第一节结构方程建模中的题目打包策略.pdfVIP

心理科学进展 2011, Vol. 19, No. 12, 1859–1867 Advances in Psychological Science DOI: 10.3724/SP.J.1042.2011.01859 ·研究方法(Research Method) · 结构方程建模中的题目打包策略* 吴 艳 1 温忠麟 2 (1 广东外语外贸大学应用心理学系, 广州 510420) (2 华南师范大学心理应用研究中心, 广州 510631) 摘 要 结构方程建模中题目打包法的优缺点包括：指标数据质量变好、模型拟合程度提高; 估计偏差不大, 可校正; 估计稳定, 但降低了敏感性与可证伪性。打包法的前提条件是单维、同质, 适合结构模型分析, 不适 合测量模型分析。对于单维测验, 给出了一个打包流程。对于通常的多个子量表(多维结构)测验, 推荐在子量 表内打包, 每个子量表打包成 1 个指标或者3 个指标, 用于结构方程建模。 关键词 潜变量; 结构方程; 题目打包; 题目小组 分类号 B841.2 1 前言 Schmitt, 2004) 。尽管打包法在结构方程建模中应 结构方程建模, 对样本容量有一定的要求。 用普遍, 许多结构方程模型应用文章中使用了打 有建议说样本容量应当是题目(指标)数量的 10 倍 包法, 但不少应用工作者对于题目为何要打包、 以上, 或者是自由参数的 5 倍以上(侯杰泰, 温忠 打包的前提条件是什么、用哪种策略打包比较好 麟, 成子娟, 2004) 。可见, 题目越多, 所需样本容 等问题并不十分清楚。本文在综述打包法优缺点的 量越大。题目数量很多时, 要估计的参数也多, 若 基础上, 指出打包法的前提条件和适用范围, 介绍 样本容量少, 直接用原始题目建模容易产生较大 并推荐构建题目小组的策略、合适的小组数量, 最 的参数估计偏倚。Bandalos (2002) 的模拟研究显示, 后给出一个实用分析流程, 推荐有子量表测验的打 在单维、样本容量为 100, 严重非正态的情况下, 包策略, 以帮助研究者正确使用打包法。 直接使用原始题目建模可产生高达 29.5% 的参数 2 打包法的好处和缺陷 估计偏倚。题目打包法(item parceling, 也译为题 目组合法或题目小组法) 是解决此类问题的一种 2.1 指标数据质量变好、模型拟合程度提高 有效方法(Landis, Beal, Tesluk, 2000) 。题目打 打包可以提高共同度、减少随机误差, 使新 包法是将同一量表的两个或以上题目打包成一个 指标的质量比原始题目更好。共同度是一个题目 新指标, 用合成分数( 总分或均值) 作为新指标的 在各个因子上负荷的平方和, 反映了全部公共因 分数进行分析(Kishton Widaman, 1994; Yang, 子对该题目(指标)方差的贡献。题目打包后, 观测 Nay, Hoyle, 2010) 。例如, 一个量表原来有 9 个 变量内部的误差不变, 但误差方差() 进行了重 题目, 可将每 3 个题目作为一个题目小组计算合 组, 由于题目误差项之间不相关, 误差项与公共 成分数(小组内题目数也可以不相等), 形成