测量模型的选择与后续修正思路

Question

各量表拟合度良好或已将其修改至良好，但后续运用各量表的各维度的平均值作为指标预测潜变量，测量模型的传统拟合指标的拟合度不佳（且因子载荷均处于0.5~1之间）。但是，当运用各量表的题目直接预测潜变量时，拟合度大大提高，但是仍未达到标准要求（且因子载荷出现较多大于1的情况）。出现这样的情况可能的原因是什么？目前是否应该以后者的模型为基础进行修改？若以后者为基础修改，目前是否应该首先解决因子载荷过大的问题？

Answer 1

引自免费微信小程序：皆我百晓生

根据你的描述，你正面临在结构方程模型（SEM）分析中出现的特定问题。当量表维度的平均值作为指标预测潜变量时，模型拟合不佳；而直接使用各题目项进行预测时，虽然拟合有所提高但仍不达标，并出现了因子载荷大于1的情况。以下是对这种情况可能原因及处理策略的详细解读：

可能的原因：

1. 中介或调节效应未考虑：如果潜变量之间的关系并非简单线性组合，可能存在中介或调节作用。直接使用题目项可能捕捉到了这些复杂的交互效应。

2. 度量模型与数据生成过程不符：使用量表维度的平均值构建模型，可能忽视了量表内部题项间的共变关系，这在实际数据中是存在的，直接用题目项可以更充分地反映这种关系。

3. 样本特征和模型假设的匹配度不高：模型可能不适合当前的数据特性，比如样本异质性较大，或者某些题目的解释力在本研究样本中与原始理论设定存在差异。

4. 因子载荷过大：因子载荷大于1通常表明模型存在问题，可能是由于数据过度识别、误差项相关性被忽略或者是模型误设导致的。

后续修正思路：

• 解决因子载荷过大问题：首先应当着手解决因子载荷过大的问题。这可以通过重新审查理论模型，确保每项题目只对应一个潜在维度，并检查是否存在多重共线性或其他统计问题。必要时可尝试删除部分高度相关的题目，或对题目进行降维处理。

• 考虑复合信度与收敛效度：检查各维度的阿尔法系数（Cronbach's Alpha）、AVE（Average Variance Extracted）等指标，确保量表具有良好的内在一致性及收敛效度。

• 检验模型修改后的影响：若决定以题目项为基础调整模型，应逐步引入额外的路径、交叉载荷或修正指数等，通过比较不同模型的拟合优度指标（如CFI、TLI、RMSEA和SRMR），以及逐次模型改进的差异显著性测试（例如Chi-square差异检验），来验证模型修正的有效性。

• 探索复杂关系：如果直接使用题目项的效果较好，那么可能需要进一步探究是否存在非线性关系、中介或调节效应。可通过SEM中的路径分析或拉索回归来进行探索。

代码示例（以 lavaan 包为例，仅展示基本模型定义和拟合）：

# 假设我们有一个名为`data`的数据框，其中包含量表题目项

library(lavaan)

# 定义基于维度均值的模型
model_dim_mean <- '
latent_var ~ dim1_mean + dim2_mean + ... 
'

fit_dim_mean <- sem(model = model_dim_mean, data = data)

# 检查模型拟合度
summary(fit_dim_mean)

# 定义基于题目项的模型
model_items <- '
latent_var =~ item1 + item2 + ...
'

fit_items <- sem(model = model_items, data = data)

# 检查基于题目项模型的拟合度并修正
summary(fit_items)

# 如果因子载荷大于1，可能需要探索是否允许交叉载荷或修正指数
# 修改模型以包含这些复杂关系...

请注意，以上代码仅为示意，并未涉及具体模型修正步骤。在实际操作中，您还需要根据实际情况和理论背景，结合AIC、BIC等信息准则以及模型修正后的解释力度来判断最优模型。