中人网

标题: [系统转发] 结构方程建模中的「调节变量」 [打印本页]

作者: chinahrd 时间: 2008-9-16 03:00
在结构方程模型里验证调节变量一直是一个辣手的问题。调节变量是一个会影响两个变量的关系的变量。当X与Y的关系会随着M的变动而改变的话，M就叫做X-Y这个关系的调节变量。在图标上，调节变量是这样表达的：在验证的时候，我们会用一个「相乘项」来验证调节变量。用数学公式表现，就是： y = b0 + b1 X + b2 M + b3 (X*M) + e 如果b3是显著的话，我们就说M调节了X与Y的关系。但是这个验证方法在结构方程模型里却有一点困难。我们记得结构方程模型有两个部分：「结构模型」和「测量模型」。我们在建立「结构模型」的时候很简单，就用上面的公式建立一个（X*M）项就可以了。但是这个新做出来的「相乘项」的测量模型是什么呢？比如X有两个测量项目x1和x2。同样，Y与M都有两个测量项目y1 、y2和m1 、m2。X 与Y的测量模型是清楚的，但是（X*M）这个变量的测量模型是什么呢？ Cortina & Dunlap (2001) 在 Organizational Research Methods. 4(4), p.324-360中提了六种不同的方法来解决这个问题。因为这些方法都牵涉比较复杂的统计和数学，我只选了其中最简单的一个来讨论，是由刊登于Ping, R. (1995). A parsimonious estimating technique for interaction and quadratic latent variables. Journal of Marketing Research, 32(3), 336-347。关于其他的方法，有兴趣的读者请自己看Cortina & Dunlap 这篇文章，或者是xinxin建议的: Moulder, B.C., & Algina, J. (2002). Comparison of methods for estimating and testing latent variable interactions. Structural Equation Modeling, 9, 1-19.
Robert Ping (1995) 的结构方程建模中调节测验 Ping （1995）建议我们首先把所有X和M的测量项目做一个验证性的因子分析。从这个因子分析中我们就知道每一个X和M的测量项目的权数和随机误差方差。然后，我们把X和M的测量项目，再加上一个（X*M）的潜变量做结构方程建模。这个（X*M）的测量项目是「所有X的测量项目的和」与「所有X的测量项目的和」的成积。（X*M）这个潜变量只有一个测量项目（即是“单一指标”）。这个单一指标的权数是「把X所有的测量项目的权数加起来，与M所有的测量项目的权数相加的成积」。这个单一指标的误差方差是（i）X和M的项目权数，（ii）X和M的潜变量方差，和（iii）X和M的项目的随机误差方差，这三者的一个函数。如果：如果我们用以下这个简单的模型来示范的话：那么、这个「单一指标」（X*M）的：权数λXM 和他的误差方差Var(δ)就是：《完》

作者: 匿名用户 时间: 2008-9-16 03:00
请教两个问题，谢谢。1. 以SEM检视调节效应是否须将（X*M）这个潜变量予以中心化 (centering)? （应该是不需要，对否？）2. 如要进一步了解该调节效应是属于哪一类（增强的交互作用或是干扰的交互作用），处理方法是否比照回归的方式？

作者: Kenneth 时间: 2008-9-16 12:49
1. 问：以SEM检视调节效应是否须将（X*M）这个潜变量予以中心化 (centering)? 你根本不可以中心化。因为与回归分析不一样，潜变量是看不见、摸不着的。你连它是什么也不知道、也要估计，怎样中心化呢？
2. 问：如要进一步了解该调节效应是属于哪一类（增强的交互作用或是干扰的交互作用），处理方法是否比照回归的方式？是的，用分组来看不同的斜率。 Kenny

作者: 匿名用户 时间: 2008-11-15 21:21
请教Kenneth：
您这里所讲的调节变量是否可以理解为：两个潜在自变量对因变量的交互作用？

作者: Kenneth 时间: 2008-11-15 22:57
问：您这里所讲的调节变量是否可以理解为：两个潜在自变量对因变量的交互作用？
回应：是的。一般调节变量和交互作用在分析上是互通的。 Kenny

作者: jason.ycj 时间: 2009-3-18 15:35
看了这部分讲解，对调节作用的方法了解些了，但仍存在几个不太会做的问题，请大家帮个忙：
1.如果是二阶潜变量，前因变量、结果变量、调节变量都是二阶或更高怎么做？
2.是否需要计算一阶因子得分，再计算二阶得分？如果需要计算，那么怎么计算因子得分是现在通行的科学的方法？

作者: jason.ycj 时间: 2009-3-18 15:40
大家能否传个，从头到尾的整个讲义上来，比如用amos，从因子分析、到模型的修改，到回归分析、到中介作用、调节作用，都做一下的。呵呵，初学者，没办法。另外，这里真的很好，学了不少东东，我总是把些感觉很好的帖子，复制下来，保存。然后与同学们一起讨论。真是受益匪浅。给我们提供了一个请教的平台。谢谢Kenneth，谢谢大家！

作者: 匿名用户 时间: 2009-3-24 17:40
Kenny，您课上说结构方差模型由测量模型和结构（或路径）模型构成。那么，是否可以这样处理数据：首先用因子分析或者主成份或者直接平均求得每个构念的得分（相当于估计了测量模型），然后用线性回归这些得分估计结构模型的参数？如果可以这样做的话，那么结构方差模型与两步模型相比，优越性体现在哪里？（因为做线性回归总是会比结构方程来得简单）如果不可以做的话，为什么呢？谢谢！

作者: Kenneth 时间: 2009-3-25 21:53
问1.如果是二阶潜变量，前因变量、结果变量、调节变量都是二阶或更高怎么做？
回应：SEM是可以接受阶潜变量与二阶潜变量同时估计的。所以在模型里写明我用什么指标来“猜”该潜变量，在“猜”到潜变量后，就用以上的方法做调解分析吧。
问2.是否需要计算一阶因子得分，再计算二阶得分？如果需要计算，那么怎么计算因子得分是现在通行的科学的方法？
回应：这样也可以，可以先计算因子值，然后用因子数（factor score）来套上上面的分析也可以。

作者: Kenneth 时间: 2009-3-25 21:56
测量模型（因子分析）和结构模型（回归分析）是可以分开来做的。但是SEM可以解决 X->M->Y 的问题。请问用回归怎样解决呢？难道分开两次X->M 和M->Y 回归吗？

作者: 匿名用户 时间: 2009-3-26 20:01
@回复 huzi 7楼（Kenneth）Kenny,如果我没有理解错的话，X->M->Y 的问题好像与之前讲过的中间变量问题相似，中间变量的参数估计通过多元线性回归实现。所以，还是之前的问题，如果测量模型（因子分析）和结构模型（回归分析）是可以分开来做的的话，那么SEM有什么优越性？（像HLM,可以转化为线性回归，但前者能解决后者在存在误差非独立的情形，这就是HLM的一个优越性，那么SEM呢？）

作者: Kenneth 时间: 2009-3-29 17:21
问：SEM有什么优越性？
回应：顾名思义SEM是“结构”方程建模，回归怎样解决一大堆有结构的方程呢？如果每一条方程都分开来做的话，我们就是假设同一组的不同方程是独立的。我猜最简单的例子就是用回归怎样估计X->M->N->Y这组方程呢？（注意：这已经是最简单的结构方程了）。

作者: 匿名用户 时间: 2009-4-26 22:00
请教罗老师：
在一个研究中，一个变量是否可以作为中介变量，同时又可以作为调节变量呢？例如，A是自变量，B是因变量，C是A和B的中介变量，那么C还可以作为他们的调节变量吗？
谢谢您的指教！

作者: Kenneth 时间: 2009-4-26 23:16
我剛剛才回答過這個問題。請看：
结构方程建模中的「多组平均数比较」(2)
9樓

作者: Kenneth 时间: 2009-5-9 09:56
你的问题不属于这个日记的，我帮你贴到讨论一般研究问题的「管理研究理论和贡献探讨 2」日志去，并在那里回应。 Kenny

作者: 匿名用户 时间: 2009-7-23 14:39
想請問一個關於應用結構方程模型驗證調節變的方法。在邱皓政（2006）《結構方程模式：LISREL的理論技術與應用》提到，要檢驗調節效果是否存在，有兩個步驟。第一步，要先驗證自變數(X)對應變數(Y)是否有顯著影響。第二步再加入調節變數(M)，且M對X和Y分別具有直接影響。若加入調節變數之後，M對X的直接效果達顯著，且M對Y的直接效果亦達顯著，且X對Y的顯著效果被減弱，此時則可判定存在調節效果。想請問這樣驗證調節變數是可以被接受的嗎？

作者: 匿名用户 时间: 2009-7-24 07:30
小秋，记得之前也有同学问过这个问题。我还是不明白邱老师为什么会这样检验调节变量。
根据它描述的检验方法，不像是对调节作用的检验。我们根据调节作用的定义（X与Y的关系是M的函数）可以推出方程的，应该包括一个乘积项，这是我们主要要检验的东西。但它整个检验里都没有的。之前我猜他会不会把中介效应误写为调节效应，似乎也不是，因为中介效应中X->M->Y的因果链顺序是不能改变的，而这段话中说“M对X的作用和M对Y的作用”，应该也不是中介效应。

作者: 匿名用户 时间: 2009-7-24 13:44
非常謝謝Kenny老師的回應。

作者: Kenneth 时间: 2009-7-24 15:00
小秋,回应你的是 xinxin，不是我（Kenny）。不过我在这个问题上是完全同意 xinxin 的分析的。

作者: 匿名用户 时间: 2009-10-10 14:24
@小秋 (message 15), I think prof Qiu is talking about mediation effect (whether C is a factor in between A and B) rather than moderation effect.

作者: njalin000 时间: 2009-12-9 15:53
kenny您好，我在做博士论文的时候，碰到了一个问题。特向您请教。
自变量为二阶潜变量，调节变量和因变量为潜变量。如何做调节变量的分析？有没有从头到尾的详细过程的讲义？
谢谢！

作者: 匿名用户 时间: 2009-12-10 21:28
Kenny,我想请教您一个关于调节变量的问题：调节效应有没有“非线性”的情况？
比如，举一个例子（未必合适）：
我假设：管理者自信心对“管理者工作努力程度和工作绩效”之间的关系起调节作用，
我进一步假设：与低度自信的管理者相比，中度自信的管理者，其工作努力程度与工作绩效之间的关系更强。此时，自信心的调节作用是正向的
与中度自信的管理者相比，过度自信的管理者，其工作努力程度与工作绩效之间的关系较弱。此时，自信心的调节作用是负向的。

也就是说，有没有一些情况，调节效应的“方向性”受到调节变量大小的影响？怎么用数据来证明呢？

谢谢kenny！

作者: 匿名用户 时间: 2009-12-10 21:33
再请教您一个问题，
对于您所举的用SEM来做调节的例子，
如果还有前置变量影响M或X，应该如何来做呢？
因为SEM的精髓是将整个模型作为整体来估计，
此时要不要去估计M->M*X,或者X->M*X？
再次感谢Kenny^_^

作者: 匿名用户 时间: 2009-12-10 23:15
@zyhnju
你的问题首先是一个理论问题，实证上不难解决
你为什么把管理者自信心分为三类，怎么分成三类首先要想清楚。
回归分析：1，一个很简单的办法是把样本按照你这三类分为三组分别进行回归，看相关系数是不是出现你说的一个是正一个是负的情况,不过这样做是以牺牲统计功效为代价的，犯第二类错误的概率会增加。
2，我觉得理想的方法。在回归里面你可以按照你的三种分类设定两个虚拟变量然后创造虚拟变量和自变量的乘积项，看回归系数即可
结构方程模型：多组比较，仍然以牺牲统计功效为代价

作者: 匿名用户 时间: 2009-12-11 10:48
@Tsai
谢谢您~管理者自信心的例子我仅是随便举一个例子，不知道有没有理论来支持，不过这个例子逻辑上应该是说的通的。
您提到的第一种处理方法我也有想过，但由于没有看到别人这样做过，心里没有底^_^
再次感谢！

作者: Kenneth 时间: 2009-12-14 09:07
njalin000,你好！
我不明白你的問題為什么是問題。在SEM的程式里，是容許你有些潛變量是二阶的，有些是一阶的。你的問題是不是怎樣在SEM里驗證交互作用？

作者: Kenneth 时间: 2009-12-14 12:11
zyhnju, 如果
y = b0 + b1*M + b2*X + b3*X^2 + b4*MX + b5*MX^2
那么，当M增加时， X与Y的关系就是抛物线的。这是不是你要的关系？

作者: Kenneth 时间: 2009-12-14 12:15
zyhnju，我不太明白你的问题。是不是跟njalin000 在20楼一样呢？只要在SEM中加一个X*M 的潜变量，用以下的方法，既可以整个模型估计了。
Ping, R. (1995). A parsimonious estimating technique for interaction and quadratic latent variables. Journal of Marketing Research, 32, 336-347.
Cortina, J.M., Chen, G., & Dunlap, W.P. (2001). Testing interaction effects in LISREL: Examination and illustration of available procedures. Organizational Research Methods, 4(4), 324-360.

作者: 匿名用户 时间: 2010-2-27 11:37
Kenny 好！新学期开始了，还要继续向您请教。呵呵。
您在上文讲到：“（X*M）这个潜变量只有一个测量项目（即是“单一指标”）。”
我记得您在之前曾经提到过，潜变量的观测指标最好在3个或者3个以上（好像跟模型识别有关系）。不知道我是否记准确了？如果我记得是对的，如果调节效应按照Ping（1995）的建议，用一个测量指标来表示的话，会不会有什么问题？
谢谢您！

作者: Kenneth 时间: 2010-2-27 22:09
求知，如果你要估计潜变量的参数的话，最好是有三个或以上的指标（其实低于三个往往是不会 identified 的）。但是如果你设定参数的话，一个指标就可以了（因为你不用估计什么，你告诉程式 loading 和 error variance “应该”是多少，loading 就是reliability 的平方根，error variance 是1 - reliability，也就是unreliability）。在Ping¬的步骤里，X*M 的loading和error都是用一大堆的理论和假设设定的，根本不用估计出来。

作者: 匿名用户 时间: 2010-2-28 07:42
@回复求知 28楼 (Kenneth)
谢谢Kenny，我明白了。因为不需要估计参数，所以不需要三个或者以上的指标。
再进一步问一个具体点的问题：在Lisrel 软件中，是否有一个命令可以告诉程序这个乘积项的 loading 和 error variance 呢？我之前没遇到过这种情况。
先谢谢您。

作者: 匿名用户 时间: 2010-2-28 08:37
Kenny好！每次将请教的问题录进去，就感觉没有表述清楚，这次也一样。抱歉，我的文字表达能力太差了。呵呵。
我再解释一下：当我估计（X*M)和X这两个潜变量与Y的关系时，我们是想知道（X*M)和X分别对于Y的效应。在这样一个全模型中，X的几个观测指标的 loading 和 error variance是程式通过相关矩阵估计出来的。（X*M)的loading 和 error variance是按照ping（1995）说的方法估算出来的，那么这个估算出来的两个参数[也就是（X*M)的loading 和 error variance]通过lisrel的哪个命令让程式知道呢？

作者: 匿名用户 时间: 2010-2-28 09:40
Kenny好！我刚才又查了一下手册，前一个问题是不是用“VA”这个命令在Lisrel中实现啊？
再确认一个菜鸟级的问题。X或者是M的这两个潜变量的观察方差如何计算啊?是不是把潜变量的几个观察指标的得分求平均后，然后计算方差啊？还是有其他的妙法？

作者: 匿名用户 时间: 2010-2-28 14:39
（1）你说的对的。VA的意思是“赋值为”，外生变量的载荷用LX表示，外生变量的error variance是TD表示。
所以如果X*M是放在你的第二个外生变量的位置，那对载荷赋值完整的表述应该是：
VA .9 LX 2 2

（2）不知道是否理解了你的意思，如果你是用多个指标估计，潜变量的方差是程序基于这些指标的方差帮你估计出来的。如果你把同一个潜变量的多个指标先取了平均值，变成单一指标了，就可以自己用reliability来直接计算估计了。

作者: 中人网总经理 时间: 2010-2-28 14:58
Kenny您好！元宵节快乐！给您发的邮件不知您收到了吗？

作者: 匿名用户 时间: 2010-2-28 17:38
@求知32楼（xinxin）
谢谢xinxin.第一问题我明白了.
关于第二个问题,您在上文的回复中提到:"潜变量的方差是程序基于这些指标的方差帮你估计出来的"。是的，我是想问题潜变量的观察方差如何计算，因为按照这个收藏中Kenny 提到的ping (1995)的做法：在计算(X*M)的误差方差时,要用到Var(X)和Vax(M)。
我想知道：我从LISREL 中的哪个命令中可以得到这个两个潜变量的观察方差呢?
先谢谢您！

作者: 匿名用户 时间: 2010-2-28 18:08
@求知32楼（xinxin）
xinxin好!另外,您还提到:"如果你把同一个潜变量的多个指标先取了平均值，变成单一指标了，就可以自己用reliability来直接计算估计了。"
我不是太明白这句话.您好象是说一个问卷的reliability与问卷获得的数据的观察方差有数学换算关系.我的推测对吗?如果是对的，如何通过一个问卷的reliability来换算出这组观测数据的观察方差呢?

作者: 匿名用户 时间: 2010-3-1 18:33
Kenny和各位大侠好！我按照收藏的公式计算出来λmx这个值大于1啊？这看上去不像是权数啊？我觉得这个数应该小于1才对。调节效应的误差方差也大于1。

作者: Kenneth 时间: 2010-3-2 14:44
因为我们把 λ1+λ2 就算了。只要你拿他们的平均（也就是处以二），你的疑惑就没有了。当然，这只是为了帮助你了解。你是不可以随便改Ping的公式的。

作者: 匿名用户 时间: 2010-3-2 16:13
@回复求知 37楼 (Kenneth)
谢谢Kenny。我一个困惑是想不通权数大于1是怎么回事，另外就是担心如果权数大于1的话，lisrel操作软件不运行，或者是运行完之后是个没道理的结果。我先试试看。

作者: Kenneth 时间: 2010-3-2 17:26
如果是“猜”出来的权数大于一自然是问题。但是这个是用理论推导出来的，就没有问题了。其实，我已经讲了，你要它小于一不难的，只是整条方程都要改了。
我已经用过这个模型很多次，没有问题的。

作者: 匿名用户 时间: 2010-3-2 18:31
@回复求知 39楼 (Kenneth)
嗯！豁然开朗了。对，理论上估算出来的确实不需要小于1，正如您讲的，其实让他们小于1并不难。

作者: 匿名用户 时间: 2010-3-3 17:29
对不起哦，刚刚看到你的留言。reliability与方差的关系可以从reliability的定义里找到，如果用Guilford的定义：
"The reliability of any set of measurements is logically defined as the proportion of their variance that is true variance... We think of the total variance of a set of measures as being made up of two sources of variance: true variance and error variance... The true measure is assumed to be the genuine value of whatever is being measured... The error components occur independently and at random" (Guilford 1965, p.439-40).
所以，可以有两个公式了：
观测方差=“真实”方差-误差方差
reliability = “真实”方差/观测方差
既然有了观测方差和reliability，就可以计算出误差方差了，是吗？

作者: 匿名用户 时间: 2010-3-3 17:51
@36楼求知 (xinxin)
谢谢xinxin!我再仔细查一些相关文献,希望很快弄清楚具体的细节.

作者: 匿名用户 时间: 2010-3-3 23:20
xinxin 还是33楼的问题。
您在该楼提到：“外生变量的error variance是TD表示。所以如果X*M是放在你的第二个外生变量的位置，那对载荷赋值完整的表述应该是：VA .9 LX 2 2 “
我的问题是：如何在lisrel 中给X*M这个潜变量的指标的
error variance 进行赋值呢？" VA 3.1 TD 2 2 "对吗？我试了一下，说是S_Y_N_T_A_X E_R_R_O_R。
先谢谢您！

作者: 匿名用户 时间: 2010-3-3 23:30
求知，命令似乎没有错。对不起，我在42楼的第一个式子写错了，应该是 “观测方差=“真实”方差＋误差方差” ，你看是不是这里算错了？

另外，你看一看X*M项在你的数据是不是第二个外生变量，如果不是，要改一下命令里的数字噢。

作者: 匿名用户 时间: 2010-3-3 23:37
Kenny和xinxin两位大侠好！还需要确认一个菜鸟级的问题，请二位明示。
在本收藏中ping（1995)提到的这个公式中有参数“σ2s1（抱歉，不能录入下标格式）” 在Kenny 提到的模型示范中，有“ε1”这个参数，俺的问题是：“σ2s1“和“ε1”是不是同一个意思啊？

作者: 匿名用户 时间: 2010-3-3 23:46
@44楼求知（xinxin）
谢谢xinxin。非常感动！这么晚了还不辞辛苦回答俺的问题。lisrel 只是提示“va 3.1 td (2, 2)” 的语法有错误，“va 0.9 lx(2,2)”是没有错误的。

作者: Kenneth 时间: 2010-3-4 01:22
问题是：“σ2s1“和“ε1”是不是同一个意思啊？
回应：“σ2s1”是“ε1”的方差。你是不会知道“ε1”是什么的，因为每一点的误差（ε1）都不一样。但是整个数据的误差方差（σ2s1）是可以估计出来的。怎样估计呢？很简单，Ping是一个两步的估计过程。你首先做一个只有X和M的CFA（没有X*M项的），用这个CFA中的估计误差方差就可以了。

作者: 匿名用户 时间: 2010-3-4 16:21
@回复求知 46楼 (Kenneth)
谢谢kenny.一个小问题：在您的示范模型中，ε1 ε2 ε3 ε4 是否应该改成δ1 δ2 δ3 δ4啊？因为X和M 都是外源变量。呵呵。

作者: Kenneth 时间: 2010-3-4 18:36
求知，不是的。
（1）SEM 没有严格规定何时用δ，何时用ε的。
（2）ε是Ping自己用的符号。我只是抄他而已。
哈哈。：-）

作者: 匿名用户 时间: 2010-3-5 08:19
各位好！在这个有调节变量的模型中，三个潜变量之间的关系如何设定呢？我自己的看法是：X与M之间的关系应该根据理论来确定他们之间是否相关和不相关。而X*M分别与X和M的关系应该是不相关。不知道这个想法是否合理？

作者: Kenneth 时间: 2010-3-5 08:32
求知，
（1）调节变量与交互作用最大的特点就是调节变量（M）与自变量（X）没有必然的关系。所以它们是不需要有相关的（当然、它们自然也可能有理论的相关，不过这在调节关系中不是必要的）。我们做模型的时候让它们相关，有两个原因。第一、只是设立一个关系，以策安全而已。第二、X*M是二階项，在回归分析中，验证二階项一定要把“所有的”一階项目加进去。
（2）X*M是X与M的函数，它们是一定相关的。其实，在调节回归分析（moderated regression）中，我们往往是担心它们的相关过大，因而引起共线性（multicollinearity）的问题。所以才有West & Aiken的中心化建议。

作者: 匿名用户 时间: 2010-3-5 08:46
求知，我也不知道是错在哪里了 :-( 如果你把括号和逗号去掉呢？

作者: 匿名用户 时间: 2010-3-5 10:01
@47楼求知（xinxin）
xinxin好！忘记回复您了：我的调节变量的那个观察指标在(12,3)的位置上，权数设定我写成：va lx(12,3)。随后不小心就把误差方差也写成了va td（12，3）。应该是 va（12，12）吧，我改了之后，程序就run 了。

作者: 匿名用户 时间: 2010-3-17 06:50
Kenny 和各位大侠早上好!如果有3个(或者4个)潜变量,我如用SEM何做THREE(FOUR)-WAY 的交互作用分析呢?
谢谢!

作者: Kenneth 时间: 2010-3-17 14:28
我劝你还是不要想了。改用回归分析吧。
如果真的是一定要做的话，我猜 Ping (1995)的方法应该是可以推广到3-way interaction的。只是你大概要自己花点时间做推导了。

作者: 匿名用户 时间: 2010-3-18 11:39
@回复求知 55楼 (Kenneth)
我的修行还不到，估计推导不了。呵呵。那就先用回归吧。谢谢Kenny的建议。

作者: 匿名用户 时间: 2010-4-6 21:07
kenny您好：
我有个调节变量的问题向您请教。
我按照Robert Ping (1995) 的结构方程建模中调节测验，计算出乘积项的因子载荷与误差方差。
在模型中加入了调节项和乘积项后，原来模型标准化的回归系数有很大的变化。
有的回归系数大于1，有的回归系数由原来的正值变成负之后，有个别误差项也大于1。
我想问：这样的变化是合理的吗？
如果不合理，有方法使得大于1的回归系数变小吗？（如何处理？）

作者: Kenneth 时间: 2010-4-6 21:36
njalin000：
我猜有三个可能性。
（1）你计算错误；
（2）你的数据有问题；
（3）PING 的估计程式有问题（因为它不竟是一个估计方法而已）。
我建议你第一、再看一次，肯定你没有计算错误。第二、试试在Cortina et al.那篇文章中找另外一个估计方法试试，看是否也是一样。这就可以知道是你（数据）的问题，还是他（估计）的问题了。第三、也可以用简单的回归分析和乘积项，来验证一下是否数据的问题。也就是说做一次路径分析，再用同一个模型做一次SEM，比较一下。因为考虑测量模型不应该完全改变了估计结果的。
我不知道有什么方法，可以把“大于一的路径系数变小的”。

作者: 匿名用户 时间: 2010-4-6 22:00
感谢kenny。

作者: 匿名用户 时间: 2010-5-23 19:46
其实完全可以用分组的结构方程式形式，分析调节效应的呀，朋友，也是可以的。当然，其中的调节变量还要分层次性质的和连续性质的，有点差异。

作者: Kenneth 时间: 2010-5-23 20:26
我同意的。如果调解变量是nominal variable，是可以做分组的结构方程建模的。但是如果调解变量是连续的话，这就不是一个好的方法了。

作者: 匿名用户 时间: 2010-5-23 20:46
不好意思，刚看到这个地址的内容，感觉很好，已经将此网页收藏加入到我的统计收藏夹中了。刚才初略的看了一下首页，隐隐感觉本版主一定是一个研究方法论的大家呀！不知版主kenny是哪位大家呀？另外kenneth也是很强呀！希望能够从你们那里学到更多，谢谢啦。在此向你们表示敬意啦！！！！！！

作者: Kenneth 时间: 2010-5-24 18:46
朋友，kenny 和 kenneth 是同一个人，就是版主我。我的名字叫罗胜强，英文名是 Kenneth Law。是香港中文大学管理系的教授。 :-)

作者: 匿名用户 时间: 2010-5-31 21:14
Kenny, 如果自变量是一个absolute difference score，因变量是continuous variable，而调节变量是一个dummy variable，检验这种情况下的调节效应是否还是可以按照Ping （1995）的方法？由于absolute difference score往往只有单一指标，是否会因此而出现显著的估计偏差？

作者: 匿名用户 时间: 2010-5-31 22:03
教授，明年还来北京吗？

作者: Kenneth 时间: 2010-5-31 23:00
Nanfeng,我有两个意见：
（1）如果调节变量是一个dummy，不如做SEM的双样本比较吧。用PING可能是复杂了一点了。
（2）用difference score的话误差估计很麻烦（请参阅difference score的文献）。听说有方法在SEM可以处理。可是我没有时间看过。

作者: 匿名用户 时间: 2010-5-31 23:02
博士生，我明年来北京机会应该不大了。不过，我的同事黄炽森老师好像每年都来人大商学院教方法论的。你可以留意。

作者: 匿名用户 时间: 2010-6-2 12:52
@回复 Nanfeng Luo 65楼 (Kenneth)

谢谢Kenny!我去找相关的文献看看。

欢迎光临中人网 (http://bbs.chinahrd.net/)