客服热线:021-8034****

地理商标计量模型的验证性因子分析

  
很多企业对地理商标计量模型的验证性因子分析都不是很了解,今天企业易就为大家简单介绍一下地理商标计量模型的验证性因子分析,希望大家能对地理商标计量模型的验证性因子分析有一个深入的了解.如果对地理商标计量模型的验证性因子分析还有疑问,可查看更多内容.
地理商标计量模型的验证性因子分析

AndersonandGerbing(1988)认为,在测试结构方程模型以前,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怎样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。拟合指标能够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,假如χ2值大于对应的临界值,标明E和S差异过大,模型和数据拟合不好;反之,假如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。因此,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1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能够接受的。侯杰泰等(2004)认为,当χ2/df值在2.0~5.0之间时,能够接受模型。(2)近似误差(ErrorofApproximation)指数包含SRMR、RMR、RMS、RMSEA、MSEA和RMSEAP。一般而言,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,标明模型的适配越佳。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标明好的拟合,低于0.05标明非常好的拟合,低于0.01标明非常出色的拟合。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中的数据能够看到,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,标明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能够看出,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,能够进行概念模型的结构方程分析。此外,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。

免责声明
• 
本文仅代表作者个人观点,本站未对其内容进行核实,请读者仅做参考,如若文中涉及有违公德、触犯法律的内容,一经发现,立即删除,作者需自行承担相应责任。涉及到版权或其他问题,请及时联系我们