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
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.
張老師您好:
Amos的工具列(toolbar)功能到底是什麼?
張偉豪老師解答:
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.
張老師您好：
請教您為什麼在執行一階CFA分析時，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?
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一。
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。
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？這個問題留待之後再回答。
結論：結構方程模型(SEM)中的CFA只有3個題目叫做恰好辨識 。
只能判別標準化係數。
如果有超過0.7以上且未超過0.95。
然後殘差均為正值且顯著就過關。
(可以參考SEM論文寫作不求人一書的138頁)
