《揭开LISREL的神秘面纱解读LISREL的报表.ppt》由会员分享，可在线阅读，更多相关《揭开LISREL的神秘面纱解读LISREL的报表.ppt（27页珍藏版）》请在三一文库上搜索。
1、揭開LISREL的神秘面紗解讀LISREL的報表,主講人： 蕭登泰,模式適配與修飾,配適度檢定 (test of goodness-of-fit),配適度檢定原理的虛無假設 理論上 實務上 ：樣本共變數矩陣 與() ：未知母體共變數矩陣 ：根據母體建構參數所複製出的估計共變數矩陣 SEM的基本檢定，是期望獲得不要拒絕虛無假設的檢定結果，也就是H0被接受的結果，或獲得不顯著的檢定結果。,整體配適度指標,卡方值( ) 希望未達顯著，容易受到樣本數(200)與資料偏離常態的影響 均方根近似誤(RMSEA)和非趨中參數(NCP) RMSEA0.10不良配適 NCP越小越好，檢驗其90%信賴區間是否涵蓋
2、0 RMSEA不受樣本大小與模型複雜度的影響 適配度指標(GFI)和修正適配度指標(AGFI) 類似迴歸分析判定係數的觀念，0.90良好配適 均方根殘差(RMR)和標準化均方根殘差(SRMR) RMR或SRMR0.5,比較配適度指標,非正規化適配指標(NNFI) 比較兩對立模式之間的配適度，門檻值為0.9 正規化適配指標(NFI)、增值適配指標(IFI)/ 比較適配指標(CFI)和相對非趨中性指標(RNI) NFI與IFI用來比較所提模式與獨立模式之間的卡方值差距 CFI與RNI則適用於一連串模式的比較 門檻值為0.9 期望交叉驗證指標(ECVI) 可用來檢驗模式應用到同一母體的不同樣本是否仍
3、有效 越小越好，檢驗其值是否小於飽和模式與獨立模式下的ECVI值,精簡配適度指標,正規化卡方值(NC) 為卡方值/自由度，校正模型複雜的影響所造成的膨脹效應 13為理想適配值；3或5，表示模式需要修正 精簡正規化適配指標(PNFI)和精簡適配度指標(PGFI) 0到1之間，其值越高表示模式具有精簡性 Akaike訊息指標(AIC)和一致Akaike訊息指標(CAIC) 0，越小越好，樣本數200且資料符合多變量常態性假設 關鍵樣本數(CN) 基於統計檢定的考量，模式要獲得一個可被接受的適配程度，所需最低數量的樣本 建議：CN200,測量模式的配適指標,信度 測量觀察變數的平方值（收斂效度） 組
4、合信度(composite reliability, CR) 一組測量觀察變項具有測量某個 潛在變項的理想信度 CR0.6 效度 因素負荷量界於0.500.95之間 測量誤差無負值且達到顯著 參數間相關的絕對值不接近1 平均變異數萃取量(average variance extracted, AVE) 某各潛在變項相對於測量誤差， 所能解釋到測量觀察變項變異數 的量(百分比) AVE0.5,結構模式的配適指標,潛在變項彼此之間關係的路徑係數符號 正負方向是否與研究預期方向相同 路徑係數的參數估計值是否達到統計上的顯著 參數估計值的t值絕對值，至少須大於1.96 每一條結構方程式的R平方值是否達
5、到顯著 R平方值越大越好(最好大於0.5),各配適指標總整理,模型評估的策略,策略一：模型設定的合理性 SEM的模型與各項參數是否能被順利的辨識、收斂與估計 策略二：個別參數的檢視 檢查每一個參數的正負號、數值大小是否符合理論預期 檢查測量誤差的大小，分析這些殘差項當中是否透露某些變項的測量品質不佳的訊息 策略三：適配度指標（goodness-of-fit index）的運用 利用統計顯著性考驗檢驗假設模型與實際觀察資料的適配情形 策略四：模型修飾的運用 利用模型修飾的功能尋找更佳的替代模型,模式修飾 (model modification),意義：模式需要重新建立的一種界定搜尋(specif
6、ication searches)過程，以增進模式精簡性、整體配適程度與解釋性，降低測量誤差與預測殘差的目的。 模型修飾使SEM分析失去了驗證性的特性，而帶有探索性的意味 模式修正方向 測量模式 放寬或限制潛在變項對觀察變項的連結參數 允許或限制測量誤差之間具有相關 結構模式 放寬或限制外生潛在變數對內生潛在變數的連結參數 允許或限制外生潛在變數之間具有相關存在 允許或限制內生潛在變數的殘差之間具有相關存在,模式修飾技術與依據,LISREL報表上的診斷指標 殘差統計數 (residual statistics) 優先修正標準化殘差值之絕對值最大者 標準化殘差絕對值大於1.96，表示該殘差值達到
7、顯著 修正指標 (modification indices, MI)與期望參數改變量(expected parameter change, EPC) 表示重新估計參數，所能降低整個模式卡方值的數量與期望參數改變量 優先修正MI與EPC之值較大的參數 修正指標3.84時，表示該參數已大到值得被修正 模式修正最好有理論文獻支持,模式修飾的建議,卡方差異檢定,檢驗修飾後的模型的卡方值是否顯著的優於未修飾前的模型卡方值，也就是計算修飾前與修飾後的卡方值的差異量，進行顯著性考驗後來決定模型修飾的適當性 卡方差異檢定的先決條件是兩個模型必須為巢套模型（nested model），也就是某一個模型必須是另一
8、個模型的簡約模型,專家學者建議,先檢定測量模式是否成立，再檢定結構模式中的潛在關係是否存在 建議寫入研究報告的適配度指標 Diamantopoulo & Siguaw (2000, p.88) 卡方值、正規化卡方值、RMSEA、ECVI、SRMR、GFI/AGFI、CFI Hoyle & Panter (1995, pp.165-169) 卡方值、正規化卡方值、GFI/AGFI、NNFI、IFI、CFI、RNI,解釋報表與撰寫報告,Example: Theory of Planning Behavior,標準化估計值,值,適配度,LISREL報表的主要內容(1),參數估計值 未標準化參數估計值
9、：適用於比較跨樣本相同模式的參數 標準化參數估計值：適用於同樣本中比較自變項對相同依變項的相對貢獻力大小 估計標準誤 T值 誤差變異數(error variances) 測量誤差 殘差 多元相關平方(squared multiple correlation, SMC, R2) 自變項的共變數矩陣(covariance matrix of independent variables),LISREL報表的主要內容(2),潛在變項的共變數矩陣(covariance matrix of latent variables) 相關變項之間的效果分割 整體效果(total effects) 間接效果(ind
10、irect effects) 適配共變數矩陣(Fitted Covariance Matrix) 殘差矩陣(residual matrix) 模式適配度指標(model fit) 修正指標(modification index),撰寫結果,樣本大小 所有測量變相的平均數及標準差 變異數-共變異數矩陣或相關矩陣 模式中各自由參數的估計值、標準誤及其顯著性 各種模式適配指標值 模式雛型圖和最後完整路徑圖,研究報告所需包含的內容,概念模式和統計模式的描述 資料的明白表述 共變數矩陣或相關矩陣(包括平均數與標準差) 多變量常態性檢定：偏態與峰態指數 分析結果的描述 估計方法和適配標準 整體適配指標(包括2、2 /df、GFI、NNFI、IFI、CFI、RNI) 參數估計值 對立模式比較(卡方值差異) 其他有關模式適配的資訊(CR、AVE) 詮釋結論,其他議題,至多20個測量變數 使用5到6各潛在變數 每個潛在變數約被3到4個指標變項所測量 若使用最大概似估計法，樣本數至少需要200,