本帖最后由 zhouluyang 于 2011-9-29 23:55 编辑 ; b& j2 t% g3 u5 y# p; b/ o
/ x& j8 G8 T9 L: pKenny:
; {7 B# ~1 k) e9 {& f& @7 |, O. d8 a7 W D; Y% M. L# H! ]
尚记得我头像中您身边的那位不？那是在重庆了。
* K2 ~; K4 D. @& {; R" r6 ^6 G 记得那天中午与你一起吃饭时，我曾提到，我正在做一项研究。经过6个月的问卷调查，现在数据采集工作已经结束，正进行数据处理。现有调节变量在LISREL中处理的一个问题，恳请解惑。, o& t0 g9 m/ f: B
/ z% s& K. {2 K8 D6 l: Y9 ?####使用SEM分析调节变量比较复杂。主要问题是，主变量X与调节变量Z均有测量指标，但调节变量项X*Z却没有测量指标。在SEM分析中是不可以有些变量有指标而有些变量却没有指标的。所以用SEM来检验调节变量的关键是模拟调节变量测量指标（罗胜强, 姜嬿. 调节变量与中介变量. 见: 陈晓萍, 徐淑英, 樊景立, 2008, 324.） # W M6 S* y0 j! h. F5 K
####Schumacker& Marcoulides (1998) 主编的专集《Interaction and nonlinear effects instructural equation modeling》上介绍了多种用结构方程分析潜变量交互效应的方法，其中大多数都源Kenny & Judd (1984)的开创性工作，即使用带乘积项的结构方程。
% j& k+ w' F# O. h: Q####Marsh, Wen,& Hau (2004)系统比较了产生乘积指标的三种策略：所有可能的乘积指标 、配对乘积指标和单一乘积指标。在综合考虑了模型简洁性、模型拟合指数、估计偏差和精确度之后，发现配对乘积指标较好。根据这一结果，他们对乘积指标的产生给出如下建议：( 1 ) 使用所有指标( 即每个指标都在乘积指标中出现) ，以充分利用信息；( 2 ) 不要重复使用指标( 即一个指标不要在乘积指标中出现多于一次)， 以免两个乘积指标因含有相同的一个指标而高相关，产生多重共线性现象。Batista-Foguet, Coenders, & Saris(2004)从不同的角度出发也得到了相同的结果，即建议使用配对乘积指标(转引自：转引自：温忠麟,吴艳, 2010.)。
. P6 o& a6 t0 |; ]####Marsh, Wen,& Hau (2004)的研究结果表明，有高负荷的指标应当配对相乘，即“大配大，小配小”。。以X和Z各有4个指标为例，首先，分别以X和Z为因子，以各自的4个指标（如x1, x2, x3, x4, z1, z2, z3, z4）做单因子的验证性因子分析，然后将完全标准化解的负荷由高到低排序，并按“大配大，小配小”将指标配对相乘。Saris, Batista-Foguet & Coenders (2007)肯定了Marsh, Wen, & Hau (2004)的研究结果，建议有最高信度的指标应当配对相乘。在完全标准化解中，负荷最大的指标其信度也最高。Coenders, Batista-Foguet & Saris (2008)的工作使用 的就是配对策略，并且将信度最高的指标相乘(转引自：转引自：温忠麟,吴艳, 2010.)。 . X; f# s* [4 F3 M2 z
####如果X（如有4个测量指标）与Z（如有5个测量指标）的测量指标数量不一致，可采用以下方法处理：从Z的5个指标中剔除负荷最低的一个指标，将剩下的4个指标与X的4个指标进行配对相乘（Marsh, Wen, & Hau, 2006. ) e.转引自：温忠麟, 吴艳, 2010）。（不过，温忠麟和吴艳（2010）认为，这方面的研究策略还有待进一步的探讨）。 @2 D/ p) g% q. O/ g! A: |
####另一方面，潜变量交互效应建模中需要有均值结构加大了建模难度。（只要结构方程模型中包含了 1个或多个与均值有关的参数(简称为均值参数) ，则称模型有均值结构( 参见Bollen,1989; 侯杰泰, 温忠麟, 成子娟, 2004。）对此，吴艳, 温忠麟, 林冠群(2009)论证了使用零均值潜变量的方法，使交互效应的LISREL分析大大简化。吴艳, 温忠麟, 林冠群（2009）还证明了，在用LISREL建模时，并不需要对乘积指标加以中心化，即不需要求出如x1z4-E(x1z4)之类的数值。（我的数据处理结果也表明，对乘积指标是否中心化，其结果完全一样。）因为当模型没有均值结构时，模型估计时将不会利用指标的均值信息，而只利用指标之间的协方差矩阵信息。也就是说，当模型没有均值结构时，模型会自动将所有的指标和潜变量都当作中心化变量处理。所以，无论是否将乘积指标如x1z4加以中心化，整个潜变量交互效应模型的参数估计结果都是相同的。 5 r1 a( p* p2 L& \$ t# L2 J4 [- g
####因此，我的研究中决定采用了吴艳, 温忠麟, 林冠群(2009)所建议的方法。 5 x6 [$ ^- y8 q
####我在研究中，假设Z（共有5个测量指标Z51,Z52, Z53, Z54, Z55）对X(共有4个测量指标，X41, X42, X43, X44)与Y(共有4个测量指标，Y41, Y42, Y43, Y44)之间的相关关系存在调节作用。 - m: Y; c4 q( }+ ~+ \+ q
####我所使用用的基本步骤如下：
* l+ f. H, _ B$ {7 I4 z####1、将所有测量指标中心化，即每一个题项，如Z51，通过减去其均值形成的新的测量指标变量，如Z51-E(Z51)。 ####2、对中心化后的数据，分别以Z与X为因子，进行各自的单因子的验证性因子分析，然后按因子负荷值由大到小对各测量指标进行排序。 ####3、按“大配大，小配小”将测量指标相乘，形成新的4个测量指标，作为交互变量乘积项（X*Z）的测量指标。 ####4、构建乘积项的中心化数据，即X*Z-E(X*Z)。 ####5、将X，Z，和X*Z-E(X*Z)共同作为潜变量纳入LISREL中进行SEM分析。
7 b+ ~4 l5 ~& x 我的问题是：
) W% a y5 f# ?! [1、我这样做可以吗？
! K/ W8 |/ N0 X3 u2、如果可以，在使用LISREL进行SEM分析时，对X，Z，和X*Z-E(X*Z)以外的其它变量，如应变量，控制变量等，也需要中心化吗？
) g# y/ L/ s% w$ z3、如果乘积项潜变量与其某1个乘积项指标之间的因子载荷值过低，如我的研究中，有一个因子载荷值为0.32，需要删除吗？（我自己的理解是，乘积项指标值是模拟出来的数据，而非调查出来的数据，应该予以保留）
4 F! g- f3 o( V4、乘积项与应变量之间的路径系数为负数，如“-0.23”该如何理解其含义？主变量为X、调节变量为Z、应变量为Y的情况下，是否可以这样理解：当X与Y正相关时，Z在高水平时X与Y的相关系数值将比Z在低水平时要低，约下降23%；当X与Y负相关时，Z在高水平时X与Y的相关系数值要比Z在低水平时要高，约上升23%——可以这样理解吗？
2 a6 ]/ j% |, j参考文献： ; s8 Z7 \- j) |" F; e% x; J
陈晓萍, 徐淑英, 樊景立. 组织与管理研究的实证方法[M].北京: 北京大学出版社, 2008. ' u* Z( y& j8 {9 b. B% s8 D) ^. u
, }4 m- _9 G9 Y! R# H( T3 D0 e9 k
侯杰泰, 温忠麟, 成子娟. (2004). 结构方程模型及其应用.北京: 教育科学出版社。
8 N( V! }1 n2 M$ j# \1 C3 U 8 s# v" y$ w0 D, P/ l. y( ]
温忠麟, 吴艳. 潜变量交互效应建模方法演变与简化[J]. 心理科学进展,2010, Vol. 18, No. 8, 1306-1313. " I/ k1 E. U3 I$ T! h
# `% Z2 c, y& R- J- j3 h吴艳, 温忠麟, 林冠群. 潜变量交互效应建模: 告别均值结构[J]. 心理学报, 2009, Vol. 41, No. 12, 1252-1259.
8 P3 r. y- ^ v5 V% I
( c; n% o. p" }( O: i: vBatista-Foguet, J. M., Coenders, G., & Saris, W.E. (2004). A parsimonious approach to interaction effects in structuralequation models: an application to consumer behavior. Working Papers d’ESADE,183, 1-28. 2 B- b" ?0 v+ t6 J
# U/ \0 P# R( S2 a6 q5 dBollen, K. A. (1989). Structural equations with latenvariables. New York:Wiley.
- w2 t e/ Z2 _$ _0 d
5 B, X1 g ^* i6 @& TCoenders, G., Batista-Foguet, J. M., & Saris, W.E., (2008). Simple, efficient and distrituion-free approach to interactioneffects in complex structural equation models. Quality and Quantity, 42(3),369-396. 3 i' }: R+ S' e1 C
8 l! W" K% z6 \# H6 vKenny, D., & Judd, C. M. (1984). Estimation thenonlinear and interactive effects of laten variables. Psychological Bulletin,96, 201-210. 4 U8 a( G4 ?2 X t- q5 {8 ~+ M
' A& J5 H' `" t# P6 _& z$ h6 MMarsh, H. Wen, Z. & Hau, K. (2004). Structuralequation models of latent interaction: Evaluation of alternative estimationstrategyies and indicator construction. Psychological Methods, 9(3), 275-300. " {1 ?" Q8 u @% O9 W
. t. Q* Q! ^2 l( o8 D: @' @1 V
Marsh, H. Wen, Z. & Hau, K. (2006). Structuralequation models of latent interaction and quadratic effects. In G. Hancock& R. Mueller (Eds.), A second course in structural equation modeling (pp. 225-265).Greenwich, CT: Information Age. 9 I0 _" M8 h* ?' f X! w
Saris, W. E., Batista-Foguet, J. M., & Coenders,G. (2007). Selection of indicators for the interaction term in structuralequation models with interaction. Quality and Quantity, 41(1), 55-72. % r( C9 P5 N. P$ ?# v
3 u& P8 l4 i/ e/ h' p$ t: C8 P6 U
| 
窥视卡
雷达卡
发表于 2011-9-29 23:52:44
转播
淘帖
分享
收藏
支持
反对
@朋友
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡
