2.1 数据回收与描述性统计

本次对于大样本的问卷调查开始于2016年11月，在调查对象选择时笔者借助了随机抽样的方式，调查所采取的方式包括有两种，分别为现场调查和网络调查，现场调查是笔者将调查问卷送达到参与调查的人员手中，并在一段时间间隔后进行回收；网络调查则是通过互联网进行电子版调查问卷的发放，同样相隔一段时间后回收，不论哪种调查的方式，笔者都保持与参与调查者的联系，争取调查问卷能够顺利回收。此次对于大样本的问卷调查，总共发放调查问卷208份，调查的地区涉及到全国多个省份，北京、上海、浙江、河北、天津、广东等19个地区，人员所涉及到的职业包括有在校大学生、自由职业者和一般公司职员等。调查结束后，总共回收问卷198份，对于无效问卷的剔除，主要采取以下几个原则：一是调查对象没有任何互联网适用经验的人员；二是问卷填写完整率不足95%以上者；三是问卷数据明显异常的，如所有测量项分值相同的。根据上述原则进行剔除后，最终得到有效问卷184份，有效回收率达到88.5%，满足问卷调查的需求。

笔者对问卷数据整理后进行人口统计变量的描述性统计分析，重点对调查对象的性别、年龄、文化程度、收入水平、职业、互联网购物经验等变量进行统计，得到如表5-20所示的结果：

表2-1 大样本调查的描述性统计结果（N=184）

从表2-1的大样本调查对象描述性统计的结果来看，在性别、文化程度、职业、年龄、收入水平、互联网购物经验等各个人口统计变量的情况来看，这些统计变量在不同分类属性下的描述性统计结果并不相同。

在大样本调查对象的性别方面，男性比例比女性比例更多，男性为52.78%，女性为47.52%；在大样本调查对象的文化程度方面，本科这一级别的人员最多，比例约为61.49%，硕士及以上的人员最少，比例为19.98%；在大样本调查对象的职业方面，与互联网关联度较大的职业人员比例较多，为64.35%，与互联网关联度较小的职业人员比例较少，为35.65%，划分职业与互联网关联度的基本标准是以所从事职业的绝大多数事务处理是否必须以互联网为根本的；在大样本调查对象的年龄方面，31岁至40岁的人员最多，比例为35.39%，21岁至30岁的人员次之，而41岁以上的人员最少，这同样说明调查对象以中青年群体为主；在大样本调查对象的收入水平方面，收入在2001至5000元这一档次的人员最多，比例为38.24%，万元以上收入的人员最少，比例为8.51%；在互联网购物经验方面，认为自己有丰富的互联网购物经验的人员比例为49.31%，认为自己有较少的互联网购物经验的人员比例为36.84%，认为自己没有互联网购物经验的人员比例为13.85%。

2.2 信度分析

本文以样本为基础对6个维度28个测量项的前因量表进行信度检验。从根本上讲，量表的信度表征了一个量表在重复测量后得到的一致性程度。因此，本文使用样本数据对前因量表的信度检验，便使用了以重测信度为核心的检验，并根据问卷结果计算Pearson系数，得到表2-2的分析结果：

表2-2 大样本的重测信度

注：**表示P<0.01，*表示P<0.05

根据表2-2的计算结果可以看出，优化之后6个构面的28个测量项的稳定性都较为显著，量表的信度较好。

本文在使用大样本进行前因量表信度检验的过程中，同样可以借助测量项与总体之间的相关系数即CITC以及Cronbach’s a系数值来衡量，验证的标准同样以CITC相关系数值大于0.5，同时Cronbach’s a系数大于0.7为主。通过在大样本基础上的上述系数验证，对前因量表各维度统计分析后得到如表2-3的结果：

表2-3 大样本的测量项信度验证结果

可以看出，在大样本检验前因量表信度的相关统计值中，测量项与总体之间的相关系数即CITC全部大于0.5，而各维度的总体Cronbach’s a系数值也均大于0.7，因此可以说，大样本检验结果表明，当前的用户隐私感知前因量表的信度是较高的，量表的稳定性和一致性都表现良好。

2.3 效度分析

在前文小样本检验前因量表效度的基础上，本文将继续使用大样本继续对前因量表效度进行检验，检验同样使用主成份分析法，利用因子的旋转得到因子载荷矩阵。根据因子分析的前提，首先对大样本实施KMO系数和巴特利球体检验，得到如表2-4的检验结果

表2-4大样本KMO和巴特利球体检验结果

根据表2-4的检验结果可以看出，小样本的KMO系数明显大于0.7，表明很适合做因子分析；而从Bartlett检验的结果来看，其统计值为2019.357，数值较大，相伴概率为0.000，小于0.5，因此同样可以判定同样适合因子分析。因此，本文将继续针对量表及小样本数据展开因子分析。通过因子分析的结果发现，使用大样本获得的因子分析结果中，同样抽取了6个主成分因子，这些因子的特征根均大于1，主成分因子的累计方差解释率达到81.354%，这在很大程度上表明了测量项本身的聚合效度。

综上所述，通过对样本进行移动电子支付环境下用户隐私感知前因量表的信度与效度分析，对量表进行了优化和完善，达到了满意的效果。