干擾效果檢定(Amos分析)-溫文穩汶ㄨㄣˋ

 　　

(一)對干擾變數進行分組

 　　根據Baron and Kenny(1986)提出以不同群組作為干擾變數的分類，以平均數將干擾變數分成低分組與高分組，再利用AMOS軟體作兩組樣本模式的比較，探討干擾變數對於在變數間的關係是否有顯著干擾效果，可參考Jöreskog and Sörbom (1996)的方法，採用跨樣本SEM的二階段程序，進行高與低兩組樣本關係慣性所建構之多樣本結構方程模型的恆等性檢驗概念進行分析，以瞭解關係慣性對於原本模型是否呈現干擾效果。

 

 (二)多群組結構方程式分析

• 階段一：單樣本模式配適度檢驗 

　　根據Jöreskog and Sörbom (1996)的二階段檢驗程序，建立全體樣本、高分組與低分組等三個群組的結構方程模型，且三個結構方程模型的配適度都須達到一般學術論文要求的水準，才能進行多群組結構模式的恆等性檢驗。若各模型有些的配適指標未符合一般指標的要求，可能是因為高組與低組模型的樣本數較小，導致此兩模型指標，距離標準值還有些許差距。整體而言，在指標多數絕的原則下，三個樣本模型大部分的配適度應達可接受的水準，即可進行第二階段的路徑係數恆等性檢驗。

• 階段二：路徑係數恆等性檢驗

　　先建立多群組的結構方程模型(MGA)，一個模式為基準模型（群組間無恆等性假設）；另一個為干擾模型（群組間對某些路徑係數設定為相等）。再將兩個模式進行分析，分別得到卡方值和自由度，再將干擾模型的卡方值減去基準模型的卡方值，則可得到卡方值差異量(∆χ2)，如果卡方值差異量(∆χ2)大於3.84，表示卡方值檢驗是顯著的，因此可以推論干擾效果是顯著的(Bagozzi & Heatherton， 1994)。

1.設定群組：

建立一個高和一個低的群組

 

2.將干擾的路徑設定名稱：

高組設定high，低組設定low，並將All group選項取消

3.建立模型：

建立一個Default model與干擾模型，並在干擾模型設定high=low

 

4.產生模型卡方值：

分析後可產生Default model與干擾模型之卡方值

 　

5.模型比較 ：

卡方值差異可從下圖的位置查0.078，也可從兩卡方值計算(208.061-207.983)

6.寫為圖表： 

如下表，卡方值差異為0.078<3.84，表示干擾效果為不顯著

參考資料

1.Bagozzi, R. P. & Yi, Y. (1988). On the evaluation of structural equation models, Journal of Academy of Marketing Science, 16 (1), 74-94.

2.Baron, R. M. & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations, Journal of Personality and Social Psychology, 51 (6), 1173-1182.

3.Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: Users' reference guide. Chicago: Scientific Software International.

Amos疑難排解-溫文穩汶ㄨㄣˋ

 (一)找不到圖中的某些部分

• 查看是否已將全部output的部分都勾選，勾選後再重跑一次

 (二)驗證性因素圖的卡方值過大，或其他適配度指標未達標準

• 刪除題項

1. 將MI值放到Excel後由大到小排序
2. 將原始之卡方值放到最上面(圖中原始卡方為2333.96).
3. 依照順序做刪除(圖中單刪e26後卡方值為2153.159，單刪e25後卡方值為2141.325)
4. 兩者單獨刪掉後，卡方值皆變小(若2題項非同構面，或原構面有5題以上，可嘗試都刪)
5. 由於e26與e25皆刪掉後法方值更小，因此下一步驟以兩者都刪掉之卡方值為比較依據
6. 因此圖中1898.599為刪掉e26及e25又刪掉e17之卡方值…以此類推，
7. 重複步驟直到卡方值小於300或各構面僅剩2~3個題項

※注意：刪除過程須注意，所有標準化因素負荷量皆有介於0.6~0.95之標準!

• 刪除異常值問卷

1. 將值貼到Excel，在SPSS刪除問卷後，再於Amos跑一次
2. 原始卡方值477.528，刪第269份問卷後為485.131，卡方值無變小，因此編號269問卷保留
3. 刪除編號283問卷後之卡方值為482.908，卡方值無變小，因此編號283問卷保留
4. 刪除編號38問卷後之卡方值為472.649，卡方值變小，因此編號38問卷刪除
5. 卡方值有變小的刪除後，繼續嘗試刪除下一個
6. 圖中472.923為刪除編號38後，再刪除編號143之卡方值，刪除後>僅刪除編號38的卡方值，因此143保留…以此類推
7. 重複步驟直到卡方值小於300，或問卷數接近300

※注意：刪除SPSS的問卷後，排序會往前，建議可在SPSS加上問卷編號，避免數字改變!

 (三)適配度指標找不到

• SRMR

點選Plugins→Standardized RMR，叫出視窗後不關掉視窗，

再按一次分析，即可從視窗看到SRMR

 

違犯估計檢驗與模式配適度檢驗(Amos分析)-溫文穩汶ㄨㄣˋ

 一、標準化因素負荷量

　　 違犯估計是指模式估計出的參數已超過可接受的範圍（黃芳銘，2002）。Hair, Anderson, Tatham and Black(1998)提出違犯估計包含標準化迴歸係數超過或接近1（常以0.95為門檻）、過大的標準誤，及負的誤差變異數。

 （一）標準化因素負荷量、標準誤及T值

　　因素負荷量需介於0.5~0.95間，Hair Black, Babin, Anderson and Tatham. (1992) 提出低於 0.4 的因素負荷量是太低，0.6 以上是高，因此一般以0.6為標準；未達標準則於第一次修正一併刪除。

（二）多元相關平方(SMC)、誤差變異數(EV)

　　多元相關平方(SMC)為標準化因素負荷量(SEL)的平方；誤差變異量(EV)為1-多元相關平方(SMC)，EV不可為負數，才符合違犯估計檢驗之標準。

 二、收斂效度檢驗

（一）多元相關平方(SMC)

　　多元相關平方(SMC)為標準化因素負荷量(SEL)的平方 ，SMC大於0.2，表示具有可信度（黃芳銘，2002）。 

 （二）組合信度(CR)

　　組合信度(CR)為(構面題項之標準化因素負荷量(SEL)加總後的平方)/〔(構面題項之標準化因素負荷量(SEL)加總後的平方)+(各題項之誤差變異數(EV)總和)〕，其標準為大於0.6(Bagozzi & Yi， 1988)。

 （三）平均變異萃取量(AVE)

　　平均變異萃取量(AVE)為各題項之多元相關平方(SMC)加總後的平均， 其標準為大於0.5。

三、區別效度檢驗

　　常見的區別效度檢驗方式有AVE與潛在變項配對相關值之比較法和潛在變項配對建構相關法。

 （一）AVE與潛在變項配對相關值之比較法

　　兩個構面間的相關係數應小於構面之平均變異萃取量(AVE)的平方根，表示兩個概念間具有區別效度(Fornell & Larcker，1981)。

（二）潛在變項配對建構相關法

 　　以構面間兩兩比較方式來檢定區別效度，建構一個標準模式與限制模式，設定限制模式兩個構面間之相關係數為1，並比較兩模式之卡方值差異(△χ2)。若標準模式之卡方值(χ2)有顯著低於限制模式之卡方值(χ2)，代表限制模式的模式適配度較差，表示此兩個構面間具有區別效度(Anderson & Gerbing，1988)。

•  第一步

• 第二步

• 第三步

　　設定完前2步驟，如圖會產生C1~C15，點2下Default model，按下NEW，設定其他限制路徑，1設定C1=1，2設定C2=1.....C15=1，加上Default model，共有15+1個限制模式。

• 第四步(按下執行鍵)

• 第五步(看標準模式及限制模式之卡方值、自由度及顯著性)

• 第六步(看兩模式之卡方值差異及差異顯著性)

• 結果

　　限制模式皆大於標準模式，且模式比較之P值<0.05，表示具有區別效度。

 

• 各項指標標準

參考文獻

1.黃芳銘(2002)，結構方程模式：理論與應用，臺北：五南。

2.Anderson, J., & Gerbing, D. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological bulletin, 103(3), 411-423.

3.Bagozzi, R. P. & Yi, Y. (1988). On the evaluation of structural equation models, Journal of Academy of Marketing Science, 16 (1), 74-94.

4.Hair, J. F., Anderson, R. E., Tatham, R. L. and Black W. C. (1998). Multivariate data analysis (5th ed. ), New Jersey: Prentice Hall International.

5.Hair, J. F., Black, B., Babin, B., Anderson, R. E., & Tatham, R. L. (1992). Multivariate Data Analysis (6th ed.). New York: Macmillan.

Excel範例可見檔案0526表4-42

常態性檢定(Amos分析) -溫文穩汶ㄨㄣˋ

(一) 檢驗單變數常態性

　　Kline(2005)提出符合偏態係數(skew)之絕對值小於2，峰度係數(kurtosis)之絕對值小於7，表示具有單變量常態性。

(二) 檢驗多元常態性

　　Bollen(1989)提出Mardia係數小於p(p+2)時（p為觀察變數的數量），表示研究樣本具有多元常態性。

軟體 Amos 24

　　符合多元常態分配假設，可採最大概似估計法進行模式配適檢定。

資料來源：

1.     Kline, R. B. (2005). Principles and practice of structural equation modeling (2nd ed.). New York: Guilford.

2.     Bollen, K. A. (1989). Structural equations with latent variables, New York: Wiley.