數(shù)據(jù)分析方法通常，管理研究中運用比較普遍的數(shù)據(jù)分析方法是多元回歸分析法，但是多元回歸方法存在兩個弱點（李懷祖，2000）：（1）、管理研究中難以回避一些無法直接觀測的變量，而多元回歸的因變量和自變量都要求可測，才能估計出回歸系數(shù)。比如本論文種的運營質(zhì)量，需要通過準確性、可靠性、準時性等來闡述一樣。結(jié)構(gòu)方程模型的廣泛應(yīng)用主要是因為在一般的回歸研究中所涉及的很多變量并不能直接、準確地測量，這些變量稱為潛變量(LatentVariable，簡稱LV)。人們可以找到一些可觀測的變量將其作為這些潛變量的“指標”(Indicators)，進而間接研究潛變量的性質(zhì)（劉金蘭2005）。傳統(tǒng)的統(tǒng)計分析方法通常不能有效處理這些含潛變量的問題，而結(jié)構(gòu)方程模型正是用來檢驗觀測變量和潛變量、潛變量和潛變量之間關(guān)系的一種多元統(tǒng)計方法。(理順一下邏輯)（2）、回歸分析難以處理多重共線性問題。因此，在涉及自變量多或自變量相互關(guān)聯(lián)復(fù)雜的系統(tǒng)時，人們需要在多元回歸分析的基礎(chǔ)上，探索新的數(shù)據(jù)分析方法。目前，在管理研究中，特別是采用問卷法收集數(shù)據(jù)的情況下，結(jié)構(gòu)方程建模是針對上述回歸分析的弱點而研發(fā)出來的并已得到較廣泛應(yīng)用的數(shù)據(jù)分析方法（李懷祖，2000）。根據(jù)所研究的關(guān)聯(lián)模型的特點，本文選擇結(jié)構(gòu)方程建模作為研究工具。本論文采用的分析檢驗方法包括：一般線性相關(guān)分析、多元回歸分析、主成分分析等，統(tǒng)計軟件是采用的是SPSS15，以及用于偏最小二乘的PLS（PartialLeastSquare）軟件SmartPLS2.0。4.3.1結(jié)構(gòu)方程簡介結(jié)構(gòu)方程模型（StructuralEquationModeling，簡稱SEM）是由瑞典統(tǒng)計學(xué)家KarlGJoreskog于和DagSorbom等學(xué)者在20世紀70年代提出來的一種線性統(tǒng)計建模技術(shù)。是對探索性因子分析、驗證性因子分析、路徑分析、多元回歸及方差分析等統(tǒng)計方法的綜合運用和改進提高。最近十多年來，結(jié)構(gòu)方程模型已成為一種非常通用的、主要的線性統(tǒng)計建模技術(shù)，廣泛應(yīng)用于經(jīng)濟學(xué)、管理學(xué)、行為科學(xué)等領(lǐng)域的研究。人們所熟悉的多元回歸（Multipleregression）、因子分析（FactorAnalysis）和路徑分析（PathAnalysis）等統(tǒng)計方法實際上都只是結(jié)構(gòu)方程模型的一種特例。結(jié)構(gòu)方程模型目前仍然是多元統(tǒng)計分析中一個前沿研究領(lǐng)域。目前，主要有兩大類估計技術(shù)來求解結(jié)構(gòu)方程模型。-種是基于最大似然估計(ML)的協(xié)方差結(jié)構(gòu)分析方法，如以LISREL方法為代表（AndersonJ.C,Rungtusanathamm,SchroederRGetal,etal1995）;另一種則是基于偏最小二乘(PLS)的分析方法,以PLS方法為代表（Chin.W.W1998）。國內(nèi)關(guān)于前者的討論已有很多，但對后者的研究卻較少。本論文的所應(yīng)用的分析技術(shù)就是偏最小二乘方法（PLSPartialLeastSquares）。4.3.2偏最小二乘PLS簡介偏最小二乘法（PLS：PartialLeastSquares）被稱為第二代的多變量技術(shù)，是一種新型的多元統(tǒng)計分析技術(shù)，是近年來模型參數(shù)估計的常用方法（HermanWold，1992）。PLS理論由兩個部分組成：PLS回歸與PLS路徑建模。最初，PLS回歸的應(yīng)用主要在化工領(lǐng)域。PLS路徑建模方法是PLS回歸的擴展與延伸，它于八十年代早期由HermanWold和Joreskog等人開發(fā)出來，相對PLS回歸的應(yīng)用范圍而言，PLS路徑建模技術(shù)在計量經(jīng)濟學(xué)和心理學(xué)以及管理行為等領(lǐng)域發(fā)揮著更為重要的作用。偏最小二乘回歸具有方法簡便、受限制小、應(yīng)用范圍廣的優(yōu)點。一般認為基于成分提取的PLS方法具有很強的解釋與預(yù)測能力，PLS是一種將主成分分析與多元回歸結(jié)合起來的迭代估計,該方法對不同潛變量的顯變量子集抽取主成分,放在回歸模型系統(tǒng)中使用,然后調(diào)整主成分權(quán)數(shù),以最大化模型的預(yù)測能力。此外，PLS最大的好處就是非參數(shù)檢驗，例如：如果不能保證變量的正態(tài)性以及同方差性質(zhì)，就可以用PLS。PLS對數(shù)據(jù)的分布沒有嚴格要求而且可以是小樣本。而基于協(xié)方差擬合的LISREL方法對數(shù)據(jù)的分布有一定的要求且需要足夠大的樣本，且必須要保證變量分布的嚴格假設(shè)。PLS方法也有它自己的缺點，首先PLS方法是有“偏”的最小二乘，因為估計的每一步都在給定其他參數(shù)條件下，對某個參數(shù)子集的殘差方差進行最小化。雖然在收斂的極限下，對所有殘差方差聯(lián)合的進行最小化，但PLS方法仍然是“偏”的，因為沒有對總體殘差方差或其他總體最優(yōu)標準嚴格的進行最小化。PLS通過最大化測量變量的可靠性估計和潛變量回歸的R2來計算潛變量得分，導(dǎo)致PLS參數(shù)估計有偏，使?jié)撟兞康梅值膬r值大打折扣。此外，因為PLS估計的潛變量路徑系數(shù)有低估，不能很準確的揭示潛變量之間的關(guān)系（Dijkstra,1983）；基于成分分析的算法（PLS）的外生潛變量的R2的數(shù)值比基于協(xié)方差的SEM的算法得出的值偏?。℉SU,Sheng-Hsunetal2006）。PLS的潛變量載荷的參數(shù)估計易于趨同，且有高估偏差；無法給出模型的檢驗，它所給出解釋變量與因變量之間的結(jié)構(gòu)關(guān)系過于抽象、難以理解，無法確定它們之間準確的數(shù)量關(guān)系。盡管如此，PLS還是由于它對于假設(shè)的限制比較小，且不需要有聯(lián)合多元正態(tài)分布，不需要大量的樣本，被認為是適合于理論發(fā)展的早期使用。目前，PLS成功的應(yīng)用于市場營銷研究、組織行為研究、以及信息系統(tǒng)研究。4.3.3為什么選擇偏最小二乘PLS在使用結(jié)構(gòu)方程建模中，PLS和LISREL兩種建模技術(shù)應(yīng)用最為廣泛，對于LISREL和PLS來說人們在兩種方法的選擇上一直存在分歧，一般認為PLS適用于以下情況：1、研究者更加關(guān)注通過測量變量對潛變量的預(yù)測，勝于關(guān)注模型的參數(shù)估計值大小，雖然PLS的估計量是有偏的，但可以根據(jù)測量變量得到潛變量的最優(yōu)預(yù)測。2、適用于數(shù)據(jù)有偏分布的情況，因為PLS使用非參數(shù)推斷方法（例如Jackknife），不需要對數(shù)據(jù)進行嚴格假定（比如多元正態(tài)分布、同方差性等等）；而LISREL卻有嚴格的假設(shè)觀測是獨立的，且必須服從多元正態(tài)分布。3、適用于小樣本研究，因為PLS是一種有限信息估計方法，所需要的樣本量比完全信息估計方法LISREL小得多。ChinandNewsted(1999)進行的MonteCarloSimulation證明顯示樣本的大小可以小至50。4、適用于較大、較復(fù)雜的結(jié)構(gòu)方程模型，因為PLS收斂速度非?？?，計算效率比LISREL更高。5、適用于有形成型（Formative）變量的結(jié)構(gòu)模型，LISREL只能處理反映型（Reflective）的潛變量，而不能處理形成型（Formative）的潛變量。而本文中的XX,XX是形成型的變量，而XX,XX是反應(yīng)型的變量，整個模型是屬于混合模型，因此，使用lisrel或AMOS是無法完成的。而關(guān)于形成型與反映型的區(qū)分，在大多數(shù)文章里面是沒有區(qū)分的，這樣的誤用會導(dǎo)致統(tǒng)計中的一類錯誤和二類錯誤的發(fā)生，從而導(dǎo)致檢驗的失效。本論文采用PLS的主要原因：1、本文的主要研究目的是找出對于外包合作關(guān)系有影響的因素，更加關(guān)注的是變異量的解釋。更加關(guān)注的是服務(wù)質(zhì)量對外包關(guān)系的解釋能力，而不是用所調(diào)查的數(shù)據(jù)與理論模型的擬合程度。2、樣本數(shù)量少，本文的樣本數(shù)量只有XX，對于用lisrel來說，樣本數(shù)量遠遠不夠，因此只能選擇PLS，PLS可以有效的處理小樣本問題。3、本文中的潛變量的結(jié)構(gòu)