三星統計 張偉豪老師回覆:
bootstrap是無母數的估計方法,主要是建立非對稱性的信賴區間,因為間接效果為直接效果的乘積,
必然不符合常態分配,因此無法採用一般常態分析的對稱區間.
可以參考 beyond baron & kenny 這篇文章 :
Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication monographs, 76(4), 408-420.
張偉豪老師回答:
構面本身單獨分析是為了求信度及收斂效度,與別的構面混在一起跑,loadings值會受到別的構面影響,而產生偏誤,因為SEM是full information的估計法,而且老外的文獻也建議要分開跑
當然要進行區別效度分析時,要所有構面合在一起,才能算出構面之間的相關,
再與收斂效度(ave)的根號值比較,
如這篇文章所寫的 :
Jackson, D. L., Gillaspy Jr, J. A., & Purc-Stephenson, R. (2009). Reporting practices in confirmatory factor analysis: an overview and some recommendations. Psychological methods, 14(1), 6.
在SPSS中,計算Cronbach alpha難道是合起算的嗎?它也是每個構面分開算啊!
老師您好,想請問一下,在Williams, Hartman, & Cavazotte, (2010)的CFA Marker Technique Approach中,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?
張偉豪老師解答:
1. Method-C vs. Method-U只是在檢查CMV影響的形態是CONGENERIC或是NONCONGENERIC而已，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-U和Method-R (在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)。
張偉豪老師好:
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
張偉豪老師解答:
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
張偉豪老師解答:
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。
