请教关于formative indicators的分析问题。

learningsean

Kenny与各位大侠好！我有一个编写和验证问卷的问题寻求解答:

我了解到的编写和验证的问卷的一般过程：

1）
' M7 r+ C2 d5 O! k$ w2 F1 b通过访谈和文献阅读的方式收集条目（比如，通过这种方式收集了50个条目）；

2）
然后把这些条目转变成问卷，通过大量的问卷调查（比如300份问卷）获得一些数据；

3）
将2)中的数据进行探索性因子分析，此时可能会初步做出若干个因子（比如得到了5个因子），此时会根据DOUBLE LOADING等条件删掉若干个不符合要求的items,此时50个条目可能会剩下40个条目）；

4）
再次用这40个条目编写的试测问卷收集新的数据（比如300份），然后对3）中探索出来的因子进行CFA。

5）
寻找效标，进一步验证新开发问卷的实证效度。

据我了解,以上3）中做探索性因子分析需要所用的items 是reflective indicator，而我打算寻找的items却属于formative indicator. 我的问题是： 对于formative indicators，我如何对这40个条目进行探索性因子分析？或者说，如果不用探索性因子分析，对这40个items,我如何确定背后有几个潜因子？每个item的归属哪个因子？

谢谢啊！

Learning sean.

1 X5 k  E5 F5 L4 r/ [: m; J

learningsean

回复 11楼 jkliang 的帖子
多谢jkliang,我给弄错了。
3 i/ U1 _7 F. a% f' P; p+ j# q: m

) X* E; W% t1 y
8 e/ ]4 K3 y6 _/ F. s& s   

learningsean

回复 12楼 Kenneth 的帖子
多谢kenny！看来，我问的这个问题基本上不存在的，逻辑上是有点问题。
) L# ^; y7 q9 `+ n" T  f昨天半夜登陆到圈子，头脑发昏，确实把演绎和归纳弄错了。回头我改过来。
* d5 C6 Q" R" j" @; |LEARNINGSEAN.
+ z( u9 M# ]- U8 |1 V
' E4 p. P$ ]& K7 q4 c" ]- R, r6 b
   

Kenneth

回复 10楼 learningsean 的帖子
Learningsean, 我觉得你的想法很有趣。你一方面非常肯定这是一个多维構念，你也非常肯定它是一个AMC構念，但是你却不知道（1）它有几个维度；（2）到底哪个项目是在量什么维度？
# j. c# }- L2 U我同意jkliang的观点，这看来更像是一个理论的问题，而不是实证的问题。你连它有什么维度，而且那些维度是什么都不知道，为什么这样肯定它是AMC模型呢？

我的了解是如果你肯定是AMC的话，你是应该可以告诉我到底那些“原因”(维度)是什么东西来的。这就好比我说XYZ是由其他东西组成的。当我讲这一句话的时候，我应该可以说它有几个组成部分，而这些组成部分是什么来的。相反，如果是LMC，那就难说了。因为一个構念可以用很多不同的形式“表现”出来。

比如，我是一个男人，表现的形式（LMC模型）就可能是声带、身形、爱好等。你大概还可以讲出很多其他的表征，所以我不能尽录。但是，如果你说男人是由什么组成的（AMC模型），那不可能不知道这些“什么”到底是哪些东西的吧。

你刚刚把我的意思倒过来了。应该是演绎法是从理论出发。归纳法就是从数据出发。
   

4 `7 k2 T. t' {/ t3 c5 A

jkliang

演繹法是從理論/觀點出發，而歸納法才是從數據出發吧？難道我之前的理解都錯了嗎？

! v5 d/ s, h. A! B我的想法是，不論LMC或AMC，構念與維度都應該從理論/觀點的角度出發，只是AMC不做EFA或二階CFA，需加強前端理論/觀點論述。請各位指教！

learningsean

Kenny 好！我在网络上找到了您在同济大学的视频，第5讲涉及到scale development 时您好像略过去了。我觉得我就有那么一个地方卡住了，总是想不通。我再把我的问题讲一下，希望您有时间给我点拨一下。
' g) D* V! o: m5 ^我还是以“工作满足”这个问卷的开发为例子吧？假如我计划开发一个问卷来测量 “工作满足”这个构念。首先，我给出了“工作满足”的定义，然后通过开放性问卷，让一些被调查者写跟这个定义有关的一些表现.合并意义相同的说法之后，我初步得到了20个items.  在此时，我知道的信息是：
1）“工作满足”这个构念是一个多维构念；
2）维度与总构念之间的关系是AMC的关系；
3）维度与item 之间的关系是”reflective indicator” 的关系。
我不知道的是：
2 k: K$ |$ F" }; V5 c% C) }: l5 H1）        这个总构念到底由几个维度构成？
2）        每个维度的含义是什么我就更不知道了。
3 [  l3 t- r. {. I4 q7 h/ V, u5 G
/ u4 Q0 ~+ W/ h$ L如果“工作满足”是一个LMC(而且维度与item 之间的关系是”reflective indicator”.),到这一步我是知道怎么做的：即首先把这20个items 编写成一个初步问卷，找几百被试去填写；然后做EFA, 通过EFA我就可以计算出这20个items可以归为几个维度，对每个维度我也可以命名。

# A8 V- T4 Q0 r) R可是，现在我面临的困境是：“工作满足”是一个AMC！（当然，维度与item 之间的关系是”reflective indicator”的关系） 我觉得此时我不能用这20个ITEMS收集来的数据做EFA了。那么我如何确定20个items 可以归为几个维度呢？

. p6 v' _* b$ _) w& O您在上次回答好像是说，可以用归纳法，也可以用演绎法。但最好用演绎法。
我的理解是，用归纳法就是从理论出发。演绎法就是从数据出发。可是，我现在不能做EFA了, 我如何 “演绎”出维度的个数呢？

谢谢您！

Learningsean.
; R$ j: g) G) E* S" g" _% [7 T: n
5 `6 r: t' r2 Q9 A2 u0 ], [- O7 X8 c
   

learningsean

多谢Kenny!我先在网络上找一下您的视频看看。
( b2 I+ f. p+ F! S8 F. g& t/ aLearningsean
$ R8 D7 L# }4 E2 K: I' J! M. f
$ D; P& V9 V) l   

Kenneth

回复 7楼 learningsean 的帖子
Learningsean, 第一，『我是否需要从理论出发，首先要确定这个AMC有几个维度？然后针对每个维度来收集items？』前者是归纳法，后者是演绎法。我是尽量鼓励演绎法的。这我在视频已经讲得很清楚了。
6 X. }/ V8 s3 e1 ?6 d9 [2 p
第二、『首先，是将两个维度分别做为两个自变量，整体构念做为因变量做两个一元回归方程呢？还是把2个维度做为2个自变量、整体构念做因变量同时放到一个二元方程中呢？』是前者。

2 _/ u$ ]  c) F『其次，方程中自变量和因变量的原始数据应该录入什么呢？是每个维度和总体构念的因子得分？还是每个维度和总体构念的items的平均分？』两种方法都可以。你要分析上“elegant”一点，可以用前者。你要理论上“elegant”一点，可以用后者。这，我也在 measurement 的视频讲过了。
6 r1 s8 e, r- N' I# [5 a9 x
   

learningsean

Kenny 好，多谢您的“一赞”。能得到我欣赏和崇敬的学者的肯定，荣幸之至！
您以“工作满足”为例给我讲了AMC, 我还有2个问题不明白，继续请教。
第一，        您提到“比如你在量工作满足（总构念），它有两个维度，就是「对工资满足」和「对主管的满足」。你可以写几道量「对工资满足」的项目。比如「1. 你是否满意你的工资」等。再写几道量「对主管的满足」的项目。比如「7. 你是否满意你的主管」等。”
我的问题是，我的手头上只有一大堆的items,我只知道它们是测量工作满足的，至于有几个维度，每个维度叫什么,这些我都不知道。那么我怎么知道它们是测量了「对工资满足」和「对主管的满足」呢？在开发AMC的测量工具时，我是否需要从理论出发，首先要确定这个AMC有几个维度？然后针对每个维度来收集items？
9 b: S- U/ K: c. L! J第二，        您提到“但是维度与整体构念有什么关系呢？你就可以做回归分析，找出它们的权重（也就是回归系数）了。”
我的问题是，首先，是将两个维度分别做为两个自变量，整体构念做为因变量做两个一元回归方程呢？还是把2个维度做为2个自变量、整体构念做因变量同时放到一个二元方程中呢？其次，方程中自变量和因变量的原始数据应该录入什么呢？是每个维度和总体构念的因子得分？还是每个维度和总体构念的items的平均分？

周末还要打扰您，多谢kenny!
. q# }8 |' p) k* W! y! i
Learningsean
& O/ ?9 Y+ T7 b, }  h( y
   

Kenneth

回复 5楼 learningsean 的帖子
6 J' d8 K4 j2 b6 c5 K
learningsean,
4 `4 H" g% z8 T: \首先要赞你一句，你很有观察了，看得很准。
第二，要多谢你。你是第一个为我洗雪沉冤的人。AMC跟formative indicator是两码事。是Jeff Edward把它们搞混了。
对于AMC的测量模型，可以有两种做法：
, D% @% y, O( }% d/ a, h/ F（1） 维度用reflective indicator， 总构念也是用reflective indicator。比如你在量工作满足（总构念），它有两个维度，就是「对工资满足」和「对主管的满足」。
  B. b$ G! _1 q' h+ e! F你可以写几道量「对工资满足」的项目。比如「1. 你是否满意你的工资」等。再写几道量「对主管的满足」的项目。比如「7. 你是否满意你的主管」等。同时，你也可以再写几道量「对工作的整体满足」的项目。比如「15. 你是否满意你的工作」等。这样三个构念「对工资满足」、「对主管的满足」（这两个是维度）和「对工作的整体满足」都是用reflective indicators的，那就可以做CFA和EFA了。但是维度与整体构念有什么关系呢？你就可以做回归分析，找出它们的权重（也就是回归系数）了。
（2）你也可以不去量「对工作的整体满足」。而是用SEM来估计维度与整体构念的关系。不过这样就需要模型的其他构念来帮忙了。同时，也没有什么CFA和EFA可以做了。
, z- z0 R- p  {, j, ~7 Q** 你大概会问，既然在方法（1）中，整体构念已经用 reflective indicators 估计出来了，那还要估计维度来干什么？答案很简单，如果你有兴趣的只是整体构念，确实是不需要估计维度的，但是研究中很多人会同时对维度和整体构念有兴趣的，那方法（1）就不失为一个好方法了。起码它比方法（2）来得清晰，干净利落。
( n  j) n% S# R7 V, N- p4 {4 j