图解式结构方程模式软体AMOS之简介.ppt

Fred Li, 2007嘉大 李茂能, 2007 結構方程模式 之定義 結構方程模式(Structural Equation Models，簡稱SEM)，早期稱為線性結構方程模式(Linear Structural Relationships，簡稱LISREL)或稱為共變數結構分析(Covariance Structure Analysis)。 主要目的在於考驗潛在變項(Latent variables)與外顯變項(Manifest variable, 又稱觀察變項)之關係，此種關係猶如古典測驗理論中真分數(true score)與實得分數(observed score)之關係。它結合了因素分析(factor analysis)與路徑分析(path analysis)，因而包涵測量與結構模式。 SEM的統計模式 SEM模式之組成 測量模式與結構模式之目的 測量模式旨在建立測量指標與潛在變項間之關係，主要透過驗證性因素分析以考驗測量模式的效度。 結構模式旨在考驗潛在變項間之因果路徑關係，主要針對潛在變項進行徑路分析，以考驗結構模式的適配性 。 結構方程模式的參數估計流程(1) 理論上，假如結構方程模式正確及母群參數已知時，母群共變數矩陣 (?)會等於理論隱含的共變數矩陣?(?)，隱含的共變數矩陣係根據回歸方程式中的參數所重組之共變數矩陣，式中 ?向量包含模式中所有待估計的參數，例如?={?,?,?}。不過，通常母群之變異數與共變數的參數並不知道，需以樣本估計值( )取代之。 結構方程模式的參數估計流程(2) 適配函數值之計算 前述適配函數值係利用差距函數：F = (s-?)’W(s-?)計算而得。式中s是觀察共變數矩陣S中不重複的變異數與共變數，所形成的向量。?是隱含共變數矩陣?( )中不重複的變異數與共變數，所形成的向量。 W是校正加權矩陣，不同W會形成不同的適配函數 根據所獲得的最小適配函數值，進行?2考驗(計算公式為: ?2=(N-1)*F，df=(p+q)(p+q+1)/2-t，p與q為觀察變項數(含自變項與依變項)，t為待估計的參數數目)。一般研究者，均不希望?2考驗結果達到統計上之顯著水準，以便接納虛無假設：S=?( )，亦即希望所提的理論模式與觀察資料可以適配，而不是推翻它。 SEM 為線性聯立方程式之集合 為了去解一組方程式, 我們必須有足夠的資訊, 【如已知數據( known values), 或 限制(constraints)】，才能估計出未知參數 。此乃SEM模式辨識問題。 除非這組方程式可以辨識, 否則無法獲得正確的參數估計值 -- regardless of how many observations we have. 界定潛在變項的測量單位 理由：因為潛在變項?與?無法觀察的到，其量尺刻度無法確定，我們必須界定其原點與測量單位，才能估計潛在變項的變異數與徑路係數，以界定其結構模式為可辨認的模式 (An Identified Model) 。 方法(以下兩者僅能選其一): 選定一個最能代表潛在變項的觀察變項，將其?x與?y值加以固定(通常設定為1，會使相關之因子具有相同之平均數)，誤差項的廻歸係數亦設定為1 ，才能進行其餘的參數估計。 將潛在變項標準化(如具有相同之變異量或固定為1)。但只能為?變項加以界定(此時可估計其所屬的所有因素負荷量)， ?變項則無法做到。因為?的共變數矩陣並非自由參數矩陣，可以任意加以設定。 可辨識性的定義 假如模式中每一未知參數均有一最適值(optimal value),則該模式為可辨識。假如該模式為可辨識，通常其最大可能性迭代解法為可聚斂而得到一最佳解(optimal solution)，此參數估計值為該資料的最適配值。例如: x + 3y = 4 , 即有無限最佳解 (如 x = 1, y = 1 or x = 4, y = 0)。這些值稱為無法辨識 “not identified” or “underidentified.” 因為未知數比已知數還多。再如: x + 3y = 4 3x -3y = 12 現在，已知數(方程式數)等於未知數(X Y)，即有一最佳解(x = 4, y = 0)。此聯立方程式為恰可辨識 “just identified”。 結構方程模式 主要用途 第一、考驗理論模式(test of theory) Strictly confirmatory(SC)-純驗證性 Alternative (competing) models(AM)-競爭模式 Model generating(MG)-模式衍生 第二、考驗測量工具的建構信度(construct