之前寫過什麼是結構方程模式分析？(What is structural equation model?)，Amos的教學文章也有很多讀者留言，希望能再繼續寫下去。不過開始教職之後，整天想的都是如何拼publication，只能在空閒之餘，抽點時間來寫部落格，還希望大家包涵。最近由於要帶學生作SEM，所以希望能把一些東西寫寫，也順便理清自己的觀念。
我最常遇到別人問的問題就是：要作結構方程式分析，要進行哪些步驟？
說這麼多，不如來看這張圖：
圖挺清楚的，我就不多說了。各個步驟其實還有一些細節，這就以後再說。
這張圖出自Principles and Practice of Structural Equation Modeling，這是一本非常好的SEM教科書。如果你觀念不清楚，或是不知道該怎麼實作，這本書提供很好的指引。
…在用Stata作多層線性分析的時候，預設是不會告訴你aic與bic的值的。
如果你要出現這兩個數值，可以在跑完mixed之後，輸入以下指令：
estat ic
那Stata就會告訴你aic與bic的結果
如果要用esttab輸入的話，拿上一次的例子來說，code 可以改成
esttab, b(2) aic(2) bic(2) transform(ln*: exp(2*@) 2*exp(2*@) ) ///
eqlabels(“” “var(tenure)” “var(_cons)” “var(Residual)”, none) ///
varlabels(,elist(:_cons “{break}{hline @width}”)) ///
varwidth(10)
就是在b(2) 後面加上aic() 與bic(), 結果就像下圖
Stata: mixed的aic與bic Read More »
Stata 拿來作多層線性分析挺方便的，在Stata 13以前的版本，用xtmixed；目前xtmixed已經不是Stata 13的官方的部分，但還是可以使用。Stata 13的用戶建議使用mixed。
使用mixed或xtmixed跑出結果之後，如果estat依照輸出regression table的辦法，那表格非常不好看，而且表格與你跑出來的數字會不一樣 (因為代表意義不一樣)。
拿具體例子來說吧！
從網路上先載入資料
webuse nlswork
之後先跑unconditional model
mixed ln_w || id: tenure
結果如下圖
接下來打指令輸出：
你仔細比較數值，會發現第一張圖的var(tenure)的值是.0029，而到了第二張圖，輸出時，對應的確是-2.91。
var(_cons)也是，從.1123到了-1.09。
var(residual)從.085變成了-1.23。
這修改方法可以參考這裡的：http://repec.org/bocode/e/estout/advanced.html#advanced402…
一直以來作的研究都是用 Cronbach’s alpha，因為問卷多半是連續變量，但最近作的一項計畫，是處理學生答對與否，在信度方面，就不能用Cronbach’s alpha了，要用Kuder-Richardson reliability test，因為是categorical variable。
公式列在下面
Where:
N = number of items on the test (25 for you)
= variance of total scores
= item p-value
在Stata，要先安裝一個套件才能使用。
要直接安裝的話，程式在下面：
net install kr20.pkg…
Stata: 計算Kuder-Richardson (庫李信度) Read More »
前面的文章探索性因素分析的設計與使用 (一) 講到了模型契合方式的選擇，裡面提到了幾種常用的方法：
常用的方法有 maximum likelihood (簡稱ML), pricipal factors with prior estimation of communalities, 和 iterative principal factors。
ML 的優點是可以得到較廣的模型適合度指標 (a wide rage of indexes of the goodness of fit of the model)。此外，ML 還允許測試 factor loadings 與因素之間的相關度是否為顯著。然而，ML 的限制是假設了多變量的常態性 (normality)。如果嚴重違反常態性，得出的結果將是扭曲的。
principal factor methods (包含 iterated 與 noniterated的。注意：principal factor methods 與主成份分析是不一樣的) 的優點則是沒有常態性分佈的假設。此外，principal factor methods 也較不會得到扭曲的結果。然而，此種方法的缺點是提供較少範圍的 goodness of fit indexes (適合度指標)。此外，一般來說也不提供 confidence intervals 和顯著測試。
但這些解釋可能不是很直觀，所以找了個英文說明，讓大家更清楚。
