5.3.1 结构方程模型的数学表示
由于本书涉及的变量较多，特别是感知风险和信任又存在多个维度，给模型的构建和运算会带来困难，也会产生较大的运算误差。本章第2节的分析结果表明，本研究各个研究变量及其构面的信度和效度均达到了理想标准，故可以将研究变量的多个度量指标缩减为少数构面的度量指标。感知风险的度量指标为隐私风险、时间风险、经济风险和产品风险四个维度，而信任的度量指标为正直、仁爱和能力三个维度。
具体来说，在面向电子商务的用户接受结构模型中，我们选取了12个潜在变量，其中7个外生潜在变量：信息质量ξ1，系统质量ξ2，服务质量ξ3，感知娱乐ξ4，主观规范ξ5，感知行为控制ξ6和感知风险ξ7；5个内生潜在变量：感知有用性η1，感知易用性η2，态度η3，信任η4和行为意向η5.
根据参数的设定：
5.3.2 结构方程模型的识别
结构方程模型识别法主要是t-法则和两步法则。
t-法则认为在结构方程模型中，记p为y指标的数量、q为x指标的数量，故可以产生（p q）（p q 1）/2个不同的方差或是协方差。如果理论模型成立，则有（θ），可以得到（p q）（p q 1）/2不同的方程，记t为模型未知参数的个数，则模型可识别的一个必要条件是：t＜（p q）（p q 1）/2.在本研究中根据所建立的结构方程模型，可以知道共需要估计139个自由参数，而根据指标数量，p20，q29可以得到=1225个方程，故满足t-识别法则。
两步法则就是把结构方程模型分为测量方程和结构方程两部分，按照各自的识别法则进行判断。在测量方程模型中，首先必须指定潜变量的测量单位，有固定方差和固定负荷两种方法，在本研究中采用固定负荷法，故在模型结果讨论和解释的时候，潜变量各有一个负荷无T值。其次如果每个潜变量至少有三个指标，则此测量方程是可识别，在本研究中，每一个潜变量指标数目都满足这一充分条件。在结构方程中，递归模型（即潜变量之间仅有单项的因果关系）是可识别的。根据可知，本研究模型就属于递归模型，故满足结构方程的识别要求。综合测量方程和结构方程识别结果可知，本研究模型满足模型识别的两步法则。
从上述分析可知，本书所提出的研究模型符合t-识别法则和两步法则，满足结构方程模型可识别的充分和必要条件，所有估计参数都有唯一解。
5.3.3 结构方程模型的估计
结构方程模型的估计一般有极大似然法、广义最小二乘估计等估计方法。本研究应用极大似然估计法对模型进行估计，现介绍如下。
使得拟合函数FML 达到最小值的估计即为极大似然估计。极大似然估计拥有许多良好的估计性质：（1）ML估计是渐进无偏（Asymptotically Unbiased）估计，即当样本容量增大时，（ML）收敛于θ；（2）ML估计是一致估计；（3）ML估计是渐进有效（Asymptotically Efficient）估计；（4）ML估计的分布是渐进正态分布；（5）ML估计尺度不变；（6）ML估计可以对假设模型进行整个模型检验，整个模型检验的原假设为：H0：（θ），检验的统计量为c（N-1）min{FML}，它的渐进分布自由度为p（p 1）/2——t 的 χ2，通常这个统计量为卡方统计量，不但是一个重要模型拟合参数，而且是大多数拟合参数的基础；（7）虽然ML估计需要假设指标是正态分布，但是很多研究指出，ML估计在一般场合是稳健（Robust）估计，即当正态条件不满足时，基于ML估计的结论仍然是可信的。由于ML估计拥有以上良好性质，故被本研究选为模型估计方法。
本研究的各种研究假设将通过Lisrel来完成，利用模型中的β和γ系数显著性来验证本研究模型及其假设。Lisrel是一种协方差分析方法，根据测量指标的方差和协方差对参数进行估计。Lisrel也接受相关系数矩阵，但是当测量指标过多时，用相关系数估计的结果存在矩阵不收敛的情况。本书首先使用Spss计算出协方差矩阵，然后输入Lisrel 8.70软件。
5.3.4 结构方程模型的评价
1.测量模型的拟合标准
各个变量在其测量指标上的因子负荷及其显著性检验值（T值）。从表可以看出，各指标在其变量上的因子负荷均大于0.7，且T值都大于2，即满足显著性。
测量模型建立后，需要对模型进行评价，也就是检验所提出的变量之间的关联模式是否与实际数据拟合以及拟合的程度如何。模型的拟合情况是通过一系列的拟合指标来检验的。
绝对拟合指数是将理论模型（Theory Model）和饱和模型（Saturated Model）比较得到的一个统计量。饱和模型是指各观测变量之间均容许相关，是最复杂的模型，其自由度为0，能百分之百地反映数据的原有关系。换一个角度看，拟合饱和模型相当于什么都没有做，所以绝对拟合指数衡量了所考虑的理论模型与样本数据的拟合程度，它只基于理论模型本身，不与别的模型比较。常用的有χ2/df，近似误差均方根（RMSEA），标准化残差均方根（SRMR），拟合优度（GFI）。
相对拟合指数则将理论模型与虚模型（Null Model）比较得到的统计量，虚模型是限制最多，拟合最不好的模型。简单地说，相对拟合指数是看看拟合程度改进了多少。常用的有常规拟合指标（NFI），非常规拟合指标（NNFI），比较拟合指数（CFI），增值拟合指数（IFI）。
简约拟合指数是前两类指数派生出来的一类指数，某个拟合指数对应的简约拟合指数是用简约比dft/dfn 以该指数。简约比中的dft 和dfn 分别是理论模型和虚模型的自由度。常用的有简约基准拟合指标（PNFI），简约拟合指标（PGFI）。
测量模型拟合指数值，其指标值均达到建议值，表明测量模型总体拟合符合要求，即测量模型结构合理，本研究所设计的观测变量能真实地测量出相应的潜变量。
2.结构模型的拟合标准
结构模型的各项指标都符合或是超过拟合标准。可以得出，观测方差的协方差矩阵与估计方差的协方差矩阵不存在显著性差异，样本数据与模型拟合程度较高。从以上三类指标与建议值的比较可以看出，本研究模型的整体拟合度非常好。
5.3.5 结构方程模型的修正
本研究将Lisrel 8.70计算的结果整理。可以看出，除了H2、H4、H7、H14、H17和H18被拒绝外，其他假设都得到证实。根据上述验证结论，对模型进行修正，将不显著的路径删除，再进行结构方程运算，结果。
修正模型中，除了主观规范至行为意向的路径系数γ55，以及信任至行为意向路径系数β54略低于原模型中对应系数，感知易用性至感知有用性路径系数β12略高于原模型中对应系数外，其他路径系数值基本上与原模型对应数值相同，且全部达到显著性水平，具体值。
现对修正的理论模型进行评价，即拟合指数的情况。从这些指标可以看出，修正模型的整体拟合程度非常高，并且相对于原有模型更加简约，自由度更大。
