主页 > 知识库 > 地理商标计量模型的验证性因子分析

地理商标计量模型的验证性因子分析

热门标签:百度更新规律 AI人工智能 电话销售团队 电话运营中心 服务器配置 分布式呼叫中心 使用U盘装系统 百度AI接口
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χ2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。


标签:青岛 潜江 四平 阿坝 晋城 日照 湘西 十堰

巨人网络通讯声明:本文标题《地理商标计量模型的验证性因子分析》,本文关键词  ;如发现本文内容存在版权问题,烦请提供相关信息告之我们,我们将及时沟通与处理。本站内容系统采集于网络,涉及言论、版权与本站无关。
  • 相关文章
  • 下面列出与本文章《地理商标计量模型的验证性因子分析》相关的同类信息!
  • 收缩
    • 微信客服
    • 微信二维码
    • 电话咨询

    • 400-1100-266