商标分类 
商标转让 
您当前的位置： 地理商标计量模型的验证性因子分析
2021-02-13 23:02:22|
311|
起点商标网 ＡｎｄｅｒｓｏｎａｎｄＧｅｒｂｉｎｇ（１９８８）认为，在测试结构方程模型之前，研究者首先应该评估它的测量模型（验证性因子分析），即验证性因子分析（ＣｏｎｆｉｒｍａｔｏｒｙＦａｃｔｏｒＡｎａｌｙｓｉｓ，ＣＦＡ）是检验结构方程（ＳｔｒｕｃｔｕｒａｌＥｑｕａｔｉｏｎＭｏｄｅｌ，ＳＥＭ）研究的基础和前提。这个两阶段分析程序被其后的许多学者应用在营销研究领域，现在已被大家所广泛接受和认可。验证性因子分析用以描述观测指标如何反映潜变量和假设构念，测量观测指标的信度和效度，也可用以描述潜变量与观测变量的关系。小编使用ＬＩＳＲＥＬ８．８０软件极大似然估计程序（ＭａｘｉｍｕｍＬｉｋｅｌｉｈｏｏｄ，ＭＬ），以表６．８中的相关系数矩阵作为输入矩阵，对图６．１模型中的４个潜变量进行验证性因子分析，可得到表６．９的数据结果。关于模型是否与数据拟合的问题，其核心是比较再生协方差Ｅ和样本协方差Ｓ的差异。大多数基于拟合函数的拟合指数反映这两个矩阵之间的差异。一般评判计量模型和数据的拟合指标有１３个，具体见表６．９。拟合指标可以鉴定验证模型和数据的拟合程度。关于这些指标的识别，有以下两个看法：
（１）一般情况下，常用的估计方法得到χ２渐近服从卡方分布。给定显著水平，如果χ２值大于对应的临界值，表示Ｅ和Ｓ差异过大，模型和数据拟合不好；反之，如果χ２值小于对应的临界值，表明模型与数据拟合较好。χ２检验是测量验证模型（ｈｙｐｏｔｈｅｓｉｚｅｄｍｏｄｅｌ）和协方差没有约束的替代模型之间的似然统计值。通常依据ｐ值的经验法则（一些研究者使用ｐ值小于０．０５，或者更大的标准０．１０）来决定是否拒绝验证模型。然而，χ２检验对样本量大小的敏感性提出了一些潜在的问题。也就是说，随着样本量的增加，拒绝验证模型（不管这个模型是真或假）的概率随之增加。所以，显著的χ２检验可能拒绝了对样本量敏感的验证模型而接受了一个无效模型（ｉｎｖａｌｉｄｍｏｄｅｌ）（ＢａｇｏｚｚｉａｎｄＹｉ，１９８８）。在实际的研究中，一般不把它作为拒绝验证模型的关键指标（ＬｉｎａｎｄＨｓｉｅｈ，２０１１；Ｓｏｈｅｔａｌ．，２００９）。因此，在模型比较中，许多学者提出χ２／ｄｆ更有参考价值。关于χ２／ｄｆ值在多大的范围内模型和数据拟合比较好的问题，存在较大争议。ＣａｒｍｉｎｅｓａｎｄＭｃＩｖｅｒ（１９８１）认为，χ２／ｄｆ值在２．０～３．０之间，模型和数据的拟合程度是可以接受的。侯杰泰等（２００４）认为，当χ２／ｄｆ值在２．０～５．０之间时，可以接受模型。
（２）近似误差（ＥｒｒｏｒｏｆＡｐｐｒｏｘｉｍａｔｉｏｎ）指数包括ＳＲＭＲ、ＲＭＲ、ＲＭＳ、ＲＭＳＥＡ、ＭＳＥＡ和ＲＭＳＥＡＰ。一般来说，近似误差指数越小越好。通常情况下，使用的评价指标是ＳＲＭＲ、ＲＭＲ和ＲＭＳＥＡ。ＨｕａｎｄＢｅｎｔｌｅｒ（１９９８）的研究发现，标准化残差均方根（ＳＲＭＲ）对误设模型敏感，推荐的界值是０．０８，即当ＳＲＭＲ大于０．０８时，模型拟合得不好。ＲＭＲ反映残差的大小，其值越小，表示模型的适配越佳。若分析矩阵为相关矩阵，则ＲＭＲ必须低于０．０５，最好低于０．０２５；若以协方差矩阵作为分析矩阵，可依标准化ＲＭＲ（ＳＲＭＲ），其值应小于０．０５。近似均方根残差（ＲＭＳＥＡ）被人们广泛使用，与ＲＭＲ相比，ＲＭＳＥＡ受样本量Ｎ的影响较小，对参数过少的误设模型稍微敏感一些（ＭａｒｓｈａｎｄＢａｌｌａ，１９９４）。Ｓｔｅｉｇｅｒ（１９９０）认为，ＲＭＳＥＡ低于０．１表示好的拟合，低于０．０５表示非常好的拟合，低于０．０１表示非常出色的拟合。相对拟合指数（ｃｏｍｐａｒａｔｉｖｅｆｉｔｉｎｄｅｘ）是通过将理论模型（Ｍｔ）和基准模型（ｂａｓｅｌｉｎｅｍｏｄｅｌ）比较得到的统计量。考虑到一系列嵌套（ｎｅｓｔｅｄ）模型（ＢｅｎｔｌｅｒａｎｄＢｏｎｅｔｔ，１９８０；林文莺和侯杰泰，１９９５）Ｍｎ......Ｍｔ......Ｍｓ，其中Ｍｎ为虚模型（ｎｕｌｌｍｏｄｅｌ），是限制最多、拟合得最不好的模型，Ｍｓ为饱和模型，拟合程度最好，Ｍｔ介于两者之间。相对拟合指数就是将理想模型与虚模型进行比较，看看拟合程度改进了多少。相对拟合指数一般常用的指标有７个，即规范拟合指数（ＮＦＩ）、不规范拟合指数（ＮＮＦＩ）、比较拟合指数（ＣＦＩ）、增量拟合指数（ＩＦＩ）、拟合优度指数（ＧＦＩ）、调整后的拟合优度指数（ＡＧＦＩ）和相对拟合指数（ＲＦＩ）。这些指标的取值范围是０～１。学术界一般认为，这７个指标大于０．９０，就表明模型和数据的拟合程度比较好。从表６．９中的数据可以看到，除了χ２／ｄｆ值不在理想的界值内，所有指标都在规定的模型与数据拟合较好的数值范围内，ｐ值大于０．１，ＮＦＩ、ＮＮＦＩ、ＣＦＩ、ＩＦＩ、ＧＦＩ、ＡＧＦＩ、ＲＦＩ这７个指标均大于０．９０，尤其残差均方根（ＲＭＲ）小于０．０２５，近似均方根残差（ＲＭＳＥＡ）小于０．０１，说明概念模型与数据的拟合程度很高。
ＢａｇｏｚｚｉａｎｄＹｉ（１９８８）认为重要的模型基本适配标准是：①不能有负的误差方差；②误差方差必须达到显著性水平；③估计参数之间的相关绝对值不能太接近１；④因子负荷量不能太低（＜０．５）或太高（＞０．９５）；⑤不能有很大的标准误（ＢａｇｏｚｚｉａｎｄＹｉ，１９８８）。当不符合上述标准时，表示模型可能有系列误差（ｓｐｅｃｉｆｉｃａｔｉｏｎｅｒｒｏｒ）、辨认问题或输入有误；当符合上述标准时，方可检验整体模型拟合标准及模型内在结构拟合程度。通过计算结果输出的数据可以看出，验证性因子分析的结果符合ＢａｇｏｚｚｉａｎｄＹｉ（１９８８）提出的模型基本适配标准，结合构念测量的可靠性分析和有效性分析，以及计量模型和数据之间的拟合指标，可以进行概念模型的结构方程分析。另外，关于各变量之间的共线性问题，在相关系数矩阵表６．８中，最高者为０．７６９，未大于０．８，说明共线性问题不是非常严重。
（１）一般情况下，常用的估计方法得到χ２渐近服从卡方分布。给定显著水平，如果χ２值大于对应的临界值，表示Ｅ和Ｓ差异过大，模型和数据拟合不好；反之，如果χ２值小于对应的临界值，表明模型与数据拟合较好。χ２检验是测量验证模型（ｈｙｐｏｔｈｅｓｉｚｅｄｍｏｄｅｌ）和协方差没有约束的替代模型之间的似然统计值。通常依据ｐ值的经验法则（一些研究者使用ｐ值小于０．０５，或者更大的标准０．１０）来决定是否拒绝验证模型。然而，χ２检验对样本量大小的敏感性提出了一些潜在的问题。也就是说，随着样本量的增加，拒绝验证模型（不管这个模型是真或假）的概率随之增加。所以，显著的χ２检验可能拒绝了对样本量敏感的验证模型而接受了一个无效模型（ｉｎｖａｌｉｄｍｏｄｅｌ）（ＢａｇｏｚｚｉａｎｄＹｉ，１９８８）。在实际的研究中，一般不把它作为拒绝验证模型的关键指标（ＬｉｎａｎｄＨｓｉｅｈ，２０１１；Ｓｏｈｅｔａｌ．，２００９）。因此，在模型比较中，许多学者提出χ２／ｄｆ更有参考价值。关于χ２／ｄｆ值在多大的范围内模型和数据拟合比较好的问题，存在较大争议。ＣａｒｍｉｎｅｓａｎｄＭｃＩｖｅｒ（１９８１）认为，χ２／ｄｆ值在２．０～３．０之间，模型和数据的拟合程度是可以接受的。侯杰泰等（２００４）认为，当χ２／ｄｆ值在２．０～５．０之间时，可以接受模型。
（２）近似误差（ＥｒｒｏｒｏｆＡｐｐｒｏｘｉｍａｔｉｏｎ）指数包括ＳＲＭＲ、ＲＭＲ、ＲＭＳ、ＲＭＳＥＡ、ＭＳＥＡ和ＲＭＳＥＡＰ。一般来说，近似误差指数越小越好。通常情况下，使用的评价指标是ＳＲＭＲ、ＲＭＲ和ＲＭＳＥＡ。ＨｕａｎｄＢｅｎｔｌｅｒ（１９９８）的研究发现，标准化残差均方根（ＳＲＭＲ）对误设模型敏感，推荐的界值是０．０８，即当ＳＲＭＲ大于０．０８时，模型拟合得不好。ＲＭＲ反映残差的大小，其值越小，表示模型的适配越佳。若分析矩阵为相关矩阵，则ＲＭＲ必须低于０．０５，最好低于０．０２５；若以协方差矩阵作为分析矩阵，可依标准化ＲＭＲ（ＳＲＭＲ），其值应小于０．０５。近似均方根残差（ＲＭＳＥＡ）被人们广泛使用，与ＲＭＲ相比，ＲＭＳＥＡ受样本量Ｎ的影响较小，对参数过少的误设模型稍微敏感一些（ＭａｒｓｈａｎｄＢａｌｌａ，１９９４）。Ｓｔｅｉｇｅｒ（１９９０）认为，ＲＭＳＥＡ低于０．１表示好的拟合，低于０．０５表示非常好的拟合，低于０．０１表示非常出色的拟合。相对拟合指数（ｃｏｍｐａｒａｔｉｖｅｆｉｔｉｎｄｅｘ）是通过将理论模型（Ｍｔ）和基准模型（ｂａｓｅｌｉｎｅｍｏｄｅｌ）比较得到的统计量。考虑到一系列嵌套（ｎｅｓｔｅｄ）模型（ＢｅｎｔｌｅｒａｎｄＢｏｎｅｔｔ，１９８０；林文莺和侯杰泰，１９９５）Ｍｎ......Ｍｔ......Ｍｓ，其中Ｍｎ为虚模型（ｎｕｌｌｍｏｄｅｌ），是限制最多、拟合得最不好的模型，Ｍｓ为饱和模型，拟合程度最好，Ｍｔ介于两者之间。相对拟合指数就是将理想模型与虚模型进行比较，看看拟合程度改进了多少。相对拟合指数一般常用的指标有７个，即规范拟合指数（ＮＦＩ）、不规范拟合指数（ＮＮＦＩ）、比较拟合指数（ＣＦＩ）、增量拟合指数（ＩＦＩ）、拟合优度指数（ＧＦＩ）、调整后的拟合优度指数（ＡＧＦＩ）和相对拟合指数（ＲＦＩ）。这些指标的取值范围是０～１。学术界一般认为，这７个指标大于０．９０，就表明模型和数据的拟合程度比较好。从表６．９中的数据可以看到，除了χ２／ｄｆ值不在理想的界值内，所有指标都在规定的模型与数据拟合较好的数值范围内，ｐ值大于０．１，ＮＦＩ、ＮＮＦＩ、ＣＦＩ、ＩＦＩ、ＧＦＩ、ＡＧＦＩ、ＲＦＩ这７个指标均大于０．９０，尤其残差均方根（ＲＭＲ）小于０．０２５，近似均方根残差（ＲＭＳＥＡ）小于０．０１，说明概念模型与数据的拟合程度很高。
ＢａｇｏｚｚｉａｎｄＹｉ（１９８８）认为重要的模型基本适配标准是：①不能有负的误差方差；②误差方差必须达到显著性水平；③估计参数之间的相关绝对值不能太接近１；④因子负荷量不能太低（＜０．５）或太高（＞０．９５）；⑤不能有很大的标准误（ＢａｇｏｚｚｉａｎｄＹｉ，１９８８）。当不符合上述标准时，表示模型可能有系列误差（ｓｐｅｃｉｆｉｃａｔｉｏｎｅｒｒｏｒ）、辨认问题或输入有误；当符合上述标准时，方可检验整体模型拟合标准及模型内在结构拟合程度。通过计算结果输出的数据可以看出，验证性因子分析的结果符合ＢａｇｏｚｚｉａｎｄＹｉ（１９８８）提出的模型基本适配标准，结合构念测量的可靠性分析和有效性分析，以及计量模型和数据之间的拟合指标，可以进行概念模型的结构方程分析。另外，关于各变量之间的共线性问题，在相关系数矩阵表６．８中，最高者为０．７６９，未大于０．８，说明共线性问题不是非常严重。
起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】
与客服一对一沟通，为大家解决相关问题。
此文章来源于网络,如有侵权,请联系删除
tips