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)
張偉豪老師您好：
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?
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。
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
