付費限定

縱向測量衡等性簡介和Mplus操作

更新於 發佈於 閱讀時間約 3 分鐘

如同跨組比較一樣,跨時間時也需要考量縱向測量衡等性,在分析縱向數據時考慮 測量衡等性 很重要,因為不具有縱向測量衡等性的量表,對結果的有效性和正確性有所影響。縱向衡等性和多群組衡等性的分析策略相似,但在參數設定有些差異,本文將簡介其概念和和Mplus操作。

縱向測量衡等是跨時間的衡等性。 在縱向數據中,衡等性指的是測量隨時間改變的穩定性。 在縱向數據中測試量表在不同時間點是否等效。 測試檢定方法是使用一系列CFA嵌套模型,分為:Configural, Metric, Scalar (Muthén & Muthén, 2017),詳細介紹請看多群組測量衡等性介紹和Mplus操作


多群組和縱向測量衡等性的差異

測試縱向測量不變性的過程與多個組測量衡等性的過程非常相似,但有兩個主要差異之處(Liu et al., 2017),如下面所示,圖a為多群組,圖b縱向測量衡等性:

  1. 允許時間 1 與時間 2 的同個因素具有相關
  2. 允許時間 1 與時間 2 的同個觀察變項之誤差變異量具有相關(例如:u11和u12有關聯)
raw-image

如果按照多群組測量衡等性介紹和Mplus操作

則我們會忽略上述兩個主要差異,則可能會導致模型變差,也就是說更難通過衡等性。但不行的是Mplus沒有建立好懶人語法,所以我們必須實際一個一個檢驗 CONFIGURAL METRIC SCALAR。

語法輸入

想學Mplus基本操作請看這邊

Configural invariance

型態恆等代表因素和題目數量沒有顯著差異。如果這個最基本恆等模式無法符合模型指標標準(例如:RMSEA),那下個層次(constrainted)的模式檢定也不會符合。

其他都沒變,我只寫有改變ge

以行動支持創作者!付費即可解鎖
本篇內容共 4883 字、0 則留言,僅發佈於統計分析 × 學術生涯你目前無法檢視以下內容,可能因為尚未登入,或沒有該房間的查看權限。
留言
avatar-img
留言分享你的想法!
avatar-img
教育心理博士的筆記本
243會員
138內容數
文章內容以圖像式和步驟化方式,教您如何在各種統計軟體中(例如:SPSS、R和Mplus),執行多種統計方法。此外,我還會分享一些學術和科技新知,幫助您在學術之路上走得更順利。
2025/01/30
當使用MLM或MLR估計法時,需使用Scaled卡方檢定計算嵌套模型之間的卡方差異,本文透過圖文說明,介紹如何使用EXCEL自動計算Scaled卡方檢定,方便且免費。
Thumbnail
2025/01/30
當使用MLM或MLR估計法時,需使用Scaled卡方檢定計算嵌套模型之間的卡方差異,本文透過圖文說明,介紹如何使用EXCEL自動計算Scaled卡方檢定,方便且免費。
Thumbnail
2024/12/30
多層次結構方程模型(MSEM)是一種專為處理多層次資料而設計的結構方程模型,適用於具有群組結構的資料分析。本文介紹多層次結構方程模型(MSEM)的基本概念、公式、以及Mplus語法的基本結構與應用。
Thumbnail
2024/12/30
多層次結構方程模型(MSEM)是一種專為處理多層次資料而設計的結構方程模型,適用於具有群組結構的資料分析。本文介紹多層次結構方程模型(MSEM)的基本概念、公式、以及Mplus語法的基本結構與應用。
Thumbnail
2024/02/27
之前已經說過限制模型,接下來進入下一部份根據Mulder and Hamaker (2021)建議,在 RI-CLPM 中,有許多擴展模型,今天要介紹的是 Extension 1。Extension 1就是加入跨時間不變的預測或結果變項,本文將介紹此模型構造和語法。
Thumbnail
2024/02/27
之前已經說過限制模型,接下來進入下一部份根據Mulder and Hamaker (2021)建議,在 RI-CLPM 中,有許多擴展模型,今天要介紹的是 Extension 1。Extension 1就是加入跨時間不變的預測或結果變項,本文將介紹此模型構造和語法。
Thumbnail
看更多
你可能也想看
Thumbnail
接續第二章內容,本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從公式開始,然後在教學SPSS視窗和語法操作,相信看完後,讀者就會了解雙層次之隨機截距斜率模型概念和操作。
Thumbnail
接續第二章內容,本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從公式開始,然後在教學SPSS視窗和語法操作,相信看完後,讀者就會了解雙層次之隨機截距斜率模型概念和操作。
Thumbnail
本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從最簡單的一個Level 1固定自變項模型開始,到複雜的兩個Level 1和1個Level 2固定自變項模型,相信看完後,讀者就會了解雙層次之隨機截距模型概念和操作。
Thumbnail
本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從最簡單的一個Level 1固定自變項模型開始,到複雜的兩個Level 1和1個Level 2固定自變項模型,相信看完後,讀者就會了解雙層次之隨機截距模型概念和操作。
Thumbnail
在使用Mplus進行統計分析時,我們需要設定各種估計方法,但很多同學可能不知道各種估計方法的適用時機,本文將簡介各種常見的估計法。
Thumbnail
在使用Mplus進行統計分析時,我們需要設定各種估計方法,但很多同學可能不知道各種估計方法的適用時機,本文將簡介各種常見的估計法。
Thumbnail
多元線性迴歸分析(Multiple regression analysis)是一種統計學方法,用於探索多個解釋變量對一個目標變量的影響。它是建立在線性迴歸分析的基礎上的,多元迴歸分析用於探討多個預測變數及一個依變數之間的關係,並且每個變項都是連續變項。本文將介紹多元迴歸分析概念。
Thumbnail
多元線性迴歸分析(Multiple regression analysis)是一種統計學方法,用於探索多個解釋變量對一個目標變量的影響。它是建立在線性迴歸分析的基礎上的,多元迴歸分析用於探討多個預測變數及一個依變數之間的關係,並且每個變項都是連續變項。本文將介紹多元迴歸分析概念。
Thumbnail
潛在類別模式(latent class modeling, LCM)和潛在剖面分析(Latent Profile Analysis, LPA)是探討潛在類別變項的統計技術。兩者與因素分析最大的不同在於潛在變項(因素)的形式。本文將介紹潛在類別/剖面/混合分析操作1:找出最佳組數
Thumbnail
潛在類別模式(latent class modeling, LCM)和潛在剖面分析(Latent Profile Analysis, LPA)是探討潛在類別變項的統計技術。兩者與因素分析最大的不同在於潛在變項(因素)的形式。本文將介紹潛在類別/剖面/混合分析操作1:找出最佳組數
Thumbnail
驗證性因素分析(Confirmatory Factor Analysis, CFA)常被作為檢驗量表或測量工具之建構效度。做SEM前大多會要求每個工具的CFA結果。不僅如此,CFA也可能拿來檢驗測量衡等性的有效工具。本文將簡介驗證性因素分析概念,並介紹如何用Mplus 操作。
Thumbnail
驗證性因素分析(Confirmatory Factor Analysis, CFA)常被作為檢驗量表或測量工具之建構效度。做SEM前大多會要求每個工具的CFA結果。不僅如此,CFA也可能拿來檢驗測量衡等性的有效工具。本文將簡介驗證性因素分析概念,並介紹如何用Mplus 操作。
Thumbnail
如同跨組比較一樣,跨時間時也需要考量縱向測量衡等性,在分析縱向數據時考慮 測量衡等性 很重要,因為不具有縱向測量衡等性的量表,對結果的有效性和正確性有所影響。縱向衡等性和多群組衡等性的分析策略相似,但在參數設定有些差異,本文將簡介其概念和和Mplus操作。
Thumbnail
如同跨組比較一樣,跨時間時也需要考量縱向測量衡等性,在分析縱向數據時考慮 測量衡等性 很重要,因為不具有縱向測量衡等性的量表,對結果的有效性和正確性有所影響。縱向衡等性和多群組衡等性的分析策略相似,但在參數設定有些差異,本文將簡介其概念和和Mplus操作。
Thumbnail
「共變異數分析 (ANCOVA)」程序會比較一個連續應變數在兩個以上因素變數之間的平均數,並判定共變量的效應以及共變量與因素之間的交互作用。可以在控制共變數分析,可以調查因素之間的交互作用、以及主要效果。ANCOVA通常用於研究中,研究者希望控制控制變項探的情況下,檢驗一個或多個自變量對依變項。
Thumbnail
「共變異數分析 (ANCOVA)」程序會比較一個連續應變數在兩個以上因素變數之間的平均數,並判定共變量的效應以及共變量與因素之間的交互作用。可以在控制共變數分析,可以調查因素之間的交互作用、以及主要效果。ANCOVA通常用於研究中,研究者希望控制控制變項探的情況下,檢驗一個或多個自變量對依變項。
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News