|
作者：菜菜 审核：X 封面：自己想吧 前面介绍了合成信度相关内容，现在我们来看区分效度部分。同样先简介定义，然后介绍操作计算部分。由于区分效度也是伴随因子分析进行的，其画图、建模以及运行等过程，与合成信度的过程一模一样，本文中案例所用的数据与合成信度也是同一数据，文中关于画图等过程就省略了，大家自行参照合成信度相关内容。 区分效度（discriminant validity）是构思效度的又一个证据，指的是在应用不同方法测量不同构念时，所观测到的数值之间应该能够加以区分。 计算区分效度同样要用到AVE，在合成信度中介绍过AVE，这里不再赘述，公式如下：ρ=（∑λ²）/〔（∑λ²）+（∑δ）〕 =（∑标准化因子载荷值²）/〔（∑标准化因子载荷值²）+（∑δ）〕 首先，先看一下区分效度的结果形式，如下表所示：区分效度的主体结构是潜变量之间的相关系数，对角线是AVE值，最下面一行是AVE的平方根，下面我们介绍计算过程。 计算区分效度需要用到的数据就是潜变量之间的相关系数，这两个表格也是在“Estimates”显示框里，如下所示：具体计算我们还是在excel表格中进行。 我们把上图两个表格的数据复制到excel表格，建立我们需要的表格形式（最下面那个表格），把相关系数数值拖入各个潜变量路径之间，同时，把在合成信度中计算的AVE数值复制过来，然后通过平方根公式计算AVE平方根的数据。各个数据计算完毕后，整理表格，最后得出我们的最终结果表格（请原谅我把所有东西都放在一个图里呈现）。 现在，我们解读一下结果：首先，各潜变量之间要显著；其次，相关性系数小于0.5；最后，相关性系数要小于AVE平方根。本文数据中，F1与F2、F1与F3之间的相关性显著， F2与F3之间不显著；同时，所有相关系数均小于0.5，而且所有相关系数都小于AVE平方根，说明各潜变量之间既有一定相关性，彼此间又有一定的区分度，该量表数据的区分效度理想。 合成信度和区分效度的内容到此就结束了，这部分内容主要是用来丰富大家的信效度检验知识，好好学习哦。
《共同方法偏差》 |
|
|
