结构方程论坛SEM-Structural·Equation·Modeling

标题: 本人使用AMOS测查量表型问卷的信度效度的一些体会分享 [打印本页]

作者: dataanlysis 时间: 2011-7-3 10:27 标题: 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）。 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。 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。 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。 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。 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。 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） 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

作者: 数据分析 时间: 2011-7-3 10:32

谢谢分享！！

作者: pabbs 时间: 2011-7-3 10:37

谢谢分享。。。

作者: 偏最小二乘 时间: 2011-7-3 10:42

~谢谢分享~

作者: 华南心理学 时间: 2011-7-3 10:47

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？

作者: abroad 时间: 2011-7-3 10:52

楼主，说的对！

作者: 潜变量分析 时间: 2011-7-3 10:57

zph218 发表于 2011-4-21 20:36
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？

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？

作者: database 时间: 2011-7-3 11:02

stephen1981 发表于 2011-4-22 22:02
zph218 发表于 2011-4-21 20:36
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？
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？

如果因子题目很多导致的效度很低，应该怎么解决呢？

ps：问卷已经发完了

作者: mischina 时间: 2011-7-3 11:07

你可能需要考虑以下问题：
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。
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。
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。。。
以上意见仅供参考

作者: 华南心理学 时间: 2011-7-3 11:12

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。

为什么我运行这个程序时出不来hd2.cov的文件呢。

作者: 偏最小二乘 时间: 2011-7-3 11:18

10# linge279 不好意思啊朋友，我只用过AMOS。。。

作者: 心理学辅导 时间: 2011-7-3 11:23

再补充一下：
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。

作者: spssamos 时间: 2011-7-3 11:28

感谢LZ分享，受用~

作者: 51jijin 时间: 2011-7-3 11:33

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。 7# stephen1981

作者: spsschina 时间: 2011-7-3 11:38

不好意思，朋友，我只用过AMOS，对于LISREL不太清楚

作者: angel 时间: 2011-7-3 11:43

感谢大家的经验，对于提高测量知识很有帮助！谢谢

作者: 潜变量分析 时间: 2011-7-3 11:48

楼主真是很细心，好人啦。

作者: amos 时间: 2011-7-3 11:53

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！

作者: abroad 时间: 2011-7-3 11:58

协方差结果应该用prelis来运行吧 10# linge279

作者: abroad 时间: 2011-7-3 12:03

18# lianst 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”。
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。

作者: abroad 时间: 2011-7-3 12:08

谢谢，各位高手。以后愿意向大家学习

作者: 51jijin 时间: 2011-7-3 12:13

谢谢楼主的总结！获益不少！
有个问题想问一下，我用AMOS导入数据的时候，说我数据有丢失"with missing observations"，如果按照提示，选了"Estimate means and intercepts"的话，就不能选Modification indices了！这要怎么办呢T-T

作者: freeshuju 时间: 2011-7-3 12:18

22# yuki27 如果你觉得MI值对你的价值比较大，那你需要解决缺失值问题。譬如用均值代替缺失值，或在你的样本数比较大的情况下考虑删去那些有缺失值的个案。你需要做出权衡噢

作者: database 时间: 2011-7-3 12:23

stephen1981 发表于 2011-4-16 21:17
该贴曾为回应论坛某朋友的问题 (http://bbs.pinggu.org/viewthread.php?tid=1036834&page=3#pid8874638)，但似乎没有太多人关注，现重发一张新帖，希望对大家有所帮助. 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）。
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（p0.90）、 RMSEA （

感谢楼主指导。我想请教一下，我的样本容量有500多，分成两半，分别用于EFA和CFA。
CFA中发现有两个题目的路径系数在0.3-0.4之间，还有一个题目的误差变量没有达到显著（p=0.104），在后面计算AVE时，有一个值为0.37。按照你的建议，把那两个0.3-0.4的题目删除了，但原先0.37的AVE值没有改善，还是0.4以下。这样情况下是否需要删除那两个题目呢？
另外，计算内部一致性系数（α）值时，是计算全样本，还是分成两半后的哪一半呢？
谢谢。

作者: 潜变量分析 时间: 2011-7-3 12:28

24楼的朋友，您好：
按你描述的情况，我觉得那两个道题应该删去。另外，那道误差变量未达到显著的题目也应考虑删去。像你的情况，如果是要发表论文的话，我建议在用CFA确定各因子及其题目后再计算内部一致性系数值。但由于该值容易受样本数和题目数的影响，Hair等（2006）建议使用AVE和CR（建构信度）等指标来评价。

作者: database 时间: 2011-7-3 12:33

多谢楼主~~我修改了之后好了。
还有个问题想问一下，AMOS导出的所有指标我都合格了，只有PGFI没有大于0.5
楼主有遇到过这种情况么？
必须要看这个PGFI么？

作者: variable 时间: 2011-7-3 12:38

26# yuki27 PGFI主要用于考虑模型的简效性，根据邱皓政与林碧芳（2009）的观点，若该值大于0.50，说明模型的简单程度可以接受。对于你的情况，可能是因为你的模型过于复杂所致吧。我读过的一些英文文献，许多作者似乎较少关注这个指标，一般主要用于在评价竞争模型的情况。在同等条件下，一般会优先考虑更为简单的模型。另外，我的老师曾建议我们，不要过度地追求每个指标都满足。因为对于我们社会科学研究，常常因我们的研究对象（“人”）的多变性以及测查工具本身的局限性而导致某些个别指标值，或者信度，效度值偏低。另外，Hair等学者（2006）亦提倡对于某个模型，若许多指标值都“达标”，即便有个别不太合格者，亦是可以接受的。个人觉得，那些过于完美的指标值反而会让人质疑。。。因此，我们可以实事求是地报告，读者接受与否在于他个人，但我们作为研究者已尽到自己的本份咯。。。

作者: 潜变量分析 时间: 2011-7-3 12:43

原来是这样啊，了解了！
楼主你太强了T-T！！
感谢楼主~~~~~

作者: database 时间: 2011-7-3 12:48

感谢主，一起学习！！

作者: 统计分析 时间: 2011-7-3 12:53

强烈引起重视

作者: abroad 时间: 2011-7-3 12:58

好多解答，此贴必火，先顶，日后再提问！

作者: 统计分析 时间: 2011-7-3 13:03

请问大大们 18楼的问题怎么解决呢？我现在也遇到了这样的问题一个分量表的因子分析集中在一个因子上，而本意想要有四个因素头疼啊

作者: angel 时间: 2011-7-3 13:08

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。这是为什么呢？请您分析一下

作者: mischina 时间: 2011-7-3 13:13

cj05gy314 发表于 2011-6-27 22:39
请问大大们 18楼的问题怎么解决呢？我现在也遇到了这样的问题一个分量表的因子分析集中在一个因子上，而本意想要有四个因素头疼啊

这位朋友您好，我的理解能力不太好，您的意思是指对于一个总量表本意有四个因子吗？因为如果是“分量表”，那一般我们在意义上理解成某个因子。（1）我先当您指的是总量表吧。如果说，您按本意（如基于文献综述或已有比较公认的理论）应用四个因子，但做出来只有一个因子，那说明您所收集的数据与“本意”不符，其实不需要头疼啊，也许这是您的研究对文献的一大贡献啊。譬如，可能您原来所使用的测量工具它本身是在不同的文化背景或者以不同人群为样本而发展得到的，换言之，西方教育文化下的工具在东方本土环境下不一定适用（如因子结构不一定一致）；或者，原工具可能是适用于中学生，而当其用于大学生或小学生时，也许会出现“失真”的现象，等等。研究过程中，经常会出现一些与我们本意不太一致的结果，其实这反而是它有趣且有意义的地方，如果每次都与预想或原有理论一致，反而不太像真正的研究，却更像我们在中学做理科实验一样，对着书本照方抓药，还未做实验就知道结果了。。。倘若我们能结合样本的特殊性（如学业成绩，性别分布，家庭背景。。。）或者所处的文化背景来诠释研究结果，虽表面上与文献不太一致，但如果能做到"自圆其说"，突破思维的限制，从其它的理论模架来理解，这反而是一大亮点，更让同行能重新思考原有理论可能存在的局限性，从而促进新理论的生成与发展啊！记得，是让数据说话，实践检验理论，理论只是起指导作用，而非要努力地使数据“服从”理论啊。以上意义仅供参考

作者: variable 时间: 2011-7-3 13:18

runnyreddy 发表于 2011-6-28 22:33
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。这是为什么呢？请您分析一下

在进行整体模型适配度估计之前，即检查模型适配参数，如CFI，GFI，RMSEA等值是否达标之前，研究者需要检验模型是否违反估计，即检验标准化参数的估计值的合理性。根据吴明隆老师的《结构方程模型-AMOS的操作与应用》一书观点，标准化路径系数（题目到因子）通常可接受的最高门坎值为0.95,否则说明模型可能违反估计(Bogozzi & Yi, 1988; Byrne, 2001)，已失去做进一步检验适配度的意义。更详细的说明敬请查阅吴老师的书。以上意见仅供参考之用!谢谢您的宝贵问题

作者: 因子分析 时间: 2011-7-3 13:23

34# stephen1981
有2个问题要值得警惕：一是量表题目内容是否过度窄化？过度窄化的题目所导致的高度内部同质性之特殊变异量必会形成同一因子，但却与其他因子或效标无任何关联。这就是所谓的特殊灌水因素（bloated specific, Cattell,1978）。二是是否存在共同方法偏差？存在共同方法偏差的显著特征就是形成一个因素。因此，可从3方面考虑，1）量表的内容要在广度与深度之间取得平衡；2）排除数据采集质量的问题；3）侦测共同方法偏差

作者: sopheia 时间: 2011-7-3 13:28

感谢楼上朋友的指教，又学到新的东西

作者: 戴山隐 时间: 2011-10-18 13:01

回复 1# dataanlysis

楼主请问，怎么是先拟合，后进行效度信度检验啊？不应该是在数据分析以前先进行信度效度检验啊？

欢迎光临结构方程论坛SEM-Structural·Equation·Modeling (http://semchina.net/)