【張偉豪專欄】有關結構方程式(SEM)配適度的數據?

張偉豪老師好:

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 level是0.517,這個值是不是太大了?一般多少是判斷標準呢?OA、ST、PA的CFA分析結果中,Probability level分別是0.963、0.494、0.517.

3. 在我的CFA分析中,三組測量模型的AVE指標分別是:0.518,0.396,0.451,後面兩個資料沒有大於0.5,這樣可以麼?

4. chi-square/df 分別為 0.661,0.705,0.038,三個資料都沒有大於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.

 

張偉豪老師解答:

1.RMSEA的標準是愈接近0愈好,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值>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0.7,loadings0.6以上為可接受。由於AVE是loading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。

加油

【張偉豪專欄】直接測量的尺度是否可以直接放入結構方程式(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、ROI、ROA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?

張偉豪老師解答:

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。

【張偉豪專欄】在結構方程式(SEM)當中p值(顯著性)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,這樣是OK的嗎?

張偉豪老師解答:

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,如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。

【張偉豪專欄】結構方程式(SEM)中,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 、NFI、RMSEA卻在可接受的範圍,怎麼會有這樣情形?您有何建議?

張偉豪老師解答:

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的(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低時,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。

【張偉豪專欄】結構方程式(SEM)的研究,不同群體是否須執行交叉分析?

張偉豪老師好:

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?

 

張偉豪老師解答:

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。

【張偉豪專欄】結構方程式(SEM)中標準化係數大於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?

 

張偉豪老師解答:

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。

【張偉豪專欄】結構方程式中樣本的極端值如何判定?

張偉豪老師好:

近日利用AMOS處理資料時,在做CFA時發現樣本Outliers的Observations 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?

 

張偉豪老師解答:

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。
例如: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97的case就可能是Outlier。如果97之後是90,再來是88, 87…,,那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。

【張偉豪專欄】結構方程式(SEM)做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:
做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

張偉豪老師解答:

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等

您可以參考這個我們放在Youtube的演講影片

SEM模型配適度的迷思與傳聞

 

【張偉豪專欄】結構方程式(SEM)-LISREL的八大矩陣為何?

張老師您好:
LISREL的八大矩陣為何?

 

張偉豪老師解答:

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.