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.42.72,則代表有區別效度。

 

1.jpg

 

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11AMOS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.jpg

 

2)點選「Plugins」中的「Name Parameters

3)勾選第一項「Covariances

 

3.jpg

 

4)此時每一條相關路徑都會有一個參數命名

 

4.jpg

 

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

 

5.jpg

 

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AB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AB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

 

6.jpg

 

11)在目錄結構中選擇「Model Fit

12)最上方的「CMIN」中,即可找到Default model10個競爭模式的卡方

 

7.jpg

 

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

 

8.jpg

 

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,χ210個競爭模式與Default model的差值,可以從第14個步驟得到。

 

9.jpg

arrow
arrow
    全站熱搜

    晨晰部落格新站 發表在 痞客邦 留言(1) 人氣()