為何要有SEM的分享專區?

  我在SEM多年的教學當中,經常有許多的老師或研究生會問到許多他們在使用SEM分析方法所面臨的問題有時只是因為一個小小的觀念沒能釐清,就導致整個研究的延宕,實為可惜!

  我相信某個研究者的問題,也有可能是其他研究者會遇到的問題。因此基於知識分享的理由,我將平時上課時所被問到的問題加以彙整,並嘗試做完整的回答,希望能解決部份學習SEM的同好者的疑惑,也期望這個知識分享平台對國內的SEM論文的推廣能有所助益。

本分享專區預計每2個星期分享一個Q&A,歡迎您一起來研討!

                                                                                                 Amos 亞洲一哥

                                                                                                                   張偉豪  2012/2/23

   

   
  問題64 SPSS資料中如為空白,系統會自動設為遺漏值嗎?如何找出遺漏值呢?
   
  問題63 請問PLS所使用之資料的數值一定要介於1-7之間才可以嗎?
   
  問題62 同一份問卷中,各構面所使用的尺度都要一樣嗎?
   
  問題61 在中介模型中,如何比較兩個變數的重要性?
   
  問題60 為何在做SEM之前要先做每個構面的CFA
   
  問題59 為什麼GFI及AGFI跑不出來?
   
  問題58 因素負荷量大於1時,如何處理?
   
  問題57 有關遺漏值的處理
   
  問題56 在PLS中如何看p-value
   
  問題55 如何將PLS路徑圖備份出來
   
  問題54 PLS轉檔失敗的處理
   
  問題53 多重干擾的作法
   
  問題52 什麼是holdout sample
   
  問題51 相關矩陣有方法直接轉成共變異數矩陣嗎?
   
  問題50 SEM想要處理控制變數,要怎麼執行呢?
   
  問題49 樣本數太小可以用SEM嗎?
   
  問題48 ML法的前提假設是什麼?
   
  問題47 常態檢定中有分單變量及多變量,若單變量的常態分配皆通過,但是多變量的值為21.4,也不符合多元常態,也算有偏離值嗎?
   
  問題46 若變數的標準迴歸係數有負的情況出現,是可以,還是不行?
   
  問題45 變數的變異數若為0.021,也算不顯著,這有違反估計檢定嗎?
   
  問題44 t-test 和干擾的功用有何不同呢?
   
  問題43 CMV的校正
   
  問題42 關於AVE, MSV, ASV 來判斷區別效度
   
  問題41 PLS是否可以作為幾種競爭模式的比較?
   
  問題40 PLS需要考慮常態假設的問題嗎?
   
  問題39 PLSGOF的指標如何評估好壞
   
  問題38 因素負荷量多少才是適當的?
   
  問題37 PLS可以跑三階模型嗎?
   
  問題36 為何一階模型與二階模型有一模一樣的配適度?
   
  問題35 Null model的數值在哪裡看得到?
   
  問題34 因素分析的題目無法依文獻探討的構面排排站好,怎麼辦?
 

 

  問題33 AMOS遺漏值插補的時機
 

 

 

問題32 在Amos分析時,無法在OUTPUT看到常態檢定的結果?

 

 

 

問題31  Amos圖形貼到word後,兩側會出現黑影,應該如何解決呢?

 

 

 

問題30 構面題目與樣本數不足

 

 

 

問題29 殘差真的不能拉相關嗎

 

 

 

問題28 多元常態的判定

 

 

 

問題27 單變量常態與多變量常態的檢定

 

 

 

問題26 加入中介變數後,會使原來自變數到應變數原先的正向關係變成負向的關係,這樣的情況是可能發生的嗎?

 

 

 

問題25 SPSSSEM跑出來結果不同,這樣的情況是可能發生的嗎?

 

 

 

問題24 如何檢定間接效果?

 

 

 

問題23 共變異數矩陣與樣本共變異數矩陣在OUTPUT的那堨i以看到?

 

 

 

問題22 PLS的問題【三】

 

 

 

問題21 PLS的問題【二】

 

 

 

問題20 PLS的問題【一】

 

 

 

問題19 『違犯估計』、『區別效度』、『共線性』的問題?

 

 

 

問題18 何謂『再專一化』?

 

 

 

問題17 已經做過專家效度是否就不必再做『信效度』、『Bollen二階段檢定』與『違犯估計檢定』了呢?

 

 

 

問題16 cr值重要嗎?

 

 

 

問題15 SRMR 值是在哪看的呢?

 

 

 

問題14 有關SEM配適度的數據

 

 

 

問題13  直接測量的尺度是否可以直接放入SEM的分析中?

 

 

 

問題12  在SEM當中p值的角色重要嗎?

 

 

 

問題11  為何會有因素負荷量很低,但模型配適度可接受的情形?

 

 

 

問題10  不同群體是否須執行交叉分析?

 

 

 

問題9 標準化係數大於1的原因

 

 

 

問題8 雙中介模式與遠程中介模式

 

 

 

問題7 樣本的極端值如何判定?

 

 

 

問題6 CFA時如下的p value數值應是大於.05或是要小於.05

 

 

 

問題5 LISREL的八大矩陣為何?

 

 

 

問題4 Amos的工具列(toolbar)功能到底是什麼?

 

 

 

問題3 類別變數是否可放進AMOS潛在變項中?

 

 

 

問題2 一個構面只有三個題目,為什麼看不到模型配適度?

   

問題1 二階模型無法正定時,該如何解決?

   

 

 

問題1 二階模型無法正定時,該如何解決?

 

張老師您好:

請教您一個問題,如下圖的資料,我在一階兩個因素時發現相關很高(0.83),因此想要以二階模型來處理,但資料在跑二階模型時好像無法正定,跑不出來,這是為什麼? 有沒有甚麼辦法解決這個問題呢?

à

 

Ans:

 

二階模型之所以無法分析,主要是由於模型無法符合二階模型正定的條件,解決之道為

 

(1)不要執行二階分析,直接將二階模型代入SEM模型中,二階模型藉由別的構面的訊息,即可分析;

(2)將二階到一階的兩條線均設為1,由於一階構面相關很高,因此兩構面應該有一更高的共同因素存在,因此二階因素對一階因素的影響力應該雷同,藉由將兩條線設1,可使模型符合正定條件。

à

高階模型正定條件如下:Kline R.B. (2005) p.199
1.每個二階構面至少需要有三個一階構面
2.一階構面至少要有兩個指標
3.二階構面到一階構面的因素負荷量要有一條固定為1

Kline R.B. (2005). Principles and practice of structural equation modeling (2nd ed.).

New York: Guilford.

                                                                                                                                                                          【回到常見問題列

 

問題2 一個構面只有三個題目,為什麼看不到模型配適度?

 

張老師您好:
請教您一個問題,如下圖,為什麼在執行一階CFA的分析時,為何卡方值為0,而且看不到任何模型配適度呢?那塈佪糷F?如何解決這個問題呢?

 

 

Ans:

 

在CFA的分析中,一個潛在構面如果只有搭配3個題目,稱為恰好辨識,這是CFA分析中的必要條件之1。
SEM模型辨識可分成三種類型:

1.過度辨識(over identification);

2.恰好辨識(just identification);

3.不足辨識(under identification)
辨識(Identification)又譯為正定,亦即指模型是否可以被分析的條件,其條件是否符合是由自由度(DF)-估計參數(P)是否大於0來決定。DF的計算是V(V+1)/2,V表示模型中的觀察變數。
1.恰好辨識(DF-P=0)的意義是資料所提供的訊息恰好等於模型所估計的參數,因此參數估計只會有唯一值,所以模型配適度指標只會出現卡方值為0(表示沒有任何誤差),GFI=1的結果。
以一個潛在構面,3個觀察變數為例,DF=3×4/2=6,圖上顯示估計6個參數(打勾的部分)

 

2.過度辨識表示模型DF-P>0,此為CFA或SEM所希望的方式,如下圖,DF=4×5/2=10,圖上顯示估計8個參數(打勾的部分),因此10-8=2,所以剩兩個自由度,因此CFA為過度辨識。

3.不足辨識為DF-P<0,此時模型將無法分析,如圖所示DF=2×3/2=3,而目前的估計參數有4個(打勾的部分),因此模型無法分析。

 

結論:一般在CFA分析中,恰好辨識是基本要求,所以一般情形下,每個潛在構面最好是有3個(含)以上的觀察變數是比較理想。但有些讀者仍會發現,有些研究在構面上只設2個題目,但仍能分析,這是怎麼一回事?這個問題留待下一個單元再回答。

 

                                                                                                                                                                          【回到常見問題列

 

問題3 類別變數是否可放進AMOS潛在變項中?

 

張老師:

    我是曾經上過您SEM進階班課程的學生,我想請問您AMOS潛在變項可否設定為類別變數?簡單來說,將只有""""DATA放到AMOS的潛在變項內?   這樣的問題該如何解決?

 

 

Ans:

 

如果是類別變數,那就是觀察變數了,您可以採用群組分析來處理。類別變不可以放進潛在變數中處理。因為潛在變數是我們假設的空變數,不能有任何實際的分數在其中。潛在變數的名稱也是研究者自己的命名,如果要把類別變數納入模型中考量,只需將類別變數轉成dummy variable直接帶入模型中分析即可。

如果是要將某個潛在變數分成兩類,這種方法稱為latent class analysis(潛在類別分析),在amos中需要應用bayesian estimate(貝氏估計)進行,並且要在data file,assign cases to group打勾,但不要以為這樣就可以做了,詳情請參考amos 操作手冊34~36章的內容。

                                                                                                                                                                          【回到常見問題列

 

問題4 Amos的工具列(toolbar)功能到底是什麼?

 

張老師您好:
Amos的工具列(toolbar)功能到底是什麼?

 

 

Ans:

 

Amos為圖形介面操作的SEM軟體,軟體會自動將圖上所繪的模型,轉成程式,進行運算.絕大多數的指令都可藉由下拉式選單(用得少)或點選左側的工具列來執行指令,只要用滑鼠右鍵點一下,即可到繪圖區進行繪圖工作.工具列也可隨著個人喜好,移動至適當的位置.

                                                                                                                                                                          【回到常見問題列

 

問題5 LISREL的八大矩陣為何?

 

張老師您好:
LISREL的八大矩陣為何?

 

 

Ans:

 

LISREL為SEM軟體中的第一品牌,歷史最悠久,它利用PRELIS語法作資料處理,SIMPLIS語法處理較簡單的模型分析功能,LISREL語法處理較複雜的結構方程分析,在LISREL語法中要用到矩陣的觀念來寫程式,因此要對各種矩陣有相當的認識,否則語法非常容易寫錯,要詳細了解LISREL語法操作,請參考LIEREL操作手冊,以下簡單介紹LISREL的八大矩陣(1~8),9~12在有平均數估計時才會出現

  1. Lambda X Matrix:這是設定從外生潛在變項(自變數)到它的觀察變項之間的迴歸路徑,一般會在其中的一條路徑迴歸係數設 "1″

  2. Lambda Y Matrix:這是設定從內生生潛在變項(應變數)到它的觀察變項之間的迴歸路徑,一般會在其中的一條路徑迴歸係數設 "1″

  3. Theta Delta Matrix:指的是外生觀察變項的誤差項(不可解釋變異).如果有n個題目,就會產生n*n的矩陣.

  4. Theta Epsilon Matrix:指的是內生觀察變項的誤差項(不可解釋變異).如果有m個題目,就會產生m*m的矩陣.

  5. Phi Matrix:外生潛在變項的矩陣,若對角線為1,表示潛在變數的變異數要被估計(標準實務的作法),若對角線不為1,顯示為潛在變數之間的皮爾森相關.

  6. Gamma Matrix:此矩陣為模型的核心,表示外生潛在變數到內生潛在變數的路徑關係.

  7. Beta Martix:表示內生潛在變數到內生潛在變數的路徑關係.

  8. Psi Matrix:內生潛在變數殘差矩陣,若只有一個內生潛在變數,則矩陣只有一個 "1″

  9. Kappa Matrix, KA:在模型中有交互作用的時候使用, 1表估計潛在變數的平均數

  10. Alpha Matrix:在模型中有交互作用的時候使用,主要是估計外生潛在變項與內生潛在變項其迴歸值的截距

  11. Tau-X Matrix:在模型中有交互作用的時候使用,外生潛在變項到其指標迴歸值的截距.

  12. Tau-Y Matrix:在模型中有交互作用的時候使用,內生潛在變項到其指標迴歸值的截距.

 

                                                                                                                                                                          【回到常見問題列

 

問題6 CFA時如下的p value數值應是大於.05或是要小於.05

 

張老師您好:
CFA時如下的p value數值應是大於.05或是要小於.05

Chi-square=\cmin p value=\p Degree of Freedom=\df

Normed Chi-square=\cmindf GFI=\GFI AGFI=\AGFI

CFI=\CFI RMSEA=\RMSEA

 

 

Ans:

 

理論上p value數值應是大於.05比較好,但由於SEM的分析樣本數都很大,一般會大於200個,所以p value要大於0.05有點不容易,因此這個值我們一般都不看,而以其它的配適度指標作為依據。

例如:

Normed Chi-square介於1~3之間

GFI>0.9  AGFI>0.9

CFI=0.9 RMSEA<0.08

 

                                                                                                                                                                          【回到常見問題列

 

問題7 樣本的極端值如何判定?

 

近日利用AMOS處理資料時,在做CFA時發現樣本OutliersObservations farthest from the centroid (Mahalanobis distance)很大,如97。想請教您Observations farthest from the centroid (Mahalanobis distance)這個數值多少以上的要刪除此樣本?或看報表後面第一個P值,是不是指要小於.05就要去除該樣本?

 

Ans:

 

Outliers的判定:

1.先看p2這一行的值是否小於0.001,如果有只是表示Mahalanobis distance是存在的。

2.要判定該case是否為Outlier,要看該case的的值是否與下面其他cases之間的距離是否有明顯的差距。

如:老師例子為97那第二個又是多少呢? 假設第二個值為50,第二個為48,繼續下去都差不多,那97case就可能是Outlier如果97之後是90再來是88, 87...,97就可能不是Outlier

什麼樣的差距稱為有夠大,並沒有一定的標準,完全看研究者自由心證。

 

                                                                                                                                                                          【回到常見問題列

 

問題8 雙中介模式與遠程中介模式

 

張老師,您好,想請問您

以下這兩個模式來看,亦屬於中介的模式嗎?

Model 1

 

Model 2

 

 

 

Ans:

 

第一個模型稱為遠程中介,第二個模型為雙中介模型。

至於如何檢定,很難用mail講清楚(一般上課要講2小時)

簡單的說,使用amos,輸出要勾選indirect, direct & total effect的選項,再用bootstrap 1000次,建立95%信賴區間,執行後,看間接效果是否存在?

如果存在(信賴區間不包含0)即是有中介效果。

 

                                                                                                                                                                          【回到常見問題列

 

問題9 標準化係數大於1的原因

 

老師您好:

 

我想請問如果標準化係數大於1該怎麼處理呢?還有標準化係數是負的是代表變項之間呈現負向的關係嗎?

 

 

Ans:

 

標準化係數大於1表示您至少有兩個或兩個自變數以上,他們的自變數相關過高(共線性) 一般0.75就算很高了。處理的方法有兩種:

1.      將相關過高的兩個自變數設成等同。

2.      找一個更高階的共同因素,亦即形成二階模型也可以

 

標準化係數為負是代表自變數與應變數之間呈現負向的關係,如滿意度愈高,抱怨愈少。然而前提是,這個負向關係不是共線性所造成的假性相關。

 

                                                                                                                                                                          【回到常見問題列

 

問題10  不同群體是否須執行交叉分析?

 

如果樣本來自於三種不同的人士所填寫,是不是要做交叉效度?

 

Ans:

 

如果樣本來自於三種不同的人士所填寫,您要做的不是交叉效度,而是群組比較,交叉效度應用於樣本的隨機分群比較多。除非您是先用某一群樣本建模,想要了解另兩群是否同樣適用於此一模型,此時才是要做交叉效度。

 

                                                                                                                                                                          【回到常見問題列

 

問題11  為何會有因素負荷量很低,但模型配適度可接受的情形?

 

張老師您好

我有關CFA統計問題請教您:我有一份問卷資料用CFA分析時,.有一半的題目的factor loading低於0.5但是模型配適度相關指標χ2/ df GFI NFIRMSEA卻在可接受的範圍,怎麼會有這樣情形?您有何建議?

 

Ans:

 

題目的factor loading不高,但是模型配適度在可接受的範圍,這是很正常的現象。

一般而言,模型配適度好通常會發生在兩種情形:

1.模型與樣本資料非常適配

2.當模型中大部份的變數之間皮爾森相關都不高時,如小於0.3以下

看起來您的情形屬於第二種情形。

 

因為SEM是用共變異數(相關)矩陣作為計算的資料,而假設模型一定有某些變數之間的關係是設為0(不拉相關的線,程式會自動設為0)如果變數之間的相關本來就不高,那模型又假設不相關,那差異就不會很大,因此卡方差異值就不會過度膨脹,模型配適度就會好。所以當loadings時,反而可能得到不錯的模型配適度。

 

你可以試著跑一下相關分析,看看相關是否都不太高就可以了解。

一般而言,構面的題目相關應該要比較高(符合收斂效度),不同構面之間的題目相關較低(符合區別效度)。因素負荷量低,表示構面信度不足,亦即cronbach's alpha不好。通常如果不是題目設計不良,就是樣本的調查有問題。但這兩個問題都無法藉由統計方法來修正。

不知道您的樣本有多大?如果樣本夠大也許可以藉由刪除某些不適當的樣本,來增加一些信度。

 

                                                                                                                                                                          【回到常見問題列

 

問題12  在SEM當中p值的角色重要嗎?

 

張老師您好:

想請教您幾個問題:

1.若是模型中的卡方P值小於0.05(p=0.000),但其他配適度的值皆符合規定, 這樣這個model是否可以接受? 如何解釋P值小於0.05?   因為我看您的講義上寫是要大於0.05才可以接受此模型!!

2. P值在SEM中會扮演很重要的角色嗎?若是在研究結果不解釋它或是不提到它,這樣OK的嗎?

 

Ans:

 

SEM的分析是屬於大樣本的分析法,因此很可能造成卡方值膨脹,而導致拒絕H0的結果。一般大概只要超過200個樣本,P值就很難不顯著了。因為卡方值是樣本數的函數。

P值不顯著表示接受H0假設,表示模型與樣本配適度佳。P值不顯著是個理想狀況,但實際上並不實用。因此會以其他的配適度指標,GFI, AGFI, CFI, IFI,RMSEA,SRMR,卡方/自由度等協助判斷模型是否配適,所以只要各種配適度不差,即可證明您的模型是OK的。

 

                                                                                                                                                                          【回到常見問題列

 

問題13  直接測量的尺度是否可以直接放入SEM的分析中?

 

張老師您好:

如果模式中Dependent Var.要測量構面為企業績效,企業績效包含銷售成長率、銷售利潤、ROIROA等比率或等距尺度(問卷方式是直接填答數據,非用Likert scale方式),獲得以上測度是否可直接測量,抑或要個別轉換成名目尺度?

 

Ans:

 

當然可以直接測量,因為SEM是屬於SCALE FREE的估計方法。不過為了讓模型容易收斂,應執行變數轉換。換言之,應將變數的單位改變,讓數值比較接近,

讓變數之間的變異數不要相差太多。例如成長率為百分比,可將之乘以100變成兩位數。利潤可以百萬或十萬或千萬為計數單位,也讓它可以在兩位數內。

所以您該擔心的不是單位的問題,而是該幾個變數是否有一致性的問題。

 

                                                                                                                                                                          【回到常見問題列

 

問題14 有關SEM配適度的數據

 

我是上海的學員Alice,我最近通過研究資料分析,有幾個迷惑的問題很想請教您啊:)

1. RMSEA值幾乎為0可以麼?是否都不符合一般的規定?

2. 我的SEM模型中,Probability level0.517,這個值是不是太大了?一般多少是判斷標準呢?OASTPACFA分析結果中個,Probability level分別是0.9630.4940.517.

3. 在我的CFA分析中,三組測量模型的AVE指標分別是:0.5180.3960.451,後面兩個資料沒有大於0.5,這樣可以麼?

4. chi-square/df 分別為 0.6610.7050.038,三個資料都沒有大於1,不知這樣是不是不可以?因在您的書中P108中,寫到判斷值是1<NC<3.

 

 

Ans:

 

1.RMSEA的標準是愈接近0好,一般小於0.05即為很好了,小於0.08為可接受,您的模型因為比較簡單,再加上樣本也不是很多(204)所以RMSEA很小是很有可能的,並沒有什麼不對。

2.P>0.05表示模型配適度良好,這是好現象,一般在SEM分析中,P值要愈大愈好,表示模型再製矩陣與樣本矩陣一致。

3. AVE大於0.5是理想值,Hair et al. (2009)建議loadings值理想上是大於0.7loadings0.6以上為可接受。由於AVEloading平方(SMC)的加總平均,因此AVE0.36以上即為可接受。

4. square/df 小於1 一般稱為過度配適(OVER FIT)不過沒什麼關係,因為您只是CFA的分析而已如果是SEM的分析那可能就是修正過度了。

 

                                                                                                                                                                          【回到常見問題列

 

問題15 SRMR 值是在哪裡看的呢?

 

 
 

Ans:

 

SRMR的計算是從Plugins-->Standardized RMR,此時會出現一個對話框,不要關掉,再重按一次分析,即可在該對話框中看到SRMR的值

                                                                                                                                                                          【回到常見問題列

 

問題16 cr值重要嗎?

 

張老師:

您好,聽過您許多課程了,從南到北,受教許多,先感謝。

1.您的SEM論文寫作不求人一書中,89頁第二行提及『...也就是cr值要>=2.56,但因為SEM為大樣本分析,cr值要>=2.56是很平常的事情,一般實務上以cr<=/2/為判斷的標準。』這一段有點不懂。

文中的絕對值,是不是指的應該是cr值的絕對值?但如果是如此,也還是有點矛盾,因為既然提到說『cr值要大於等於2.56是很平常的事情』,也就是代表『cr值一般是大於2.56或者,小於 -2.56』,此時cr值若是小於-2.56的,絕對值當然小於2容易,但如果是大於2.56cr值,絕對值就不會小於2了,是這樣嗎?

 

 

Ans:

 

因為SEM的樣本數比較大,會導致標準誤變小,因此任何一個小的差異都可能造成參數估計顯著,所以一般判斷不會用cr值作為判斷的標準,而以偏態、峰度做為判斷的依據。因為偏態可能為正偏或負偏,因此會導致cr值有正,有負。因此才會說要用絕對值,但在SEM中這種判斷依據並不常用。

                                                                                                                                                                          【回到常見問題列

問題17 已經做過專家效度是否就不必再做『信效度』、『Bollen二階段檢定』與『違犯估計檢定』了呢?

 

張老師好:

在您書中提到SEMSOP,在問卷預試後,進行一階CFA,再進行二階CFA,再依序『Bollen二階段檢定』、『多元常態及極端值檢定』、『共同方法變異』、『收斂效度』、『區別效度』、『SEM分析及違犯估計』、『配適度報告』......

如果,我的研究問卷是透過文獻分析歸納再經由專家學者(專家效度)確認問卷內容,問卷施測回收後,我想用驗證性因素分析來交代問卷的信效度,是不是只要直接做『一階CFA』,然後再交代『收斂效度』與『區別效度』就可以了?還是一樣要做『Bollen二階段檢定』與『多元常態極端值檢定』呢?那『SEM分析及違犯估計』應該要做嗎?

 

 

Ans:

 

1.   即使問卷做了專家效度,問卷回收仍然是要執行多元常態及極端值的檢查,以及信效度的檢定。有專家看過,並不代表一定符合多元常態,除非老師的樣本超過1000個,那可採用ADF法來估計,此時就不用理會常態或極端值等問題。信效度是一定要做的。不論是否有專家效度,或引用自知名學者,或過去證明過多有效度,都還是要做

2.   執行BOLLEN二階段檢定,主要是判斷構面之間相關大小,是否有可能有共線性的問題或相關係數的正負是否與SEM模型的迴歸係數一致。如果不一致,則代表SEM的分析結果是有問題的。

3.   Hair et al. (2009)出,只要樣本超過300,每個構面超過3個題目,就不可能產生違犯估計,如果您的模型未能符合這個標準,最好是報告一下'

 

                                                                                                                                                                          【回到常見問題列

問題18 何謂『再專一化』?

 

附上一篇戶外遊憩研究的paper,其中提到『再專一化』,這是什麼?一定要交代的嗎?還是可以用內部一致性(組成信度)來交代?

 

 

Ans:

 

『再專一化』英文是Uni-dimensionality,意思是每個構面的題目,只能與一個構面有關,不得與兩個以上的構面相關,也就是交叉負荷量假設為0。一般模型只要同時符合收斂效度及區別效度的標準,即符合Uni-dimensionality的假設(這是SEM分析的必要條件)

 

                                                                                                                                                                          【回到常見問題列

 

問題19 『違犯估計』、『區別效度』、『共線性』的問題?

 

您好!

我是之前參加貴公司的結構方程模型基礎班的學生,想請教您們關於Amos的問題。

1. 當我在執行二階CFA時,服務品質的反應性及保證性構面的誤差變異數不顯著(e20, e21),是否有違犯估計的問題?

2. 執行BOOTSTRAP區別效度時,服務創新&服務品質的信賴區間Upper值為0.924,品牌形象&顧客忠誠度的信賴區間Upper值為0.957,是否代表無區別效度?

3.品牌形象&顧客忠誠度的correlation0.87,是否此兩構面有共線性問題?

4. 如果有上述這些問題,是否就無法執行SEM分析?然而,當我在執行整體構面SEM分析,結果卻顯示有良好的配適度。

 

 

Ans:

 

1. e20e21不顯著,是因為loading很高的關係,也就是反應性與保證性相關比較高的緣故(0.936)這的確是違犯估計,但是由於沒有變作負數,再加上是同屬一個服務品質構面,因此對模型的影響並不大,所以可以不必管他。

2. 信賴區間只要不包含1,我們就可稱為具區別效度,當然這是很寛鬆的檢定,嚴格一點來講,構面之間的相關如果達到0.85上,那大概就是缺乏區別效度了。檢定信賴區間不包含1只是必要條件,而不是充份條件。

3. 品牌形象與顧客忠誠的相關雖然很高,但因為在SEM圖上是為因果關係路徑,因此沒有共線性的問題。除非兩構面都是外生變數,才會有共線的問題。

4.您的模型比較有問題的不是配適度。而是服務品質構面沒有與其它的構面有任何的關係,除了受到創新服務的影響外。當然有可能是因為對其它變數的影響都不顯著,所以您把他拿掉了。可是這樣會讓服務品質的構面變得沒有用處,在解釋上可能比較沒有說服力!

 

                                                                                                                                                                          【回到常見問題列

 

問題20 PLS的問題【一】

 

張老師好:

       學生是寒假班上過老師進階班、寫作班及PLS班的政大企管博班同學。

1. 想請問老師在您的投影片中說明PLS測量模型是一階測量模型指的是PLS不能跑二階嗎?

2. 如果用PLS,在模型中有一個reflective 二階構面,是否先單獨跑該構面的二階模型,確認二階的子構面皆顯著後,再把子構面的問項加總,讓二模構面變成一階後,再跑full model。請問PLS也可以這樣跑嗎?還是把二階不縮減,不單獨處理,放到FULL model再來看全部的AVE?

3. 如果構面有formative二階構面,因老師投影片有說formative指標沒有信效度。如果研究構面其中有formative指標,因PLS都會計算AVE,就要將是formative indicator的構面在AVE的值拿掉嗎?

 

 

Ans:

 

1. 可以的, PLS可以跑二階。

2. PLS不可以跑CFA沒有因果關係就不能執行PLS模型正定的條件是至少兩個潛在構面。

3.formative指標不用考慮AVE,但要考慮如下指標:

(1)Indicator validity權重>0.2而且要顯著(Chin, 1998) 顯著性由bootstrap求得Indicators之間要檢查共線性,VIF<10

(2)Construct validity 所有模型假設中,形成性構面需符合預期,構面之間的關係需與文獻一致並且顯著

(3)Discriminate validity構面相關<0.7為具有區別效度。

 

                                                                                                                                                                          【回到常見問題列

 

問題21 PLS的問題【二】

 

一哥:

1. 所以PLS的二階(reflectiveformative)皆要放在full model中。但formative不用考慮信效度(因smartPLS皆會產生主次構面二階的相關及AVE值)把它(主構面及次構面)從AVE表拿掉,對嗎?。reflective的構面就把最大構面的相關及AVE值拿掉(我看有篇paper這樣做,因smartPLS也會產生其值)

2. ormative也不能單獨跑CFA,因老師您說PLS沒有CFAIndicators之間要檢查共線性,VIF<10,因學生認知VIF只有跑迴歸時才有,如果A是formative二階最大構面,B1是次構面1,indicator有C1,C2,C3。B2是次構面2,indicator有C4,C5,C6。如要檢查indicator共線性,需要怎麼跑迴歸以得到VIF,還是smartpls有附VIF的值,可是學生找不到。構面相關<0.7指的是formative構面之中的次構面,對嗎?所以formative構面要單獨拉出來討論其聚合及區別效度。

3. 另外,PLS是以R Square來做為模型的解釋能力。因模型中不只一個Y(仲介及最終構面皆是Y皆有R square),X->Y->Z,是否是看最終的Z的R  square來代表整體的解釋能力。R square也沒有高低的分別(沒有一定要大於某個值),不像SEMGFICFI還有標準對嗎?

 

 

Ans:

 

1.  formative不用考慮信度,但仍有效度要考量。formative沒有AVE的問題,reflective才需要AVEformative一般沒有二階,因為formative本身就不需要有中度相關,因此沒有二階,reflective有。

2. Indicators之間要檢查共線性,可以跑迴歸,也可以用皮爾森相關檢查。因為formative一般沒有二階,所以你提的問題也不存在.

3. R square一般建議要大於0.3這樣才表示你的自變數有解釋能力,當然是愈大愈好了。一般是所有的R square都會報告,因為這樣才知道每個內生變數是否合理的被前置變數所解釋。PLS的確沒有配適度,所以不用報告。

 

                                                                                                                                                                          【回到常見問題列

 

問題22 PLS的問題【三】

 

我是某國立大學的研究生,請教一個PLS問題,我今天把excel檔匯入pls裡面但是他只呈現九欄,我原本excel的檔不只九欄,PLS是內定九欄還是我匯入格式沒設好?

 

 

Ans:

 

如果您是用smartpls,因為他只接受TXTCSV兩種檔案格式。也許是因為這個原因,所以資料輸入不完整,建議將資料另存成文字檔TXT CSV兩種檔案格式。

 

                                                                                                                                                                          【回到常見問題列

 

問題23 共變異數矩陣與樣本共變異數矩陣在OUTPUT的那堨i以看到?

 

有關我們的研究假設:
00
理論模型共變異數矩陣與樣本共變異數矩陣沒有差異
請問在
OUTPUT的那堨i以看到這二個矩陣?

 

 

Ans:

 

樣本共變異數矩陣要勾選outputsample moment,在view text中的sample moment可以看到。
理論模型共變異數矩陣要勾選
outputimplied moment,view text中的estimate-->matrixs-->implied covariance可以看到。
至於有沒有差異,就由模型配適度來決定,只要配適度大致上符合學者所提出的經驗法則,即可稱兩者是相符的。

 

                                                                                                                                                                          【回到常見問題列

 

問題24 如何檢定間接效果?

 

我有一篇投討到國外paper的意見回覆了,我是用Barron and Kenny (1986)的中介跑法,結果reviewer要求我要提供中介變數indirect effect的數據,並且該reviewer建議可以參考Preacher and Hayespaper,我上網尋找之後找到該篇文章,看完整篇文章之後,發現老師教的方法在該文章都有出現,反而讓我困惑到底是要用哪一種方法檢定indirect effect,能否請張執行長指點迷津。

 

 

Ans:

 

一般如果是單一中介模型,只要採用BOOTSTRAP的方式,算出間接效果即可,如果信賴區間未包含0,即稱具有中介效果。接下來檢驗直接效果,若直接效果的信賴區間也不包含0,則為部份中介,若直接效果的信賴區間包含0,則為完全中介。
如果模型超過兩個中介以上,一般可以採用
MacKinnon所寫的程式PRODCLIN進行分析。
Preacher and Hayes的文章為BOOTSTRAP的方式進行,不過這個語法只適用於路徑分析,並不適用於潛在變數之間的中介效果評估。如果在潛在變數下,仍需使用SEM的軟體,應用其BOOTSTRAP的功能求出間接效果。
Baron and Kenny, Sobel Test事實上是有點過時了,用在單一中介模型尚可行,若用在多重中介模型是不可行的。

 

                                                                                                                                                                          【回到常見問題列

 

問題25 SPSSSEM跑出來結果不同,這樣的情況是可能發生的嗎

 

之前寒假時有上老師一系列SEM的課程,目前正在跑論文的數據,遇到了一個奇怪的現象想要請教老師。
我目前是做中介效果,將數據放在
SPSS中並沒有中介效果,但是SEM跑出來的值都不錯,跟同學討論後也認為有中介效果。想請問,這樣的情況是可能發生的嗎?

 

 

Ans:

 

SPSSSEM結果不同,並沒有什麼好奇怪的。不同的分析方法,本來就可能會產生部份不同的結果。
SPSS中,如果ab都顯著,就稱間接效果存在(Baron and Kenny, 1986)
SEM中,需用BOOTSTRAP求得間接效果的信賴區間,如果信賴區間未包含0,則稱有中介效果(Mackinnon, 2008)。所以結論不同是有可能的,通常SEM是比較準的。

 

                                                                                                                                                                          【回到常見問題列

 

問題26 加入中介變數後,會使原來自變數到應變數原先的正向關係變成負向的關係,這樣的情況是可能發生的嗎

 

學生的論文架構在於探究XMYM的中介效果,在執行SPSS後,XYMY之結果皆呈顯著的正向關聯性,M符合完全中介的條件。
而在用AMOS來執行結構模型分析後,卻發現在執行XMY的模型下,XY(直接效果)之路徑係數呈現負值,但總效果計算後則是呈現正值(此時XMMY之路徑係數皆為正)
想請問老師的是

為何在用AMOS單獨執行XY時,路徑係數為正值,但在加入M之後,XY之直接效果卻會呈現負值呢

 

 

Ans:

 

我的看法是:您的X-->Y雖然顯著,但相關並不太。反而您的M-->Y相關比較大,因此在整體模型評估時,使得M-->Y偏掉X-->Y的部份相關。不過我相信雖然X-->Y負相關,但應該不顯著才對,這是有可能發生的。

 

                                                                                                                                                                          【回到常見問題列

 

問題27 單變量常態與多變量常態的檢定

 

有以下問題想要詢問老師

1.常態分配
(1)
是否能用SPSS來證明常態分配,但是用SEM進行驗證分析?
(2)
偏態跟峰度是看CR值還是SKEWKURTOSIS值呢?
(
目前看到的書籍是兩者解釋皆有,且判斷的數據皆不太相同...)
(3)
偏態跟峰度值的呈現是要以構面為主或是題項為主

(
因為有些文章會顯示不同構面的偏態跟峰度,但是sem中主要乃是顯示題項,因此不是很能理解究竟是用哪個值來判斷構面的偏態跟峰度?)

2.多元常態檢定
(1)
以老師書中的標準,目前kurtosis=90.481 cr=23.976 乃不符合標準,但是參照老師書中92頁的內容,似乎以目前極端值的值來看彼此間的差異性不大,因此不確定是否需要刪題,還須請老師指導!

 

 

 

Ans:

 

1.常態分配可以用SPSS來做但是只能評估單變量常態。此外也可以用散佈圖,來評估兩兩變數的多元常態.但是所有變數的多元常態,一定要用amos中的Mardias 檢定來檢查.
2.
偏態及峰度不看C.R.因為C.R.值會受到樣本數的影響。因此是看偏態 <2及峰度 <7,符合這兩個標準則稱具有單變量常態。
3.
偏態指的當然是變數為主,只有變數本身才有值可以分析。潛在變數是我們假設的構面,其中包含許多題目,所以我們估計多元常態.
4.SEM
中有個Multivariate kurtosis的分析,那是多元常態的分析。一般Multivariate kurtosiscr值在49.1內,大致上在ML法中都可以接
受。
5.
刪不刪題是研究者主觀意識,並無絕對標準,可以自行判斷。

 

 

                                                                                                                                                                          【回到常見問題列

 

問題28 多元常態的判定

 

在此想跟您請教有關多元常態的問題,坊間許多研究指出偏態絕對值(SKEW)均小於2,峰度絕對值(KURTOSIS)均小於7"Mardia係數需小於p (p+2)(p為觀察變數之數量)",可達到多元常態性基本要求 (Bollen, 1989)
請問:

1.Mardia
係數是否即是AMOS軟體中報表輸出中Assessment of normality Multivariate
該欄位中之值。
2.
另有學者指出Mardia係數未大於3,可採用ML 估計法估計參數(Finney & Distefano,2006),此處Mardia係數之定義似與前述之小於p (p+2)有所不同,此兩種Mardia係數是否有異。而你書中不用Mardia係數改採Mahalanobis distance 是否對處理極端值檢定較有用?

 

 

 

Ans:

 

Bentler and Wu寫的EQS手冊建議是3以下為多元常態, Kline (2011)書上建議是cr值為5以下為多元常態。
Mardia
係數是AMOS軟體中報表輸出中Assessment of normality Multivariate kurtosis
欄位中之值。
amos中如果非多元常態,就有可能是outlier值引起的,因此用馬氏距離【Mahalanobis distance】平方計算,距離中心點愈遠則愈有可能是極端值。

 

                                                                                                                                                                          【回到常見問題列

 

問題29 殘差真的不能拉相關嗎?

 

1.在進行CFA時,如果一個潛在構面只有兩個問項,這樣要如何去做 CR   AVE的鑑定還是說在這樣的情況下僅能進行Cronbachs α檢驗?
2.
根據MI指標,發現將同一構面下,兩題問項殘差項相關連結,可以大幅降低卡方值。學生知道這樣違反了殘差獨立的基本原則,通常動作是刪除其一問項。但是學生在理論上找出此兩題問項須同時存在,想請問在進行CFA時,是否可以對兩題問項殘差拉取相關?

 

 

Ans:

 

一個構面兩個題目,無法單獨執行CFA自然也就無法計算CR   AVE你可以等到SEM模型跑完之後,再利用模型計算的值去重算CR AVE
至於殘差拉相關,最好不要,除非你真有理論可以說明這一點,理由足以說服別人,那也未嘗不可。

 

                                                                                                                                                                          【回到常見問題列

 

問題30 構面題目與樣本數不足

 

前兩天上完課後回家立刻跑了一下分析,但仍有卡關的地方,以下有幾個問題想請教您。我是用樣本數145份下去分析
關係連結可再分成社會連結
(3)、財務連結(2)、結構連結(5)
一開始是將社會連結、財務連結、結構連結個別做
CFA析,但社會連結和財務連結根本跑不出來,只有結構連結可以。
所以就將社會連結和財務連結一起分析。
因為
RBS2RBF5因素負荷量低,那是不是要將RBS2RBF5刪除,但我的財務連結只剩一題,我看上一屆學姊引用Hair Jr.et al.(2009)說樣本數150分左右因素負荷量只要0.45,那RBF5可以不要刪嗎?這個問題要如何解決呢?

 

 

Ans:

 

從檔案上的結果看來,光是社會連結及財務連結的相關超過1就知道這一定是錯的。CFA無法執行,您應該可以在迭代次數看到49次後停止,表示資料無法收斂。
HAIR ET AL.
講的樣本數150分左右是非常寛鬆的標準,他也有建議,樣本數儘量大於300,而且每個構面至少3個題目,顯然您並未符合HAIR的標準,建議您改用路徑分析即可。

 

                                                                                                                                                                          【回到常見問題列

 

問題31 Amos圖形貼到word後,兩側會出現黑影,應該如何解決呢?

 

我將路徑圖貼在Word後,兩側會出現黑影,應該如何解決呢?

 

 

Ans:

 

會出現黑影的情況,表示您的圖畫超出圖框範圍了。這時要先更改繪圖區的背景顏色,即可看出那些部份超出圖框外,將圖移入範圍內,即可正常輸出。

 

                                                                                                                                                                          【回到常見問題列

 

問題32 Amos分析時,無法在OUTPUT看到常態檢定的結果?

 

請問為何我在Amos分析時,無法在OUTPUT看到常態檢定的結果?

 

 

Ans:

 

在Amos的OUTPUT無法看到常態檢定的結果大概有以下的原因:
1. 您沒有在View Analysis Properties Output中的Test for Normality and Outlier選項打勾。
2. 如果已經打勾了,仍是看不到,有可能您的輸入資料不是原始資料而是相關矩陣或共變異數矩陣。常態檢定的結果只有在資料為原始資料時才可以分析。
3. 如果您的資料是原始資料,但仍看不到常態檢定的結果,只剩一個原因,那就是原始資料中有遺漏值,而您將View Analysis Properties Estimation中的Estimate Means and Intercepts打勾。
註: SEM分析時是不允許資料中有遺漏值發生,除非將Estimate Means and Intercepts打勾。
4. 如果以上皆非,那就是農鬼七月,見鬼了ha, ha, ha…

 

                                                                                                                                                                        【回到常見問題列

問題33 AMOS遺漏值插補的時機

 

請問有關AMOS遺漏值插補的時機,是否是在問卷分析前先進行貝氏估計插補,還是在各構面下分別作插捕及模型修正?

 

 

Ans:

 

一般來講,處理方式如下:
 

1.如果資料漏值不多,而樣本數較多,可以直接刪除有遺漏值的樣本即可

2.如果資料漏值不多,樣本數也不大,必須保留所有樣本,這時最簡單的方法是採用HOT DECK插補法,亦即找其它樣本填答的方式與有遺漏值樣本雷同的值直接代入。

3.如果遺漏值還真不少,這時就要看您的目的來決定要不要插補,如果您只是想將結果跑出來,並不需要完整沒有遺漏值的資料檔作後續分析,只要將View-->Analysis Properties -->Estimation-->Estimate Means and Intercepts打勾即可

如果要完整沒有遺漏值的資料檔作後續分析進行插補時,宜每個構面進行插補,除了可節省時間外,也可以了解插補後CFA分析的結果。
 

                                                                                                                                                                        【回到常見問題列

問題34 因素分析的題目無法依文獻探討的構面排排站好,怎麼辦?

 

因素分析的題目無法依文獻探討的構面排排站好,怎麼辦?

 

 

Ans:

 

SEM中執行因素分析(EFA)的目的不是重組題目,而是將跑錯構面的題目刪除,還有LOADINGS<0.6及交叉負荷量>0.4的題目刪除,通常這是用來快速刪除不當的問卷題目之用,之後仍要執行CFA
 

                                                                                                                                                                        【回到常見問題列

問題35 Null model的數值在哪裡看得到?

 

請問在《論文寫作不求人》一書中CH6的表6-7中的Null model的數值要如何求得?
 

 

Ans:

 

null model就是在model fitcmin中的independence model
 

                                                                                                                                                                          【回到常見問題列

問題36 為何一階模型與二階模型有一模一樣的配適度?

 

我的一階因子模式(有相關)與二階因子模式為何跑出來所有模型配適度的數值相同,請問該如何解決?
 

 

Ans:

 

因為您的二階模型有三個次構面,因此對二階構面而言是恰好辨識。因此,兩個模型為有一模一樣的配適度(又稱為等值模型)上課時有提到喲。所以,兩個結果會一樣,本來就一定是這樣,不用懷疑。
 

                                                                                                                                                                        【回到常見問題列

問題37 PLS可以跑三階模型嗎?

 

我用PLS跑三階模型,依據二階的跑法,把二階的items又再倒進去一次,不知道是否正確?

 

Ans:

 

不論是SEMPLS都不能有三階模型,不是軟體不能跑,而是與理論不合。因為二階要存在的前提是一階構面就要有中度相關;那如果還有三階,一階構面豈不是要高度相關?高度相關就代表所有的題目為同一題,因此沒道理有三階的存在,這就是為何一般只有做到二階的原因。
 

                                                                                                                                                                        【回到常見問題列

 

問題38 因素負荷量多少才是適當的?

 

Factor Loadings>0.7<0.95一般都只提>0.7,請問<0.95原因為何?

 

Ans:

 


標準化因素負荷量超過0.95以上稱為"違犯估計"(OFFENDING ESTIMATE),會造成殘差不顯著(但實務上這是不可能的事情),所以,一般要進行修正。造成的原因通常是題目之間相關過高所致,亦即有些題目是重覆的,因此要予以刪除題項或進行脊迴歸的修正。

                                                                                                                                                                        【回到常見問題列

 

問題39 PLSGOF的指標如何評估好壞?

 

請問GOF的指標算出後如何判斷好不好像我算出0.66這要算好不好怎麼判斷

 

Ans:

 


GOF所算出來的值目前並沒有看到那一篇文獻有定出來。但從數學上推估,一般要求AVE0.5以上,R2=0.67稱為有大的影響力。因此兩者相乘開根號為GOF約等於0.58。因此,您的0.68應算是很好了。

                                                                                                                                                                        【回到常見問題列

 

問題40 PLS需要考慮常態假設的問題嗎?

 

反映型指標模型評估有提到須考慮Multi-normality,像我的模型因Mardias normalized estimate 44.001,違反多元常態的假設,所以我不用SEM而用PLS,這是對的嗎

 

Ans:

 


PLS的分析中,可以不用考慮常態假設的問題,這也是PLS的優點之ㄧ,所以您是對的。

                                                                                                                                                                        【回到常見問題列

 

問題41 PLS是否可以作為幾種競爭模式的比較?

 

PLS是否可以作為幾種競爭模式的比較?如果可以,要如何比較呢?

 

Ans:

 

PLS不能作競爭模型的比較,因為PLS沒有模型配適度指標,因此無法判定那個模型比較好。
 

                                                                                                                                                                        【回到常見問題列

 

問題42 關於AVE, MSV, ASV 來判斷區別效度

 

我這兩天看到國外期刊上有人使用 AVE, MSV, ASV 來判斷區別效度,不知道這是怎麼算出來的?
我上網查了一下,的確有此方法,不過在下仍不太瞭解,可否請您指點?謝謝!
附上網址請您參考:http://statwiki.kolobkreations.com/wiki/Confirmatory_Factor_Analysis
還有影片教學網址:http://www.youtube.com/watch?v=yk6DVC7Wg7g

 

Ans:

 

Maximum Share Variance (MSV) and Average Share Variance (ASV)這兩個名詞並不常在區別效度中出現
但其實我們在報告區別效度時,已經報告了,以下說明:
首先,Share Variance就是皮爾森相關的平方
所以,MSV為與該構面相關的其它構面相關的平方取最大值
ASV則為與該構面相關的其它構面相關的平方的平均值
所以MSV.>=ASV
而在區別效度分析中,Fornell and Larcker (1981)建議收斂效度(AVE)應該要大於構面之間的相關平方(Share Variance)
因此,下三角放的是構面相關的平方,而對角線放的是AVE
區別效度的證明則為,欄位或列位的最大值必須小於對應的AVE,這就是AVE>MSV ,所以AVE自然也會大於ASV
所以,如果報告AVE、ASV及MSV,那就不需要報告AVE及相關平方的表格了
不過MSV及ASV真的很少人用

                                                                                                                                                                        【回到常見問題列

 

問題43 CMV的校正

 

老師您好,想請問一下,Williams, Hartman, & Cavazotte, (2010)CFA Marker Technique Approach,Method-C vs. Method-U若是接受虛無假設的話,表示卡方值大的模型優於卡方值小的模型對嗎?若是這樣,Baseline vs. Method-U要接受虛無假設,Method-C vs. Method-U要拒絕虛無假設的情形我跑了好多次真的很少喔,絕大多數都是全部接受虛無假設,那就表示模型有CMV之疑慮了嗎?

 

Ans:

 

1.      Method-C vs. Method-U只是在檢查CMV影響的形態是CONGENERIC或是NONCONGENERIC已,大部份CMV的情形都是CONGENERIC居多 (亦即CMV對觀察變數的影響會因觀察變數的不同而有所不同)

2.      至於Method-C (NONCONGENERIC) vs. Method-U (CONGENERIC)要拒絕虛無假設的情形應該很常見,這兩個模型應該都會有顯著差異,而且Method-U應該都會優於Method-C (Method-U 卡方值< Method-C卡方值)

3.      接下來要檢查的是有CMV會造成偏誤嗎?再用Method-UMethod-R (Method-U的情形下,設定Baseline所求得的值)去做比較,如有顯著差異,則表示CMV會造成影響,應進行校正。

4.      校正方法有二:一為偏相關法 (Partial correlation),另一個為控制變數法 (control variable)

                                                                                                                                                                        【回到常見問題列

 

問題44 t-test 和干擾的功用有何不同呢?

 

t-test 和干擾的功用有何不同呢?

 

Ans:

 

假如我們有一研究模型「組織氣候」對「組織承諾」的影響是否會受到職務不同(主管與基層員工)而有不同(如下圖)。在這研究中我們可能會用t-testSEM中的群組比較(干擾效果),這兩種到底有何差異,以下簡單說明:

t-test 和干擾是兩種不同的比較, t-test 是比較「組織氣候」及「組織承諾」兩個構面在主管與基層員工之間平均數的高低;干擾是比較「組織氣候」à「組織承諾」構面斜率(迴歸係數)的差異,當然有可能得到這兩個結果不一樣,有可能「組織氣候」及「組織承諾」在主管與基層員工之間看法有所不同,但「組織氣候」à「組織承諾」在主管與基層員工的影響可能是一樣的。

所以,t-test是比較某個特定構面在不同群組之間平均數的不同,而干擾是比較兩個構面之間的斜率在不同的群組之間是否不同。

                                                                                                                                                                        【回到常見問題列

 

問題45 變數的變異數若為0.021,也算不顯著,這有違反估計檢定嗎?

 

變數的變異數若為0.021,也算不顯著,這有違反估計檢定嗎?

 

Ans:

 

變異數不顯著或為負值都算是違犯估計,一般造成原因是構面的題目只有可能兩題或估計的樣本數太少,例如少於150個樣本都有可能有違犯估計的問題。

如果變異數只是不顯著,一般來講是不需要處理的,一般書上的建議均是處理負的誤差變異數,如給一個小的正值(如0.005),但這結果仍會造成誤差變異數不顯著,所以不顯著是可以忽略的。

                                                                                                                                                                        【回到常見問題列

 

問題46 若變數的標準迴歸係數有負的情況出現,是可以,還是不行?

 

若變數的標準迴歸係數有負的情況出現,是可以,還是不行?

 

Ans:

 

標準迴歸係數為負值,未必是有問題的,有可能你的變數之間為負相關,如服務品質-->顧客抱怨就是負相關的例子。

有沒有問題,要進一步做檢查,變數之間的相關應與迴歸係數同號,如果xy之間為正相關,而x-->y迴歸係數為負,那表示估計值是錯的,迴歸會和相關係數同號,但迴歸係數會小於或等於相關係數。

                                                                                                                                                                        【回到常見問題列

 

問題47 常態檢定中有分單變量及多變量,若單變量的常態分配皆通過,但是多變量的值為21.4,也不符合多元常態,也算有偏離值嗎?

 

常態檢定中有分單變量及多變量,若單變量的常態分配皆通過,但是多變量的值為21.4,也不符合多元常態,也算有偏離值嗎?

 

Ans:

  多變量常態檢查21並不算大,只能算是中度的非多元常態,利用最大概似法仍是有效的,沒有關係,這對結果的影響有限。

                                                                                                                                                                        【回到常見問題列

 

問題48 ML法的前提假設是什麼?

 

目前SEM軟體中,均以最大概似法(ML)作為預設的分析方法。如果reviewer問「為什麼要用ML法來做」,該怎麼回答呢?

 

Ans:

 

一般SEM均內定為ML法,其前提假設是資料要符合單變量常態及多元常態,這就是為什麼一般SEM分析時,均會執行單變量常態、多元常態及極端值的檢(analysis propertiedàoutputàtest for normality and outliers打勾)

只要資料在中度的非多元常態(multiple kurtosis c.r.<50) (Gao, Mokhtarian & Johnston, 2007)ML估計仍有一定的準確(robust)以,如果被質疑到為何用ML時,表示您一定沒有執行常態檢定,此,只要執行常態檢定並報告之即可。

                                                                                                                                                                        【回到常見問題列

 

問題49 樣本數太小可以用SEM嗎?

 

目前有個研究,樣本數大約也只有100,想要用SEM的方法來分析(但是SEM樣本數最好有200-500之間)但是因為樣本實在蒐集不易,請問有沒有什麼方法能用SEM來做?

 

Ans:

 

樣本數太小(例如只有100個),一般處理的方式有兩種:

(一)改用PLS軟體來執行,因為PLS對樣本數的要求並不嚴格,一般而言,樣本不足都是這樣做。

(二)如果還是要用SEM做,一般採用BOOTSTRAP的方式進行分析,不過前提是你的100個樣本需具有代表性,所以您要先執行適合度檢定,如果通過適合度檢那就OK或者你的母體本來就不大,100個可能已經包含了大多數的母體樣本,那和普查也沒什麼兩樣了。例如你是調查5星級飯店的總經理,全台灣也才935星級飯店,而你調查了75,當然也是可以的。
執行BOOTSTRAP只是為了得到ROBUST的標準誤而已。

                                                                                                                                                                        【回到常見問題列

 

問題50 SEM想要處理控制變數,要怎麼執行呢?

 

以前我們在SPSS軟體執行迴歸分析時,會依據研究需求將人口統計變項或其他可能會影響依變項的連續變項列為控制變數,利用層級迴歸的方式,第一層置入控制變數,再按下一層,然後放置自變數,再對依變項執行迴歸分析。在AMOS軟體,好像不太容易處理?

 

Ans:

 

Amos處理控制變數是一件很簡單的事情,只要把控制變數放到自變數的位置,執行分析即可。控制變數可以不用建立與其它自變數的相關。如果是類別變數請先轉成dummy variable如果是連續觀察變數與潛在變數則直接帶入即可。

一般我們會希望控制變數的影響是有顯著的,這樣表示控制變數是有達到控制的作用。但其值的大小一般並不加以討論,因為它的身份是控制變數。總而言之,迴歸模型上的每一個自變數都是別的自變數的控制變數。

                                                                                                                                                                        【回到常見問題列

 

問題51 相關矩陣有方法直接轉成共變異數矩陣嗎?

 

 

 

Ans:

 

一般資料如果有提供相關矩陣,大多會有附標準差及平均數,如此軟體就可以轉回共變異矩陣。但如果真的只有相關矩陣也沒有關係,只將相關矩陣代入,並將平均數設為0及標準差設為1即可分析。也就是在 rowtype_ 下面的矩陣名稱要改為cor而不是cov (如附檔)但此舉只會得到標準化的結果,而不會有非標準化的結果出現。但在學術分析上其實並沒有什麼影響,因為一般我們解讀的都是標準化係

SPSS製作共變異數矩陣的方法

步驟一:開啟原始資料檔

步驟二:執行雙相關

分析à相關à雙變數

步驟三:將變數移到右邊對話框並按貼上之後
貼上之後SPSS會自動產生相關分析的語法

步驟四:修改語法

1.     先把句點刪除

2.     Enter到下一行

key in
/MATRIX=OUT(*).

3.     MCONVERT.

4.     執行,需先按右鍵à執行全部範圍


 

5.     SPSS會自動產生新的共變異數矩陣,未命名的資料檔

6.     刪除不必要的資料,如N很多行,保留一行即可

7.     修改小數點到小數第三位

8.     存檔à命名 (*.SAV)

                                                                                                                                                                        【回到常見問題列

 

問題52 什麼是holdout sample

 

以下是reviewer的意見: Just estimating the goodness of fit of a model is no longer sufficient; test the models' predictive abilities using a hold-out sample. 什麼是holdout sample

 

Ans:

 

所謂的holdout sample就是要有另一個樣本與妳目前模型的樣本做比較,亦即要執行cross validation(交叉效度)的分析,換言之,光報告模型配適度是不夠的。然而在實務上很難再找一組樣本,此,只要原始樣本夠大(300以上)可以隨機將樣本分成兩群(50:50)再進行cross validation的比較。如果比較的結果沒有差異即表示模型有一定的穩定度。至於堶惟珒ㄗ鴘犒w測效度,指的是R-square的報告,標準是0.19(small),0.33(midium), 0.67(large)

                                                                                                                                                                        【回到常見問題列

 

問題53 多重干擾的作法

 

若有六組干擾變項,兩組的自變項,兩組的依變項,皆為連續變項的狀況下,我若要處理六組的干擾變項的交互作用,是不是一定得 2*6 =12交互作用項,再把原始的 2組自變項,6組干擾變項,12組交互作用項進行對 2組依變項的直接效果檢定?不知道是否有較建議的處理方式呢?

 

Ans:

 

兩自變數,兩個應變數,所以有四條迴歸, 6個干擾項,那共有24組而不是12組。如果是類別的(干擾)那還容易些,但是你是連續尺度,可能要分開做24次,結果跑出來後還要被質疑為何這麼多的干擾不會相互干擾!

但也不要太失望,最簡單的作法是將所有變數標準化,採階層式迴歸執行(跑兩次,因為有兩個y),每次帶12個交互作用項,如果有顯著就表示有交互作用。當然如果有太多不顯著的交互作用則表示干擾變數沒有作用,試看看吧!

                                                                                                                                                                        【回到常見問題列

 

問題54 PLS轉檔失敗的處理

 

請問為何我的資料轉成SMARTPLS型態的分析資料,SMARTPLS卻無法讀取?

 

Ans:

 

SMARTPLS只能讀取***.CSV及***.TXT的檔案,因此只要利用EXCEL或SPSS利用另存新檔功能,即能順利存檔,並由SMARTPLS正確的讀取。

萬一轉成***.CSV及***.TXT仍無法讀取的話,可能原因如下:

1.  變數名稱有不合法字元,如&, %或**-1或中文名稱... 等,可能會影響SMARTPLS讀取

2.  資料中確實有遺漏值,在這種情形下,可用搜尋的方式,找出遺漏值並予以填補或設定遺漏值為某一特定值,如-99,並在SMARTPLS的資料輸入時予以設定-99為遺漏值即可。

3.  資料中有看不到的遺漏值: 在EXCEL中資料有時有遺漏值,但可能會看不到,例如資料有100筆,但第101筆開始其實是遺漏值,但在EXCEL卻只是一片空白,難以辨認。在這種情形下,只有將資料先轉回SPSS,在SPSS資料檔中遺漏值會以點(.)的型態出現,只要將之刪除,存檔後再重新轉檔為***.CSV及***.TXT即可。

                                                                                                                                                                        【回到常見問題列

 

問題55 如何將PLS路徑圖備份出來

 

 

 

Ans:

 

PLS路徑圖用 FILE-->EXPORT TO IMAGE存成BMP檔即可。PLS的圖無法直接從PLS複製進WORD中,它必須先存成BMP檔,再按右鍵選複製再貼進WORD中即可完成。

                                                                                                                                                                        【回到常見問題列

 

問題56 在PLS中如何看p-value

 

 

 

Ans:

 

PLS並未呈現P-VALUE,因此要自行換算,可以查表或用軟體換算

一般T=1.96,P值為0.05;T=2.58,P值為0.01;T=3.29,P值為0.001;T>3.29即以三顆星(***)表示,以上均為雙尾檢定。

                                                                                                                                                                        【回到常見問題列

 

問題57 有關遺漏值的處理

 

對各潛在變項做CFA時,我用ML法插補遺漏值,但進行SEM時我以貝氏法插補遺漏值。請問同一份資料可以有的潛在變項做ML插補,有的用貝氏嗎?

 

Ans:

 

ML插補法並不會插補出資料檔來,也就是資料仍是有遺漏值(某些配適度指標將無法呈現,如GFI, AGFI...)。而貝氏插補法會將遺漏值補滿,對後續的分析比較有幫助,這兩種插補法都具有一定的統計檢定力,端看研究者需不需要完整的資料作後續分析。

                                                                                                                                                                        【回到常見問題列

 

問題58 因素負荷量大於1時,如何處理?

 

因素負荷量大於1是否代表該題目應直接刪除,還是可再保留另做處理?

 

Ans:

 

標準化因素負荷量大於1,表示該題目與同構面的其它題目有高度相關,這代表這題是多餘的,所以要把它刪除。因為這等於是類似的題目問了兩次,基於統計精簡原則,應予刪除。

                                                                                                                                                                        【回到常見問題列

 

問題59 為什麼GFI及AGFI跑不出來?

 

我的資料在跑的時候,它叫我不要勾選modification Indices,取消後果然就可以跑了,但模型配適度中的GFI  and  AGFI卻不見了,請問是為什麼呢?

 

Ans:

 

通常GFI及AGFI跑不出來是因為您勾選Estimate Means and  Intercepts這個選項的緣故,取消它即可看到GFI及AGFI,但這是在資料沒有遺漏值的情形下。資料有遺漏值時是不能使用modification功能的,而有遺漏值AMOS是無法估計的,因此要勾選Estimate Means and  Intercepts,一旦勾此選項,沒有GFI及AGFI是正常的。

                                                                                                                                                                        【回到常見問題列

 

問題60 為何在做SEM之前要先做每個構面的CFA

 

老師您好

我的投稿原文:

To effectively use this study’s items for analysis, the four factors of this research were analyzed through the CFA process individually to demonstrate that its reliability, convergent validity, and discriminant validity are acceptable (Table 3); therefore, the items were suitable to using the average of each factor.

 

Reviewer問我:

“Page 25 Line 39 then refers to “the CFA process individually.” Were one-factor congeneric models used here? Again, it is unclear as to the purpose of this and why CFA was used.” 該如何回答?

 

Ans:

 

基本上妳寫的是對的,但reviewer的意思是妳單獨執行cfa的理由並不清楚,如果加上使用CFA的理由應該會更恰當

 

例如:

poor measurement properties can lead to erroneous conclusions regarding the existence, magnitude, and direction of association between constructs.

Confirmatory factor analysis (CFA) can provide a stricter (and, therefore, more accurate) assessment of unidimensionality.

Importantly, only CFA directly tests unidimensionality as formally defined in the equations developed earlier. In other words, CFA provides direct and quantifiable evidence regarding the external and internal consistency among a set of construct indicators (Segars, 1997).

It is generally recommended When conducting SEM, researchers often first evaluate the measurement model (whether the measured variables accurately reflect the desired constructs or factors) before assessing the structural model. As noted by

Thompson (2004), “It makes little sense to relate constructs within an SEM model if the factors specified as part of the model are not worthy of further attention” (p.110). In many cases, problems with SEM models are due to measurement model issues that can be identified with CFA (Brown, 2006).

Kenny (2006) even asserted that“the social and behavioral sciences have learned much more from CFA than from SEM” (p. ix). Thus, we argue that how CFA studies are reported warrants examination separate from SEM studies in general. Of particular importance is the degree to which CFA studies provide sufficient detail about model specification and evaluation to instill confidence in the results.

                                                                                                                                                                        【回到常見問題列

 

問題61 在中介模型中,如何比較兩個變數的重要性?

 

有兩個自變數(A和B)、一個中介變數(C)以及一個因變數(D),我想了解A→C→D以及B→C→D哪一個關係比較強,也就是對D而言,A和B哪一個比較重要? 請問如何檢測其效果?

 

Ans:

 

只要比較兩個間接效果誰比較大即可,把A→C→D以及B→C→D的係數相乘,看誰比較大就好了。或直接看A→D以及B→D的間接效果,誰大就是誰比較重要。

                                                                                                                                                                        【回到常見問題列

 

問題62 同一份問卷中,各構面所使用的尺度都要一樣嗎?

 

我在論文中引用組織公民行為的問卷設計成5點尺度,然而組織承諾是7點尺度,這樣可以嗎?

 

Ans:

 

sem分析是屬於scale invariance,因此尺度不同並不會造成分析結果不同。所以,在同一個研究中,是可以採用不同的量表,例如5點尺度與7點尺度共存。只是,問卷是由您設計,你可以決定量表的尺度為何?沒有必要故意去弄成不一樣。研究者本身本來就可以更改量表,基本上spss中, 5點與7點尺度其實分析上沒什麼差別,但在sem的分析中,會稍微影響常態分佈與樣本獨立性。

提供以下文獻

Bollen (1989, p.109-110)

ML estimator has an important charactreristic is scale free and scale invariant.

scale invariant: The consequences of changing the measurement units one or more of the observed variables (e.g. dollars to cents or a scale range from 0-10 to 0-100). More generally, they are the same for any change of scale.

scale free: This has to do with maintaining an equivalency between the structural parameters and estimates in a model with the original variables and those in a model with linearly transformed variables. This means that we can easily move from the values form the transformed and untransformed data.

                                                                                                                                                                        【回到常見問題列

 

問題63 請問PLS所使用之資料的數值一定要介於1-7之間才可以嗎?

 

 

 

Ans:

 

PLS所分析的數值都會經過標準化的動作所以不必然尺度要在1-7之間只要資料沒有遺漏值即可

                                                                                                                                                                        【回到常見問題列

 

問題64 SPSS資料中如為空白,系統會自動設為遺漏值嗎?如何找出遺漏值呢?

 

 

 

Ans:

 

spss中只要沒有keyinspss會自動視為遺漏值資料中會以"."的形式出現如果變數出現遺漏值只要按ctrl-f搜尋"."就會找到遺漏值了

                                                                                                                                                                        【回到常見問題列