SEM打包技術(shù)(itemparceling)(2012-05-2623:20:16)標(biāo)簽：mplus結(jié)構(gòu)方程模型打包itemparceling教育分類：SEM重要議題1項目包概述在結(jié)構(gòu)方程建模時通常涉及多個潛變量，每個潛變量又包含數(shù)個甚至數(shù)十個觀測指標(biāo)，隨著指標(biāo)數(shù)的增加，模型復(fù)雜程度和所需樣本量也隨之增加。在不少情況下樣本量的收集并非易事，模型太復(fù)雜也不利于建立潛變量之間的關(guān)系，因此研究者常使用項目打包法 (ItemParceling)將數(shù)個指標(biāo)加總或加總平均后作為新指標(biāo)然后再建模。據(jù)Bandalos和Finney(2001)統(tǒng)計，有近20%的SEM研究采用不同形式的打包策略進行建模。需要說明，項目包與分測驗在形式上有類似之處，但兩者之間存在顯著差異，主要體現(xiàn)在如下兩點(Bandalos,2008)，第一，分測驗是基于一定的理論編制的，而項目包則是事后臨時確定的，與理論無關(guān)。第二，分測驗分?jǐn)?shù)的解釋與測驗所依據(jù)的理論一致，而項目包的解釋不存在任何意義。2項目包的優(yōu)缺點與單個指標(biāo)相比，項目包/項目組合在很多方面存在顯而易見的優(yōu)勢。這些優(yōu)點包括：更高的信度(Cattell&Burdsal,1975;Kishton&Widaman,1994)、高共同度(Little,Cunningham,Shahar,&Widaman,2002)、數(shù)據(jù)分布形態(tài)更接近正態(tài)(Bagozzi&Heatherton,1994)、更易收斂(Marsh,Hau,Balla,&Grayson,1998;Yuan,Bentler,&Kano,1997以及更好的模型擬合(Rogers&Schmitt,2004)。通常，在項目包水平上建模所獲得的擬合結(jié)果要優(yōu)于在指標(biāo)水平上的結(jié)果(e.g.,Bandalos,2002;Holbert&Stephenson,2002)，類似的現(xiàn)象也出現(xiàn)在探索性因素分析中。這主要是由于打包可以提高指標(biāo)的心理測量學(xué)特性進而提高模型擬合(Littleetal.,2002)。具體來說，首先，打包可以降低誤差，提高共同度。題目打包時部分測量誤差互相抵消，新指標(biāo)的測量誤差變小了，公因子在觀測分?jǐn)?shù)中所占的比重提高了即提高了共同度(Matsunaga,2008)。其次，糾正數(shù)據(jù)分布形態(tài)。打包可以使原本偏態(tài)的數(shù)據(jù)分布得以糾正(Bandalos,2002;Bandalos&Finney,2001;Littleetal.,2002;Hau&Marsh,2004),使其更符合模型假設(shè) 多元正態(tài)分布，進而提高模型擬合。例如，Bandalos(2002)模擬研究發(fā)現(xiàn)當(dāng)數(shù)據(jù)嚴(yán)重偏態(tài)時(偏態(tài)系數(shù)=5,峰態(tài)系數(shù)=25)通過打包可以將分布形態(tài)轉(zhuǎn)換成近似正態(tài)(偏態(tài)系數(shù)=0.5~1.5,峰態(tài)系數(shù)=0.5~5)。第三，使模型更加簡潔，提高了參數(shù)與樣本量之比(Marsh&Hocevar,1988)0最后，提升參數(shù)估計的穩(wěn)定性和擬合指數(shù)(Littleetal.,2002)。前面3點改進使得測量誤差得以凈化，模型得以簡化，數(shù)據(jù)分布形態(tài)得以校正，因此參數(shù)估計和模型擬合得以提升。任何方法都有缺點，當(dāng)然打包法也不例外。首先，指標(biāo)打包可能忽略了一些重要的變量或掩蓋真實的潛結(jié)構(gòu)(Bandalos,2002;Bandalos&Finney,2001;Maccallumetal.,1993)。實際應(yīng)用中，條目之間可能存在相關(guān)誤差(如，王孟成等，2010)，而相關(guān)誤說明指標(biāo)測量多個潛變量，采用打包消除相關(guān)誤的同時也將潛在的額外因子消除了(Bandalos,2002;MacCallumetal.,1993)。尤其是多維度或多因子結(jié)構(gòu)問卷打包更容易出現(xiàn)這樣的問題，因此在數(shù)據(jù)結(jié)構(gòu)未知的情況下使用打包是不合適的(Littleetal.,2002;吳艷和溫忠麟,2011)。再者，打包可能改變指標(biāo)與潛變量之間的關(guān)系(Coanders,Satorra,&Saris,1997)。當(dāng)原始數(shù)據(jù)是分類數(shù)據(jù)時，打包可能將原本非線性的關(guān)系改變成線性，模擬研究發(fā)現(xiàn)當(dāng)類別數(shù)在5個以下（2個或3個）時會高估結(jié)構(gòu)參數(shù)，低估測量參數(shù)（Yang,Nay,&Hoyle,2010。第三，打包可能降低了敏感性與可證偽性。由于提升了參數(shù)估計穩(wěn)定性，甚至過分穩(wěn)定使得擬合檢驗統(tǒng)計量對模型誤設(shè)也不再敏感了。如在測量等值研究中，Meade和Kroustalis（2006）模擬研究發(fā)現(xiàn)，使用項目包作為指標(biāo)進行等值檢驗多數(shù)情況下會掩蓋條目本身的不等值性（因子負(fù)荷）。由此看見，打包法提升模型擬合結(jié)果的同時也存在扭曲結(jié)果的風(fēng)險。3項目打包的步驟項目打包法看似簡單，其實不然，在決策過程中如有不慎將會得到錯誤的結(jié)論。一般來說使用打包的過程包括如下四個步驟（吳艷和溫忠麟2011;Matsunaga,2008;見圖9-7）：第一步，確定研究目的。由于打包存在掩蓋模型潛在結(jié)構(gòu)的可能性，所以在測量模型建模時不宜使用。而在結(jié)構(gòu)建模時符合打包條件的情況下可以使用。第二步，檢查量表（或子量表）的單維性。單維度和同質(zhì)性是打包的前提，必須滿足了單維性才能考慮使用打包，否則將導(dǎo)致參數(shù)估計偏差（Bandalos,2002;Kim&Hagtvet,2003;West,Finch,&Curran,1995）。第三步，決定使用打包法，選擇合適的打包策略及指標(biāo)數(shù)量。究竟打幾個包要綜合考慮指標(biāo)的數(shù)量和模型的復(fù)雜性。研究發(fā)現(xiàn)，打成3個包的擬合情況比4個、6個要好，也比直接使用原始題目要好（Bandalos,2002;Rogers&Schmitt,2004）,但打成一個包可能存在模型識別的問題（見第5章）。第四步，報告打包的詳情信息，包括過程、策略及合成指標(biāo)的數(shù)量。具體來說，圖9-7打包流程圖上的每個環(huán)節(jié)都應(yīng)報告。因為不同的打包法，是否滿足單維性的前提都會對結(jié)果產(chǎn)生影響。

4項目打包的方法一旦滿足使用打包的條件并確定使用打包法時就需要選擇一種具體的打包方法。目前文獻中報告的打包法有多種，可以劃分為兩類：針對單維度問卷和多維度問卷的方法：單維度的方法隨機法(RandomAssignment)是所有方法中最簡單的一種，就是把項目隨機分配到每一個項目包中，例如奇偶分組。隨機法簡單易行，從概念上說，不受既定量表和樣本的影響，因此值得推薦(Matsunaga,2008)，但此法也存在一些不足，表現(xiàn)在指標(biāo)方差對參數(shù)估計的影響上(Landisetal.,2000;Littleetal.,2002)。關(guān)系平衡法(Item-to-ConstructBalance)，指標(biāo)與潛變量之間的關(guān)系有兩種：負(fù)荷和截距。在項目打包時可以通過平衡指標(biāo)的這些信息進行組合，具體來說先將最高負(fù)荷的k個項目分配到k組，然后再將次高的k個項目逆序分配到k組即高配低，依次類推(平衡負(fù)荷)。這種方法也稱作因子法(FactorialAlgorithm,Rogers&Schmitt,2004)或單因子法(Single-FactorMethod;Landis,Beal,&Tesluk,2000)。有時需要考慮截距(Littleetal.,2002),此時便可同時考慮負(fù)荷和截距的信息進行平衡?；陧椖績?nèi)容的方法(Landis,Beal,&Tesluk,2000)。根據(jù)題目內(nèi)容或表述方式(如每個小組各包含一個反向表述題目)將項目打包°Little等將此法稱作先驗問卷構(gòu)造法(PrioriQuestionnaireConstruction;Little&Wanner,1997;Oettingen,&Baltes,1995。在單維的情況下，所有策略都不會引起參數(shù)估計偏倚問題(Bandalos,2002)，各種策略在參數(shù)估計方面都差不多；相比之下，因子法的模型擬合最好，相關(guān)法的模型擬合最差(Rogers&Schmitt,2004)。多維度的方法內(nèi)部一致性法(Internal-ConsistencyApproach)，也稱作獨立打包法(IsolatedParceling)，是把同一因子下的題目打包，強調(diào)各小組內(nèi)題目的一致性，其實質(zhì)是讓組內(nèi)差異最小。領(lǐng)域代表法(Domain-RepresentativeApproach;Kishton&Widaman,1994;Littleetal.,2002),也叫分配打包法(DistributedParceling)：是在每個因子下各抽出一個題目打包，強調(diào)各小組間的一致性，讓組間差異最大。例如，大五人格測驗NEO-PI-R外向型維度包含6個側(cè)面小因子(熱情性，樂群性，自我肯定，活躍性，刺激追尋和正性情緒)，每個小因子又分別包含了8個條目。內(nèi)部一致性法即是將每個小因子的8個條目分別打成一個包。而領(lǐng)域代表法則是分別從6個因子中各取1~k個指標(biāo)組成一個混合包。最近的一項研究比較了上述2種打包法交叉混合組成的四種方法與WLSMV估計法處理類別數(shù)據(jù)的表現(xiàn)(Bandalos,2008)。結(jié)果發(fā)現(xiàn)在偏態(tài)，指標(biāo)類別數(shù)(2-4個)等條件下，四種打包法均能提高擬合指數(shù)，但導(dǎo)致較大的參數(shù)估計偏差，約在20%到130%之間。相比而言，WLSMV直接擬合原始指標(biāo)(未打包)時參數(shù)估計偏差要小，但該法對分布形態(tài)較敏感，嚴(yán)重非正態(tài)時產(chǎn)生較多II型錯誤。5小結(jié)與建議總之，項目打包的問題和本章討論的大部分問題一樣都是隨著SEM研究的深入而逐漸拓展開來的研究領(lǐng)域，盡管存在一些爭議，但在實際應(yīng)用中，充分利用已有的為研究者公認(rèn)的結(jié)論對實際研究還是有益的。具體來說，對于應(yīng)用研究者如何處理打包的問題，可以考慮如下建議：Mplus學(xué)習(xí)機會：/sZblog_7fb03f7d01012fx1.html(1)是否使用打包與研究的目的有關(guān)。如果目的是檢驗結(jié)構(gòu)關(guān)系而非測量模型本身時，可以使用打包法，而在探索潛在結(jié)構(gòu)時則不宜使用(Bandalos,2002