第19章　線性結構關係模式 本章的學習主題  1. 線性結構關係模式的概念 2. 線性結構關係模式的建立 3. 線性結構關係模式的評估 4. AMOS的使用 5. 報表分析.

Presentation on theme: "第19章　線性結構關係模式 本章的學習主題  1. 線性結構關係模式的概念 2. 線性結構關係模式的建立 3. 線性結構關係模式的評估 4. AMOS的使用 5. 報表分析."— Presentation transcript:

1 第19章　線性結構關係模式 本章的學習主題  1. 線性結構關係模式的概念 2. 線性結構關係模式的建立 3. 線性結構關係模式的評估 4. AMOS的使用 5. 報表分析

2 19.1 LISREL的概念 1. LISREL (linear structure relation) 是一種可以用來處理因果關係模式 的方法。 2.在多變量分析方法中大多一次只能處理一組自變數與一個依變數之間的關係，LISREL 則能同時處理多組自變數與多組依變數間的關係。 3.簡單地說，LISREL 的目的在探討變數間的線性關係，首先針對可觀測的(顯性)變數與不可觀測的(隱藏)變數間之關係進行檢定，接著就隱藏變數與其他隱藏變數間之因果關係模式做假設檢定。而 LISREL 之應用主要包含三個程序：建立因果模式、估計參數及模式評估。

3 19.2 建立因果模式 研究者可根據已存在的某種現象，依據經驗或現有的理論確定出所有可能的變數間的關係。在LISREL中自變數稱為原因變數(causal variable)，被影響的依變數稱為結果變數，再依據互相影響之方向建立模式的路徑圖(path diagram)。 因素分析+迴歸分析

4 19.2 建立因果模式 在LSIREL模式中，原因變數本身的變異來自模式以外的變數，因此稱為外生變數(exogenous variable)，以ξ表示；結果變數的變異量被模式內其他變數的線性組合所解釋，因此稱為內生變數(endogenous variable)，以η表示。 在模式中若是無法直接被觀察的變數，稱之為隱藏變數(latent variable)，所以隱藏變數須由外在可觀察的變數或指標(indicator)來加以衡量。

5 19.2 建立因果模式 圖 19—1 線性結構關係模型圖

6 19.2 建立因果模式 1. 以方格“□”表示可觀測變數；以圓圈“○”表示不可觀 測變數。 2. 可觀測之外生變數以“X ”表示；不可觀測外生變數以 “ξ”表示。 3. 可觀測之內生變數以“Y ”表示；不可觀測內生變數以 “η”表示。 4. 內生變數之間影響係數以“β ”(beta)表示；外生變數對 內生變數之影響係數以 “ γ ”(gamma)表示；可觀測變 數對不可觀測變數之標準化係數以“λ”(lambda)表示。 5. 隱藏外生變數之誤差衡量以“δ” (delta)表示；隱藏內生 變數之誤差衡量以 “ε” (epsilon)表示；解釋內生變數 之結構方程的誤差項以“ζ” (zeta)表示。

7 19.3 估計模式參數 1. 結構方程式 結構方程式是用來表示模式中內生變數與外生 變數之間關係的數學式 。

8 19.3 估計模式參數 2. 衡量方程式 衡量方程式用以表示可觀測與隱藏變數之間的數學關係

9 19.4 模式適合度評估 1. 卡方值 卡方值愈小，表示模式的合適情形越好，一般採卡方 值是用來判定結構方程式是否合適之標準。 2. GFI (goodness of fit index) 值在0與1之間，此值越大表示適合度愈佳，即模式 之解釋能力越高，通常採GFI>0.9。 3. AGFI (adjust goodness of fit index) AGFI是對自由度調整的GFI，因為GFI會隨(模式中) 路徑增加而增加，因此學者提出模式配適度與複雜度 的平衡指標，稱為AGFI，通常採AGFI>0.9。

10 19.4 模式適合度評估 4. NFI (normed fit index) 模式基準合適尺度，即比較假設模型與獨立模型之卡 方差異，通常採NFI>0.9。 5. CFI (comparative fit index) 模式比較合適尺度，假設模型與獨立模型之非中央性 差異，通常採CFI>0.95。 6. RMR (root mean square residual) RMR是測量殘差的平均數，愈小表示適合度愈佳， 通常採RMR<0.05。

11 19.4 模式適合度評估 表 19 - 1 線性結構關係常用指標 指標 意義 判定標準 Chi-Square 模式合適情形
19.4 模式適合度評估 表 線性結構關係常用指標 指標 意義 判定標準 Chi-Square 模式合適情形 越小越好，P>0.05 GFI (Goodness of fit) 模式合適度 >0.9 AGFI (Adjust goodness of fit) 調整後模式合適度 RMR (Root mean square residual) 殘差平方根 <0.05 CMIN/DF (minimum value of discrepancy) 調整後之模式最小變異 小於3 F0 (estimate of F0) 針對模式標準誤所作的缺口估計值 在90%的信賴區間內 RMSEA (root mean square error of approximation) RMR的估計量 小於0.08 NFI (normed fit index) 模式基準合適度 大於0.9 RFI (relative fit index) 模式相對合適度 IFI (incremental fit index) 模式擴大合適度 CFI (comparative fit index) 模式比較合適度 ECVI (expect for a constant scale factor) 模式因子期望值 (檢定模式被賦予的資訊是否充足) 在90%的信賴區間

12 19.5 驗證性因素分析 驗證性因素分析是因素分析的擴展，可用來對因素負荷量以及因素間的相關性做檢定工作，驗證性因素分析在線性結構模式中通常是用來評估建構效度的一個方法。在建構模式時，CFA模式允許因素間是有相關的，通常潛在變數(因素)間的相關是以雙箭頭連接，而做出的結果可以判斷某一問項是否在某一因素內，也可以對模式適合度做檢定。

13 19.6 線性結構關係模式結果之解釋 在整體測量模型與資料的配適度(overall mode fit) 方面，若經由卡方檢定模型與研究資料間之差異不顯 著，表示我們所蒐集到的資料特性與整體結構模型是 可以吻合的，可稱此結構模型具有整體模型配適度。 為了避免卡方檢定在大樣本時會有過強之統計力所造 成的一些問題。所以，必須再補充包括「Chi- square/df ≦3」、「GFI>0.9」、「AGFI>0.9」、 「RMR<0.05」等幾個常用的指標來評估模式之適 合度。

14 19.6 線性結構關係模式結果之解釋 圖 線性結構圖示

15 19.6 線性結構關係模式結果之解釋 51.264 － 0.066 接近0.05，可 21 0.955 接近0.9，可 0.00
19.6 線性結構關係模式結果之解釋 指標 數值 評估 卡方值 51.264 － RMR 0.066 接近0.05，可 自由度 21 GFI 0.955 接近0.9，可 p值 0.00 ＜0.05，差 AGFI 0.903 接近0.9，差

16 19.6 線性結構關係模式結果之解釋 以下圖19—2之圖形來顯示多重動機對於信任、知識分享以及行為意圖之間關係之整體影響模式。由模型中可以看出多重動機對於信任(β=0.93)，而成就動機(β=0.74)、權力動機(β=0.59)，整體模式之配適度Chi-square/df=2.441，GFI=0.955，AGFI=0.903，RMR=0.066，大體上勉強符合標準

17 19.7 線性結構競爭模式 本範例以架構中之行為意圖將樣本分成高行為意圖和低行為意圖兩群進行競爭模式分析，做法如課本所示。
19.7 線性結構競爭模式 本範例以架構中之行為意圖將樣本分成高行為意圖和低行為意圖兩群進行競爭模式分析，做法如課本所示。 競爭模式是在探討將樣本分成兩群後，不同樣本對於整體模型的配適度是否有所不同，若以圖19-3研究架構來看，競爭模式是要探索不同樣本在進入求算各箭頭之影響力(即β值)時，是否β值會因為樣本群不同而不同。 透過競爭模式可以利用t檢定來測量兩組樣本之β值是否不同，通常t>1.96即視為顯著。

18 AMOS 操作範例 圖 19-3 研究架構

19 線性結構關係範例之報表說明

20 線性結構關係範例之報表說明 （續）

21 線性結構關係範例之報表說明 （續）

22 線性結構關係範例之報表說明 （續）

23 線性結構關係範例之報表說明 （續）

24 線性結構關係範例之報表說明 （續）

25 線性結構關係範例之報表說明 （續）

26 線性結構關係範例之報表說明 （續）

27 範 例 驗 證 結 果 1. 模式適合評估 （一） 卡方值：51.264 自由度：21 p值：0.000
*雖然p值未達到大於0.05的判別標準，但CMIN/DF=2.441小於3， 且GFI與AGFI皆大於0.9，模式勉強認定為適合的。 2. 模式適合評估 （二） 指標 數值 評估 RMR 0.066 接近0.05，可 GFI 0.955 接近0.9，可 AGFI 0.903