Download
1 / 15
190 likes | 574 Vues
結構方程模式 Structural Equation Modeling. Multi-Sample Structural Equation Modeling 多樣本結構方程模式分析. Single and multiple samples SEM. Single sample SEM 模型所分析的資料來自於母體當中的一個隨機樣本的觀察資料 Multiple samples SEM 模型所分析的資料來自於多個母體當中的多個隨機樣本的觀察資料
E N D
結構方程模式 Structural Equation Modeling Multi-Sample Structural Equation Modeling多樣本結構方程模式分析
Single and multiple samples SEM • Single sample • SEM模型所分析的資料來自於母體當中的一個隨機樣本的觀察資料 • Multiple samples • SEM模型所分析的資料來自於多個母體當中的多個隨機樣本的觀察資料 • 例如不同類型的工作者（內勤與外勤人員）、不同層級的員工（主管與部屬）、不同族群的比較（台灣樣本與大陸樣本）、性別差異（男性與女性）、不同實驗狀況（實驗組與對照組） • 主要目的在檢驗假設模型在不同樣本間是否相等（invariant or equivalent），也就是多樣本恆等性或等同性（multi-group invariance）
恆等性檢驗的各種策略 • 測量恆等性（measurement invariance） • 指測驗工具或評量方法施於不同的對象或於不同的時點上使用時，測驗分數或評量結果應具有一定的恆等性 1.測量模型的恆等性評估: 觀察變項的數據在不同的樣本間是否等同？ 2.結構模型的恆等性評估: 研究者所提出的因素結構在不同的樣本間是否等同？ 3.特定參數在不同樣本的估計狀況 某些特定的參數（如迴歸或相關係數）在不同樣本間是否等同？ 4.平均數結構恆等性評估: 潛在變項的平均數在不同的樣本間是否等同？ 5.複核效化（cross-validation） 因素結構在不同樣本上是否可以複製？
跨樣本SEM的參數估計 • 基本原理 • 跨樣本比較時，變項的標準化必須是跨樣本來進行，也就是建立跨樣本的共同計量尺度（common metric for all groups），而不是單獨針對某一個樣本下的潛在變項或觀察變項標準化。 • 標準化解 • 共同量尺標準化解 common metric standardized solution • LISREL中以SS指令進行潛在變項的標準化時，LISREL將會對於潛在變項進行跨樣本的標準化，也就是求取以所有樣本計算出的共變矩陣的加權平均值，以獲得跨樣本的相關係數矩陣 • 組內標準化解 within group standardized solution • 單獨估計個別樣本下的標準化解 • 完全標準化解 • 共同量尺完全標準化解（common metric completely standardized solution）與組內完全標準化解（within group completely standardized solution） • 將測量變項與潛在變項的變異數都設定為相等，所得到的參數均具有標準化的特性。 • LISREL中係以SC來求取
跨樣本SEM的模型評估 • 多樣本契合函數 • 模型自由度為總測量資料點數（DP）減去各樣本估計參數的總和（t）。 • 多樣本SEM分析當中，只會產生一個卡方估計數與一個自由度，表示多樣本分析的整體契合情形，而GFI、RMR等指數則是分就不同的樣本報告之。
恆等性檢驗的策略 • 共變矩陣恆等性檢驗 • 樣本間的共變矩陣的等同性是否成立 • 因素恆等性檢驗 • 檢測因素的數目（k）是否相等 • 基準模型（baseline model）則是矩陣與其他所有參數均未設定樣本間相等 • 考驗因素負荷量是否相等 • 限定模型（恆等模型）是將各樣本的測量模型中的矩陣設定為樣本間相等 • 因素負荷量與殘差變異跨樣本恆等性（H） • 同時考驗因素相關、負荷量與殘差變異的跨樣本恆等性（H） • 當因素恆等性假設成立的情況下，進一步的檢驗結構模型當中各參數的恆等性，例如Beta、Gamma、Psi矩陣各參數的恆等性。 • 部分恆等性檢驗（test for partial invariance）其步驟是當被檢驗的矩陣在不同樣本間具有差異的情況下，再考驗究竟矩陣中的何者或哪些參數具有跨樣本的差異性
LISREL恆等性參數限定語法 • SP（same pattern）：表示樣本間矩陣具有相同的型態。 • SS（same starting value）：表示參數估計使用與前一個樣本相同的起始值來進行估計。 • PS（same pattern and starting value）：表示樣本間矩陣具有相同的型態並使用與前一個樣本相同的起始值來進行估計。 • IN（invariant）：表示矩陣為恆等矩陣，矩陣的型態與參數的估計狀態（FR或FI），以及參數數值均與第一個樣本相同。
複核效化檢驗 • 複核效化（cross-validation） • 指測量的結果具有跨樣本或跨情境的有效性。 • 在結構方程模式中，一個理想模型在不同樣本上重複出現的程度，即稱之為模型的複核效化 • 基本程序 • 將樣本切割為兩個樣本，利用多樣本模型分析 • 針對同一個假設模型進行估計，一個樣本稱為測定樣本（calibration sample），另一個樣本則為效度樣本（validation sample） • 先將一個被檢驗的SEM模型在測定樣本上進行估計後，重複在效度樣本上進行檢驗，檢驗時，參數的數值應套入先前在測定樣本上所使用的模型設定或參數估計數，進行模型檢驗。
複核效化的不同策略 • 寬鬆複核取向（loose replication strategy） • 效度樣本僅需維持與測定模型相同的因素結構設定，參數無須進行任何等同設定 • 溫和複核取向（moderate replication strategy） • 指效度樣本的部分參數必須套用測定樣本的參數數據，也就是說效度模型中的部分參數必須設定為樣本間等同 • 一般慣用的等同參數是因素負荷量 • 嚴緊複核取向（tight replication strategy） • 嚴緊複核策略是指兩個樣本之間具有完全相等的模型設定，同時參數的數值也完全相等
AIC index • AIC (Akaike, 1973, 1987） • 針對模型估計在既有資料與未來資料上的差異性，建立一個診斷性指標 • 模型分析在未來樣本的擴散程度的指標 • AIC為一個當模型越複雜，數值越差的懲罰性量數（a penalty for complexity） • 模型自由度越小，估計參數越多，模型越複雜，模型能從χ2值中扣減的數值越少，使得AIC數值增大 • AIC指數較低者，表示模型的變動性越低、模型越精簡、吝嗇，該模型在未來分配（predictive distribution）上的表現越佳，複核效化越理想
Expected cross-validation index; ECVI • 期望複核效度指標 (Browne & Cudeck, 1993） • 基於非中央性參數估計，得到的一個用以反應模型估計的波動性的指標 • ECVI反應了在相同的母體之下，不同樣本所重複獲得同一個理論模型的契合度的期望值 • ECVI值越小，表示模型契合度的波動性越小，該理論模型越好。 • 原理:先建立一個CVI含數值，為效度樣本的共變數矩陣與測定樣本的良好契合共變矩陣的差異函數 • CVI函數反應了一個模型同時契合了測定樣本共變矩陣（ ）與效度樣本共變矩陣（SV）的程度
![Data Modeling [Comparison of data modeling techniques ]](https://cdn0.slideserve.com/205866/data-modeling-comparison-of-data-modeling-techniques-dt.jpg)
