中图分类号：F406.3文献标志码：A文章编号：1008-4339（2004）03-0254-05 随着买方市场的形成以及对质量管理的研究的深入发展，国内外日益关注对顾客满意度的研究和实践[1]。由于顾客满意度对大多数企业未来的收入有直接影响，几年前还不多见的顾客满意部门目前在公司里已经悄然出现，这些部门的目标是跟踪顾客满意情况并协调企业的所有活动以保持或提高顾客满意水平，忠诚的顾客已被看作是企业的资产[2]。 作为企业，通过对本行业、本企业的顾客满意度进行调研和评价，确定影响顾客满意度的重要因素十分重要，这样企业才能采取相应的措施提高顾客满意度，从而提高企业盈利能力。现在一般采取的是用直接标度法进行评价各项因素的重要程度，即为应答者在一标尺范围内对某一产品或服务属性的重要性做出评定，例如从“不重要”到“十分重要”。这种方法简单明了，但存在的问题是顾客经常会认为每个指标都是重要的，造成指标重要程度比较集中，无法准确地找到对顾客最重要的影响因素，从而无法达到资源合理配置的效果。这是在顾客满意度研究中需要重点解决的问题[3]。 最近，多元回归技术被应用于顾客满意度的研究，以各指标为自变量，顾客总体满意度为因变量，可以测量出各指标的重要性。通常我们在进行顾客满意度测量时假定各项指标对顾客满意度的影响均是线性的，这样就可以应用回归分析方法得到各指标对于总体顾客满意度的相对重要性[4]。 一、方法研究综述与比较分析 1.多元线性回归 多元线性回归是运用普通最小二乘法对原始数据直接进行参数估计，根据参数估计值的大小来确定各个指标对于顾客满意度的影响程度，从而找出影响顾客满意度的重要因素，这时要求数据必须满足四个古典基本假定，但是在实际生活中，数据并不全都满足这些条件，如果继续使用普通最小二乘方法，很可能得到与实际意义不符合的参数估计值。 因此，多元线性回归适用于变量较少、数据满足四个古典基本假定的情况，这时计算简单方便，很容易准确地确定顾客满意度的重要影响因素。但是现实中的数据往往存在着多重共线性或其他问题，这就需要我们对数据进行改进或者采用特殊的方法进行参数估计[4，5]。 2.逐步回归 逐步回归分析方法的形成思想是：考虑全部变量方差贡献值的大小，按照其重要性逐步选入回归方程。结果是把显著的自变量包含在模型中，不显著的变量剔除在模型之外。根据进入变量的参数估计值的大小确定顾客满意度的重要影响因素[6]。 逐步回归适用于变量较多、样本容量较大、变量间不存在多重共线性的情况，这样可以迅速剔除那些对总体顾客满意度不重要的影响因素，保留下来重要的指标。因为在自变量高度共线的情况下，利用逐步回归法，往往会将一些对总体顾客满意度具有高度解释性的变量筛除，将本应保留的系统信息舍弃，从而导致分析模型的解释误差，大大影响回归模型的可靠性[7]。 3.主成分回归 前两种方法都不能很好地处理数据存在多重共线性问题，而主成分回归是将主成分分析与多元回归结合起来的一种分析方法，利用主成分分析可以克服在多元回归中出现的多重共线性问题。主成分分析可以把相关性较强的自变量综合在同一主成分中，各主成分彼此独立，使相关自变量变为相互无关主成分，尽可能取小残差绝对值和大累计方差百分比，充分利用原有的信息，然后把主成分回归方程转换为线性回归方程，可以得到因变量与原始自变量的标准回归系数，这样就克服了数据多重共线性的干扰，尽量不改变对因变量的解释程度，解决了多重共线性问题[8]。 根据因变量与原始自变量的标准回归系数的大小可以找出影响顾客满意度的重要因素，它适用于指标之间高度相关、数据之间存在多重共线性的情况。 通过降维的处理，我们提取的主成分把自变量的信息分成几个大类，某一大类由一个主成分来表现，这样就消除了产生多重共线性问题的根源——信息的重叠。但是它也存在着一些不足之处，因为有时候它的主成分的实际意义很难解释，并且在提取主成分时没有考虑到主成分与因变量的关系，导致主成分与因变量之间的关系不很直接，估计出来的参数是有偏的[8]。 4.偏最小二乘回归 偏最小二乘回归是一种新兴的多元统计数据分析方法，它于1983年由伍德（S.Wold）和阿巴诺（C.Albano）等人首次提出。密歇根大学的佛耐尔（Fornell）教授称偏最小二乘回归是第二代回归分析方法，并将其用于美国国家顾客满意度指数测量和研究。 偏最小二乘之所以被称为第二代回归方法，还由于它可以实现多种数据分析方法的综合应用。偏最小二乘回归方法是将多元线性回归分析、变量的主成分分析和变量间的典型相关分析有机地结合起来，在一个算法下，同时实现了回归建模、数据结构简化和两组变量间的相关分析，给多元数据分析带来了极大的方便，它克服了多元回归和主成分回归的缺点。通过偏最小二乘回归最终得到的标准回归系数可以找出影响顾客满意度的重要因素，这种方法比较稳健可靠。
