本研究变量的测量部分基于过去研究所开发的成熟量表，部分基于文献分析和扎根理论研究而提出的量表，因此，为确保这些量表能有效用于研究假设，在此对测量模型进行评价。
根据博伦（Bollen，2000）的建议，研究测量模型的评估可以逐个部分进行匹配检验。因此，本部分将模型中的变量分为5个部分进行分析，分别是口碑信息变量（口碑视觉线索、口碑数量）、传播者变量（关系强度、专业性）、个体特征变量（信任倾向、品牌印象、产品涉入）、中介变量（感知风险、信任）和行为意愿变量（购买意愿、再传播意愿）。每个部分建立测量模型、分别进行验证性因子分析。
本部分通过结构方程模型对数据质量进行验证性分析。在进行分析之前，首先对结构方程测量模型及其评估指标做一说明。
5.3.1结构方程模型概述
5.3.1.1结构方程模型内涵
实证研究的进行，根据方法与目的不同，主要分为探索性研究（exploration research）与验证性研究（confirmatory research）两种。由于探索性因子分析（EFA）用于测量效度和信度的评价，具有一定的学术争议（黄芳铭，2005）。EFA的分析，对结构效度提供的是必要而非充分的信息，也就是说，EFA无法提供一个结构效度的理论说明。因此，学者们更倾向于采用验证性因子分析（confirmation factor analysis，CFA）来进行测量效度和信度的评估[博克等（Bock et al。），2005；黄芳铭，2005]。
结构方程模型（SEM）是基于变量的协方差矩阵或相关系数矩阵分析变量间关系的统计方法，为近年西方数理经济学界所常用，它能够有效整合路径分析和因子分析。通过把一系列假设变量之间的因果关系反映为统计因果模式的综合假设，结构方程能够较好地体现解释变量对被解释变量的影响程度。完整的结构方程模型由测量模型和结构模型两部分组成。测量模型通过确认性因子分析来识别观测变量和因变量之间的关系，结构模型验证是各条路径的统计显著性。
在结构方程测量模型中，观察变量和隐变量之间的关系通常用以下方程表示：
其中，x代表外生指标组成的向量，y代表内生指标组成的向量，Λx代表外生指标与外生潜变量之间的关系，是外生指标在外生潜变量上的因子负载矩阵，Λy代表内生指标与内生潜变量之间的关系，是内生指标在内生潜变量上的因子负载矩阵，δ代表外生指标的误差项，ε代表内生指标的误差项。
隐变量之间关系一般用如下形式表示：
其中，η为内生变量的m×1阶任意向量，Β代表η变量的m×m阶相关系数矩阵，ε为内生变量的n×1阶任意向量，Γ代表ε变量的n×n阶相关系数矩阵，ζ代表结构关系中的m×1阶残差向量。
5.3.1.2结构方程模型的测量步骤
使用结构方程进行统计分析需要经过5个步骤：
第一步，理论设定。根据理论和以往研究成果得到研究假设，并用结构方程模型的形式表现出来，可以是模型路径图，也可以是方程组。
第二步，模型识别。模型识别是决定模型是否可解以及多解的关键步骤。SEM模型构造出来后，要确定此模型中需要估计的参数，然后可以利用一些规则（如t规则）决定模型是否是可识别的。
第三步，模型估计。估计方法主要有：最大似然法（ML），广义最小二乘法（GLS）、工具变量法（IV）、两阶段最小平方法（TSLS）、广义加权最小平方法（WLS）等，最常用的模型估计方法是最大似然法（ML）和广义最小二乘法（GLS）。
第四步，拟合度评估。在取得参数估计值后，需要对模型与数据间是否拟合进行评估，并与替代模型的拟合指标进行比较。拟合指数分为绝对拟合指数和相对拟合指数。由于拟合指数繁多，通常需要多个指标综合进行考虑，常用的有卡方χ2统计量、RMSEA、GFI、CFI以及NNFI等指标。具体拟合标准接下来进行说明。
第五步，模型修正。根据分析结果和拟合评估结果，对模型进行必要的修正，以使之达到最佳。
5.3.1.3拟合指标
在多种用以衡量模型拟合程度的指标中，没有一个可用来准确测定建模的成功与否，不存在“理想的”拟合指数。在进行模型的检验时，应综合考虑多个不同的指标，不能仅依赖于其中某一种指标。
在结构方程模型中常用的衡量计算模型与数据的拟合程度指标有5个：
（1）卡方与自由度的比值（χ2/df）。卡方指数是衡量模型整体拟合优度的重要指数，但是以卡方作为验证理论模型与现实的适配程度，很容易受到样本量的干扰，当样本数量超过200时，卡方指标的科学性将下降，因此巴戈齐和殷（1988）建议在衡量模型拟合度时采用卡方和自由度的比值作为标准。卡明尼斯和麦克弗（Carmines＆Mclver，1981）认为此值在3以下是合理的，惠顿等（Wheaton et al。，1977）则把合理与否的界限放宽至5.
（2）拟合优度指数（GFI）和调整后的拟合优度指数（AGFI）。前者是对假设模型能够解释的方差和协方差的测度。后者用于诊断模型拟合是否通过过多的协相关系数过度拟合数据导致。一般认为GFI和AGFI大于0.9，表明模型与数据的拟合程度高。西格斯和格罗佛（Segars＆Grover，1993）提出GFI和AGFI大于0.8也可以接受。但也有研究认为，GFI和AGFI对总体渐进值的估计有偏差。
（3）规范拟合指数（NFI）。用以测量独立模型和假设模型之间的卡方缩小比例。NFI大于0.9，表明模型与数据的拟合程度高。但此指标易受样本量的影响。
（4）比较拟合指数（CFI）。由本特勒（1990）提出，通过与独立模型比较来评价拟合程度。CFI大于0.9，表明模型与数据的拟合程度高。
（5）近似均方根残差（RMSEA）。由斯泰格尔（Steiger）和林德（Lind，1980）提出用以反应协方差结构信息。RMSEA指标对错误模型较为敏感，而且能够惩罚复杂模型。该指标越小越好。斯泰格尔和林德认为，RMSEA取值在0.08下表示较好的拟合，在0.05以下表明数据与模型拟合得很好，如果超过0.1则表明拟合得很差。
5.3.1.4评估内容和程序
（1）测量项目的信度。在CFA中，可以给出不同项目的信度指标，其值为单个项目的标准化负荷系数的平方。当该系数值较低时，表示该项目较不一致，是比较差的测量项目，应该考虑删除。巴戈齐和殷（1988）将其标准采用0.50为最低接受值，这意味着项目标准化负荷系数必须在0.71以上，这是一个较为严格的标准，在结构方程中会带来诸多解释方面的困难。在实际应用中，一般认为只要项目标准化负荷大于0.50，且t值达到显著即可（黄芳铭，2005）。
（2）测量因子的信度。CFA计算出来的个别项目的标准化负荷量，可以用来获取因子的信度，这种信度被称为建构信度（construct reliability），也称为组合信度（composite reliability）。其计算公式如下：
CR
关于测量因子信度的评估标准，巴戈齐和殷（1988）认为潜变量的建构信度宜大于0.60，也有人认为信度系数在0.9以上是“优秀的”，0.8左右是“非常好的”，0.7则是“适中”，0.5以上可以接受，低于0.5表示至少有一半的观察变异来自于随机误差，因此其信度不足，不能接受[克兰（Kline），1998]。因此，综合地讲，在进行验证性因子分析时，个别变量指标信度可以采用0.5作低标，而潜在变量的信度相对需要高一些，采用0.6作为低标比较合适（黄芳铭，2005）。
（3）测量因子效度。如前述探索性因子分析时一样，这里只涉及结构效度的收敛效度和区分效度的评估标准。
收敛效度。在验证性因子分析中，海厄等（Hair et al。，1998）认为，通过使用平均方差抽取量（Average Variance Extracted，AVE）以及因子的组合信度，来衡量测量的收敛效度。AVE可以观察到项目的总变异有多少是来自于潜变量的变异量。一般认为，如果提取的平均方差在0.5或者以上，表明构建的变量的测量具有良好的收敛效度（博克等，2005；巴戈齐和殷，1988）。计算公式如下：
AVE
区分效度。在验证性因子分析中，对于区分效度的评估有两种方法：其一，根据福内尔和拉尔克（Fornell＆Larcker，1981）的建议，采用将平均方差抽取量AVE的平方根，与该潜变量与其他潜变量之间的相关系数进行比较，如果前者远远大于后者，则说明每一个潜变量与其自身的测量项目分享的方差，大于与其他测量项目分享的方差，从而说明了不同潜变量的测量项目之间具有明显的区分效度（福内尔和拉尔克，1981；博克等，2005）。其二，针对结构方程模型中的测量方程，两个因子之间的区分效度检验，可以通过求限制模型与未限制模型间的卡方χ2值差，若两者的卡方χ2值差距越大，表示两个因子的区分度越大，因此，如果卡方χ2值的差距达到显著水平（p＜0.005），则表示两个因子具有较高的区分效度。
5.3.2口碑信息变量
5.3.2.1模型设定
本部分包括两个变量，分别是口碑视觉线索和口碑数量，各自测量项目都是4个。因此，本部分验证性因子分析模型共涉及测量指标8个。口碑信息变量验证性因子分析模型设定。
5.3.2.2模型识别
在本模型中，共计有8个观测指标，因此总的自由度为q（q 1）/2=36，而要估计的参数包括：8个负荷系数、1个变量相关系数和8个测量指标的误差方差，共计17个估计参数，t=17＜36，满足上文所述的模型被识别的必要条件也即t规则。
根据验证性因子分析模型识别的三指标经验规则，本模型每一个潜变量均有3个以上的测量指标，因子负荷矩阵的每一行有且只有一个非零值，这意味着每一个指标只测量一个特质潜变量，没有横跨因子现象，而且残差的协方差矩阵为对角矩阵，即特殊因子之间相互独立。因此，根据三指标经验性规则，本模型也满足模型被识别的充分条件。
5.3.2.3模型评价
运用AMOS7.0软件，采取固定负荷法和极大似然法（ML），对整个模型进行评估。
运行结果中，各拟合指标的数值为，χ2
53.902，χ2/df
2.83；GFI
0.963，AGFI
0.929，CFI
0.976，NFI
0.972，RMSEA
0.062，均达到了满意的标准，模型拟合情况良好。
5.3.2.4信度评估
从单个项目的信度来看，项目信度处于0.591～0.826之间，大于0.50的标准，因此，可以认为单个项目的信度是可以接受的。因子的信度，主要由组合信度（CR）来评估。根据公式计算出来的组合信度，都大于0.8，高于前述的0.5或0.6的标准。因此，因子的信度是可以接受的。
5.3.2.5效度评估
主要从平均方差抽取量（AVE）来检验区分效度和聚合效度。根据AVE公式计算出来的AVE值大于或接近0.50的标准，结合前述探索性因子分析的结果，表明构建的变量的测量具有良好的收敛效度。
采用将平均方差抽取量（AVE）的平方根，与该潜变量与其他潜变量之间的相关系数进行比较，如果前者远远大于后者，则说明每一个潜变量与其自身的测量项目分享的方差，大于与其他测量项目分享的方差，从而说明了不同潜变量的测量项目之间具有明显的区分效度。口碑视觉线索和口碑数量测量AVE的平方根分别为0.753、0.719，相关系数为0.352.模型具有一定的区分效度。
5.3.3传播者变量
5.3.3.1模型设定
本部分包括两个变量，分别是专业性和关系强度，各自测量项目都是4个。因此，本部分验证性因子分析模型共涉及测量指标8个。个体特征变量验证性因子分析模型设定。
5.3.3.2模型识别
在本模型中，共计有8个观测指标，因此总的自由度为q（q 1）/2=36，而要估计的参数包括：8个负荷系数、1个变量相关系数和8个测量指标的误差方差，共计17个估计参数，t=17＜36，满足上文所述的模型被识别的必要条件也即t规则。
根据验证性因子分析模型识别的三指标经验规则，本模型每一个潜变量均有3个以上的测量指标，因子负荷矩阵的每一行有且只有一个非零值，这意味着每一个指标只测量一个特质潜变量，没有横跨因子现象，而且残差的协方差矩阵为对角矩阵，即特殊因子之间相互独立。因此，根据三指标经验性规则，本模型也满足模型被识别的充分条件。
5.3.3.3模型评价
运用AMOS7.0软件，采取固定负荷法和极大似然法（ML），对整个模型进行评估。
运行结果中，各拟合指标的数值为，χ2
73.413，χ2/df
3.86；GFI
0.953，AGFI
0.910，CFI
0.973，NFI
0.969，RMSEA
0.07，均达到了满意的标准，模型拟合情况良好。
5.3.3.4信度评估
从单个项目的信度来看，项目信度处于0.537～0.824之间，大于0.50的标准，因此，可以认为单个项目的信度是可以接受的。因子的信度，主要由组合信度（CR）来评估。根据公式计算出来的组合信度，都大于0.7，高于前述的0.5或0.6的标准。因此，因子的信度是可以接受的。
5.3.3.5效度评估
主要从平均方差抽取量（AVE）来检验区分效度和聚合效度。根据AVE公式计算出来的AVE值大于或接近0.50的标准，结合前述探索性因子分析的结果，表明构建的变量的测量具有良好的收敛效度。
采用将平均方差抽取量（AVE）的平方根，与该潜变量与其他潜变量之间的相关系数进行比较，如果前者远远大于后者，则说明每一个潜变量与其自身的测量项目分享的方差，大于与其他测量项目分享的方差，从而说明了不同潜变量的测量项目之间具有明显的区分效度。专业性和关系强度测量AVE的平方根分别为0.783、0.667，相关系数为0.246.模型具有一定的区分效度。
5.3.4个体特征变量
5.3.4.1模型设定
本部分包括3个变量，分别是信任倾向、产品涉入和品牌印象，各自测量项目分别为4个、4个、5个。因此，本部分验证性因子分析模型共涉及测量指标13个。个体特征变量验证性因子分析模型设定。
5.3.4.2模型识别
在本模型中，共计有13个观测指标，因此总的自由度为q（q 1）/2=91，而要估计的参数包括：13个负荷系数、3个变量相关系数和13个测量指标的误差方差，共计29个估计参数，t=29＜91，满足上文所述的模型被识别的必要条件也即t规则。
根据验证性因子分析模型识别的三指标经验规则，本模型每一个潜变量均有3个以上的测量指标，因子负荷矩阵的每一行有且只有一个非零值，这意味着每一个指标只测量一个特质潜变量，没有横跨因子现象，而且残差的协方差矩阵为对角矩阵，即特殊因子之间相互独立。因此，根据三指标经验性规则，本模型也满足模型被识别的充分条件。
5.3.4.3模型评价
运用AMOS7.0软件，采取固定负荷法和极大似然法（ML），对整个模型进行评估。
运行结果中，各拟合指标的数值为，χ2=278.856，χ2/df
4.497；GFI
0.910，AGFI
0.867，CFI
0.954，NFI
0.946，RMSEA
0.068，均达到了满意的标准，模型拟合情况良好。
5.3.4.4信度评估
从单个项目的信度来看，项目信度处于0.562～0.861之间，大于0.50的标准，因此，可以认为单个项目的信度是可以接受的。因子的信度，主要由组合信度（CR）来评估。根据公式计算出来的组合信度，都大于0.7，高于前述的0.5或0.6的标准。因此，因子的信度是可以接受的。
5.3.4.5效度评估
主要从平均方差抽取量（AVE）来检验区分效度和聚合效度。根据AVE公式计算出来的AVE值大于或接近0.50的标准，结合前述探索性因子分析的结果，表明构建的变量的测量具有良好的收敛效度。
采用将平均方差抽取量（AVE）的平方根，与该潜变量与其他潜变量之间的相关系数进行比较，如果前者远远大于后者，则说明每一个潜变量与其自身的测量项目分享的方差，大于与其他测量项目分享的方差，从而说明了不同潜变量的测量项目之间具有明显的区分效度。信任倾向、产品涉入和品牌印象测量AVE的平方根分别为0.785、0.694、0.727，信任倾向与产品涉入，信任倾向与品牌印象及产品涉入与品牌印象的相关系数分别为0.526、0.366、0.557.模型具有一定的区分效度。
5.3.5中介变量
5.3.5.1模型设定
本部分包括两个变量，分别是感知风险和信任，各自测量项目是4个和6个。因此，本部分验证性因子分析模型共涉及测量指标10个。中介变量验证性因子分析模型设定。
5.3.5.2模型识别
在本模型中，共计有10个观测指标，因此总的自由度为q（q 1）/2=55，而要估计的参数包括：10个负荷系数、1个变量相关系数和10个测量指标的误差方差，共计21个估计参数，t=21＜55，满足上文所述的模型被识别的必要条件也即t规则。
根据验证性因子分析模型识别的三指标经验规则，本模型每一个潜变量均有3个以上的测量指标，因子负荷矩阵的每一行有且只有一个非零值，这意味着每一个指标只测量一个特质潜变量，没有横跨因子现象，而且残差的协方差矩阵为对角矩阵，即特殊因子之间相互独立。因此，根据三指标经验性规则，本模型也满足模型被识别的充分条件。
5.3.5.3模型评价
运用AMOS7.0软件，采取固定负荷法和极大似然法（ML），对整个模型进行评估。
运行结果中，各拟合指标的数值为，χ2
138.98，χ2/df
4.09；GFI
0.954，AGFI
0.924，CFI
0.974，NFI
0.968，RMSEA
0.059，均达到了满意的标准，模型拟合情况良好。
5.3.5.4信度评估
从单个项目的信度来看，项目信度处于0.573～0.812之间，大于0.50的标准，因此，可以认为单个项目的信度是可以接受的。因子的信度，主要由组合信度（CR）来评估。根据公式计算出来的组合信度，都大于0.7，高于前述的0.5或0.6的标准。因此，因子的信度是可以接受的。
5.3.5.5效度评估
主要从平均方差抽取量（AVE）来检验区分效度和聚合效度。根据AVE公式计算出来的AVE值大于或接近0.50的标准，结合前述探索性因子分析的结果，表明构建的变量的测量具有良好的收敛效度。
采用将平均方差抽取量（AVE）的平方根，与该潜变量与其他潜变量之间的相关系数进行比较，如果前者远远大于后者，则说明每一个潜变量与其自身的测量项目分享的方差，大于与其他测量项目分享的方差，从而说明了不同潜变量的测量项目之间具有明显的区分效度。感知风险和信任测量AVE的平方根分别为0.668、0.698，相关系数为0.577.模型具有一定的区分效度。
5.3.6行为意愿变量
5.3.6.1模型设定
本部分包括两个变量，分别是购买意愿和再传播意愿，各自测量项目是4个和5个。因此，本部分验证性因子分析模型共涉及测量指标9个。行为意愿变量验证性因子分析模型设定。
5.3.6.2模型识别
在本模型中，共计有9个观测指标，因此总的自由度为q（q 1）/2=45，而要估计的参数包括：9个负荷系数、1个变量相关系数和9个测量指标的误差方差，共计19个估计参数，t=19＜45，满足上述模型被识别的必要条件也即t规则。
根据验证性因子分析模型识别的三指标经验规则，本模型每一个潜变量均有3个以上的测量指标，因子负荷矩阵的每一行有且只有一个非零值，这意味着每一个指标只测量一个特质潜变量，没有横跨因子现象，而且残差的协方差矩阵为对角矩阵，即特殊因子之间相互独立。因此，根据三指标经验性规则，本模型也满足模型被识别的充分条件。
5.3.6.3模型评价
运用AMOS7.0软件，采取固定负荷法和极大似然法（ML），对整个模型进行评估。
运行结果中，各拟合指标的数值为，χ2
121.453，χ2/df
4.67；GFI
0.961，AGFI
0.924，CFI
0.977，NFI
0.973，RMSEA
0.073，均达到了满意的标准，模型拟合情况良好。
5.3.6.4信度评估
从单个项目的信度来看，项目信度处于0.632～0.854之间，大于0.50的标准，因此，可以认为单个项目的信度是可以接受的。因子的信度，主要由组合信度（CR）来评估。根据公式计算出来的组合信度，都大于0.8，高于前述的0.5或0.6的标准。因此，因子的信度是可以接受的。
5.3.6.5效度评估
主要从平均方差抽取量（AVE）来检验区分效度和聚合效度。根据AVE公式计算出来的AVE值大于或接近0.50的标准，结合前述探索性因子分析的结果，表明构建的变量的测量具有良好的收敛效度。
采用将平均方差抽取量（AVE）的平方根，与该潜变量与其他潜变量之间的相关系数进行比较，如果前者远远大于后者，则说明每一个潜变量与其自身的测量项目分享的方差，大于与其他测量项目分享的方差，从而说明了不同潜变量的测量项目之间具有明显的区分效度。购买意愿和再传播意愿测量AVE的平方根分别为0.773、0.682，相关系数为0.382.则模型具有一定的区分效度。