結構方程模式於期刊論文研究的應用-三星統計張偉豪-20131007

http://www.semsoeasy.com.tw/
1
SEM 於期刊論文研究的應用
張偉豪
三星統計服務有限公司執行長
Amos 亞洲一哥

2
Outline
1. Show me the paper, no paper no
talk.
2. SEM ： fashion or fad?
3. Is SEM hard to learn?
4. What can do about SEM?
5. Amos Graphics-A road less traveled
6. Newly technique brings brand new
ideas.
7. Becoming a SEM’s researcher.
8. Q & A

Show me the paper,
no paper no talk.

4
Show me the paper
• 博士生畢業需要它
• 大學老師升等需要它
• 跳槽需要它
• 學校評鑑需要它
• 爭取教育部補助經費需要它
• 爭取國科會計劃需要它
• 學術地位需要它
• …

SEM ： fashion or fad?

6
目前最的量化研究方法夯
• 線性結構方程模型
(Structural Equation Modeling, SEM)

7
SEM是近期成長快速的統計技術
(Herhberger, 2003)
• 愈來愈多的 SEM 文章發表於心理學期刊
上
• SEM 已成為心理學學者最常用的統計技術
• 方法論上 SEM 的期刊被大量的引用
• SEM 出版的書大幅加增
• SEM 的研討會愈來愈多
• 專門討論 SEM 的期刊大幅加增

8
SEM發表的期刊論文有比較好嗎?
(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
?








9
SEM 為何會受歡迎?
• SEM 統計分析技術比傳統統計技術
(SPSS, SAS) 更嚴謹
• 研究者可以同時分析觀察變項
( 年齡，性別 ) 及潛在變項 ( 忠誠度等）
• 由於 SEM 軟體的發展與成熟，已成為研
究人員投稿期刊必備的研究方法
• 輸出以圖形顯示，較為直覺也易於解釋
• 可以處理較複雜的模型

Is SEM hard to learn?

要教學您嗎 ? 難 ...
要作研究您嗎 ?

12
SEM 分析常用的軟體
• Amos
• LISREL
• EQS
• Mplus
• SAS Calis
• Sepath
• MX
x1
x2
FF11 FF33
y1
y2
ee
１１
ee55
LLx1
DD33
ee66
ee ２２
LLx2
LLy1
LLy2
x3
x4
y3
y4
ee33 ee77
LLx3
DD44
ee88ee44
LLx4
LLy3
LLy4FF22
FF44
covcov ２１２１
bb4141
bb4242
bb4343
bb3131

13
常用的兩種SEM軟體差異
• Lisrel 與 Amos 分析結果的比較

14
Amos Graphics-A road less traveled
• Amos 使用人性介面的操作視窗，使得
SEM 操作變得更容易。
• 研究者可以在 SEM 研究中「繪製路徑
圖」、「輸入資料」、「執行探索及驗證
式因素分析」，並測試觀察變項與潛在變
之間的關係。
• 研究者也可以輕鬆處理遺漏，可以得到值
更精準的模型及更佳的決策品質。
• 還有最最最重要的一點…
有 Amos 亞洲一哥可以問

What can do about SEM?
Almost everything

SEM可以作那些事?
•嚴格的驗證式分析
strictly confirmatory application
•競爭模型分析
alternately model analysis
•模型生產
model generation
Joreskog, K. G. (1993).
Testing structural equation models. In K. A. Bollen
& J. S. Lang (Eds.), Testing structural equation
models. 294–316. Newbury Park, CA: Sage.

Family of SEM
T 檢定 ANOVA MANOVA
重複
量數
相關
分析
多元
迴歸
路徑
分析
結構方
程模型
因素
分析
探索式因
素分析
驗證式因
素分析
潛在成
長模型

18
SEM 可以作那些事 ?
• 相關分析
• 多元迴歸分析
• 驗證式因素分析
• 結構方程模型分析
• 變異數分析
• 實驗設計
• 潛在成長模型 ( 時間序列的資料 )

19
SEM 可以作那些事 ?
路徑分析
多元迴歸驗證式因素分析
相關分析

態度
主觀規範
認知行為控制
行為意圖
d
1
20
迴歸分析模型 ( 計劃行為理論 )
傳統的 SPSS 觀察變數估計

21
迴歸分析模型 ( 計劃行為理論 )
第二代統計技術潛在變數估計

優點二
SEM 完整模型的評估
優點一
SEM 估計變數的殘差
優點三
保留變數的完整訊息

共變為何一定要存在
• 迴歸偏相關的估計公式己將共變納入估計
• Raycov and Marcoulides ( 2006) 六大
SEM 估計準則之第二條：所有外生變數
之間的共變異數都均是模型估計的參數
• 實務上來看，不可能有幾個外生變數同時
估計生變數，而外生變數之間是不相關內
1 2 12
1 2 2
2 12(1 )(1 )
b b
b
r r r
b
r r
−
=
− −
x1
x2
y1
b1
r12
b2
d1

24
Coefficientsa
-.539 .164 -3.275 .001
.274 .038 .224 7.165 .000
.216 .045 .185 4.763 .000
.590 .046 .471 12.699 .000
(Constant)
ATTavg
SNavg
PBCavg
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig.
Dependent Variable: BIavga.
Amos 路徑分析與 SPSS 迴歸比較
SPSS 輸出結果

25
SEM 提供整體的估計

優點五
多樣化的配適度指標
優點四
SEM 評估複雜的模型
優點六
100% 重製研究結果

SEM分析流程圖 (Kline, 2011, p.92)
1. 模型設定
2. 模型辨識
3. 選擇衡量工具、
搜集資料
4a. 模型配適 ?
4b. 解讀估計結果
4c. 考慮其它模型 6. 結果報告
5. 模型修正
yes no
no
yes
7. 重製結果
可有可無

SEM 分析 SOP
• 模型設定 (Model
specification)
– 建立概念模型
• 模型辨識 (Model
identification)
– 是否可以分析
• 模型估計 (Model
estimation)
– 遺漏的處理值
– 估計方法的選擇
– 多元常態及例外處理值
• 模型測試 (Model
testing)
– 模型配適度
– 多群組的比較
– 信、效度分析
– 競爭模型的比較
– 小樣本資料的處理
(bootstrap)
• 模型修正 (Model
modification)
28

29
建立概念模型
企業形象
服務品質
轉換成本
滿意度忠誠度
• SEM 概念模型
H1
H2
H3
H4
H5
H6

30
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
H0=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 ：

31
理論上是否可以分析 ?
• 過度辨識
– df>p
• 恰好辨識
– df=p
• 不足辨識
– df<p
df=v(v+1)/2, v: 變數 , p: 估計參數 , df: 自由
度
必要條件

32
實務上的不足辨識 (Kline, 2011, p.146)
• 兩變數之間相關極高 (r=0.9)
• 非遞迴路徑也極易造成不足辨識
• 一個潛在變數只有兩個指標
• 潛在變數之間相關接近 0
• 違反線性假設或資料違反多元常態分配
• 模型設定錯誤
• …

33
結構方程模型

Newly technique brings
brand new ideas
群組比較
競爭模型

35
多群組的比較
• 目的
– 模型跨群組的參數比較是否不同 ?
– 模型是否受到群組變數的干擾 ?

36
多群組比較的使用時機
1. 特定的使用時機是否具有跨群組 ( 性別、年齡、
能力或文化 ) 的適用 ( 不變 ) 性？
2. 理論構面是否具跨群組不變性 ( 構面效度 ) ？
3. 結構模型中的特定路徑是否具跨群組的不變性
( 干擾效果 ) ？
4. 潛在構面的平均數是否跨群組不同 (ANOVA) ？
5. 因素或結構模型否可以跨樣本 ( 同一母體 ) 重製
( 複核效化 ) ？

37
多群組比較的使用時機
分組變數
非隨機分組隨機分組
期
望
結
果
相同
Don’t
reject
恆等性評估
( 測量工具適不適用
於不同群體，含 CFA
及 SEM ) 。
交叉效度的應用
( 因素結構在不同
樣本上是否可以被
重製 ) 。
不相同
reject
干擾效果的應用
( 研究某些特定參數
如迴歸或相關係數，
在不同樣本間是否等
?

一階及二階CFA恆等性檢定

39
Cross validity ( 複合效度 )
研究中的
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
( 隨機分
群 )
效度延展性
( 群組比
較 )
不同模型模型選擇性
( 競爭模
效度一般性
資料來源： Diamantopoulow & Siguaw (2000),
p130

Becoming a SEM’s
researcher

Best readings for SEM

44

45
三星統計服務有限公司
E-mail: semsoeasy@gmail.com
Fax: 07-3909741

• 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
– PLS 應用分析
• 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
銷售

• 全國最專業的 SEM 統計服務團隊
• 快速並正確解決統計上的問題您
• 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

結構方程模式於期刊論文研究的應用-三星統計張偉豪-20131007

More Related Content

What's hot

Viewers also liked

More from Beckett Hsieh

結構方程模式於期刊論文研究的應用-三星統計張偉豪-20131007