1、数据的描述性统计分析
小编运用ＳＰＳＳ１５．０统计软件，计算了４个潜变量对应的测项组合的平均值和标准差（Ｓｔｄ．Ｄｅｖｉａｔｉｏｎ），计算结果见表６．５。另外，针对地理商标形象和公司商标感知趋同两个变量，我们做了均值的区间估计。在９５％的置信区间，地理商标形象的均值为５．５０，标准误（Ｓｔｄ．ＥｒｒｏｒｏｆＭｅａｎ）为０．０５７，上限值为５．６１，下限值为５．３９；公司商标感知趋同的均值为５．５２，标准误为０．０８１，上限值为５．６８，下限值为５．３６。说明受访者对地理商标都有较高的评价，并普遍认为在共享地理商标情形下公司商标认知呈趋同化特征。2、构念测量的可靠性分析
小编使用ＬＩＳＲＥＬ８．８０版软件做验证性因子分析（测量模型分析）和结构方程模型分析。结构方程模型融合了因子分析和路径分析两种统计技术，相比传统多元回归技术而言，它的优势在于既能估计潜变量的结构关系，也能有效控制测量误差的影响。测量模型反映的是外显变量与潜变量之间的关系，结构方程模型反映的是验证模型中各个潜变量之间的关系。在检验验证模型之前，各个构念测量（ｃｏｎｓｔｒｕｃｔｍｅａｓｕｒｅｍｅｎｔ）的可靠性和有效性必须得到保证。构念只有被恰当的外显指标充分代表，才能确保构念测量的可靠性和有效性。为了提高模型分析中各个参数的稳定性，减少待估计参数，提高模型的拟合指标（ＮａｓｓｅｒａｎｄＷｉｓｅｎｂａｋｅｒ，２００３），小编采用测项组合的方法处理数据。测项组合（ｉｔｅｍｐａｒｃｅｌｉｎｇ）是对同一个构念测量中的两个或多于两个的测项进行加总或平均以形成集合性指标（ａｇｇｒｅｇａｔｅ－ｌｅｖｅｌｉｎｄｉｃａｔｏｒ）的过程（Ｌｉｔｔｌｅｅｔａｌ．，２００２）。使用测项组合，可以矫正非正态数据，可以使非正态数据以及分类变量数据正态化和连续化，以符合结构方程对模型估计常用的最大似然法和一般最小平方法的要求（Ｗｅｓｔｅｔａｌ．，１９９５）。测项组合相比单个测项而言，可改善测量的可靠性，提高指标之间的相关性和共同度，降低了减少指标数后的研究犯α错误的可能性，避免了单个指标之间可能存在的多重共线性、过多的误差相关以及指标交叉负荷的现象（Ｃｏｈｅｎｅｔａｌ．，１９９０；Ｌｉｔｔｌｅｅｔａｌ．，２００２；Ｒｕｓｈｔｏｎｅｔａｌ．，１９８３）。测项组合也存在相应的缺陷，如破坏了信息的完整性；组合不恰当会产生不能正确反映潜变量的变异；使用测项组合虽然提高了模型拟合效果，但却减弱了识别错误设定模型的能力，增加了犯β错误的概率（ＥｙｓｅｎｃｋａｎｄＥｙｓｅｎｃｋ，１９６９；卞冉等，２００７）。为了回避测项组合的缺陷，小编采用内容导向法（ｃｏｎｔｅｎｔ－ｏｒｉｅｎｔｅｄ）进行测项组合。这种组合建立在已有理论或小编对测项内容推理判断的基础上。具体而言，是按照测项内容之间的相似性进行合并。
在实证研究中，学术界一般采用内部一致性系数（Ｃｒｏｎｂａｃｈα）检验构念测量的可靠性。我们使用ＳＰＳＳ１５．０统计软件，计算各个构念测量与测项组合的内部一致性系数，计算结果见表６．６。还有一种判别量表可靠性的指标是潜变量的平均提炼方差（ＡｖｅｒａｇｅＶａｒｉａｎｃｅＥｘｔｒａｃｔｅｄ，ＡＶＥ），其值大于０．５０，表明计量指标是可靠的（ＢａｇｏｚｚｉａｎｄＹｉ，１９８８；Ｈａｉｒｅｔａｌ．，１９９８）。关于Ｃｒｏｎｂａｃｈα应该有多大才能表明量表是可靠的，Ｈａｉｒｅｔａｌ．（１９９８）指出，一般情况下，Ｃｒｏｎｂａｃｈα大于０．７０表明量表是可靠的。当计量尺度的项目数小于６个时，Ｃｒｏｎｂａｃｈα大于０．６０表明量表是可靠的。在探索性研究中，Ｃｒｏｎｂａｃｈα可以小于０．７０，但应大于０．５０。从表６．６中所显示的Ｃｒｏｎｂａｃｈα可以看出，均在０．５８～０．８５之间，表明各个计量尺度都是比较可靠的。另外，在表６．７中对角线上的数值为各潜变量的平均提炼方差（ＡＶＥ），均大于０．５０，说明概念模型中各个计量尺度是可靠的。还有一种测量量表可靠性的指标是潜变量的复合信度。潜变量的复合信度（ｃｏｍｐｏｓｉｔｅｒｅｌｉａｂｉｌｉｔｙ）以个别潜变量为单位，其值相当于该潜变量所属观测指标的Ｃｒｏｎｂａｃｈ系数。Ｎｕｎｎａｌｌｙ（１９７８）的推荐值为大于０．７０。在表６．７中各潜变量的复合信度均大于界值０．７０，说明潜变量有较高的可靠性。潜变量的复合信度计算公式如下：
ＣＲ＝［Ｓｕｍ（ｌｏａｄｉｎｇｓ）］２／｛［Ｓｕｍ（ｌｏａｄｉｎｇｓ）］２＋Ｓｕｍ（ｒｅｓｉｄｕａｌｖａｒｉａｎｃｅ）｝式中，ＣＲ为潜变量的复合信度，ｌｏａｄｉｎｇｓ为标准化负荷量，ｒｅｓｉｄｕａｌｖａｒｉａｎｃｅ为观察变量的测量误差。