區別效度分析旨在驗證不同兩個構面相關在統計上是否存在差異，在不同構面的題目應該不具有高度相關，如有高度相關，就表示這些題目是衡量同一件事，同常這會發生在構面的定義有過度重疊的時候（張偉豪，2011）。
最常用來驗證區別效度的方法，應該算是平均變異數萃取法（如下表），因為在進行驗證性因素分析（confirmatory factor analysis, CFA）的同時，即可透過所得到因素間的相關係數，以及透過報告收歛效度（convergent validity）時所得到的平均變異萃取量（average variance extracted, AVE）就能完成下列表格，至於判斷的標準，就是該因素的AVE開根號值要高於所有與該因素的相關係數，以下圖因素B為例，AVE開根號為.78，要高於所有與因素B的相關係數.42至.72，則代表有區別效度。
一般來說，因素之間的相關性到達一定程度，或是存在共同方法變異的問題時，上述這種平均變異數萃取法要全數通過也不是這麼容易，因此就得採用另一種方式來驗證，此時可以考慮SEM估計法。
SEM估計法是將CFA中某兩個潛在變項間的相關設為1所跑出來的卡方值，與原本未受限模式的卡方值進行比較，檢驗在限定兩個因素之間相關為1的情況下，其卡方值是否有顯著的增加，若有顯著的增加，代表模式配適有明顯的變差，換句話說這兩個因素不能視為等同潛在變項，應有所區別，且任兩個潛在變項都必須分析過一次，直到所有組合都檢驗完成，因此假設有5個因素的測量模式下，上述的動作就得進行10次，若每個模式分開建立，則必須產生11個AMOS分析檔案（包含一開始未限制的模式），且萬一因素超過5個，這樣就會造成分析效率非常的低。
為了能增加分析效率，下面將分享一種模式比較的方式給各位，這種方式僅需在同一個AMOS模式圖下進行，就可以得到所有的比較結果，說明如下。
（1）先建立一階CFA模式圖：SEM估計法必須在一階CFA模式底下進行
（2）點選「Plugins」中的「Name Parameters」
（3）勾選第一項「Covariances」
（4）此時每一條相關路徑都會有一個參數命名
（5）對「Default model」點選左鍵兩下
（6）進入到Manage Models中，會停留在「Default model」，此時點選「New」
（7）設定競爭模式
a.Model Name是設定競爭模式的命名，為了清楚此模式是設定哪兩個潛在變項之間的相關，先針對因素A與因素B之間的相關進行設定，命名為「A vs B」，這邊的命名沒有限制，研究者自己清楚就好
b.由於是針對因素A與B之間的相關進行設定，該路徑的命名為「C1」，使時在Parameter Constraints設定C1=1，這時該分析檔裡包含兩個模式，一個是未限定任何參數的模式（Default model），另一個就是將因素A與B相關設為1的（A vs B），最後會將此兩個模式進行比較來驗證區別效度
（8）點選「New」再設定下一個組合
（9）設定完所有組合後，除了原先的Default model外，還多了10個競爭模式
（10）按下「Caculate」
（11）在目錄結構中選擇「Model Fit」
（12）最上方的「CMIN」中，即可找到Default model與10個競爭模式的卡方
（13）在目錄結構中選擇「Model Comparison」
（14）可以找到10個競爭模式與Default model的差值，包含所有自由度皆差1個自由度，以及卡方值的相減值與顯著性
（15）在摘要表中，限制模式即為10個有設定相關等於1的競爭模式，而標準模式則是未設定任何參數的Default model，此11個卡方值可以從第12個步驟得到。
（16）在摘要表中，△χ2是10個競爭模式與Default model的差值，可以從第14個步驟得到。
留言列表
{{ article.title }}