潛在變數（LatentVariable）.pptVIP

Ch10 Structural Equation  Models with Latent  Variable 本章目標： 本章進一步考量測量模式中，因素(潛伏變 數)間彼此相依之關係 前言 結構方程式模型(Structural Equation Model, SEM)是探討變數間的關係，並對顯性變數與潛在變數之因果模式做假設之檢定。 潛在變數（ Latent Variable ） －意指在量測模式中無法直接觀察之因子 SEM又稱為共變異數結構模型（Covariance Structure Models）、LISREL Models SEM的軟體程式： LISREL (Joreskog and Sorbom, 1993), AMOS (Arbuckle, 1994), EQS (Bentler, 1993), PROC CALIS in SAS, RAMONA (Browne and Mels, 1998), and others. 10.1 Potential Applications SEM適用之情況： －通常用來檢定無法直接觀察之潛在變 數間的相依關係 如果所有變數都是可觀察而且可無誤差的衡量，則使用回歸分析就足以分析變數間的相依關係 使用多重衡量(multiple measures)方式以獲取潛在變數與顯性變數間之關係，而非對個別潛在變數以單一指標做衡量 Table 10.1 (Page 354, Bagozzi, Baumgartnet, and Yi(1992) 的研究) －行動導向的消費者（action-oriented subjects） 之共變異數矩陣, n=85 Figure 10.1 為態度、意向及行為關係之路徑圖(path diagram, 表示結構方程式) 衡量 態度(使用折價券在超市購物的態度) 使用三個7點語意差異尺度 Pleasant or unpleasant Good or bad Favorable or unfavorable 意向(使用折價券的意向) 1題為關於下週使用折價券的可能性的7點尺度 Likely-or-unlikely 1題為11點no chance-or-certain的機率尺度 行為 下一周真正使用折價券數量的平方根(1題) Figure 10.1 考慮因素間的 直接關係（attitude→behavior）與 間接關係（attitude→intention→behavior） 由Figure 10.1 可得知此三變數間的關係皆顯著（∵t值＞2） Bagozzi(1994)證明當不將衡量誤差納入模型時，估計路徑係數將會較不一致且低估，若使用SEM則可解決此問題 10.2 SEM-Latent Variable：How It Works 結構方程式包含兩種分析： Analysis of interdependence 連接可觀察測量X和Y 與潛伏變數的測量方程式組（measurement equations） Analysis of dependence 描述不可觀察之潛伏因子間的相依關係的結構方程式組（structural equations） 例子：銷售人員之工作滿意 工作滿意（η）為內生變數自尊（ξ）為外生變數 (不受模型內其他變數影 響) 工作滿意（η）、自尊（ξ）皆為潛在變數 利用顯性變數（X1，X2）量測潛在變數（ξ） 顯性變數（Y1，Y2）量測潛在變數（η） 分下列三種情況分別討論： 1.Latent Variables 2.Structure Equations 3.Structure Equations with Latent Variable 若η與ξ之間無關，則無法估計此模型之參數(underidentified) 一個衡量模型參數要能估計，需要至少3個潛在變數的衡量尺度 故第二情況（ SEM ）介紹將η與ξ做連結，以使模型中之參數可被估計 結構方程式描述內生潛在變數（η）與外生潛在變數（ξ）之間的相依關係 ξ無法完全解釋η中的所有變異性 ζ為每一組外生變數與內生變數間關係的路徑之誤差項 結合衡量模式（情況1）與結構模式（情況2） 形成單一結構方程式模型－潛在變數 共有9個參數要估計，有10個方程式 Measurement equations： Structural equations： 共有9個參數要估計，有10個方程式，自由度為1 ξ的測量模型有尺度不定的問題，解決之道： 將潛在變數之變異數定為1，或 設定其中一個λ係數為1 通常採用第一種做法 η的測量模型也有尺度不定的問