sem原理、應用及操作講解-資料下載頁
2025-05-10 14:05本頁面
【正文】 合或呼應時，則這個構念的多重指標也應與其相對立之構念的測量指標有負向相關，若相關程度越低，則區(qū)分效度越好。 研究方法 因子分析 (EFA and CFA) 平均提取方差（ Average Variance Extracted， AVE）（ 示例 ） 效度檢驗 — 因子分析步驟 PART C 步驟 1： Bartlett球度檢驗和 KMO 步驟 2：探索性因子分析（ EFA） 步驟 3：驗證性因子分析（ CFA） 步驟 1： Bartlett球度檢驗和 KMO PART C 目的：是否適合進行因子分析； Bartlett球度檢驗從檢驗整個相關矩陣出發(fā)，其零假設為相關矩陣是單位陣，即各觀測變量之間是不相關的，這時認為不適合做因子分析。建議值 . KMO是用于比較觀測值相關系數(shù)值與偏相關系數(shù)值的一個指標，其值愈逼近于 1，表明對這些變量進行因子分析的效果愈好。 工具： SPSS 步驟 2: EFA PART C 目的：在事先不知道影響因素的基礎上，完全依據(jù)資料數(shù)據(jù)，利用統(tǒng)計軟件以一定的原則進行因子分析，最后得出因子的過程； 步驟： 因子矩陣，抽取公共因子； 根據(jù)題項含義，定義公共因子； (示例： ) 判別：因子載荷系數(shù) 工具： SPSS 步驟 3: CFA PART C 目的：利用先驗信息，在已知因子結構情況下檢驗所搜集的數(shù)據(jù)資料是否按事先預定的結構方式產(chǎn)生作用； 判別： 因子載荷； 擬合指標 (示例： ) 工具： LISREL EFA和 CFA區(qū)別 PART C EFA是在事先不知道影響因素的基礎上，完全依據(jù)資料數(shù)據(jù)，利用統(tǒng)計軟件以一定的原則進行因子分析，最后得出因子的過程； CFA充分利用了先驗信息，在已知因子的情況下檢驗所搜集的數(shù)據(jù)資料是否按事先預定的結構方式產(chǎn)生作用； 因此 EFA主要是為了找出影響觀測變量的因子個數(shù)，以及各個因子和各個觀測變量之間的相關程度；而 CFA的主要目的是決定事前定義因子的模型擬合實際數(shù)據(jù)的能力； 進行 EFA之前，我們不必知道我們要用幾個因子，各個因子和觀測變量之間的聯(lián)系如何；而進行 CFA要求事先假設因子結構，我們要做的是檢驗它是否與觀測數(shù)據(jù)一致。 中介效應和調(diào)節(jié)效應的檢驗步驟與判別標準 中介效應檢驗 調(diào)節(jié)效應檢驗 自變量 X X 因變量 Y Y 中間變量 M Z 回歸分析 Y = β11X + e1 M = β21X + e2 Y = β31X + β32M + e3 Y=β11X+β12Z+e1， 得 R21 Y=α+β21X+β22Z+ β23XZ + e2， 得 R22 判定標準 β11,β21,β32均顯著且不等于 0 β23顯著不等于 0，且 R22顯著大于 R21 PART C 中介變量檢驗方法 LISREL中的 OUT文件 (示例 ) SPSS多元線性回歸 調(diào)節(jié)變量回歸方程 Model 1： EFFE=β 11ADAP+β 12ABSO+β 13INNO+β 14MAEN+ e1 Model 2： EFFE=β 21ADAP+β 22ABSO+β 23INNO+β 24MAEN +β 25ADAP MAEN+β 26ABSO MAEN +β 27INNO MAEN+ e2 PART C 數(shù)據(jù)中心化處理 ?各個題項的均值作為變量數(shù)值 ?新組數(shù)值減除平均值得到離均差，所得到的一組新數(shù)值即為變量中心化數(shù)值 PART C LISREL操作 數(shù)據(jù)（見 DATA0328） 步驟： PART C 模型修正 tvalue最小值 MI 最大值 初始模型 最終 模型 PART C 常用 BBS網(wǎng)址推薦 人大經(jīng)濟論壇： 統(tǒng)計之都 PART C 謝謝吳老師及各位同門！ LISREL 上機操作 Q amp。 A
法律信息相關推薦
鄂ICP備17016276號-1