评估内容与模型拟合指标

1)CFA评估内容

(1)题项信度。

CFA可以给出不同题项的信度指标,题项信度为单个题项的标准化载荷系数的平方。Bagozzi&Yi(1988)将0．50作为题项信度的最低接受值,这意味着题项标准化载荷系数必须在0．71以上,这是一个较为严格的标准。在实际应用中,一般认为只要题项标准化载荷大于0．50,且t值达到显著即可(黄芳铭, 2005)。

(2)因子信度。

CFA计算出的个别题项的标准化载荷量,可以用来获取因子的信度,这种因子信度被称为建构信度(Construct Reliability),也称为组合信度(Composite Reliability)。计算公式如下:

Bagozzi&Yi(1988)认为潜变量的建构信度应大于0．60,也有人认为信度系数在0．9以上是“优秀的”,0．8左右是“非常好的”,0．7则是“适中”,0．5以上可以接受,低于0．5表示至少有一半的观察变异来自于随机误差,因此其信度不足,不能接受(Kline,1998)。综合而言,在进行验证性因子分析时,个别变量指标信度可以采用0．5作低标,而潜在变量的信度相对需要高一些,采用0．6作为低标比较合适(黄芳铭,2005)。

(3)因子效度。

CFA进行因子效度评估,主要涉及结构效度所包括的收敛效度与区别效度。

验证性因子分析中,可以通过使用平均方差抽取量(Average Variance Extracted,AVE)以及因子的组合信度,来衡量因子的收敛效度(Hairetal, 1998)。AVE可以观察到题项的总变异有多少是来自于潜变量的变异量。一般认为,如果平均方差提取量在0．5或者以上,表明构建的变量测量具有良好的收敛效度(Bocketal,2005;Bagozzi&Yi,1998)。计算公式如下:

在验证性因子分析中,区别效度的评估有两种方法:①将平均方差抽取量AVE的平方根与该潜变量与其他潜变量之间的相关系数进行比较,如果前者远远大于后者,则说明每一个潜变量与其自身的测量项目分享的方差大于与其他测量项目分享的方差,从而说明了不同潜变量的测量项目之间具有明显的区别效度(Fornell&Larcker,1981;Bocketal,2005)。②针对结构方程模型中的测量模型,对两个因子之间的区别效度检验,可以通过计算限制模型与未限制模型间的卡方x2值差来做出判断,两者的卡方x2值差距越大,表示两个因子的区别度越大,如果卡方x2值的差距达到显著水平,就表示两个因子具有较高的区别效度。

2)模型拟合指标

进行验证性因子分析时,需要通过代表再生协方差矩阵与样本协方差矩阵差异的拟合优度指数(Fit Index)来判断模型是否与数据拟合。结构方程模型中常用的、最具代表性的拟合优度指标主要包括以下几种。

(1)卡方与自由度的比值(x2/df)。卡方x2(Minimum Fit Functional Chi G square)值是衡量模型整体拟合优度的重要指数,x2值越小,说明假设模型与样本数据之间拟合程度越好,但是以卡方作为验证理论模型与现实的适配程度,很容易受到样本量的干扰,当样本数量超过200时,卡方指标的科学性将下降。Bagozzi&Yi(1988)建议在衡量模型拟合度时,采用卡方和自由度的比值作为标准,一般x2/df的值在5以下可以被接受。

(2)拟合优度指数(Goodnessof Fit Index,GFI)与调整后拟合优度指数(Adjusted Goodness of Fit,AGFI)。GFI与AGFI反映了假设模型能够解释的协方差的比例,拟合优度指数越大,说明自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比越高。一般认为,GFI和AGFI大于0．9表明模型与数据的拟合程度高。Segars&Grover(1993)提出GFI和AGFI大于0．8也可以接受。

(3)规范拟合指数(Normed Fit Index,NFI)。NFI用来测量独立模型和假设模型之间的卡方缩小比例。NFI大于0．9,表明模型与数据的拟合程度高。但此指标易受样本量的影响。

(4)比较拟合指数(Comparative Fit Index,CFI)。CFI反映了独立模型与假设模型之间的差异程度,CFI大于0．9,表明模型与数据的拟合程度高。

(5)渐进残差均方和平方根(Root Mean Square Errorof Approximation, RMSEA)。RMSEA值通常被视为最重要的适配指标信息,是反映统计检验力的重要指标,该指标越小越好。与卡方值相较,RMSEA值较为稳定,不易受样本数多少的影响,因而在评价模型拟合度时,RMSEA值比其他指标值更佳(Marsh&Balla,1994)。Steiger&Lind(1980)认为,RMSEA取值在0．08以下表示较好的拟合,取值在0．05以下表明数据与模型拟合得很好,如果超过0．1则表明拟合得很差。

在多种衡量模型拟合程度的指标中,并不存在所谓“理想的”拟合指数,没有哪一个可以单独用来准确测定建模的成功与否,在进行模型的检验时,通常须综合考虑多个不同的指标。因此,本研究综合使用上述的几种拟合指标,来判断验证性因子分析以及结构方程模型的拟合程度,指标及其建议值如表4．9所示。

表4．9 模型拟合指标及建议值