Weitere ähnliche Inhalte Mehr von Beckett Hsieh (20) SEM結構方程模型與Amos基礎班-三星統計謝章升-201311222. 菜單
一. Structural Equation Modeling (SEM)
1. 為什麼要用SEM?
2. SEM with Amos,LISREL,Mplus,EQS
二. Amos 21 實作
1.
2.
3.
4.
5.
Amos環境介紹
建立路徑圖
適合吃什麼資料?
資料分析
報表解讀
2
3. 菜單
三. SEM 原則
1. 合理的樣本量
2. 參數設定原則
3. 模型識別
四. 資料整理
1.最大概似插補法
2.迴歸插補法
3.隨機迴歸插補法
4.貝氏估計插補法
3
10. SEM發表的期刊論文較好嗎?
(引述Babin, Hair, Boles, 2008)
1.
2.
3.
4.
5.
6.
7.
不用SEM的PAPERS比較容易被拒絕?
使用SEM的PAPERS評價比較高?
使用SEM是否對Reviewers較有影響力?
軟體使用Amos是否比LISREL容易被拒絕?
模型配適度好壞是否會影響Reviewers評價?
美國人使用SEM是否比其它國家的學者多?
美國人用SEM投稿是否比其它國家的人有優勢?
Ans:OOOXXOX
10
19. 二. Amos 21 實作教學重點
• 1.運用拖拉點選的畫圖方式
• 2.不從寫方程式入門
• 3.用實例不用數學解釋
• 4.有標準流程跟隨
• 5.舉生活實例與口訣幫助記憶
• 6.教您引用那些Papers
19
22. 顯示區說明
Select input or output path
diagram(顯示輸入,輸出結果)
List of groups(群組列表)
List of models(模型列表)
List of parameter format
(顯示參數格式)
Summary of computations
(計算過程摘要)
File list (Amos graphic)
(分析資料圖檔檔案列表)
22
53. SEM常用的名詞
• 潛在變項(latent, unobserved variables, factor or
construct): (資料檔看不到)
– 不可以直接進行觀測,但可以藉由觀察變項反
應的變量,如顧客滿意度、忠誠度等。
• 潛在變項會受到觀察變項的影響,潛在變項之間
也會相互影響,這些影響關係又分為
“因果關係”及 “相關關係”。
53
56. SEM常用的名詞
• 誤差 (Error or E) e1~e6
– 測量變數被估計後無法解釋的變異。
• 干擾 (Disturbance or D): e7
– 潛在變數經估計後無法解釋的變異。
• 誤差=干擾=殘差(residual)=不可解釋變異
56
61. SEM分析樣本數需求
(Hair, et.al., 2009, ch. 12)
Hair, Joseph F., William C. Black , Barry J. Babin , Rolph E. Anderson. (2009)
Multivariate Data Analysis (7th Edition). Englewood Cliffs, N.J. Prentice Hall.
61
62. SEM參數設定原則
(Raycov & Marcoulides, 2006)
1. 所有獨立變數的變異數均是模型的參數
2. 所有外生變數之間的共變異數都均是模型
的參數
3. 所有與潛在變項有關的因素負荷量均是模
型的參數
4. 所有測量變項之間或潛在變項之間的迴歸
係數都是模型的參數
5. 與內生變項有關的量數都不是模型的參數
6. 對每一個潛在變項,必須給定一個適當的
潛在量尺
62
74. SEM實務上的基本要求
1. 模型中潛在因素至少應為兩個 (Bollen, 1989)
2. 量表最好為七點尺度 (Bollen, 1989)
3. 每個潛在構面至少要有三個題目,
五~七題為佳 (Bollen, 1989)
4. 每一指標不得橫跨到其它潛在因素上
(Bollen, 1989)
5. 問卷最好引用自知名學者,儘量不要自己創造
6. 理論架構要根據學者提出的理論作修正
7. 模型主要構面維持在5個以內,不要超過7個
74
92. 遺漏值的插補
1. View Interface Properties Estimate Mean
and Intercept打勾
2. Analyze Data Imputation Bayesian
imputation
3. 依右圖設定
4. 貝氏估計由綠色臉變成
黃色笑臉
表收斂完成
92
93. 遺漏值的插補
5. 開啟data imputation_c
6. 刪除「圖像」和「語文」等潛在構面的變
數存檔
7. Amos重新讀取data imputation_c
8. 選擇Grouping Variable Imputation_
Group Value 選擇任一組樣本分析
9. 直到所有組別測試完畢,留下估計值及配
適度較好的樣本進入分析。
93
98. 組成信度(composite reliability; CR)
• CR值是所有測量變項信度的組合,表示構念指
標的內部一致性,雷同於cronbach α,CR愈高
表示構念的內部一致性愈高,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) 。
98
99. 變異抽取量
(Average of variance extracted,AVE)
• AVE是計算潛在變數之測量變數的變異數解釋力
若AVE愈高,則表示構念有愈高的信度與收斂效
度。理想上標準值須大於0.5
Fornell and Larcker(1981) ,0.36~0.5為可接受
門檻。
• 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)
99
127. AMOS 輸出解釋
1. 絕對配適指標
– 可解釋為樣本共變異數矩陣被模型共變異數矩陣解釋
的比例,類似於R2。
2. 增值配適指標
– 研究模型的配適度與統計基本模型比較改善的程度,
基本模型指的是獨立(虛無)模型。
3. 精簡配適指標
– 決定研究模型是否太過複雜,同一筆樣本資料但相似
的模型以精簡指標愈大者愈好。
4. 競爭配適指標
– 非巢狀模型比較用的配適指標,愈小愈好,沒有標準
值。
127
137. 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。
• 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
137