微博对企业品牌建设的影响实证分析

    本篇论文目录导航：

【题目】微博意见领袖对企业品牌影响力的作用探析
【第一章】基于微博意见领袖的品牌营销研究绪论
【第二章】 微博意见领袖、品牌影响力的文献综述与理论基础
【第三章】微博意见领袖影响品牌影响力的研究设计
【第四章】微博对企业品牌建设的影响实证分析
【结论/参考文献】微博情境中意见领袖与品牌影响力的相互关系研究结论与参考文献

　　第四章 实证分析

　　本章节通过对调查问卷收集的数据进行描述性统计分析、问卷的信度与效度分析、因子分析以及结构方程模型分析等，验证依据建构理论模型所提出研究假设的真实性和可行性。

　　第一节 样本描述性统计分析。

　　基于表 4-1 统计的调研数据，主要有以下几点需要解释说明：

　　（1）本文主要研究微博意见领袖与品牌影响力间的相互关系，因此，调研对象是注册并使用微博的普通用户、微博会员等，非微博用户不属于此次调研人群，故人口统计变量中使用微博的用户数占 100%.

　　（2）调研数据显示，男性为 233 人，女性为 268 人，男女比例为 46.51:53.49,女性略高于男性，受访人群年龄集中于 20-29 岁之间，趋于年轻化，数据分布失衡主要有以下原因：2014 年微博用户发展报告表明，关注电商行业及其推广信息的用户群中女性占 51.7%成为绝对主力；年龄层面上 19-33 岁的粉丝居多占88.7%,因此，数据虽具有差异性但符合实际情况。

　　（3）受访人群主要集中于本科及以上学生，基于学生基本生活状况，每月可支配费用较多的分布于 2000 元以下。本次调研对象虽集中于学生群体，样本可能欠缺普适性，但仍然认为能够较好地满足研究需要，主要有以下原因：第36 次中国互联网络发展统计报告数据表明，网民职业结构中学生依然是最大群体，占比 24.6%;2015 年 6 月电商网站微博发展报告表明，平台活动关注者 77%的为大学学历，此外，学生既是接受品牌营销的主要群体，也是构成未来消费主体的核心力量，是营销活动中无法也不能忽视的一类消费者，因此，数据具有现实意义。

　　（4）受访人群注册到使用微博时间在 1 年以上分布较密集，每天花费于微博上的时间较多的集中于 1-4 个小时之间，购买微博中讨论产品的次数较多的分布于 6 次以下，主要基于以下基本情况：虽然微博流行于近几年，但由于受访者主要是在校大学生，接受运用新事物的速度较快，并且时间相对充裕，因而使用微博年限较长，每天有足够的时间、精力关注微博内容。此外，被调研者较多属于女性学生群体，所以参与购买微博中讨论产品的次数也符合实际情况，调研数据具有较高的真实性。

　　第二节 问卷信度与效度分析一、问卷信度分析信度分析，即运用相同的方法对某测量变量反复验证后获得数据结果的一致性程度，反映问卷设计中各待测变量题项间的关系以及各题项能否较好地测量相同的内容，体现问卷设计的稳定性。目前普遍采用 Cronbach's α 系数计算测量问卷的信度。当 Cronbach's α 低于 0.35 时说明问卷不可取测量结果无效需重新设计问卷，当介于 0.35-0.70 之间时表明信度一般，当大于等于 0.70 时则认为所设计问卷内部一致性较好，信度较高。本文借助统计学软件 SPSS20.0 分析理论模型中九个潜变量和问卷整体信度以及微博意见领袖、品牌影响力的信度，测量结果如表 4-2 所示，九个潜变量的 Cronbach's α 系数最低为 0.795,最高为 0.920,问卷整体 Cronbach's α 系数为 0.944,微博意见领袖 Cronbach's α 系数为 0.778,品牌影响力 Cronbach's α 系数为 0.936,表明本研究所设计问卷具有较高的信度。

　　二、问卷效度检验效度指运用测量工具准确衡量待测变量特质的程度，主要分为内容效度、准则效度与结构效度。其中内容效度指测量目标与内容间的相适性；准则效度指采取不同的测量方式对变量进行测量，通常以其中某一种测量方式为基准，将其余测量方式与其相比较，如果每种测量方式均有效则说明此测量方式具有准则效度；结构效度指测量工具反映调研结果与理论预期相一致的程度。本文所设计的调查问卷均选自国内外学者广泛使用的问项进行测量，因此具有较好的内容效度与准则效度，只需重点验证问卷结构效度是否符合标准即可。

　　本研究采用因子分析法判断问卷设计中各问项结构效度的强弱。相关研究表明，因子分析前首先需要对所收集的各待测变量问项的样本数据进行 KMO 和Bartlett 球形度检验，KMO 值越大，表明各问项间存在的共同因素越多，越适合做因子分析。本文采用 Kaiser 的 KMO 度量标准：若 KMO 值小于 0.5,则不适合做因子分析；若 KMO 值介于 0.5-0.6 之间，则因子分析较为勉强；若 KMO 值介于 0.6-0.7 之间，则因子分析不太适合；若 KMO 值介于 0.7-0.8 之间，则适合做因子分析；若 KMO 值介于 0.8-0.9 之间，则很适合做因子分析；若 KMO 值大于 0.9,则十分适合做因子分析。本文运用 SPSS20.0 对问卷整体效度与理论模型中各待测变量问项效度的分析如下表所示：

　　（一）问卷整体效度检验研究所设计问卷的 KMO 系数为 0.942,大于 0.7,Bartlett球形度检验显著性概率为 0.000,小于 0.01 达到显著性水平，适合做因子分析。

　　（二）微博意见领袖效度检验采用主成分分析法对微博意见领袖的四个测量维度进行因子分析，转轴运用方差最大法对因子载荷实施正交旋转，选取特征值大于 1 的特征根，共提取出四个共同因子，所抽取的四个因子累计方差贡献率为 76.262%,能够较好地解释原有 12 个变量，即原有变量数据丢失较少，因子分析较理想，问卷微博意见领袖部分有效。由表 4-5 可得，A1-A3 在第 4 个因子上的载荷均大于 0.8,属于视觉性因子；A4-A6 在第 2 个因子上的载荷均大于 0.8,属于专业性因子；A7-A9 在第 1 个因子上的载荷均大于 0.8,属于交互性因子；A10-A12 在第 3 个因子上的载荷均大于 0.8,属于活跃性因子。

　　采用主成分分析法对关系强度进行因子分析，选取特征值大于 1 的特征根，共提取出 1 个共同因子，因此，无法运用方差最大法对因子载荷实施正交旋转。

　　所抽取的 1 个因子累计方差贡献率为 68.442%,能够较好地解释原有 4 个变量，即原有变量数据丢失较少，因子分析较理想，问卷关系强度部分有效。由表 4-7可得，A13-A16 在第 1 个因子上的载荷均大于 0.8,属于关系强度因子。

　　（四）感知价值效度检验。

　　感知价值的 KMO 系数为 0.732,大于 0.7,Bartlett 球形度检验显著性概率为 0.000,小于 0.01 达到显著性水平，适合做因子分析。

　　采用主成分分析法对感知价值进行因子分析，选取特征值大于 1 的特征根，共提取出 1 个共同因子，因此，无法运用方差最大法对因子载荷实施正交旋转。

　　所抽取的 1 个因子累计方差贡献率为 78.441%,能够较好地解释原有 3 个变量，即原有变量数据丢失较少，因子分析较理想，问卷感知价值部分有效。由表 4-9可得，A17-A19 在第 1 个因子上的载荷均大于 0.8,属于感知价值因子。

　　（五）品牌影响力效度检验品牌影响力的 KMO 系数为 0.949,大于 0.7,Bartlett 球形度检验显著性概率为 0.000,小于 0.01 达到显著性水平，适合做因子分析。

　　采用主成分分析法对品牌影响力的三个测量维度进行因子分析，转轴运用方差最大法对因子载荷实施正交旋转，选取特征值大于 1 的特征根，共提取出 3个共同因子，所抽取的 3 个因子累计方差贡献率为 68.534%,能够较好地解释原有 15 个变量，即原有变量数据丢失较少，因子分析较理想，问卷品牌影响力部分有效。由表 4-11 可得，A20-A23 在第 2 个因子上的载荷均大于 0.7,属于品牌形象力因子；A24-A31 在第 1 个因子上的载荷均大于 0.6,属于品牌说服力因子；A32-A34 在第 3 个因子上的载荷均大于 0.8,属于品牌凝聚力因子。

　　综上所述，本部分运用统计学软件 SPSS20.0 对问卷整体、微博意见领袖、关系强度、感知价值、品牌影响力进行 KMO 和 Bartlett 球形度检验，并利用主成分分析法对 34 个测量问项进行因子分析，得出各测量问项 KMO 系数、Bartlett球形度均达到显著性水平，因子载荷绝对值均大于临界值 0.5,即原有变量数据丢失较少，能够解释绝大多数待测变量，问卷结构效度符合研究要求，问卷有效。

　　第三节 结构方程模型验证一、结构方程模型简介结构方程模型（structural equation modeling;简称 SEM）是一种呈现客观状态的数学模型，主要检测潜在变量与观察变量间的假设关系，有效地融合因素分析和路径分析两种统计学方法，归类于高等统计学范畴，属于多变量统计，不仅可以估计模型中指标变量、测量指标、潜在变量的测量误差，而且可以评估各待测问项的信度与效度，并能够直接反映出研究者所构念指标的有效性。通常结构方程模型包含潜在变量、观察变量、误差变异项等。本文以理论基础为依据，构建微博意见领袖影响品牌影响力的理论模型，主要探讨各变量间假设关系是否成立，因此选择结构方程模型分析显得更有意义，更为周详。

　　结构方程模型分析过程一般包括：相关理论探究、结构模型界定、测量模型界定、抽样调查、模型参数判定、模型适配度判别、模型是否需要修正、结果解释与讨论等八个环节。本研究在文献综述、研究设计等章节已较为充分地完成理论探究、结构模型构建、问卷调研数据收集等步骤，所构建的测量模型如图 4-1所示，因此，后续仅需进行模型参数、适配度判别，是否需要修正以及结果验证与讨论等。

　　二、测量模型内在质量与拟合度检验（一）测量模型内在质量分析由于平均方差抽取量（AVE）能够直接显示被潜在构念所解释的变异量有多少来自测量误差，组合信度则是检验潜在变量的信度指标。因而，本文在探讨微博意见领袖影响品牌影响力的结构模型所提出的研究假设是否成立之前，为判断所构建的测量模型内在质量是否理想，选择模型中潜在变量的平均方差抽取量（average variance extraccted;简称 AVE）与组合信度进行评估。

　　由于结构方程模型软件 AMOS21.0 无法直接获得平均方差抽取量（AVE）与组合信度的值，需要根据标准化回归系数即因子载荷的估计值计算得出。

　　（二）测量模型拟合度检验本研究运用 AMOS21.0 的极大似然估计法检验测量模型的拟合度，相关研究表明，判断模型拟合度是否符合标准的指数主要包括：卡方自由度比（x2/df）、适配度指数（GFI）、规准适配指数（NFI）、相对适配指数（RFI）、增值适配指数（IFI）、非规准适配指数（TLI）、比较适配指数（CFI）、渐进残差均方和平方根（RMSES）等。

　　该测量模型卡方自由度比（x2/df）=1.682 < 2,适配度较佳；适配度指数（GFI）、规准适配指数（NFI）、相对适配指数（RFI）、增值适配指数（IFI）、非规准适配指数（TLI）、比较适配指数（CFI）等均大于 0.90,适配度尚可；渐进残差均方和平方根（RMSES）= 0.037 < 0.05,适配度较佳。

　　总体而言，本研究测量模型拟合度较为理想，模型无需修正，适合运用结构方程模型方法判断理论假设是否成立。

　　三、结果验证与分析本研究运用结构方程模型中路径分析的方法对微博意见领袖影响品牌影响力的测量模型进行处理和分析，所构建测量模型中结构变量间关系如图4-1所示，其中，视觉性、专业性、交互性、活跃性属于外衍潜在变量；关系强度、感知价值、品牌形象力、品牌说服力、品牌凝聚力属于内衍潜在变量；A1-A34 属于观察变量；e1-e34 表示测量误差项；Z1-Z5 属于外衍潜在变量无法解释内衍潜在变量的部分称为残差项。

　　各变量间标准化路径系数均为正可得，视觉性、专业性、交互性、活跃性等外衍潜在变量均对关系强度、感知价值等内衍潜在变量存在正相关关系；关系强度、感知价值等内衍潜在变量对品牌形象力、品牌说服力、品牌凝聚力等内衍潜在变量同样存在正相关关系。为进一步验证各变量间假设关系是否成立，需要依据各变量关系中路径系数所对应的显著性概率 P 值是否达到显著水平加以判别。通常判断标准为：显著性概率 P<0.05,则认为达到显著水平，用"***"表示，研究假设成立；显著性概率 P≥0.05,则认为未达到显著水平，研究假设不成立。微博意见领袖影响品牌影响力中各变量间验证路径、路径系数以及显著性概率 P 值等详细数据。

　　验证结果如下：

　　（1）微博意见领袖与关系强度间存在正相关关系。其中，视觉性与关系强度间路径系数为 0.091,显著性概率 P ≥ 0.05,认为视觉性与关系强度虽存在正相关，但相关性不显著，即假设 H1a 不成立；专业性与关系强度间路径系数为 0.125,显著性概率 P< 0.05,认为专业性与关系强度间存在正相关关系，假设 H2a 成立；交互性与关系强度间路径系数为 0.227,显著性概率 P< 0.05,认为交互性与关系强度间存在正相关关系，假设 H3a 成立；活跃性与关系强度间路径系数为 0.146,显著性概率 P < 0.05,认为活跃性与关系强度间存在正相关关系，假设 H4a 成立。

　　（2）微博意见领袖与感知价值间存在正相关关系。其中，视觉性与感知价值间路径系数为 0.490,显著性概率 P < 0.05,认为视觉性与感知价值间存在正相关关系，假设 H1b 成立；专业性与感知价值间路径系数为 0.241,显著性概率 P<0.05,认为专业性与感知价值间存在正相关关系，假设 H2b 成立；交互性与感知价值间路径系数为 0.289,显著性概率 P<0.05,认为交互性与感知价值间存在正相关关系，假设 H3b 成立；活跃性与感知价值间路径系数为 0.243,显著性概率P < 0.05,认为活跃性与感知价值间存在正相关关系，假设 H4b 成立。

　　（3）感知价值与关系强度间路径系数为 0.507,显著性概率 P < 0.05,则认为感知价值与关系强度间存在正相关关系，假设 H5 成立。

　　（4）关系强度与品牌影响力间存在正相关关系。其中，关系强度与品牌形象力间路径系数为 0.539,显著性概率 P < 0.05,认为关系强度与品牌形象力间存在正相关关系，假设 H6a 成立；关系强度与品牌说服力间路径系数为 0.333,显著性概率 P < 0.05,认为关系强度与品牌说服力间存在正相关关系，假设 H6b 成立；关系强度与品牌凝聚力间路径系数为 0.549,显著性概率 P < 0.05,认为关系强度与品牌凝聚力间存在正相关关系，假设 H6c 成立。

　　（5）感知价值与品牌影响力间存在正相关关系。其中，感知价值与品牌形象力间路径系数为 0.336,显著性概率 P< 0.05,表明感知价值与品牌形象力间存在正相关关系，假设 H7a 成立；感知价值与品牌说服力间路径系数为 0.386,显著性概率 P< 0.05,表明感知价值与品牌说服力间存在正相关关系，假设 H7b 成立；感知价值与品牌凝聚力间路径系数为 0.328,显著性概率 P< 0.05,表明感知价值与品牌凝聚力间存在正相关关系，假设 H7c 成立。

　　基于上述实证结果得出，研究所选取的微博意见领袖中相关指标变量对关系强度、感知价值等中介变量影响程度不同，除视觉性对关系强度影响不显著外，其余变量间关系均通过显著性检验，假设成立，结论符合预期估计。视觉性对关系强度的路径系数为 0.091,显著性概率 P 值未达到显著水平，假设不成立，其原因主要由于：调研样本所选取的对象较多集中于具有高学历的在校大学生，本身认知能力较强，往往关注社会化媒体平台中规范性较强的信息，而忽视参差不齐，影响其阅读效率的内容，因此，研究结果表明，虽然视觉性与关系强度间路径系数为正，但并未达到显著水平，与调研人群的特征相符合。中介变量间存在较为显著的正相关关系，并且中介变量对因变量中品牌形象力、品牌说服力、品牌凝聚力等品牌影响力所选取的评估指标具有显著影响，此外，关系强度影响因变量的程度更为显著。综上所述，本部分研究结果证实了微博意见领袖与品牌影响力间存在关系，并且存在正相关关系的理论预期。