統計諮詢 (11/19)

諮詢主題	1. 釐清4個CFA指標意義，包括：χ2/df 、CFI、TLI、RMSEA。 2. 影響CFA指標分數的原因。 3. 釐清估計法，包括：ADF、WLS、ULS、ML之不同及使用情況。 4. 釐清什麼是polychoric correlation。 5. 確認CFA如何驗證單向度。 6. 瞭解CR信度(construct reliability)。
諮詢時間	101/11/18 7:30AM-9:30AM, 10AM-10:30AM (skype)
諮詢內容彙整	對此主題的未知概念	諮詢後釐清的概念
	1. 為何會有些指標符合判定標準，但其它指標卻不符合?另為何刪除因素負荷量低的項目後，RMSEA卻變差?	χ2/df ：卡方值為預期正確模式的幾倍。卡方值與預期正確模式之差距越小，則比值越靠近1，即越接近預期正確模式。 CFI與TLI：不好的模式到好模式進步多少 (非與好模式比較，而是可進步多少才到達好模式)。例如：CFI=0.8 表示已進步80分，分數越高，則越接近好的模式。 RMSEA：目前模式與好模式的差異度，與好模式比較。項目數越少，RMSEA並不會變越好。RMSEA可計算區間估計值，區間估計值包括判定標準，表示為可接受之模式。
	2. 知道此4個指標都為不受樣本數多寡的影響，有什麼原因會影響CFA指標?	影響CFA指標分數之主要原因有三： 1. 分配：項目分數非常態分配，會影響CFA指標值。非常態分配時，會高估χ2/df  和RMSEA，會低估CFI語TLI。 2. 模型複雜度：看NQ比 (N：人數；Q：參數)。最低的標準為5：1 (人數：參數)，但此比例無法確定是否為卡方分配。其它標準為20：1或50：1。 3. 樣本數：雖然此4個指標在理論上是不會受到樣本數的影響 (其公式中計算有考慮到樣本數影響)，但實際上會受到影響，因為卡方分配會受到樣本數影響。樣本數越大越趨近卡方分配。
	3. 我所知ML為多元常態分配且連續變項時使用。ULS為不具分配假設，可用於ordinal score，但無法使用適配度指標。WLS為不具分配假設，可用於ordinal score，但且可使用適配度指標。Robust ML為非常態分配時使用。 不確定自己的概念是否正確。	沒有一個估計方法是針對likert type scale做的，所以並非分ordinals score和interval score之狀況下使用。 ML為多元常態分配時，進行卡方分配。 WLS為加權估計法。 ADF-WLS為WLS之一種特定加權方法，不需於多元常態分配下，可進行卡方分配。但此方法需要大樣本(人數：參數=100：1)。因此使用此方法的樣本數多為上千筆資料。 ULS為WLS的一種不加權方法。在多元常態分配時，會等於ML。非多元常態分配時，永遠不會是卡方分配，不做任何檢定。 Robust ML為在非多元常態分配時使用。於AMOS中無法使用robust ML估計法。於Lisrel中可使用robust ML估計法，須要先在PRELIS上算出AC矩陣和共變矩陣，以此二個矩陣輸出至Lisrel中分析。
	4. 我只知polychoric correlation是相關分析，但不知其含意	polychoric correlation為假設所分析之特質為常態分配，想瞭解特質之相關。例如：有2個項目都為2點量尺，項目數值非為常態分配，但假設每個項目所測量之特質為常態分配，則會使用polychoric correlation。
	5. 目前使用CFA指標與factor loading來驗證單向度。此概念是否正確?	驗證單向度主要是看CFA指標。factor loading為驗證是否為因素之indicator。當factor loading小時，表示誤差大，誤差可能為有別的因素。 依據Hair (2010)書上所提：The size of the factor loading is one important consideration. In the case of high convergent validity, high loadings on a factor would indicate that they converge on a common point, the latent construct.此處說明為使用factor loading數值驗證是否此些項目是否單向度。
	6. CR信度值是否為一般所指之Cronbach’s alpha?	Cronbach’s alpha為假設因素對每個項目的影響是固定的，即每個項目之factor loading值都一樣。但CR信度為建構信度，為假設每個項目factor loading非固定。 CR=0.7表示可解釋70%的變異。但CR值高非表示model可以解釋data。 信度不好，效度一定不好。信度好，效度也不一定會好。