晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

四、區別效度（Discriminant validity）

區別效度的概念是證實你所測量的構念（橢圓型的潛在變項）之間的確是不同的構念，有的讀者可能會覺得很奇怪，為什麼我們非得去證實這些構念之間是不同的呢，事實上這就跟推論統計的假設檢定有所關聯，我們傾向先訂立一個想要推翻的虛無假設（Null hypothesis），例如「男生與女生之間沒有差異」，然後收集資料想盡辦法推翻這個虛無假設，以得到有顯著差異證據的結論，相同地SEM取向的區別效度也是類似的道理，我們得先設定虛無假設：「兩兩構念之間是相同的構念，亦即是無法區別的」，然後利用統計檢定推翻這個假設，以得到具有區別效度的結論。

下圖列出兩個潛在變項的CFA模式，我們的目標就是在統計上證實這是兩個不一樣的構念，常見的區別效度檢驗的方式有三種，第一種是Anderson and Gerbing (1988, p.416) 整理由SEM大師Karl Joreskog的LISREL使用手冊中所提出的「潛在變項配對建構相關法」，第二種也是Anderson and Gerbing (1988, p.416) 於LISREL使用手冊中所提出的「潛在變項配對相關信賴區間檢定法」，最後一種則是Fornell  and Larcker (1981) 提出的「AVE與潛在變項配對相關值之比較法」，以下一一介紹。

（一）潛在變項配對建構相關法

此做法以構念間兩兩比較方式來檢定區別效度；首先設定兩個構念間之相關係數為1（限制模式, restricted model），其次自由估計兩個構念間之相關（標準模式, unrestricted model），之後比較兩個模式的LR χ² 差值 (△LR χ²)。若標準模式有顯著較低的LR χ²值，則代表限制兩個構念相關為1的限制模式有較差的模式適配度（χ² > 3.84 with df = 1, p value < 0.05），表示此兩個構念之間是可以區別的，亦即此兩個構念代表不同的建構。

此作法就跟我一開始提的「假設檢定」不謀而合，我們先假設一個很不合理的「限制模式，即假設因素之間的相關等於1」，然後我們期望這個限制模式表現會比較差勁，而且是「顯著地」比標準模式還要差勁，假使我們得到一個p值（< 0.001）很小的結果，如此我們可以證實限制模式的確表現的比較爛，所以我們不應該接受這個限制模式，所以標準模式比較好，因此也提供了一些區別效度的證據。不過值得注意的是，這個檢測方法是三種方法中最容易過關的一種，因此有些學者認為不足以代表區別效度 (Hair et al. 2006, p.778)，所以除非是接下來介紹的兩種方法都過不了關，不然建議是不要只用這一個方法檢測。

（二）潛在變項配對相關信賴區間檢定法

此方法作法很簡單，當我們利用LISREL、EQS或AMOS跑出SEM/CFA結果的時候，除了得到因素負荷量的數值，也會得到因素之間的相關係數（已標準化）以及此相關係數估計的標準誤（Standard error），此時將任兩個潛在變項（構念）的相關係數加減1.96個（或2個）標準誤，如果此信賴區間未包含1.00，則表示有證據顯示此兩個構念之間具有區別效度。

這個方法跟第一種作法很類似，只不過第一種作法用的是假設檢定，這個作法則是用信賴區間檢定法，在三種作法裡頭算是比較中庸的，亦即不算是很容易通過，也不算是很難通過。

（三）AVE與潛在變項配對相關值之比較法

此方法主要以AVE（平均變異抽取量）為基礎，由上一篇文章可得知，每一個潛在變項（因素或構念）都有一個AVE值，介於0至1之間。然而剛剛提過，每兩個因素之間也會有一個相關係數，也是介於0至1之間。此方法的定義為「是否所有的AVE皆大於所有的相關係數的平方」，我們都知道AVE代表的是「該潛在變項受到所屬觀察變項的貢獻量」，然而大家必須瞭解到相關係數的平方代表的則是「該潛在變項受到非所屬觀察變項的貢獻量」，為了證實因素之間具有區別效度，當然我們只要能證實潛在變項受到自己的觀察變項的貢獻量是比較大的（比受到其他觀察變項的貢獻量來得大）。

如果我們有4個因素，我們會有4個AVE值，但是會有6個（C4取2）相關係數，此時若AVE都比相關係數來得高，那表示我們有證據顯示區別效度的存在。需注意的是，此方法為三種方法中最嚴苛的一種，因此實務上常常把通過標準降低為「是否大部分的AVE大於相關係數的平方」。

Reference

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

Fornell, C., & Larcker, D. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18, 39-50.

Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L. (2006). Multivariate data analysis (6th ed.). New Jersey : Prentice-Hall.

Joreskog, K., & Sorbom, D. (1989). LISREL 7: A guide to the program and applications: SSI.