验证性因子分析(CFA)区分效度的计算方法

概要

 

使用结构方程式检验写论文的时候，在验证性因子分析阶段，需要检验模型的效度。效度又分为聚敛效度和区分效度，上文我们先讲解了聚敛效度的检验方法，这周轮到区分效度。

 

区分效度(discriminant valididy)：又称区别效度，常指与测量不同特质的工具呈低相关，亦指测量同一潜在特质的各维度间应呈低相关或有显著的差异。换个说法就是，测量某个维度的项目不应该在另外一个维度上有高负荷，或者说项目不应该具有跨负荷现象。

 

翻译成人话就是，问卷里的某一变量，是不应该与其他变量有强的相关性的。相关性越强，则代表两个变量之间的重合度越高，两个变量越趋近于相同。

 

因此，检验区分效度,是需要使用到平均提取方差值(average variance extracted, AVE)和变数间的相关系数。若变数的平均提取方差(AVE)值大于此变数和其他所有变数的相关系数的平方值，则认为区分效度检验成立。

 

另外一种说法是：变数的平均提取方差值(AVE)的平方根，大于此变数和其他所有变数的相关系数，则区分效度检验成立。两种说法在本质上是一致的，由于平方根的计算相对复杂一些，推荐使用第一种方法进行检验。

 

计算方法

 

检验区分效度，先要计算出所有变数间的相关系数，可以使用SPSS来计算，也可以使用AMOS内部提供的结果。

 

举例，某模型包含ABC三个变量，首先使用相关分析，删除对角线和对角线上方的内容，用余下的数据计算出所有变数间相关系数的平方值后，填入表格(绿色部分)。

 

再将每个变数的AVE值，填入表格的对角线部分(红色)。做出如下图式的表格。

 

图1. 检验区分效度

下面是进行数值大小的比较，根据上文我们知道，某一变量的AVE值要大于此变量与其他所有变量的相关系数的平方。对照表格就可以知道，某一变量的AVE值，需要大于同一行和列的其他所有数值。

 

如下表，红色区间的AVE值只要分别大于对应的绿色单元格的数据即可。如果满足此条件，我们就说ABC三个变量的区别效度是成立的，ABC代表三个完全不同的变量。

 

图2. 检验区分效度之比较方法

 

 

小窍门

 

在进行效度分析的时候，如果研究涉及的变量过多，导致数值太多，不便解释。这时，如果AVE的最小值，大于相关系数平方的最大值，那么可以很轻易地得出结论：变数间的区分效度成立。

 

举例说明

 

 

下图为某一期刊的区分效度的验证结果，文中包含四种风险，检验这四种风险的区分效度，参照表格下方的说明我们可以得知，表格内中间对角线的内容为变数的AVE值，对角线下方数值为相关系数，上方为相关系数的平方。

 

图3. 某区分效度的论文举例

 

我们以第二个风险——性能风险(Performance risk)为例，已知性能风险的AVE值为0.705，与其他三个变量的相关系数的平方值(红色线框)分别为 0.208，0.386，0.051，均小于0.705，因此性能风险与其他三种风险之间的区分效度良好。

 

图3. 某区分效度的论文举例

图4. 某区分效度的论文举例

 

同理，我们可以验证到所有的变数均满足条件，因此区分效度良好，验证结束。

 

套用我们上面给出对的小窍门来看一下，四个变量间最小的AVE值为财务风险(Financial risk)的0.628，最大的相关系数的平方值为0.386(Performance risk和Psycholoical risk)。0.628大于0.386，因此区分效度良好，验证结束。

 

到此，结构方程式的效度检验就结束了，下一步进行假设验证就可以了。