共同方法偏差檢驗之潛在誤差變數控制法的Amos操作
潛在誤差變數控制法是在
結構方程
模型中,將共同方法偏差作為一個潛變數加入模型,如果在包含
方法偏差潛變數
情況下模型的顯著擬合度優於不包含
共同方法偏差潛變數
的情況,那麼共同方法偏差效應就得到了檢驗,包含
共同方法偏差
潛在變數的模型,對於預測與效標變數關係的估計則控制了共同方法偏差。
具體操作如下:因為這個過程也是基於因子分析的基礎上進行的,關於繪製模型以及執行等過程不再介紹,請參考前面關於“
合成信度
”的相關內容現在我們直接來比較兩個模型:
沒加入共同方法偏差的因子分析模型和加入共同方法偏差為潛變數的模型。
加入共同方法偏差潛變數的模型,在設定模型時,
要注意兩點:
因為共同方法偏差對每個觀察變數的影響是相同的,所以從共同方法偏差潛變數到觀察變數的
路徑係數
(圖中橢圓形內是路徑)是相同的,要設定為相同的字母;
其次,為正常擬合模型,要為共同方法偏差潛變數設定限定條件,我們設定共同方法偏差潛變數的方差為1(圖中小方形內)。
然後匯入資料,執行檢視擬合結果。將兩個模型的各相關擬合指標進行對比,如下表所示。對結果的解釋,加入共同方法偏差潛變後,擬合指標變好,比如說CFI和TLI提高幅度超過0。1,RMSEA和RMR的降低幅度超過了0。05,就表明存在顯著的共同方法偏差。
擬合指標有很多,並不需要都進行彙報,根據自己需要選擇彙報就行,但是卡仿值和RMSEA是必須要彙報的。
我們看錶格中的輸出資料:加入共同方法偏差後,方值提高0。095,RMSEA值提高0。006,CFI和TL的值沒有提高,反而降低,說明加入共同方法偏差潛變後,模型的擬合指標並沒有變好,說明不錯在顯著的共同方法偏差。
那麼輸出結果的各種擬合指標分別代表什麼含義呢?
擬合指標解讀
a)
x2:
卡方值,檢驗選定的模型協方差矩陣與觀察資料
協方差矩陣
相匹配的假設。
原假設是模型協方差陣等於樣本協方差陣。如果模型擬合的好,卡方值應該不顯著。在這種情況下,資料擬合不好的模型被拒絕。
b)
RMR:
殘差均方根
,RMR是樣本方差和協方差減去對應估計的方差和協方差的
平方和
,再取平均值的平方根。
RMR應該小於0。08,RMR越小,擬合越好。
c)
RMSEA:
近似誤差均方根
,RMSEA應該小於0。06,越小越好。
d)
GFI:
擬合優度指數
,範圍在0和1間,但理論上能產生沒有意義的負數。
按照約定,要接受模型,GFI 應該等於或大於0。90。
e)
PGFI:
簡效擬合優度指數
。它是簡效比率(PRATIO,獨立模式的自由度與內定模式的自由度的比率)乘以GFI。
PGFI 應該等於或大於0。90,越接近1越好。
f)
PNFI:
簡效擬合優度指數,等於PRATIO乘以NFI。
PNFI應該等 於或大於0。90,越接近1越好。
g)
NFI:
規範擬合指數
,變化範圍在0和1間,1 =完全擬合。
按照約定,NFI小於0。90示需要重新設定模型。越接近1越好。
h)
TLI:
Tucker-Lewis 係數,也叫做Bentler-Bonett非規範擬合指數(NNFI)。
TL接近1表示擬合良好。
i)
CFI:
比較擬合指數,其值位於0和1之間。
CFI 接近1表示擬合非常好,其值大於0。90表示模型可接受,越接近1越好。