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）
' U8 L6 g( ^: V% ~3 c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）
* v4 g$ d, s5 g& W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.

0 X/ e7 V$ b" a# d1 Z+ S

Kenneth

回复 1楼 learningsean 的帖子

learningsean, formative indicators  是理论导向的。你的理论就决定了你的指标是什么。
但是，请注意。我每次讲formative indicators时都强调，大部分的構念都可以同时用formative 或 reflective indicators 来测的。只有在没有选择时，我才建议你可以用formative indicators 。不然的话，用reflective indicators 永远都是上上之选。
其实,Jeff Edwards 最近发表了一篇文章，说formative indicators 是一个fallacy。 我看可不可以贴上来让大家看。
! o( ~0 v, T/ E2 |) e
Jeff Edwards, The fallacy of formative measurement, ORM, August 19, 2010, p.1-19.
下在后，请把档名由 .doc 改成 .pdf。
3 l* W1 k) M: J8 t. H
   
* s6 N0 [1 _% N( ~

0 r' I3 i0 Q0 |; b& b

learningsean

回复 2楼 Kenneth 的帖子
) o- N4 r! `( r多谢kenny的回复。
您提到“formative indicator 是理论导向的”，我是否可以这样做：将收集的到的item进行一个专家分类（对于reflective 的item,是用EFA来完成这一步的），然后去收集数据，通过CFA再验证专家分类的结果。  
( o' Z6 X# p9 w; k! q6 `+ F" I另外，您推荐的文章我已经下载下来了，正准备看。多谢。
leanning sean

Kenneth

回复 3楼 learningsean 的帖子

learningsean, 是你也好，是专家也好，反正 formative indicator 是不可以做因子分析的。EFA 不可以， CFA 也不可以。 Formative indicators 一定要连同结构模型来验证的，不可以像 reflective indicators 一样，先验证测量模型（EFA 或 CFA），然后才验证结构模型的。这也是formative indicators 的一大缺憾。
   

learningsean

kenny好!

您推荐的Jeff Edwards的文章( The fallacy of formative measurement, ORM, August 19, 2010, p.1-19.)我读了。看到这篇文章的FIG6，我觉得Jeff Edwards实际上是将formative measurement的construct看待成您提出的AMC了。在这个AMC中，INDICATOR 与各个dimension之间的关系是“reflective measurement”的关系。不知道我理解的是否准确？

这让我想到如下问题:如果我想设计的量表所测量的构念是AMC，items 与dimension之间的关系是“reflective measurement”, 各个dimensions与整个construct的关系是“AMC”.对于这样的构念的问卷开发我应该遵循什么步骤呢？我担心自己表达不清楚，仍然以上次的例子来说明吧。

7 V$ b7 h0 E" H

我们知道，编写和验证的问卷的一般过程：

1）
/ E  c: B1 x6 i4 N* E' A' r- 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）
2 [/ [0 w% b: q0 ^% f将2)中的数据进行EFA，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。

我认为，以上3）中做探索性因子分析需要满足两个条件：第一、所用的items 是reflective indicator，第二，如果是多维构念的话，应该是LMC.

但是，现在我开发的这个概念只满足第一个条件，也就是说，是一个reflective indicator的AMC。我的问题是： 对于这样的AMC,我如何对这50个条目进行EFA？或者说，如果不用EFA，对这50个items,我如何确定背后有几个因子？如何确定每个item归属哪个因子？

多谢了,先祝您周末愉快！

Learning sean.

   
- \: g2 _/ Y+ D' K2 b
  g! v5 l7 d. D0 u

Kenneth

回复 5楼 learningsean 的帖子
0 @" y& a: v% ?3 {& \2 h' t
learningsean,
首先要赞你一句，你很有观察了，看得很准。
# U' c* @+ U* \/ W5 w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。
7 o( w# m2 K: n0 V2 `/ x- d对于AMC的测量模型，可以有两种做法：
( |( m7 w- v: M, {（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」。
8 b* g. ]- U( s7 y# O" f. 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。
** 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。
   

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？
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。”
/ h/ p  C4 {9 r1 W3 v0 U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!
7 U3 i8 `- |5 S( ]0 x: e) T
5 L0 M4 m! ~6 x9 F  X. v' WLearningsean
$ |3 E' e* F2 s% Y( q6 d0 ^
# [) {6 v* R& _' n   

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。

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 h6 C$ X  N2 S+ }! j8 }
5 k' [8 \, V: S2 M2 A4 ~" ], b3 v『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。
9 T. y' H6 W% A$ ~
; K+ U: h9 _6 P6 ]  q8 u   

learningsean

多谢Kenny!我先在网络上找一下您的视频看看。
Learningsean
6 @& t' k, j  r7 a
   

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。
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；
  c4 p  f4 ^4 m2）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。
2 N9 D! u" d9 Y9 v! ^, ]0 `5 Q7 a我不知道的是：
1）        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。

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。

( }! V+ d4 Y7 e8 Q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？
$ z5 `2 h) j. b( ]+ \
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。
2 @; G8 K3 Y' ?4 O) p: }- {: ]3 l+ v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？
) W8 R: j: {8 F6 G( m, w
- O  A) _# |5 i( K  ^, k+ h$ c- `谢谢您！
4 r  f+ g- R! z0 b# Z4 y
Learningsean.


2 H, _& X8 o( U' [' b- u/ D1 x