Loading…

Flash Player 9 (or above) is needed to view presentations.
We have detected that you do not have it on your computer. To install it, go here.

Like this presentation? Why not share!

結構方程式SEM模型配適度的迷思與傳聞-三星統計張偉豪-201307

on

  • 3,671 views

 

Statistics

Views

Total Views
3,671
Views on SlideShare
2,513
Embed Views
1,158

Actions

Likes
0
Downloads
125
Comments
0

3 Embeds 1,158

http://www.tutortristar.com 1092
http://tutortristar.com 65
http://translate.googleusercontent.com 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

結構方程式SEM模型配適度的迷思與傳聞-三星統計張偉豪-201307 結構方程式SEM模型配適度的迷思與傳聞-三星統計張偉豪-201307 Presentation Transcript

  • Model Fits of SEM: myth and urban legend 模型配適度的迷思與傳聞 張偉豪 三星統計服務有限公司執行長 Amos亞洲一哥
  • Outline • What is Goodness of Fit • 影響模型配適度的原因 • 模型配適度究竟要多少叫做 “好” • 如何改善模型配適度 • 錯誤的方式-建立殘差相關 • 正確的方式 • LISREL – NORMAL SCORE – ROBUST MAXIMUM LIKELIHOOD • AMOS – BOLLEN-STINE • ITEM PARCELING
  • SEM Process 1. 回顧相關理論與文獻來支持假設模型 2. 建立研究模型 (e.g.,架構圖或方程式) 3. 決定模型是否辨識 (e.g., 自由度是否大於或等 於估計參數) 4. 選擇測量變數 5. 蒐集資料 6. 進行敘述性統計分析 (e.g., 量表尺度, 遺漏值 處理, 共線性診斷, 單變量常態檢定,極端值偵 測與處理)
  • SEM Process 7. 估計模型參數 8. 評估模型配適度 9. 修正模型 (需有理論依據) 10.分析結果 11.交叉分析 12.結論與建議
  • 5 What’s a Good Model? • Goodness of Fit (GoF) – Chi-square test – CFI (Comparative Fit Index) – RMSEA (Root Mean Square Error Approximation) – TLI (Tucker Lewis Index) AKA NNFI (non-normed fit index) – GFI (Goodness of Fit Index) – And many, many, many more – IFI, NFI, AIC, CIAC, BIC, BCC
  • 配適度指標分類 • 差異函數 – chi square test, chi-square/df (relative chi-square / normed chi-square), RMSEA, RMR and SRMR • 目標模型與空(獨立)模型比較 – CFI, NFI, TFI, RFI and IFI • 資訊理論配適度 – AIC, BCC, BIC, and CAIC • 非集中性測量 – NCP
  • 報告多個配適度指標 • 配適度指標會受到幾個因素的影響 – 模型設定、樣本數、模型複雜度、參數估計、 資料常態、變數相關及估計方法等 • Marsh, Balla, and Hau (1996)及 Jaccard and Wan (1996)建議報告不同 類別的配適度指標以克服不同指標的限制 Marsh, H. W., Balla, J. R., & Hau, K. T. (1996). An evaluation of incremental fit indexes: A clarification of mathematical and empirical properties. In G. A. Marcoulides & R. E. Schumacker (Eds.), Advanced structural equation modeling techniques(315-353 . Mahwah , NJ : Lawrence Erlbaum. Jaccard, J., & Wan, C. K. (1996). LISREL approaches to interaction effects in multiple regression. Thousand Oaks, CA: Sage Publications.
  • 配適度指標可接受範圍 • NFI > 0.90 (Byrne, 1994) or 0.95 (Schumacker & Lomax, 2004) • GFI > 0.90 (Byrne, 1994) • CFI > 0.90 (Byrne, 1994) • RMSEA < 0.08 (Browne & Cudeck, 1993) 理想上 < 0.05 (Stieger, 1990). 90% CI < 0.08 (Hu & Bentler, 1998) • chi-square/df < 2 or 3 (Kline, 1998; Ullman, 2001) chi-square/df < 5 (Schumacker & Lomax, 2004)
  • 9 What is Goodness of Fit
  • Chi-square • Chi-square= (n-1)Fmin • Chi-square不顯著 (p>0.05)表模型是可以接受 • 但…………………這是很難的, 因為… 1. 模型估計參數愈多,愈容易產生可接受的配適度 2. 樣本數愈大,愈容易拒絕模型 3. 當違反多元假設時,卡方值會膨脹
  • P值顯著的爭議 • 實務上卡方值不是個很實用的配適度指標 • P值在200個樣本以上,幾乎所有的研究都 是顯著的,因此佐以其它的配適度指標協 助判斷Tanaka (1993), Maruyama (1998) 。 Maruyama, G. (1998). Basics of Structural Equation Modeling. Thousand Oaks CA: Sage. Tanaka, J.S. (1993). Multifaceted conceptions of fit in structural equation models. In K.A. Bollen, & J.S. Long (eds.), Testing structural equation models. Newbury Park, CA: Sage.
  • 影響模型配適度的原因 1. 模型設定錯誤 (misspecification) 2. 樣本過大 (e.g. >800)或太小 3. 模型複雜 (e.g. 構面非常多>7) 4. 資料未能符合多元常態 5. 構面缺乏信、效度 – 變數相關太低或太高 6. 模型測量變數過多 (e.g. 二階模型) 7. 樣本不獨立 8. 模型估計參數 (自由度)
  • 多元常態檢定-LISREL • Statistics Output options Perform tests of multivariate normality OK
  • 多元常態檢定-Amos • Analysis properties Output Test for normality and outliers
  • Lisrel solutions • Normal Scores – 將*.psf轉為常態化分數,新檔另存*NS.psf – 應用*NS.psf重新分析資料 • Robust ML – 將*.psf轉成Asymptotically covariance matrix (*.acm並存成新檔 – 應用*.acm重新分析資料
  • Lisrel solutions-ML
  • Lisrel solutions-Normal Scores
  • Lisrel solutions-ML
  • Amos solution
  • Amos solution • Bollen-Stine p-value correction – Analysis properties Bootstrap(1000以上)  Bollen-Stine bootstrap – Calculate Text output Estimate Bootstrap distribution
  • http://www.semsoeasy.com.tw/ 資料未符合多元常態的處理策略 1. 使用ADF估計法取代ML法 – 前提是樣本數要很大 (>1000) 2. 自助法 (bootstrap) 3. 題目精簡(item parcels) (summated scale) 4. 變數轉換,如開根號 取log或1/x等
  • http://www.semsoeasy.com.tw/ 模型配適度一定要符合標準? (Babin, Hair, Boles, 2008) 1. 不用SEM的PAPERS是否比較容易被拒絕? 2. 使用SEM的PAPERS是否評價比較高? 3. 使用SEM是否對reviewers較有影響力? 4. 軟體使用Amos是否比Lisrel容易被拒絕? 5. 模型配適度好壞是否會影響reviewers評價? 6. 美國人使用SEM是否比其它國家的學者多? 7. 美國人用SEM投稿是否比其它國家的人有優勢? Babin, B.J., Hair, J.F., Boles, J.S. (2008). Publishing research in marketing journals using structural equation modeling. Journal of Marketing Theory and Practice, 16, 279-285.
  • http://www.semsoeasy.com.tw/ 模型配適度修正 • 研究者的假設模型經評估配適度後,是否可以做 任何的改變來“改善” 模型配適度! • “改善”意指模型配適度更好及(或)更精簡的模型! • 修正指標主要修正兩個地方: – 測量模型:變數與變數之間的相關及變數之殘差是否獨 立 – 結構模型:移除構面之間不顯著的關係或增加顯著的關 係 • 修正指標及標準化殘差可以提供中修正判斷依據 • 重點:全部都要有理論基礎
  • http://www.semsoeasy.com.tw/ 殘差相關的爭議 • 根據修正指標建立殘差之間的相關,藉以 改善模型配適度是不被鼓勵的做法 (Fornell, 1983; ),除非… 1. 具有理論或方法上的根據 2. 修正後不會顯著的改變 迴歸係數的估計 3. 不會顯著的改變測量變數 因素負荷量的估計 (Bagozzi, 1983)補充說明
  • 理論或方法上的根據 • MTMM • CMV • Moderator • LGC
  • 26 Item parceling • Composite score, Testlet, Summate scale 1. 二階構面降為一階構面 2. 多個題目合併成較少的題目 3. 類別變數轉連續變數 4. Single indicator Model
  • Prerequisite of Item parceling • 足夠的收斂效度 – Cronbabchs’ α > 0.7 – Composite Reliability > 0.7 – Average Variance Extracted > 0.5 – Uni-dimensionality test by EFA 刪除 • Cross loadings > 0.4 • Factor loadings < 0.6 • 跑錯構面的題目
  • 28 Advantage of Item Parceling 1. 加總或平均後的分數會近似於常態分配 2. 改善題目與樣本數比(item : sample size) 3. 增加構面的信度 4. 估計參數較少 5. 參數估計較為穩定 6. 降低題目變異的不確定 7. 簡化模型易於解釋
  • 二階構面降為一階構面 Total disaggregation model
  • 二階構面降為一階構面 Partial aggregation model
  • 31 SEM TAM Total aggregation model
  • 32 因素負荷量與測量誤差 Variable α 1-α Variance λ= √Var(x)α Error= Var(x)(1-α) ATT 0.75 0.25 1.004 0.868 0.251 EOU 0.784 0.216 0.715 0.749 0.154 UF 0.758 0.242 0.833 0.795 0.202 BI 0.888 0.112 1.030 0.956 0.115
  • 33 Parceling TAM SEM TAM
  • 34 Dealing with yes or no questions • 以內、外控量表為例,共15題,no編碼 為0,yes編碼為1,答yes愈多 表示愈傾向內控,反之則傾向外控。 1. 隨機將題目分成三群,每群5題 2. 每群做分數加總成三個新變數 3. 變數此時尺度介於0~5之間, 形成6點的連續尺度 4. 帶入CFA驗證
  • 35 內外控二點尺度量度的處理
  • http://www.semsoeasy.com.tw/ 36 Google關鍵字請搜尋 : 三星課程網 www.tutortristar.com