这是UBS与您的第60次美好分享
预计阅读时间：8分钟
用户体验指标的刻画和评估是用户行为研究工作职责中重要的一个环节，但在实际研究中，“用户体验”往往是一个抽象而复杂的概念，难以被直接且单一的测量。并且，各个影响因素(变量)之间的关系往往也不是单向或一元的。为了弄清促进用户体验提升及产品各项指标增长的影响机制，我们将在这篇文章中介绍结构方程模型的概念及应用，供大家尝试探索。
1 结构方程模型概述及特点结构方程模型(Structural Equation Modeling，SEM)是一般线性模型的扩展，并非单指某一种特定的统计方法，而是一套用以分析共变结构的技术整合。SEM将因素分析和路径分析有机结合，相较于传统的回归分析方法，它具有能处理多个因变量、考虑测量误差影响等优势，更适合用于解决实际业务中受多因素影响的用户体验问题。
2 结构方程模型组成及应用
结构方程模型由两部分组成，即测量模型(Measurement Model)和结构模型(Structural Model)。本文将主要介绍以上两个模型的概念及其应用。
2.1 测量模型在实际研究中，并非所有的概念都是可以被直接观察和测量的。比如我们在调研爱采购卖家的体验时，这里的卖家体验其实就是一个抽象的概念，是卖家对平台所有可观测量化指标的综合反映，这些指标可能会包括卖家通过平台获得的询盘量、订单量、主要权益的满意度、接收到服务速度和质量等等。在SEM中，如用户体验这些抽象且无法直接测量的概念，被称作“潜变量(Latent Variable)”，而那些能被直接观测的变量，如询盘量，则称为“观察变量(Observed Variable)”或“外显变量(Manifest Variable)”。我们了解越多卖家对平台有效观察变量的反馈，对卖家体验的刻画就越真实可靠。基于对测量模型的验证，我们发现卖家对平台的综合体验，可以在一定程度解释为卖家对平台的效果体验，权益体验和服务体验(满意度)的集合。需要注意的是，观测变量并非能完全解释潜变量，在整体测量模型中同时存在无法解释的误差(也称残差)，误差大小及分布的影响是实际施测中同样需要考虑的部分。
下图所示为爱采购卖家体验测量模型，描述每个观测变量与潜变量关系的模型就是测量模型，通过构建测量模型，我们可以检验每个观察变量(如订单量)与相对应的潜变量(效果体验)之间的关系是否符合研究者所设计的理论关系，即进行验证性因子分析(Confirmatory Factor Analysis，CFA)。
2.2 结构模型
与检验观测变量和潜变量之间关系的测量模型不同，结构模型主要用于检验潜变量间的关系。如果单独看待结构模型，就是传统的路径分析(Path Analysis)，旨在解释变量间的因果或预测关系。
随着研究的深入，我们发现过去研究中常用的相关分析或一元/多元回归分析方法很难解释变量间的因果关系，比如在研究爱采购卖家续费意愿时，仅通过相关分析，很难判断是体验影响续费意愿，还是续费意愿影响体验。而单纯的使用多元回归分析，我们只能发现各体验维度指标对续费意愿的独立影响，而忽视了各体验指标间的相互作用。
当我们试图深入探索各体验指标之间的关系时，中介效应及调节效应分析为回答这个问题提供了可能性，中介效应和调节效应并非某种统计方法，而是分析变量间相互作用时常用到的关系描述。
2.2.1 中介效应
当X影响Y，并且X是通过一个中间变量M对Y产生影响时，则M就是中介变量(Mediator)，M起的就是中介作用(Mediation Effects)。比如假设新热内容的日均分发量(X)会影响用户的Feed推荐满意度(M)，进而影响用户Feed使用时长(Y)，此时Feed推荐满意度就是这一路径中的中介变量。
如果X与Y有关系，但是X与Y的关系受第三个变量Z的影响，那么Z就是调节变量(Moderator)，Z起的就是调节作用(Moderation Effects)。比如假设用户对Feed推荐满意度(X)会影响其Feed使用时长(Y)，同时这种影响关系会受到是否同时使用竞品(Z)的干扰，如Feed推荐满意度对同时使用竞品的用户Feed使用时长的影响力与不同时使用竞品的用户的影响力存在明显差异，这时竞品使用经验就在其中起到调节作用。
通过构建结构模型，我们能更全面清晰地反映出潜变量间的关系，除了直接的因果关系外，我们还会发现更多间接因果关系或其他非因果关系。如我们在研究爱采购卖家的续费意愿时，结合定性资料和前期调研，对整体续费模型做出假设，并通过SEM进行验证和修订，最终确定了影响卖家续费意愿的结构模型，如下图所示：
1)其中效果体验对续费意愿具有最强的直接效应，同时在权益体验和服务体验影响续费意愿的路径中发挥中介作用，是影响续费意愿的关键； 2)服务体验除了直接影响卖家续费意愿外，同时能通过影响效果体验和权益体验进而影响续费意愿，我们认为是提升续费的落点；
3 总结
总结上文，应用SEM方法能帮助我们在业务分析中通过可观测的外显变量验证潜在的构想概念，以厘清目标结构。同时能帮助我们验证各影响因素间复杂的相互关系，深入探索业务目标的影响机制。
但同时有以下几点需要注意：
1)SEM更多用于 验证性的分析 。因此在实际研究中，需要我们先结合业务分析、定性研究、理论总结等方法设定初始的理论模型，再加以验证。简而言之，假设先行，可以先把概念之间的影响路径画出来，再转变为统计模型进行修正； 2)SEM一般 要求比较大的样本量 。由于SEM所处理的变量数目较多，变量间的关系较为复杂，样本规模的大小会影响整体分析的稳定性和适用性。一般而言样本量需要超过200，当涉及潜变量较多时，可根据题目量的10倍设置样本量； 3)分析数据时直接使用 原始数据 。由于SEM的数学及统计学基础建立在方差和协方差分析中，使用SEM时应直接使用原始数据或样本的协方差矩阵，而非标准化数据或相关矩阵，以避免产生错误的参数估计或误差。最后，由于篇幅限制，本文仅对SEM的方法和应用进行了初步介绍，对于SEM更多的方法应用和具体操作感兴趣的同学可参考以下书目详细浏览学习。
推荐书目： 《结构方程模型的原理与应用》 ——邱皓政，林碧芳 《结构方程模型及其应用》——侯杰泰，温仲麟，成子娟
?喜欢就关注我们吧?
