量而定，相当于因变量的概念。
就变量的关系而言，结构方程模型包含两部分内容：测量模型（Measurement Model）和结构模型（Structural Model），通常以路径图（Path Diagram）的形式描绘。结构方程模型的测量模型描述的是观测变量与潜在变量之间的关系，表明一个潜在变量是由哪些观测变量来度量的，单纯的测量模型就是验证性因子分析。结构模型描述的是潜在变量之间的关联。研究者企图验证的研究假设主要反映在结构模型部分。测量模型和结构模型两者密不可分，结构方程所处理的都是潜在变量，不可直接测量，所以需要变量设计的过程，从概念性变量逐级转换到操作性变量。测量模型正是描述此变量设计过程的内容。在结构方程模型应用中，首先要判断测量模型的有效性，通过所设计的观测变量是否能真实地测量出相应的潜在变量。如果潜在变量有效测量问题不可信，则进一步应用结构模型来分析外生潜变量和内生潜变量之间的关系就没有基础，得出的结果也是无效的。
一般来说，结构方程模型由三个矩阵方程式组成：
1.结构模型（Structural Equation Model）
ηBη+Γξ+ζ
2.测量模型（Measurement Model）
xΛxξ+δ
yΛyη+ε
其中：
η：m×1向量，内生潜在变量；
ξ：n×1向量，外生潜在变量；
B：m×m矩阵，内生潜在变量至内生潜在变量的通径系数；
Γ：m×n矩阵，外生潜在变量至内生潜在变量的通径系数；
ζ：m×1向量，内生潜在变量的随机误差；
x：q×1向量，外生潜在变量ξ的标识变量；
Λx：q×n矩阵，标识变量x对外生潜在变量ξ的回归系数；
δ：q×1向量，x的测量误差；
y：p×1向量，内生潜在变量η的标识变量；
Λy：p×m矩阵，标识变量y对内生潜在变量η的回归系数；
ε：p×1向量，y的测量误差；
以上模型满足：
ε与η不相关；δ与ξ不相关；ζ与ξ不相关；ζ，ε和δ互不相关；
协方差矩阵为：
Cov（ξ）Ψ（n×n）Cov（ζ）Ψ（m×m）
Cov（ε）Θε（p×p）Cov（δ）Θδ（q×q）
总之，结构方程模型的建立共涉及到八个基本的参数矩阵：Λx，Λy，В，Г，Φ，Ψ，Θε，Θδ。前面的四个矩阵已经在测量模型和结构模型中出现过，Φ为潜在变量ξ的协方差矩阵，Ψ为残差项ζ的协方差矩阵，Θε和Θδ分别是ε和δ的协方差矩阵，其中Λx、Λy、В、Г给出了模型中因子负荷和路径系数的估计值，Φ给出了潜在变量之间的相关系数估计值，Ψ、Θε和Θδ给出了模型的统计检验依据。模型的设定实际上就是设定上述八个矩阵中所包含的一整套模型参数。这些模型参数既可以设定为固定参数，也可以设定为自由参数。
结构方程模型分析过程即上述方程组的拟合过程通常包括五个主要步骤。
（1）模型设定（Model Specification）：建立结构方程模型，即在进行模型估计之前，研究人员先要根据理论分析或以往研究成果来设定初始理论模型，包括明确各个潜在变量的观测变量、潜在变量之间的关系等。通常，使用路径图明确变量之间的因果关系，也就是初步拟定上述方程组，同时对于方程组中需要固定的系数予以相应的设置。
（2）模型识别（Model Identification）：要决定所设定的模型是否能够对待估计参数求解，在一些情况下，由于模型设定的问题，造成了模型不可识别的问题，即上述方程组中待求系数太多而方程数目太少。利用识别法则判断模型是否可以识别，如果模型不能识别，就无法得到参数的唯一估计值。
（3）模型估计（Model Estimation）：模型参数可以采用几种不同的方法来估计，通常的方法包括最大似然法和广义最小二乘法。
（4）模型评价（Model Evaluation）：考察模型是否能充分地对样本数据进行解释。评价模型是否是一个理想的模型相当复杂，整个过程需要进行多种检验：既需要对模型中的参数进行检验，又需要对测量方程和结构方程进行检验，还需要考虑整个模型的拟合程度。
（5）模型修正（Model Modification）：如果模型拟合效果不理想，就需要对模型进行修正，在修正过程中，仍然需要以理论为指导，保证模型的合理性，而不能一味地追求统计拟合效果。如果完全跟着数据走，很有可能得到的是一个无法解释的模型。模型修正后，仍然需要对修正的模型进行检验，再根据检验结果判断是否还需要进一步调整模型。
从上面的分析可以看出，结构方程模型主要有以下几个优势：
（1）可以同时考虑并处理多个因变量。利用回归分析或路径分析方法处理多个因变量时，是对每一个因变量逐一计算，这样在计算一个因变量时，就忽略了其他因变量的存在及影响。但是，在结构方程模型中，允许统一模型中出现多个因变量，在模型拟合时对所有变量的信息都予以考虑，可以增强模型的有效性。
（2）允许自变量和因变量均含有测量误差。从测量方程中可看到，潜在变量的观测包含了大量的测量误差。而回归分析只允许因变量存在测量误差，假定自变量没有误差。结构方程模型将这种测量误差纳入模型，能够加强模型对实际问题的解释性。
（3）可以在一个模型中同时处理潜在变量和观测指标之间的结构。传统的统计方法中，观测指标和变量之间的关系往往是分开出的——对观测指标先进行测量，评估指标的信度与效度，通过评估标准之后，才将变量用于进一步的分析。在结构方程模型中，则允许将潜在变量和观测指标之间的结构关系纳入同一模型中同时予以拟合，这不仅可以检验观测变量的信度和效度，还可以将观测变量信度的概念整合到路径分析等统计推论中。
（4）允许更大弹性的测量模型。传统的因子分析方法，只允许每一个指标隶属于单一因子，更不存在高阶因子的情况；而结构方程分析容许一个指标从属于多个变量或考虑高阶因子等比较复杂的从属关系的模型。
（5）估计整个模型的拟和优度。在传统路径分析和因子分析中，只能估计每一个路径的大小和因子载荷；而在结构方程模型中，我们还可计算不同模型对同一个样本数据的整体拟合程度，从而判断哪一个模型更接近数据所呈现的关系。
与传统回归分析相比，结构方程模型可以有效解决变量间多重贡献和测量误差的问题，充分考虑多因变量问题，能够较好地体现研究人员的专业和理论思维，其最大的优点在于可以整体、综合地分析变量间的关系，从而得到更为可靠的结果。需要特别指出的是，结构方程模型分析方法是一种验证性（Confirmatory）分析技术，而不是探测性（Exploratory）手段。也就是说，应用结构方程分析方法可以确定一个特定模型是否合理，而不是去发现一个适合数据的模型。本研究是为了验证我们所设定的电子商务用户接受结构模型，因此，选择结构方程模型作为本研究的分析工具是适当的。
