本人使用AMOS测查量表型问卷的信度效度的一些体会分享
注：以下建议主要基于Hair et al. (2006) 的Multivariate data analysis一书。1. 先在SPSS环境下进行探索性因子分析（EFA），一般我倾向于使用更为严谨的Principal Axis Factoring 加上斜交旋转法（e.g., promax或Direct Oblimin），也有些学者喜欢用主成分分析法（PCA），EFA可以帮助初步检查某些题目可能因子负荷过小。根据Hair等人的建议，最后题目的因子负荷最小值为0.5，更理想的状态可高达0.7及以上（因为0.7的平方为0.49，即这道题解释相应潜变量约50%的变异）。<br /> 2.基于第一步骤，将“合格”的题目保留，准备做下一步的验证性因子分析（CFA）。需要注意的是，若在第一步时发现某些题目“意外”地落在其它因子上且具有很高的因子负荷时，你需要重新审视分析该题目的含义，是否真的更适合落在另一个因子，若是，你可以需要考虑在CFA中将其放在另一个因子内分析。但如果某题目在你所设计的两个因子上的负荷相当，你可能需要考虑将该题目删去，这样可以避免"multi-collineary"的问题。在CFA中，你需要检查各条关于潜变量与题目之间的路径是否显著（p<0.05）以及路径系数是否大于0.50，若有不符合这两个条件的题目，你可以考虑将其删去（除非你某个潜变量中的题目数过少，如少于3道时，可能需要酌情处理）。另外，每道题的误差变量也应达到p<0.05的显著性水平。<br /> 3. 在检查路径系数及其显著水平时，也需要检查模型的适合度问题，Hair建议以多个指标来同时测查，如χ2/df（小于3.0）、AGFI （>0.90）、CFI（>0.90）、 RMSEA （<0.07）与SRMR(<0.08)等。<br /> 4. 当2和3两个步骤中涉及的标准都符合了，你基本上可以考虑计算有关的信度与效度指标值了。<br /> 4.1 首先是内部一致性系数（α）值，这可通过SPSS软件获得，一般而言，该值以0.70以上为佳，但也有学者 （Hatcher & Stepanski）认为，对于社会科学研究，一般要求α 不应低于0.55。<br /> 4.2 其次是收敛效度，可通过“平均方差提取值”（Average Variance Extracted, AVE）来表征，该值可通过公式AVE = (∑λ2)/n，（n为某因子中的题目数；λ为因子负荷值，一般建议使用AMOS结果中的路径系数，必须是达到显著性水平的路径）。AVE反映了每个潜变量所解释的变异量中有多少来自于该潜变量中所有题目，当AVE值大于0.50时表示该潜变量具有较好的收敛效度。<br /> 4.3 另外，若想更严谨，还可再测查建构信度(Construct Reliability, CR)。CR反映了每个潜变量中所有题目是否一致性地解释该潜变量，当该值高于0.70时表示该潜变量具有较好的建构信度。CR = (∑λ)2)/((∑λ)2)+ ∑δ) （δ为每道题目的误差变量所解释的变异，可从AMOS结果报表中获得）<br /> 按照上述方法去检查各项指标，应该说在建立问卷的信度与效度方面已经比较足够有说服力了。以上意见仅供参考:) <ul class="s_clear"> 谢谢分享！！ 谢谢分享。。。 ~谢谢分享~ 我做的数据分析结果中组合信度的条件基本满足，但平均方差提取量很低，是什么原因？ 楼主，说的对！ <blockquote>zph218 发表于 2011-4-21 20:36 <img src="http://bbs.pinggu.org/images/common/back.gif" "thumbImg(this)" alt="" /><br /> 我做的数据分析结果中组合信度的条件基本满足，但平均方差提取量很低，是什么原因？</blockquote>那你需要从二者的计算公式来考虑啊！主要原因可能是你的因子负荷值偏低吧，因为AVE主要由因子负荷决定，或是你某个因子的题目数过多？ <blockquote>stephen1981 发表于 2011-4-22 22:02 <img src="http://bbs.pinggu.org/images/common/back.gif" "thumbImg(this)" alt="" /><blockquote>zph218 发表于 2011-4-21 20:36 <img src="http://bbs.pinggu.org/images/common/back.gif" "thumbImg(this)" alt="" /><br /> 我做的数据分析结果中组合信度的条件基本满足，但平均方差提取量很低，是什么原因？</blockquote>那你需要从二者的计算公式来考虑啊！主要原因可能是你的因子负荷值偏低吧，因为AVE主要由因子负荷决定，或是你某个因子的题目数过多？</blockquote>如果因子题目很多导致的效度很低，应该怎么解决呢？<br /> <br /> ps：问卷已经发完了 你可能需要考虑以下问题：<br /> 1. 你所说的“多”是大概几题呢？一般有4-6题已经比较OK了。题目太多，可能还会影响你的GFI，AGFI值。<br /> 2. 你保留题目的标准是什么？譬如在EFA（探索性因子分析）过程中，你是以0.3？0.4？0.5为切割值（"cut-off" value）？对于某些因子内数目过多的情况，你可以考虑选择更高的“门槛”来限制题目的数目。一般我选用Hair等学者（2006）的最低值0.5作为参考，因为0.5的平方就0.25，说明某题的解释量只有25%左右。0.7及以上更佳，因为表示因子有约一半及以上的变量可由该题目解释。<br /> 3. 你说的AVE值低有多低呢？一般以0.5为标准。如果你有几个因子都超过0.5，而只有个别因子的AVE值为0.4几左右，我想也应该可以接受的，最好你能有较好的理由来说明，譬如该因子是否在理论上有较特殊的贡献，该因子与其它因子是否存在高度的相关性等。但如果该因子的AVE实在很低，在0.3几及以下，我个人觉得，你可能可以考虑在分析后删去该因子，即使你是要发表学术论文，亦可老实交待为何要删它。我读的一些英文期刊有见过这类做法，因为在我们社会科学研究领域，常常会很多变量影响我们的研究，而我们作用研究者，只要诚实说明我们的分析过程，至少在这点上我们已经增强了结果的信度！读者如何理解我们的结果，或是否同意我们的结果及解释，那是读者的个人取向问题了。。。<br /> 以上意见仅供参考:) 你好，请问，我用LISREL 做结构方程分析，怎么得不到协方差结果输出呢。找不到##.cov的文件。<br /> <br /> 为什么我运行这个程序时出不来hd2.cov的文件呢。 <strong> 10# <i>linge279</i> </strong>不好意思啊朋友，我只用过AMOS。。。 再补充一下：<br /> 依据结构方程模式的学者的看法，一个有效构念的观察变量没有必要太多。但一个构念需要多少题目来反映才算是足够的呢？ Kenny（1979）曾提出的观察变量数首要法则： 2个指标还好，3个指标更好，4个指标最好，再多的都是肉汁。由于此法则颇受学者们的认可（Bollen,1989; Kline,1998; Mulike,1994 ），Noar（2003）在《结构方程模式》期刊亦曾主张保留4个观察变量就足以建构一个有效的构念。 感谢LZ分享，受用~ 是的，模型中个别因子负荷为0.3左右，小于0.5的因子20个指标中有5个。<strong> 7# <i>stephen1981</i> </strong> 不好意思，朋友，我只用过AMOS，对于LISREL不太清楚:) 感谢大家的经验，对于提高测量知识很有帮助！谢谢 楼主真是很细心，好人啦。 谢谢。我想请问下，我是likert7点量表做，23个题项，如果正交旋转虽然能得到四个因子，但是第一个因子上的载荷普遍很高，我改成斜交旋转的话稍微好一点。是不是因为我的题项之间相关性太高了，所以应该用斜交旋转做因子分析啊？谢谢了！ 协方差结果应该用prelis来运行吧<strong> 10# <i>linge279</i> </strong> <strong> 18# <i>lianst</i> </strong>对于正交旋转，它在旋转后因子轴是垂直的。但有时人们会通过偏离垂直状态获得一个更理想的简化状态，即斜交旋转。一般而言，前者一般假定因子之间无太大相关性，只帮助探索因子数目，而后者则会假定因子之间存在相关。根据George & Mallery (2007) 的建议，“斜交旋转的应用是需要一点技术支持的。我们建议除非你清楚知道自己在做什么，否则不要尝试使用斜交旋转”。<br /> 基于我以前研究过程中的阅读方面的积累和写作方面的体会，使用正交或斜交，有时取决于研究的严谨程度，经常正交的结果表明，因子负荷值都相对高些，而且因子总解释量也会相对多些。我看过一些英文统计方面的论文，有作者提出斜交因子分析会更严谨些。但也有些作者认为，二者结果并无太大的出入。所以，个人认为，应该用哪个问题不是很大吧，但你需要论文中说明你的结果是基于哪种因子分析得到的，让读者对你的分析方法有清楚的了解就好吧。因为每种方法都有自身的优点和局限性，我们只要在研究中严谨求实地报告即可。另外，可供参考的意见是，一般而言，因子负荷值不宜过高，一般0.90或0.95以上的负荷值可能意味着该题目需要被删除。你可以先权衡两种分析结果再做决定。页:
[1]
2