表5.1 各变量Cronbach’s α系数值  （资料来源：本研究整理）
变量    项目编号    Cronbach’s α系数值
经济风险    PR1 PR2    0.686
功能风险    PR3 PR4 PR5    0.789
时间风险    PR6 PR7    0.743
心理风险    PR8 PR9 PR10    0.736
隐私风险    PR11 PR12    0.873
交付风险    PR13 PR14    0.739
服务风险    PR15 PR16 PR17    0.660
身体风险    PR18    0.620
社会风险    PR19 PR20    0.753

如表5.1所示，通过信度分析得出，功能风险、时间风险、心理风险、隐私风险、交付风险和社会风险的系数值均大于0.7，表明量表数据很可靠。而经济风险、服务风险、身体风险的系数值也均大于0.6以上，表明量表数据可靠。因此，总体可认为本研究的各个变量均具有较高的信度。
2）效度是指所测量到的结果反映所想要考察内容的程度。而效度分为内容效度、准则效度和结构效度三种类型。效度是测量的有效性程度，即测量工具确能测出其所要测量特质的程度，或者简单地说是指一个测验的准确性、有用性。如果测量结果与要考察的内容越吻合，则效度越高；反之，则效度越低。效度是科学的测量工具所必须具备的最重要的条件。
    效度分析方法有很多种，而常用于调查问卷效度分析的方法主要有单项与总和相关效度分析、准则效度分析和结构效度分析。本研究通过SPSS统计软件，将采用KMO 和 Bartlett’s Test来检验问卷的效度。结果如表5.2所示。
表5.2  KMO和Bartlett检验结果  （资料来源：本研究整理）
 一般普遍认为，KMO检测系数在0.9以上被认为是显著的，非常适合做因子分析；0.8-0.9之间是良好的，适合做因子分析；0.6-0.8之间是可以接受的；0.5-0.6之间勉强接受，0.5以下则不适合做因子分析。从表中可见，KMO值为0.623大于0.6，因此调查问卷可以进行因子分析，从因子分析的结果可知本问卷具有良好的结构效度和内容效度。
5.1.2 因子分析
因子分析是指研究从变量群中提取共性因子的统计技术。最早是由英国心理学家C.E.斯皮尔曼提出。因子分析是在众多的变量中找出隐藏的具有代表性的因子。其主要目的是用来描述隐藏在一组测量到的变量中的一些更基本的，但又无法直接测量到的隐性变量。因子分析可以将相同本质的变量归入一个因子，从而可减少变量的数目同时对可变量间关系的假设进行检验。因子分析要求原有变量之间有着比较强的相关性，如果原有变量之间相关性很低，即相对独立的话那么也就无法进行因子分析。本文对20个项目进行因子分析，采用的是主成分分析法，因子旋转采用正交旋转法。
1）显示变量之间的共同性结果如表5.3所示。
表5.3 变量之间的共同性  （资料来源：本研究整理）
 
2）因子解释原有变量总方差的情况如表5.4所示
表5.4整体解释的变异数  （资料来源：本研究整理）
 
由表5.4可知，共提取了6个因子。
第一组数据（第2列至第4列）描述了最初因子解的情况。根据表所示，第1个因子的特征根值为3.951，解释了原有20个变量总方差的19.756%，累积方差贡献率为19.756%；第2个因子的特征根为2.977，解释原有20个变量的14.887%，累积方差贡献率为34.643%；根据同理解释之后的因子，最后原有变量的总方差全部被解释掉。 SPSS感知风险下网上购物采纳模型研究(5):http://www.youerw.com/shuxue/lunwen_4008.html