测量指标信度不佳但却完全适配-嘉义大学.pptVIP

Fred Li, 2006 李茂能,2006嘉義大學 一、緣起 SEM模式之評鑑及報表的解釋上， 出現不少困惑與謬誤 透過具體實例，釐清癥結。 二、潛藏問題 認為適配度佳之模式即為好模式。 不知或忽視對等模式的存在。 遺漏重要變項或指標而包含不重要變項或指標。 結構係數因測量誤差之修正而過度膨脹。 界定錯誤的測量模式。 Equivalent models的定義 Stelzl(1986)將它定義為:當您無法使用?2與適配度指標去區辨兩個模式時，這兩個模式即稱為對等模式。 MacCallum, et. al. (1993)即指出在其查驗的53篇論文中,對等模式的中位數是12，其中百分之90的SEM論文至少有一對等模式，百分之50的SEM論文至少有16個對等模式。不過一般研究者卻未察覺他們的存在。 結構模式的對等 測量模式的對等 實例(1)資料矩陣 R = {1.0, .74, .66, .0, .0, .0; .74, 1.0, .51, .0, .0, .0; .66, .51, 1.0, .0, .0, .0; .0, .0, .0, 1.0, .69, .76; .0, .0, .0, .69, 1.0, .85; .0, .0, .0, .76, .85, 1.0}. 三、實例解說(1):因果關係不正確，但卻完全適配 SEM能分辨因果嗎? SEM對於因果關係之正確方向的判斷可說是全盲的，換言之，SEM的使用者極易忽視結構模式界定錯誤的問題。 因此，將SEM稱為”Causal modeling”可能是SEM迷思的根源之一。 實例(2)資料矩陣 R = {1.0, .24, .36, .0, .0, .0; .24, 1.0, .31, .0, .0, .0; .36, .31, 1.0, .0, .0, .0; .0, .0, .0, 1.0, .69, .76; .0, .0, .0, .69, 1.0, .85; .0, .0, .0, .76, .85, 1.0}. 三、實例解說(2):測量指標信度不佳，但卻完全適配 測量模式應優先檢驗 由此可見在IQ與EQ完全無關之情況下，SEM適配度指標並無法反應測量指標或測量模式之好壞。 因此，筆者強烈建議除了查看適配度之外，還要檢驗測量指標之信度，這些測量指標之信度最好要在.50(標準化係數在.70以上)以上。 實例(3)資料矩陣 R = {1.0, .24, .66, .0, .0, .0; .24, 1.0, .31, .0, .0, .0; .66, .31, 1.0, .0, .0, .0; .0, .0, .0, 1.0, .69, .76; .0, .0, .0, .69, 1.0, .85; .0, .0, .0, .76, .85, 1.0}. 三、實例解說(3):包含不重要指標， 但卻完全適配 指標信度的重要性 把不重要的變項納入您的模式中或把重要變項的遺漏了，通常會導致不正確的參數估計值與標準誤。 因此，只有在您所界定的模式正確時，這些參數估計值與標準誤才是正確的(Tomarken Waller, 2005)。 實例(4)資料矩陣 R = {1.000, .087, .140, .152; .087, 1.00, .080, .143; .140, .080, 1.00, .272; .152, .143, .272, 1.0}. 三、實例解說(4):測量指標信度與結構係數校正上之問題 VPLS報表(1) VPLS報表(2) VPLS結構徑路圖 一個急待解決的問題? 由前圖知，IQ與EQ各指標的信度不佳(介於.07~.35)，SEM為了校正測量指標之測量誤差而修正潛在變項間之相關係數(Correction for attenuation)。筆者試著利用IQ與EQ的建構信度(分別為.1603與.4336)，以及IQ與EQ的第一個典型相關(.225)，亦得到相當接近.83的標準化結構係數(.225/(?.1603?.4336)=.853)。 由此觀之，當測量指標的信度過低時，亦可能導致過度高估結構係數，似乎違反常理。 另由前圖亦知，EQ與IQ的相關高達