Niveau: Fortgeschritten
【Moderator】
Takenori Takahashi, Gastprofessor, Graduate School of Health Management, Keio University
[Zusammenfassung der Ankündigung]
Der Hauptzweck der selektiven bilateralen Kausalanalyse in der CS-Erhebung (Customer Satisfaction) besteht darin, "objektiv zu klären, welches Ziel angegangen werden soll". Aus diesem Grund konzentrieren wir uns auf die kausalen Items (Leistungen, Produkteigenschaften), die einen besonders starken Einfluss auf die Ergebnis-Items haben (Zufriedenheitsbewertung) und schließen diejenigen aktiv aus, die keinen Einfluss auf den Analyseprozess haben (The). nehmen Sie die Herangehensweise an die lebenswichtigen wenigen und die trivialen Vielen.).
Es ist jedoch wertvoll, die kausale Struktur von CS aus der Vogelperspektive zu erfassen, indem alle Daten verwendet werden, die in der CS-Erhebung nach Abschluss der selektiven bilateralen Kausalanalyse gesammelt wurden, da fortgeschrittene und nützliche Kenntnisse gewonnen werden können. Als sinnvolle Methode hierfür schlagen wir eine auf SEM (Structural Equation Modeling) basierende Methode vor, bei der das, was bei der selektiven bilateralen Kausalanalyse ausgeschlossen wurde, wiederbelebt und genutzt wird.
Diejenigen, die Einfluss auf die Faktoren des Kausalsystems haben (kausale Items und Faktoren), die keinen starken direkten Einfluss auf das Ergebnissystem haben, liefern wertvolle Informationen zum Verständnis der gesamten Kausalstruktur. Der Beginn der Pfaddiagrammerstellung für SEM nach der selektiven bilateralen Kausalanalyse ist die Verarbeitung des Strukturmodelldiagramms des Endergebnisses der selektiven bilateralen Kausalanalyse. Die im Analyseprozess ausgeschlossenen werden sequentiell wiederhergestellt und Schritt für Schritt wird eine Kausalstruktur aus der Vogelperspektive aufgebaut. Wie aus dem Obigen klar wird, ist das Wesen dieser Methode eine Umkehrkausalanalyse, bei der die durch selektive bilaterale Kausalanalyse erhaltene Kausalstruktur den Kern bildet und die dahinter stehenden Faktoren fokussiert und die Figur umgekehrt wird. Obwohl es sich nicht um das SEM selbst handelt, kann es als Quasi-SEM betrachtet werden, da es sich im Wesentlichen um einen dem SEM ähnlichen Ansatz handelt.
* In dieser Ankündigung wird kein Video veröffentlicht.
