SEM與Amos論文寫作班-三星統計張偉豪

15,498 views

Published on

1 Comment
8 Likes
Statistics
Notes
  • Thank you so much!!!
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
No Downloads
Views
Total views
15,498
On SlideShare
0
From Embeds
0
Number of Embeds
1,977
Actions
Shares
0
Downloads
507
Comments
1
Likes
8
Embeds 0
No embeds

No notes for slide

SEM與Amos論文寫作班-三星統計張偉豪

  1. 1. SEM論文寫作不求人三星統計服務有限公司 執行長Amos 亞洲一哥張偉豪
  2. 2. SEM論文分析寫作實務(第一天)• 研究設計– 潛在構面探討– 問卷設計• 預試– 資料檢查– 項目分析– 樣本及檢定統計力估計• 資料預檢– 敘述性統計– 遺漏值處理– 交叉分析– 複選題分析– 適合度檢定– 同質性檢定2
  3. 3. 3SEM論文分析寫作實務(第一天)• 驗證式因素分析– 一階及二階驗證式因素分析– 多元常態及例外值檢定– SEM二階段準則– 違反多元常態的因應• 共同方法變異檢定– 哈門氏單因子檢定– CFA單因子及多因子檢定
  4. 4. 4SEM論文分析寫作實務(第二天)• 信度與效度(SEM Unidimensionality test)– 組成信度– 平均變異數萃取量– 收斂效度– 區別效度
  5. 5. 5SEM論文分析寫作實務(第一天)• SEM模型估計– 配適指標的報告– 參數的解讀• 模型不變性檢定– 交叉效度– 檢定統計力及樣本數計算
  6. 6. 6SEM論文分析寫作實務(第三天)• 多群組比較• 競爭模型的比較• 中介模型的評估• 干擾模型的評估
  7. 7. 千呼萬喚始出來-論文架構• SEM傳統迴歸分析具有更大的檢定能力,因為模型估計考慮了– 交互作用– 非線性模型– 自變數相關– 測量誤差– 誤差項相關– 同步分析多個潛在變數及多重指標測量(含內生與外生潛在變數)
  8. 8. 千呼萬喚始出來-論文架構• 概念模型的產生,包含內生(依)變數及外生(自)變數、中介及干擾變數。– 多餘的變數造成共線性的問題– 未包含重要變數造成內生變數估計的偏誤• SEM模型中成對變數之間的方向性 (相關或因果) 。
  9. 9. 潛在變數 vs. 觀察變數• 潛在變數(constructs; factors; latent;unobserved variables)– 模型中的位置可為自變數, 應變數, 中介變數– 無法直接進行測量,但可以藉由觀察變項反應的變量,如態度、自我效能、忠誠度等。– 因此,必需藉由觀察變數間接衡量,如圖– 箭頭由潛在變指向觀察變數– 觀察變數為潛在變數的反映因此稱為反映型指標
  10. 10. 潛在變數 vs. 觀察變數• 觀察變數 (indicator, observed ormanifest or reference variables)– 可以被直接測量的題目,如問卷題目– 一個潛在變數有3個題目是實務分析的基本要求,建議4~5個題目即可– 一個潛在變數只用2個或1個題目並不建議,除非研究者有足夠的證據可以證明題目具有良好的信、效度
  11. 11. 11構念設定的考量權力五大來源五大人格特質
  12. 12. 反映型指標的特性(Jarvis et al. 2003; MacKenzie et al. 2005)1. 因果關係必需是構面到觀察變(Churchill,1979)2. 誤差在觀察變數3. 觀察變數需具有內部一致性(Fornell and Bookstein,1982)4. 觀察變數需具有中高度相關(Fornell and Bookstein,1982)5. 一個構面至少需具有3個觀察變數(Bollen, 1989)6. 觀察變數具可交換性(Nunnally and Bernstein, 1994.)7. 移除構面中的某特定觀察變數,不會影響構面的意義(Bollen and Lennox,1991; Nunnally andBernstein, 1994; Jarvis et al., 2003)8. 構面需具有數字的敏感性(DeVellis, 2003)。
  13. 13. 13以下這個又如何呢?
  14. 14. 結構模型是構念關係的組合• 個人主義對談判風格的影響個人主義 談判風格自信推銷謹慎建議暗中利用強迫中獎Taiwan/USA
  15. 15. 構面可行與否的判定條件• 衡量潛在構面的題目,包含次構面,是否有一定的信度 (變動的一致性) ,這是反映型指標的特性。 (DeVellis, 2003)• 構面本身分數的高低是否具有可解讀的意義,如信任分數高表信任程度高,反之亦然。(DeVellis, 2003)• 英語能力程度好的,大部份聽、說、讀、寫都會不差;英語能力分數高表英語能力程度較高英語能力聽力閱讀書寫對話DeVellis R. F. (2002), Scale Development:Theory and applications (2nd Edition), Sage.
  16. 16. SEM問卷設計實務1. 量表最好為七點尺度 (Bollen, 1989)2. 每個潛在構面至少要有三個題目,五~七題為佳 (Noar, 2003)3. 每一指標不得橫跨到其它潛在因素上(Bollen, 1989)4. 問卷最好引用自知名學者,儘量不要自己創造5. 理論架構要根據學者提出的理論作修正6. 模型主要構面維持在5個以內,不要超過7個7. 模型中潛在因素至少應為兩個 (Bollen, 1989)
  17. 17. 忠誠度競爭模型的比較與選擇企業形象服務品質轉換成本滿意度 忠誠度• SEM概念模型H1H2H3H4H5H6
  18. 18. 研究假設• 假設1:模型期望共變異數矩陣與樣本共變異數矩陣沒有差異 S-Σ(θ)=0– H0a:態度忠誠模型期望共變異數矩陣與樣本共變異數矩陣沒有差異– H0b:行為忠誠模型期望共變異數矩陣與樣本共變異數矩陣沒有差異• 假設2:企業形象對態度忠誠及行為忠誠影響沒有差異• 假設3:滿意度對態度忠誠及行為忠誠影響沒有差異• 假設4:轉換成本對態度忠誠及行為忠誠影響沒有差異
  19. 19. 資料瀏覽 (Data screening)• 預試• 項目分析• 分析資料預審– 敘述性統計 (遺漏值、建檔錯誤、平均數、變異數、偏態、峰度)– 交叉分析– 複選題分析– 適合度檢定– 同質性檢定
  20. 20. 預試 (pretest)• 樣本40~50個樣本 (more is better)• 目的在確認量表題目的語意是否通順、是否有錯別字、編排是否適當。• 最重要的工作為項目分析,試探性的信度分析,以作為題目改善的依據
  21. 21. 項目分析 (題目鑑別力分析)• 目的:刪除不具鑑別力的題目• 執行步驟 (SPSS)1. 將每一構念的題目分別加總或平均2. 找出27及73分位數的值3. 資料分成低分組及高分組兩組4. 分別進行每一構面題目之兩組獨立t檢定5. 平均數差異顯著則表示題目具有鑑別力,反之則無,應予刪除。
  22. 22. 1. 每一構念的題目分別加總或平均• 以顧客滿意(CS)為例
  23. 23. 1. 每一構念的題目分別加總或平均
  24. 24. 2. 找出27及73分位數的值
  25. 25. 3. 資料分成低分組及高分組兩組
  26. 26. 3. 資料分成低分組及高分組兩組
  27. 27. 4. 進行每一構面題目之兩組獨立t檢定
  28. 28. 5. 平均數差異顯著表示題目具有鑑別力
  29. 29. 交叉分析• 列聯表分析• 同質性檢定• 適合度檢定• 獨立性檢定
  30. 30. 同質性檢定(無反應偏差分析)• 目的– 檢定不同人口母群,在某一變項的反應是否具有顯著差異;亦即兩個樣本在同一變項中之分佈情形。• 適用時機– 郵寄問卷時,比較早期回收群及後期跟催回收群之人口統計變項。– 街頭訪問時,比較願意主動作答群及被動作答群之人口統計變項。– 受訪者中包含不同團體。– 網路問卷與紙本問卷的比較。
  31. 31. 適合度檢定• 目的– 研究樣本是否抽樣母群分配相符合時,以卡方檢定進行之;每次檢定內容僅涉及一個變項。• 適用時機– 當研究者想知道樣本是否能代表母體時,用人口統計變項與母體資料比較。(如內政部有完整的人口統計資料)。
  32. 32. 複選題分析 (Multiple Response)• 複選題分析提供多元化的資訊以供決策參考
  33. 33. 複選題處理程序• 資料輸入(以個別題目型態輸入)• 定義集群– 點選統計分析→複選題分析→定義集合– 定義集內的變數• 完成虛擬複選題變項• 次數分配表分析• 交叉表分析
  34. 34. 複選題實務上的意義$c7 次數180 13.6% 57.7%163 12.3% 52.2%72 5.4% 23.1%91 6.9% 29.2%140 10.6% 44.9%22 1.7% 7.1%84 6.3% 26.9%106 8.0% 34.0%12 .9% 3.8%154 11.6% 49.4%138 10.4% 44.2%102 7.7% 32.7%51 3.9% 16.3%9 .7% 2.9%1324 100.0% 424.4%c7m1 價格便宜c7m2 功能齊全c7m3 造形酷炫c7m4 廠牌因素c7m5 通話費率c7m6 國際漫遊c7m7 服務態度c7m8 促銷活動c7m9 申請手續方便c7m10 通話品質c7m11 體積小c7m12 售後服務c7m13 帳單可靠c7m14 其他$c7a總數個數 百分比反應值觀察值百分比二分法群組表列於值 1。a.
  35. 35. 敘述性統計• 敘述統計次數分配表統計量
  36. 36. 參數實務上的意涵
  37. 37. SEM論文分析流程一階、二階驗證式因素分析多元常態檢定最大概似法bootstrapyesno信、效度SEM分析配適度報告交叉效度 其它假設驗證假設1完成 群組比較平均數比較競爭模型中介效果干擾變數
  38. 38. 驗證式因素分析 (CFA)• 一階及二階驗證式因素分析• 多元常態及例外值檢定• SEM二階段準則• 違反多元常態的因應
  39. 39. 40驗證式因素分析• 一階驗證性因素分析• 二階驗證性因素分析• 組成信度 (CR)與變異數萃取量 (AVE)
  40. 40. 41一階驗證性因素分析
  41. 41. 42CFA分析時常見的問題1. 因素中負荷量不高,如小於0.45。– 問卷設計不良,缺乏信度2. 因素中負荷量有些超過1。– 觀察變數之間有共線性3. 因素負荷量部份不錯大於0.7,部份不佳小於0.5。– 潛在構面可能不是一個,而是兩個潛在構面
  42. 42. 43CFA分析時常見的問題(續)4. 因素負荷量都不錯,大於0.7,但模型配適度不佳。– 殘差不獨立,即樣本不獨立5. 因素負荷量為負值– 表反向題忘了轉向6. CFA根本跑不出來– 觀察變數之間相關太低– 觀察變數之間為完全相關
  43. 43. 44Modification Indices 用法
  44. 44. 殘差相關的爭議• 根據MI值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; Chin, 1998),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負荷量的估計(Bagozzi, 1983)
  45. 45. 多元常態及例外值檢定• ViewAnalysis PropertiesOutput• 勾選標準化估計常態及例外值檢定
  46. 46. 多元常態檢定顯示為稍微非多元常態• 偏態及峰度是檢查是否單變量常態的重點• 多元常態則是看Multivariate 的c.r.≦5
  47. 47. 資料常態及例外值檢定• Kline (2005, p49~52)– 理論上常態峰是偏態為0,峰態為3,由於統計軟體峰態會減3,因此峰態為0及偏態為0視為常態)。– 實務上偏態絕對值在2以內,峰態絕對值在7以內可視為常態,skew>3為極端偏態,kurtosis>20為極端峰態。
  48. 48. 極端值檢定• p2顯著只代表該距離的存在很有信心,但不一定是例外值。p2小於.001表示該馬氏距離是存在的
  49. 49. 非多元常態的處理• SEM用的是最大概似估計法(MLE),前提必而是資料符合多元常態假設,否則會造成卡方估計值膨脹,使得模型配適度變差。• 資料為非多元常態時,可採用bootstrap(自助法,無需母體常態假設)估計加以修正。• Amos內建 Bollen-Stine p correction重新估計模型配適度
  50. 50. Bollen-Stine bootstrap• Bootstrap次數至少1000次,2000次可得到較穩定的結果
  51. 51. Bollen-Stine 計算結果2000個模型收斂的迭代次數,次數愈少表模型愈好
  52. 52. Bollen-Stine p-value correction(Byrne 2001, 284~285)• Bollen-Stine bootstrap p的意義為:下一個出現較差模型的機率• (0+1)/2001= .0005
  53. 53. Bootstrap Distributions卡方平均值• 18.3為執行2000次的估計所得卡方值加總平均值
  54. 54. Bollen-Stine重新估計配適度
  55. 55. 重新估計路徑值 (bootstrap 1000)• 取消Bollen-Stinebootstrap,點選估計 95 %信賴區間,重新估計新的標準誤。
  56. 56. ML與Bootstrap估計值• Bootstrap的表要在點選estimate下的選項後,下面Bootstrap的結果才能點選
  57. 57. 共變異數的信賴區間• Bias-corrected及Percentile是很重要的兩種bootstrap的信賴區間估計法
  58. 58. 59二(高)階驗證性因素分析
  59. 59. 60二(高)階驗證性因素分析一階完全有相關
  60. 60. 61組成信度 (composite reliability; CR)• CR值是其所有測量變項信度的組成,表示構念指標的內部一致性,信度愈高顯示這些指標的內部一致性愈高,0.7是可接受的門檻( Hair,1997) ,Fornell andLarcker (1981)建議值為0.6以上。• 計算公式– 構念的組成信度=(Σ標準化因素負荷量)2/((Σ標準化因素負荷量)2+(Σ各測量變項的測量誤差)) (Jöreskog and Sörbom, 1996) 。
  61. 61. 62變異抽取量(Average of variance extracted,AVE)• AVE是計算潛在變項之各測量變數對該潛在變項的變異解釋力,若AVE愈高,則表示潛在變項有愈高的信度與收斂效度。Fornell and Larcker(1981)建議其標準值須大於0.5。• 計算公式– AVE=Σ(因素負荷量2)/((Σ因素負荷量)2+(Σ各測量變項的測量誤差))(Jöreskog and Sörbom , 1996)
  62. 62. 結構模式的二階段準則(Anderson and Gerbing, 1988)1. 重新界定 SR 模型成為 CFA 模型,並讓所有的因素有相關。2. View the structural portion of theSR as a path model.• 二階段模型估計準則是SEM分析的充份條件,假如在測量模型下可以正那整個模型就會正定。• 除此之外,尚可了解模型是否有共線性的問題。
  63. 63. Figure 1.SEM結構模型結構模型
  64. 64. TPB的CFAModelFigure 2.TPB的CFA Model第一步:將模型重新架構成一階CFA完全有相關
  65. 65. 共同方法變異檢定 (CMV)• 哈門氏單因子檢定• CFA單因子及多因子檢定
  66. 66. 哈門氏單因子檢定• 研究人員將所有分析構面的題目全部放進探索式因素分析中,檢驗變數之間存在共同方法變異1. 在因素分析中將會得到一個因素或;2. 一個因素將會解釋大部份的可解釋變異。
  67. 67. CFA單因子及多因子檢定• 檢驗單因子模型及多因子模型的配適度,若差異很大,即表示這兩個模型不同,因此模型沒有共同方法變異存在• 註:以上兩種作法僅能證明因素之間沒有高度的CMV存在,至於中低度的CMV則無法偵測。
  68. 68. 信度與效度的評估• 組成信度 (composite reliability)• 平均變異數萃取量 (average varianceextract)• 收斂效度 (convergence validity)• 區別效度 (discrimanate validity)
  69. 69. 收斂效度與區別效度
  70. 70. 收斂效度的評估標準(Hair et al., 2009)1. SMC要>=0.52. 組型係數(factor loading)要>=0.73. 組成信度(CR)>0.74. AVE>0.5
  71. 71. 組成信度(composite reliability; CR)• CR值是其所有測量變項信度的組成,表示構念指標的內部一致性,信度愈高顯示這些指標的內部一致性愈高,0.7是可接受的門檻( Hair,1997), Fornell and Larcker(1981)建議值為0.6以上。• 計算公式– 構念的組成信度=(Σ標準化因素負荷量)2/((Σ標準化因素負荷量)2+(Σ各測量變項的測量誤差)) (Jöreskog and Sörbom , 1996) 。
  72. 72. 平均變異萃取量(Average variance extracted,AVE)• AVE是計算潛在變項對各測量項的變異解釋力,若VE愈高,則表示潛在變項有愈高的信度與收斂效度。• Fornell and Larcker(1981)建議其標準值須大於0.5 (即由構面的可解釋變異大於測量誤差)。• 計算公式– AVE=Σ(因素負荷量2)/((Σ因素負荷量)2+(Σ各測量變項的測量誤差))(Jöreskog and Sörbom , 1996)
  73. 73. 一階CFA測量模型1. 有沒有負的誤差變異數(非標準化)2. 因素負荷量有沒有接近或大於1(標準化)3. 過大的標準誤(遠大於平均標準誤)
  74. 74. 二階CFA測量模型收斂效度檢定
  75. 75. 區別效度檢定
  76. 76. 區別效度的檢定1. 直接檢查構面的相關係數,一般以0.85為標準(較不嚴謹) 。2. 利用bootstrap計算構面之間的相關係數95%信賴區間,若沒包含1,則有區別效度(Torkzadeh, Koufteros, pflughoeft ,2003)。3. SEM檢定構面之間的相關係數設為1,如果reject則表示有區別效度(巢型結構)(Anderson and Gerbing,1988, Bogozziet al., 1991) 。4. AVE法,每個構面的AVE要大於構面相關係數的平方(Fornell and Larcker, 1981) 。
  77. 77. 區別效度觀察法
  78. 78. 相關矩陣SQ1 SQ2 SQ3 SQ4 SQ5 SQ6 SQ7 SQ8 SQ9 SQ10 SQ11 SQ12 SQ13 SQ14 SQ15 SQ16 SQ17 SQ18 SQ19 SQ20 SQ21SQ1 1 0.62 0.54 0.51 0.51 0.37 0.34 0.33 0.28 0.4 0.45 0.29 0.28 0.34 0.39 0.34 0.32 0.32 0.28 0.29 0.26SQ2 0.62 1 0.52 0.49 0.61 0.47 0.44 0.34 0.39 0.42 0.45 0.35 0.31 0.29 0.38 0.41 0.27 0.3 0.24 0.19 0.22SQ3 0.54 0.52 1 0.51 0.49 0.38 0.35 0.38 0.33 0.33 0.44 0.35 0.33 0.33 0.36 0.34 0.34 0.26 0.27 0.32 0.24SQ4 0.51 0.49 0.51 1 0.52 0.47 0.4 0.38 0.31 0.43 0.39 0.33 0.32 0.27 0.31 0.35 0.28 0.33 0.31 0.35 0.23SQ5 0.51 0.61 0.49 0.52 1 0.45 0.45 0.34 0.35 0.44 0.39 0.31 0.28 0.28 0.36 0.39 0.24 0.31 0.25 0.22 0.25SQ6 0.37 0.47 0.38 0.47 0.45 1 0.65 0.54 0.59 0.56 0.54 0.54 0.36 0.41 0.46 0.53 0.31 0.3 0.41 0.35 0.37SQ7 0.34 0.44 0.35 0.4 0.45 0.65 1 0.57 0.55 0.56 0.54 0.48 0.34 0.43 0.43 0.5 0.37 0.35 0.37 0.35 0.39SQ8 0.33 0.34 0.38 0.38 0.34 0.54 0.57 1 0.52 0.43 0.47 0.4 0.3 0.36 0.4 0.46 0.35 0.32 0.28 0.33 0.28SQ9 0.28 0.39 0.33 0.31 0.35 0.59 0.55 0.52 1 0.5 0.5 0.5 0.47 0.54 0.6 0.53 0.41 0.31 0.38 0.32 0.39SQ10 0.4 0.42 0.33 0.43 0.44 0.56 0.56 0.43 0.5 1 0.81 0.69 0.4 0.48 0.48 0.75 0.34 0.32 0.47 0.39 0.31SQ11 0.45 0.45 0.44 0.39 0.39 0.54 0.54 0.47 0.5 0.81 1 0.65 0.45 0.51 0.55 0.71 0.4 0.32 0.46 0.37 0.35SQ12 0.29 0.35 0.35 0.33 0.31 0.54 0.48 0.4 0.5 0.69 0.65 1 0.37 0.44 0.42 0.56 0.44 0.36 0.5 0.41 0.32SQ13 0.28 0.31 0.33 0.32 0.28 0.36 0.34 0.3 0.47 0.4 0.45 0.37 1 0.61 0.52 0.5 0.31 0.24 0.34 0.22 0.33SQ14 0.34 0.29 0.33 0.27 0.28 0.41 0.43 0.36 0.54 0.48 0.51 0.44 0.61 1 0.58 0.54 0.38 0.25 0.43 0.25 0.39SQ15 0.39 0.38 0.36 0.31 0.36 0.46 0.43 0.4 0.6 0.48 0.55 0.42 0.52 0.58 1 0.54 0.39 0.29 0.31 0.31 0.3SQ16 0.34 0.41 0.34 0.35 0.39 0.53 0.5 0.46 0.53 0.75 0.71 0.56 0.5 0.54 0.54 1 0.33 0.24 0.43 0.31 0.33SQ17 0.32 0.27 0.34 0.28 0.24 0.31 0.37 0.35 0.41 0.34 0.4 0.44 0.31 0.38 0.39 0.33 1 0.53 0.59 0.5 0.47SQ18 0.32 0.3 0.26 0.33 0.31 0.3 0.35 0.32 0.31 0.32 0.32 0.36 0.24 0.25 0.29 0.24 0.53 1 0.55 0.46 0.36SQ19 0.28 0.24 0.27 0.31 0.25 0.41 0.37 0.28 0.38 0.47 0.46 0.5 0.34 0.43 0.31 0.43 0.59 0.55 1 0.59 0.54SQ20 0.29 0.19 0.32 0.35 0.22 0.35 0.35 0.33 0.32 0.39 0.37 0.41 0.22 0.25 0.31 0.31 0.5 0.46 0.59 1 0.55SQ21 0.26 0.22 0.24 0.23 0.25 0.37 0.39 0.28 0.39 0.31 0.35 0.32 0.33 0.39 0.3 0.33 0.47 0.36 0.54 0.55 1
  79. 79. 信賴區間法(自助法,bootstrap)
  80. 80. Bootstrap CI 輸出結果bias corrected
  81. 81. Bootstrap CI 輸出結果percentile
  82. 82. SEM係數檢定法• 檢定相關係數是否為1,若拒絕H0=1,表示相關不為1,兩構面之間具有區別效度。• 注意事項– Amos設定中,需將潛在構面設為1,而不是負荷量設為1。
  83. 83. SEM係數檢定法
  84. 84. SEM係數檢定法拒絕H0表示構面之間有區別效度
  85. 85. AVE法對角線為AVE值,非對角線為標準化係數平方有形性 可靠性 回應性 保證性 同理心有形性 .53可靠性 .47 .57回應性 .39 .60 .73保證性 .39 .65 .74 .53同理心 .26 .40 .38 .37 .52
  86. 86. SEM模型估計• 配適指標的報告• 估計參數的解讀
  87. 87. 89資料輸出、報表解讀
  88. 88. 90資料輸出、報表解讀分析摘要群組說明變數摘要參數摘要常態性估計樣本矩陣模型說明估計修正指標收斂過程成對參數比較模型配適度模型的比較執行時間離形心最遠的觀察值距離
  89. 89. 91報表解讀
  90. 90. 92報表解讀
  91. 91. 報表解讀
  92. 92. 報表解讀• 檢查是否有違犯估計
  93. 93. 95報表解讀
  94. 94. 96報表解讀
  95. 95. 97報表解讀
  96. 96. 98報表解讀
  97. 97. 99報表解讀
  98. 98. 100AMOS輸出解釋1.絕對配適指標2.增值配適指標3.精簡配適指標4.競爭配適指標
  99. 99. 配適度指標的限制 (Kline, 2011,P192~193)1. 配適度指標的值只是模型的整體配適度或平均值而已,因此在模型的某些題目仍會有較大的差異。2. SEM沒有萬用的指標 每一個配適度指標,僅表示資料某一面向的訊息,因此某一指標良好,不表示模型配適良好3. 配適度指標的值與模型是否設定是否正確沒太大的相關 如模型有4個構面,而且配適度好,並不代表你的模型是對的,僅能告訴大家模型與樣本資料的配適良好。
  100. 100. 配適度指標的限制 (Kline, 2011,P192~193)4. 良好的配適度不代表有良好的統計檢定力及解釋能力 變數之間相關愈低,愈容易得到良好的模型配適度。5. 配適度指標不能用來解釋成理論是具有意義的 如某一迴歸估計值的符號方向與理論值相反,即使配適度良好,也不能說是正確的,須要有良好的解釋
  101. 101. 103絕對配適指標理論模型與飽和模型比較所得的統計量1. χ2 test(卡方值) p>0.05(未達顯著水準)1. NC=χ2 /df 1<NC<3(嚴謹)NC<5(寛鬆)2. GFI (配適度) >0.903. AGFI (調整後…) >0.904. RMR (殘差均方和平方根) <0.055. SRMR (標準化…) <0.056. RMSEA(漸近…) <0.08(配適尚可)<0.05(良好)7. HOELTER(CN) >200
  102. 102. 104SRMR的求法• 回到模型的繪圖區,按 “Plugins”選 “Standardized RMR” ,圖區會出現如左的表框,不要關閉,直接按 “ ” ,即可得到SRMR值。
  103. 103. 105增值配適指標理論模型與獨立模型比較所得的統計量1. NFI(規範適配指標) >0.92. RFI(相對…) >0.93. IFI(增值…) >0.94. TLI(非規範…,NNFI) >0.95. CFI (比較…) >0.9
  104. 104. 106配適度指標計算公式
  105. 105. 107精簡配適指標罰懲估計參數多的模型1. PGFI (簡約配適度指標) >0.502. PNFI (簡約後規範…) >0.503. PCFI (簡約後適配指標) >0.50
  106. 106. 108
  107. 107. 109競爭配適指標1.NCP (非集中性參數) 愈小愈好2.SNCP(尺度化…) 愈小愈好3.ECVI (期望交叉效度指標) 愈小愈好4.AIC (赤池資訊標準) 越小越好5.CAIC (一致性…) 越小越好6.BCC (Browne-Cudeck標準)越小越好7.BIC(貝氏資訊標準) 越小越好
  108. 108. 110結論• 模式愈複雜(自由度愈少) ,配適度會愈好• 樣本愈大,愈容易拒絕(p<0.05) ,愈容易犯型二錯誤。• Chi-square指標在違反多元常態下,容易膨脹,通常以 “chi-square/自由度” 修正。• GFI值隨著樣本數及估計參數的增加而增加。• AGFI樣本數小時容易被低估。
  109. 109. 111結論• SRMR隨著樣本數及估計參數增加而變小。• NCP值隨著樣本數增加而增加。• CFI(樣本數小時表現良好)較不受樣本數的影響。• RMSEA較不受樣本數的影響。• NFI會隨著估計參數的增加而增加,因此以NNFI(TLI)取代
  110. 110. 模型不變性檢定• 交叉效度• 檢定統計力及樣本數計算
  111. 111. 複核效化(cross-validated)的不同形式與內容模型數目效度樣本來源相同母體 不同母體單一模型模型穩定性Model stability效度延展性Validity extension多重模型模型選擇性Model selection效度一般性ValiditygeneralizationDiamantoulos and Siguaw (2000) p:130
  112. 112. 交叉效度的執行過程• 將原始資料隨機分成兩群 (請SPSS幫忙)• 執行Amos中的多群組比較• 群組之間的比較如 “因素負荷量”、“結構(路徑)係數”及 “因素共變異數”之間沒有差異,則表示模型具相當的穩定性(交叉效度)。• 樣本建議300個以上
  113. 113. SPSS操作過程
  114. 114. 交叉效度• 設定群組,選擇檔案及分類變數,按群組分析
  115. 115. 交叉效度比較
  116. 116. 多群組差異性比較
  117. 117. 模型比較• ΔTLI (NNFI)≦0.05表模型差異未達顯著
  118. 118. 實務上的顯著性• ΔCFI≦0.01表模型差異未達顯著
  119. 119. 結構方程模型的檢定力計算及樣本數決定Power & sample sizes decisionMacCallum, Browne & Sugawara (1996)
  120. 120. 型I與型II錯誤 (Type I and II error)Type II errorA misseddetectionType I errorA false alarm
  121. 121. 結構方程模型的檢定力計算及樣本數決定• SEM模型整體的檢定力 (power)及樣本數採用MacCallum, R.C., Browne, M.W.& Sugawara, H.W. (1996)
  122. 122. 檢定力的假設• H0:ε≦0.05 (close fit)Ha:εa=0.08• H0:ε≧0.05 (not-close fit)Ha:εa=0.01
  123. 123. R語言執行SEM 檢定統計力#Power analysis for SEMalpha <- 0.05 #alpha leveld <- 200 #degrees offreedomn <- 250 #sample sizermsea0 <- 0.05 #nullhypothesized RMSEArmseaa <- 0.08#alternativehypothesized RMSEA#Code below this pointneed not be changed byuserncp0 <- (n-1)*d*rmsea0^2ncpa <- (n-1)*d*rmseaa^2#Compute powerif(rmsea0<rmseaa) {cval <-qchisq(alpha,d,ncp=ncp0,lower.tail=F)pow <-pchisq(cval,d,ncp=ncpa,lower.tail=F)}if(rmsea0>rmseaa) {cval <- qchisq(1-alpha,d,ncp=ncp0,lower.tail=F)pow <- 1-pchisq(cval,d,ncp=ncpa,lower.tail=F)}print(pow)
  124. 124. R語言計算SEM 樣本數#Computation of minimumsample size for test of fitrmsea0 <- 0.05 #nullhypothesized RMSEArmseaa <- 0.01 #alternativehypothesized RMSEAd <- 200 #degrees of freedomalpha <- 0.05 #alpha leveldesired <- 0.8 #desired power#Code below need not bechanged by user#initialize valuespow <- 0.0n <- 0#begin loop for finding initiallevel of nwhile (pow<desired) {n <- n+100ncp0 <- (n-1)*d*rmsea0^2ncpa <- (n-1)*d*rmseaa^2#compute powerif(rmsea0<rmseaa) {cval <-qchisq(alpha,d,ncp=ncp0,lower.tail=F)pow <-pchisq(cval,d,ncp=ncpa,lower.tail=F)}else {cval <- qchisq(1-alpha,d,ncp=ncp0,lower.tail=F)pow <- 1-pchisq(cval,d,ncp=ncpa,lower.tail=F)}}
  125. 125. R語言計算SEM 樣本數}else {cval <- qchisq(1-alpha,d,ncp=ncp0,lower.tail=F)pow <- 1-pchisq(cval,d,ncp=ncpa,lower.tail=F)}powdiff <- abs(pow-desired)if (pow<desired) {foo <- 1}if (pow>desired) {foo <- -1}}minn <- newnprint(minn)#begin loop for interval halvingfoo <- -1newn <- ninterval <- 200powdiff <- pow - desiredwhile (powdiff>.001) {interval <- interval*.5newn <- newn + foo*interval*.5ncp0 <- (newn-1)*d*rmsea0^2ncpa <- (newn-1)*d*rmseaa^2#compute powerif(rmsea0<rmseaa) {cval <-qchisq(alpha,d,ncp=ncp0,lower.tail=F)pow <-pchisq(cval,d,ncp=ncpa,lower.tail=F)
  126. 126. 其它實務性的假設評估• 多群組比較• 競爭模型的比較• 中介模型的評估• 干擾模型的評估
  127. 127. 129Questions?
  128. 128. 130三星統計服務有限公司http://www.semsoeasy.com.tw/
  129. 129. 三星統計服務有限公司• SEM教育訓練– SPSS 統計訓練– SEM 基礎訓練– SEM 進階分析– SEM 實務應用– SEM 寫作不求人– SEM 縱斷面分析應用• 演講邀約• 論文分析統計諮詢• 資料分析• 統計小班教學• IBM SPSS暨Amos軟體報價、銷售E-mail: semsoeasy@gmail.comFax: 07-3909741
  130. 130. 三星統計服務有限公司• 全國最專業的SEM統計服務團隊• 快速並正確解決您統計上的問題• 教育訓練沒有煩人的數學推導、只有實例的深入探討• 以生活上的例子解釋抽象的統計概念• 全亞洲唯一的白話文結構方程模型教學• 全台唯一充滿熱情、活力、幽默的統計學講師

×