1、顧客稱心度指數顧客稱心度指數吳喜之吳喜之2019年年9月月吳喜之吳喜之xwupublic3.bta本科本科:北京大學數學力學系北京大學數學力學系再教育再教育:甘孜藏族自治州得榮縣甘孜藏族自治州得榮縣6年年統計博士統計博士:美國北卡羅來納大學美國北卡羅來納大學 (UNC-Chapel Hill)教書閱歷教書閱歷:美國加利福尼亞州大學美國加利福尼亞州大學 (Davis) 美國北卡羅來納大學美國北卡羅來納大學 (Chapel Hill)美國北卡羅來納大學美國北卡羅來納大學 (Charlotte) 南開大學南開大學 北京大學北京大學人民大學人民大學有些我們是可以知道的，即可以經過調查得到有些我們是可以

2、知道的，即可以經過調查得到的；比如的；比如 顧客對某商品的外在質量能否稱心顧客對某商品的外在質量能否稱心 顧客對售后效力能否稱心顧客對售后效力能否稱心 顧客對某商品的期望能否滿足顧客對某商品的期望能否滿足 顧客對某商品能否埋怨顧客對某商品能否埋怨 顧客還會不會再買該品牌顧客還會不會再買該品牌 顧客對于某商品和理想的差距有多大顧客對于某商品和理想的差距有多大 .但有些我們是不容易知道的，比如但有些我們是不容易知道的，比如 顧客對某商品如何和怎樣稱心顧客對某商品如何和怎樣稱心 品牌對該商品起正面還是負面作用品牌對該商品起正面還是負面作用 顧客的埋怨和什么有關顧客的埋怨和什么有關 稱心與否和忠實與否

3、有什么關系稱心與否和忠實與否有什么關系 各種品牌在各方面有什么差距各種品牌在各方面有什么差距 感知和預測價值對稱心的影響感知和預測價值對稱心的影響 等等等等因此，需求數學模型來描畫這些關系因此，需求數學模型來描畫這些關系 有些變量是無法觀測的有些變量是無法觀測的 稱為隱變量稱為隱變量LV, latent variable 有些是可觀測的，為顯變量有些是可觀測的，為顯變量ML, manifest variable 可以發出問卷，得到顯變量的觀測值可以發出問卷，得到顯變量的觀測值 可以構造模型，并經過統計方法來得到隱變量的取可以構造模型，并經過統計方法來得到隱變量的取值值 以及各種變量之間的關系以

4、及各種變量之間的關系感知表現顧客預期質量顧客稱心度顧客埋怨顧客忠實SCSB感知表現感知表現顧客預期質量顧客預期質量顧客稱心度顧客稱心度顧客埋怨顧客埋怨顧客忠實顧客忠實五個隱含變量中，顧客預期質量為外生隱變量五個隱含變量中，顧客預期質量為外生隱變量(exogenous latent variable)，其他為內生隱變量，其他為內生隱變量(endogenous latent variable)。感知質量軟件預期質量顧客稱心度顧客忠實感知價值感知質量硬件籠統ECSI歐洲顧客稱心度指數模型歐洲顧客稱心度指數模型感知質量軟件感知質量軟件感知質量硬件感知質量硬件感知價值感知價值預期質量預期質量籠統籠統顧客

5、稱心度顧客稱心度顧客忠實顧客忠實感知質量感知質量可分為產品和效力兩部分可分為產品和效力兩部分預期質量預期質量顧客稱心度顧客稱心度(ACSI)顧客埋怨顧客埋怨顧客忠實度顧客忠實度感知價值感知價值ACSI美國顧客稱心度指數模型感知質量感知質量感知價值感知價值預期質量預期質量顧客稱心度顧客稱心度顧客埋怨顧客埋怨顧客忠實度顧客忠實度感知質量感知質量可分為產品和效力可分為產品和效力兩部分兩部分預期質量預期質量顧客稱心度顧客稱心度(ACSI)顧客埋怨顧客埋怨顧客忠實度顧客忠實度感知價值感知價值ACSI滿足顧客需求程度滿足顧客需求程度整體印象整體印象滿足顧客需求程度滿足顧客需求程度可靠性可靠性可靠性可靠性整

6、體印象整體印象質量價錢比質量價錢比未確認期望值未確認期望值與理想之間隔與理想之間隔總體稱心度總體稱心度向經理埋怨向經理埋怨向雇員埋怨向雇員埋怨再購能夠性再購能夠性價錢接受度價錢接受度價錢質量比價錢質量比美國顧客稱心度指數模型感知質量h2預期質量h1顧客稱心度h4顧客忠實度h5感知價值h3品牌籠統h6中國耐用消費品稱心度指數框圖中國耐用消費品稱心度指數框圖總體感知質量x5自定義感知質量x6可靠性感知質量x7效力感知質量x8可靠性預期質量x3品牌總體印象x17品牌特征顯著度x18價錢質量比x9再購能夠性x15與理想之間隔x14總體稱心度x11與其他品牌間隔x13與期望之間隔x12質量價錢比x10價

7、錢接受度x16總體預期質量x1自定義預期質量x2效力預期x4中國耐用消費品顧客稱心度指數模型中國耐用消費品顧客稱心度指數模型感知質量顧客稱心度顧客忠實感知價值品牌籠統中國非耐用消費品顧客稱心度指數框圖中國非耐用消費品顧客稱心度指數框圖總體感知質量感知質量目的1感知質量目的2感知質量目的n品牌總體印象品牌特征顯著度價錢質量比再購能夠性與理想之間隔總體稱心度與其他品牌間隔質量價錢比價錢接受度中國非耐用消費品顧客稱心度指數模型中國非耐用消費品顧客稱心度指數模型感知質量預期質量顧客稱心度顧客忠實感知價值品牌籠統中國效力行業顧客稱心度指數框圖中國效力行業顧客稱心度指數框圖總體感知質量呼應性感知質量可靠性

8、感知質量保證性感知質量移情性感知質量有形性感知質量總體預期質量品牌總體印象品牌特征顯著度價錢質量比回頭能夠性與理想之間隔總體稱心度與其他品牌間隔與期望之間隔質量價錢比價錢接受度中國效力行業顧客稱心度指數模型中國效力行業顧客稱心度指數模型中國非耐用消費品顧客稱心度模型的數中國非耐用消費品顧客稱心度模型的數學模型學模型感知質量h2預期質量h1顧客稱心度h4顧客忠實度h5感知價值h3品牌籠統h6中國耐用消費品稱心度指數框圖中國耐用消費品稱心度指數框圖總體感知質量x5自定義感知質量x6可靠性感知質量x7效力感知質量x8可靠性期質量x3品牌總體印象x17品牌特征顯著度x18價錢質量比x9 (Price

9、given quality)再購能夠性x15與理想之間隔x14總體稱心度x11與其他品牌間隔x13與期望之間隔x12質量價錢比x10(Quality given price)價錢接受度x16總體預期質量x1自定義預期質量x2效力預期x4中國耐用消費品顧客稱心度指數模型中國耐用消費品顧客稱心度指數模型這里，包含有這里，包含有b的的B矩陣、矩陣、h及及z是未知的。而是未知的。而B矩矩陣的方式完全被圖模型所確定。陣的方式完全被圖模型所確定。這里，包含有這里，包含有l的的L矩陣、矩陣、h是未知的，而是未知的，而x是可觀是可觀測的。而測的。而L矩陣的方式完全被圖模型所確定。矩陣的方式完全被圖模型所確定。

10、我們的目的是我們的目的是. 找出這些方程的未知系數，即找出這些方程的未知系數，即 包含有包含有b的的B矩陣及包含有矩陣及包含有l的的L矩陣矩陣 這里一共有這里一共有18個個l，代表隱含變量，代表隱含變量h和與其相關的顯和與其相關的顯變量變量x之間的關系圖中隱變量和顯變量之間箭頭之間的關系圖中隱變量和顯變量之間箭頭所定義所定義 這里還有這里還有11個個b代表隱變量之間的關系圖中隱變代表隱變量之間的關系圖中隱變量之間箭頭所定義量之間箭頭所定義我們用我們用PLS估計方法估計方法 第一步：用迭代得到隱變量第一步：用迭代得到隱變量h的表示式的表示式 它們是顯變量它們是顯變量x的線性組合的線性組合(經過權

11、經過權w) 第二步：用通常的最小二乘法得到第二步：用通常的最小二乘法得到b 也就是隱變量之間的關系也就是隱變量之間的關系 第三步：用通常的最小二乘法得到第三步：用通常的最小二乘法得到l 也就是隱變量和顯變量之間的關系也就是隱變量和顯變量之間的關系 最后得到各種指數最后得到各種指數這些指數的公式為這些指數的公式為對模型和問卷的數學對模型和問卷的數學 問卷各問題不應該相關問卷各問題不應該相關(實踐不一定實踐不一定) 模型不能有封鎖圈模型不能有封鎖圈 各個回答可以用各個回答可以用10分制分制(百分制也可百分制也可 留意系數留意系數l和和b的正負號的解釋的正負號的解釋 留意：各個品牌商品或同品牌但不同

12、時期的商品只留意：各個品牌商品或同品牌但不同時期的商品只需在同樣或類似的問卷調查才可以比較需在同樣或類似的問卷調查才可以比較問卷調查的學問問卷調查的學問 問卷的問題個數問卷的問題個數 問卷問題的次序問卷問題的次序 問卷的言語問卷的言語 問卷的題型問卷的題型 問卷人的素質問卷人的素質 問什么人，如何抽樣？問什么人，如何抽樣？問卷中有什么信息問卷中有什么信息 問卷的數據可以構成一個方陣的數據方式問卷的數據可以構成一個方陣的數據方式除了自在回答以下問題之外的選擇題都除了自在回答以下問題之外的選擇題都行行 每個觀測值為一行，而每個問題變量每個觀測值為一行，而每個問題變量為一列為一列 例如例如在許多講座

13、中，教師運用諸如在許多講座中，教師運用諸如 “動態分析動態分析 “交叉分析交叉分析 “戰略戰略 等時髦名詞等時髦名詞 這些都不是統計這些都不是統計“行話行話 有招徠顧客的廣告的意思有招徠顧客的廣告的意思問卷的信息如何分析問卷的信息如何分析 對于記分式的稱心度問卷，可用對于記分式的稱心度問卷，可用 典型相關分析、回歸分析、因子分析、主典型相關分析、回歸分析、因子分析、主成分分析等多元分析內容成分分析等多元分析內容問卷的信息如何分析問卷的信息如何分析 其他問卷調查有些主要是定性變量，可用列聯表分析其他問卷調查有些主要是定性變量，可用列聯表分析每每n個變量個變量/問題可以構成一個問題可以構成一個n維

14、列聯表維列聯表 然后可以利用列聯表的各種統計方法來建立所涉及變量然后可以利用列聯表的各種統計方法來建立所涉及變量之間關系的模型，如對數線性模型、之間關系的模型，如對數線性模型、Logistic回歸模型回歸模型等等 也可以檢驗各個變量之間的相關性，如也可以檢驗各個變量之間的相關性，如c2檢驗檢驗(卡方卡方Pearson或似然比檢驗或似然比檢驗) 可以利用多元分析方法，比如對應分析來看各個變量的可以利用多元分析方法，比如對應分析來看各個變量的各程度之間的關系各程度之間的關系除除PLS還有別的方法來計算稱心度嗎？還有別的方法來計算稱心度嗎？ 有些人用最大似然法假定正態分布來解構造方有些人用最大似然法

15、假定正態分布來解構造方程模型程模型 利用諸如利用諸如AMOS這樣的軟件這樣的軟件 但是無法解我們的稱心度模型但是無法解我們的稱心度模型 他們的方法必需對模型添加約束他們的方法必需對模型添加約束 在系數的解釋上有類似點不一樣在系數的解釋上有類似點不一樣QualityValueNameCCSIExpectationsLoyaltyV8V7V6V5V1V2V3V4V17V18V10V9V11V14V13V12V15V1611111111R6111111111111111111111111利用最大似然法的利用最大似然法的(關于耐用消費品稱心度的關于耐用消費品稱心度的)圖模型要復雜一些圖模型要復雜一些可

16、以看出可以看出 這個模型遠遠比這個模型遠遠比PLS模型更加復雜，而且模型更加復雜，而且無法給出指數的估計值無法給出指數的估計值 但對于兩者均不能用于未經考驗的模型但對于兩者均不能用于未經考驗的模型 只需事先完全知道確定關系的模型才可以只需事先完全知道確定關系的模型才可以計算無論什么方法計算無論什么方法數據分析例子數據分析例子 按照中國耐用消費品的模型對某產品進展按照中國耐用消費品的模型對某產品進展了問卷收回了問卷收回126份份 可觀測變量是可觀測變量是20個個 問卷每個從問卷每個從1到到10打分打分和預期質量和預期質量h1有關部分的打分有關部分的打分V1:買之前他對該空調質量的總期望買之前他對

17、該空調質量的總期望(總體預期質總體預期質量量) (期望越大分越高期望越大分越高)V2:買之前他對該空調的省電的預期買之前他對該空調的省電的預期(預期質量預期質量1)V3:買之前他對該空調的制冷性能的預期買之前他對該空調的制冷性能的預期(預期質預期質量量2)V4:買之前他對該空調耐用性的預期買之前他對該空調耐用性的預期(可靠性預期可靠性預期質量質量)V5:買之前他對于售后效力的期望買之前他對于售后效力的期望(預期效力質量預期效力質量)和感知質量和感知質量h2有關部分的打分有關部分的打分V6:運用后他對該空調質量的總評價運用后他對該空調質量的總評價(總體感知質總體感知質量量) (評價越高分越高評價

18、越高分越高)V7:運用后他對該空調的省電的評價運用后他對該空調的省電的評價(感知質量感知質量1)V8:運用后他對該空調的制冷性能的評價運用后他對該空調的制冷性能的評價(感知期感知期質量質量2)V9:他對該空調耐用性的評價他對該空調耐用性的評價(可靠性感知質量可靠性感知質量)V10:他對于售后效力的評價他對于售后效力的評價(感知效力質量感知效力質量)和感知價值和感知價值h3有關部分的打分有關部分的打分 V11:對于這個空調價錢貴了嗎對于這個空調價錢貴了嗎(價錢貴分價錢貴分越高越高) V12:對于這個價錢覺得質量如何對于這個價錢覺得質量如何(質量好質量好分越高分越高)和顧客稱心度和顧客稱心度h4有

19、關部分的打分有關部分的打分 V13:對于買這個空調總體稱心度對于買這個空調總體稱心度 (越稱心越稱心分越高分越高) V14:該空調和他買前預期的差距該空調和他買前預期的差距(差距越差距越大分越高大分越高) V15:該空調和其他品牌間隔該空調和其他品牌間隔 (差距越大分差距越大分越高越高) V16:該空調和他理想的間隔該空調和他理想的間隔 (差距越大分差距越大分越高越高)和顧客忠實度和顧客忠實度h5有關部分的打分有關部分的打分 V17:他假設還買空調，會再買這個牌子他假設還買空調，會再買這個牌子嗎嗎 (越想買分越高越想買分越高) V18:他可以接受這個價錢嗎他可以接受這個價錢嗎(越可以接受越可以

20、接受分越高分越高)和品牌籠統和品牌籠統h6有關部分的打分有關部分的打分 V19:對該空調品牌的總體印象對該空調品牌的總體印象 (越印象越越印象越好分越高好分越高) V20:在各種品牌中該品牌很突出嗎在各種品牌中該品牌很突出嗎 (越突越突出分越高出分越高)這里，包含有這里，包含有b的的B矩陣、矩陣、h及及z是未知的。而是未知的。而B矩矩陣的方式完全被圖模型所確定。陣的方式完全被圖模型所確定。外部關系外部關系 INNER COEFFICIENTS 0.00000000 0.0000000 0.00000000 0.0000000 0 0.1207411 -0.15494711 0.0000000

21、0.00000000 0.0000000 0 0.1624237 0.07224679 0.1101644 0.00000000 0.0000000 0 0.2352963 0.21051016 0.1828536 0.09222482 0.0000000 0 0.1093813 0.00000000 0.0000000 0.00000000 0.1110749 0 0.0000000 0.00000000 0.0000000 0.00000000 0.0000000 0 1.0000000 OUTER COEFFICIENT= -0.01444489 0.1546771 -0.2698626

22、 0.8956838 0.2573217 0.7034 0.1067854 -0.4807694 0.2805985 0.569299 -0.7865894 0.6994937 0.460694 -0.6675273 0.6168276 -0.2285175 0.9193968 0.4153352 0.6150738 0.8142129 Expectation Index= 51.49044 Quality Index= 49.58987 Value Index= 51.49912 Satisfaction Index= 45.59083 Loyalty Index= 48.25555 Bra

23、nd Index= 51.84263下面的六個數字分別為關于預期質下面的六個數字分別為關于預期質量量(Expectation Index), 感知質量感知質量(Quality Index), 感知價值感知價值(Value Index), 顧客稱心度顧客稱心度(Satisfaction Index), 顧客忠實度顧客忠實度(Loyalty Index)和品牌籠統和品牌籠統(Brand Index)等六個指等六個指數數.如何解釋結果？如何解釋結果？ 比如比如X11和和X12系數為系數為-0.7865894，0.6994937 闡明貴了和價闡明貴了和價值不符值不符(-),而性能和價值相符而性能和價值

24、相符(+) 但但X1-X5的符號有正有負的符號有正有負(-0.01444489 0.1546771 -0.2698626 0.8956838 0.2573217) 這應該看成各種系數的相對意義，應該按相對大小了解。否那這應該看成各種系數的相對意義，應該按相對大小了解。否那么不合情理么不合情理 有的，如有的，如X13-X16為為0.460694 -0.6675273 0.6168276 -0.2285175，常理應該后三個是負值，但有一個為，常理應該后三個是負值，但有一個為正。當然，按照相對意義后三個總的是負值，但也能夠對問題正。當然，按照相對意義后三個總的是負值，但也能夠對問題X15有兩種誤解

25、正面差距和負面差距。有兩種誤解正面差距和負面差距。如何解釋結果？如何解釋結果？ 能否問題明確、樣天性否足夠、模型能否合能否問題明確、樣天性否足夠、模型能否合理，都影響結果理，都影響結果 對于胡亂編造的數據或沒有閱歷的模型，很對于胡亂編造的數據或沒有閱歷的模型，很能夠得到無法解釋的結果，甚至根本算不出能夠得到無法解釋的結果，甚至根本算不出任何結果任何結果 即使是合理的問卷或模型，答卷人的誤解，即使是合理的問卷或模型，答卷人的誤解，思想邏輯問題，也會呵斥各種問題思想邏輯問題，也會呵斥各種問題其他分析舉例：聚類分析其他分析舉例：聚類分析其他分析：相關分析其他分析：相關分析C Co or rr re

26、el la at ti io on ns s1.098-.013.028-.110-.020-.145.005.019.095-.085.012.020.022-.056.156.007.019.012.028.276.885.759.219.825.105.958.833.290.343.894.827.803.532.082.940.836.893.757126126126126126126126126126126126126126126126126126126126126.0981.064-.054.117-.071-.026.059-.026.074-.016.026.067-.018

27、-.002-.007.070.003-.024.016.276.480.547.193.427.770.512.770.412.861.770.453.844.980.941.433.978.793.859126126126126126126126126126126126126126126126126126126126126-.013.0641-.068.117.104-.068.205*-.086-.168-.138-.179*-.028.205*-.052-.019.001.078-.079-.025.885.480.452.192.247.449.021.336.060.123.044.

28、758.021.563.830.993.386.378.782126126126126126126126126126126126126126126126126126126126126.028-.054-.0681-.057-.103-.068.106-.033-.044-.059.040-.084-.092.111-.111-.020-.035.162.070.759.547.452.526.251.447.236.716.623.511.656.349.306.217.215.826.701.069.4361261261261261261261261261261261261261261261

29、26126126126126126-.110.117.117-.0571.067-.148.116-.152-.099.098.208*.018.035.216*-.002.085.090-.031-.101.219.193.192.526.453.098.197.090.270.273.020.842.694.015.985.344.317.732.262126126126126126126126126126126126126126126126126126126126126-.020-.071.104-.103.0671-.038-.076-.013.057-.132-.003.110.01

30、0.212*-.113.059.095.033.051.825.427.247.251.453.669.398.885.528.141.976.221.915.017.209.513.291.718.571126126126126126126126126126126126126126126126126126126126126-.145-.026-.068-.068-.148-.0381-.066.162.111.002-.099-.071.010-.049-.069-.075.016-.022.031.105.770.449.447.098.669.464.069.216.986.270.42

31、9.910.589.443.403.855.809.729126126126126126126126126126126126126126126126126126126126126.005.059.205*.106.116-.076-.0661.098-.221*-.014-.177*.084.107.013-.050.047-.053.067-.073.958.512.021.236.197.398.464.276.013.875.047.348.232.885.580.600.552.456.41412612612612612612612612612612612612612612612612

32、6126126126126.019-.026-.086-.033-.152-.013.162.0981-.029-.105.071-.088-.018-.016.046-.014-.040.066.048.833.770.336.716.090.885.069.276.745.241.431.326.842.862.610.874.655.461.595126126126126126126126126126126126126126126126126126126126126.095.074-.168-.044-.099.057.111-.221*-.0291-.026-.041.103-.210

33、*-.081-.110-.055-.096.086.135.290.412.060.623.270.528.216.013.745.774.650.251.018.365.218.542.286.341.130126126126126126126126126126126126126126126126126126126126126-.085-.016-.138-.059.098-.132.002-.014-.105-.0261-.118-.201*.006-.071-.075.070-.039-.167-.275*.343.861.123.511.273.141.986.875.241.774.

34、189.024.948.426.405.435.662.061.002126126126126126126126126126126126126126126126126126126126126.012.026-.179*.040.208*-.003-.099-.177*.071-.041-.1181-.025-.198*.064.006-.199*.152-.003.075.894.770.044.656.020.976.270.047.431.650.189.779.026.477.944.026.089.972.4041261261261261261261261261261261261261

35、26126126126126126126126.020.067-.028-.084.018.110-.071.084-.088.103-.201*-.0251-.045.268*-.037.003-.040-.053.181*.827.453.758.349.842.221.429.348.326.251.024.779.616.002.679.975.654.556.042126126126126126126126126126126126126126126126126126126126126.022-.018.205*-.092.035.010.010.107-.018-.210*.006-

36、.198*-.0451.065.084-.016-.086-.131-.124.803.844.021.306.694.915.910.232.842.018.948.026.616.469.351.855.336.144.168126126126126126126126126126126126126126126126126126126126126-.056-.002-.052.111.216*.212*-.049.013-.016-.081-.071.064.268*.0651.067.121.006.046.054.532.980.563.217.015.017.589.885.862.3

37、65.426.477.002.469.453.178.947.609.547126126126126126126126126126126126126126126126126126126126126.156-.007-.019-.111-.002-.113-.069-.050.046-.110-.075.006-.037.084.0671-.090.040.024.008.082.941.830.215.985.209.443.580.610.218.405.944.679.351.453.315.659.792.93312612612612612612612612612612612612612

38、6126126126126126126126.007.070.001-.020.085.059-.075.047-.014-.055.070-.199*.003-.016.121-.0901.035.069-.044.940.433.993.826.344.513.403.600.874.542.435.026.975.855.178.315.695.442.625126126126126126126126126126126126126126126126126126126126126.019.003.078-.035.090.095.016-.053-.040-.096-.039.152-.0

39、40-.086.006.040.0351-.038-.087.836.978.386.701.317.291.855.552.655.286.662.089.654.336.947.659.695.674.333126126126126126126126126126126126126126126126126126126126126.012-.024-.079.162-.031.033-.022.067.066.086-.167-.003-.053-.131.046.024.069-.0381.052.893.793.378.069.732.718.809.456.461.341.061.972

40、.556.144.609.792.442.674.565126126126126126126126126126126126126126126126126126126126126.028.016-.025.070-.101.051.031-.073.048.135-.275*.075.181*-.124.054.008-.044-.087.0521.757.859.782.436.262.571.729.414.595.130.002.404.042.168.547.933.625.333.56512612612612612612612612612612612612612612612612612

41、6126126126Pearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson Co

42、rrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NV1V2V3V4V5V6V7V8V9V10