结构方程模型在学术研究的应用.ppt

結構方程模型在學術研究的應用 謝章升 IBM-SPSS統計工程師 fega53@ 探索式因素分析 研究人員一開始並未有特定數量的潛在因素被萃取出來。 驗證式因素分析 CFA需要研究人員事先指定預期的結果 因素的個數 每個因素所反應的變數(指標) 因素之間是否相關 結構方程模型於學術上的應用大綱 SEM分析流程 SEM的基本原理 結構模式與測量模式 驗證各個構面的有效性 驗證式因素分析(CFA 模式) 構面組成信度與變異數萃取量的計算 SEM基本流程 SEM的基本原理 結構方程式模型分析法 是種以迴歸為基礎的多變量技術，並結合路徑分析及因素分析，屬於驗證性實證研究的資料分析法，能同時處理多組變項間的關係，其目的在探究變數間的因果關係以驗證理論，故又可稱為因果模式分析技術。 因此，在使用驗證性研究方法時，研究者所提的研究模式必須具有理論基礎，由理論來引導。 SEM分析常用的軟體 Amos LISREL EQS Mplus SAS Calis Sepath MX SEM的類別 路徑分析模型 驗證式因素分析模型 結構迴歸模型 潛在成長模型 路徑分析模型 績效與期望是相關 兩個變數皆會影響滿意度，滿意度又影響忠誠度。 績效與期望對忠誠度沒有直接效果 路徑分析模型 路徑分析模型 驗證式因素分析模型 潛在變數之間的相關及驗證觀察變數是否能被潛在變數所解釋，亦即觀察變數是否真能反應該構面的真實情形。 結構迴歸模型 為CFA的組合，假設構面之間影響關係的解釋而不是構面相關，主要做為理論的驗證。 結構模式與測量模式 結構模式與測量模式 完整的SEM模型參數圖示 SEM參數設定原則(Raycov Marcoulides, 2006) 所有獨立變數的變異數均是模型的參數 所有外生變數之間的共變異數都均是模型的參數 所有與潛在變項有關的因素負荷量均是模型的參數 所有測量變項之間或潛在變項之間的迴歸係數都是模型的參數 與內生變項有關的量數都不是模型的參數 對每一個潛在變項，必須給定一個適當的潛在量尺 所有獨立變數的變異數均是模型的參數 所有自變數之間的共變異數都是模型的參數 Amos路徑分析與SPSS迴歸比較 所有潛在變數與觀察變數之間的因素負荷量均是模型的參數 所有的觀察變數或潛在變數之間的迴歸係數都是模型的參數 因變數之間與自變數與因變數之間的共變異數都不是模型的參數 SEM參數設定原則-第6原則探討 潛在變項與一般量測變項最大的不同在其「不可直接量測」的特性，因此潛在變項缺乏一個自然存在的尺度，而必須以人為的手段設定尺度 SEM最常使用的方法是將「外生潛在變項」變異數設為1;或將潛在變項其中的一個「測量變項與潛在變項」的因素負荷量設為1。 兩種方法結果一樣，若目的為理論驗證，採第二種方法較為適宜。 SEM的重要矩陣 S 矩陣 樣本共變異數矩陣 調查的資料 Σ(θ) 矩陣 模型再製(預測)矩陣(model implied covariances) 殘差共變異數矩陣 S－Σ (θ) (SEM的H0假設) 估計方法 (ML, ADF, WLS, ULS) CFA的目的是用來估計測量模型(因素負荷量、因素變異數及共變異數、誤差項共變異數) 。 運用疊代的方式使得S矩陣與Σ(θ) 矩陣儘可能的接近，亦即愈接近，模型配適度愈好。 疊代運算停止的兩個充份條件 達到電腦預計的疊代次數，如25次 模式收斂完成，亦即達到電腦預設標準 疊代到底是蝦米碗榚呢? 資料型態 原始資料 (raw：subjects；column：variables) 共變異數矩陣 相關矩陣含平均數、標準差 樣本規模大小 資料符合常態、無遺漏值及例外值(Bentler Chou, 1987)下，樣本比例最小為估計參數的5倍，10倍則更為適當。 當原始資料違反常態性假設時，樣本比例應提升為估計參數的15倍。 以ML法評估，Loehlin (1992)建議樣本數至少為100，200較為適當。 當樣本數為400~500時，此法會變得過於敏感，而使得模式不適合。 SEM實務上的基本要求 模型中潛在因素至少應為兩個 (Bollen, 1989) 量表最好為七點尺度 (Bollen, 1989) 每個潛在構面至少要有三個題目，五~七題為佳 (Bollen, 1989) 每一指標不得橫跨到其它潛在因素上(Bollen, 1989) 問卷最好引用自知名學者，儘量不要自己創造 理論架構要根據學者提出的理論作修正 模型主要構面維持在5個以內，不要超過7個 一階(初階)驗證式因素分析 二階(高階)驗證式因素分析 CFA模型設定的考量 以下這個又如何呢? EFA V.S. CFA 一階有相關CFA模型v.s.二階CFA模型 一階CFA模型和EFA的比較 一階CFA模型(單一群組分析) 驗證