【張偉豪專欄】類別變數是否可放進結構方程式-Amos潛在變項中?

張老師好:

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”是”、”否”的DATA放到AMOS的潛在變項內?這樣的問題該如何解決?

 

張偉豪老師解答:

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。類別變數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(虛擬變數)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中,把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章~36章的內容。

【張偉豪專欄】結構方程式(SEM)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分析時,為何卡方值為0,而且看不到任何模型配適度呢?哪裡弄錯了?如何解決這個問題?

image012

 

張偉豪老師解答:

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)

image014

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。

image016

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。

image018

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。

【張偉豪專欄】結構方程式(SEM)二階模型無法正定時,該如何解決?

張偉豪老師好:

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?

image002 image004

 

張偉豪老師解答:

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。

image006 image008

 

高階模型正定條件如下:Kline R.B. (2005) p.199

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

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

image010