SEM 模型是否真實存在的反省篇
Path Analysis and SEM: An Introspection

神掌打通任督二脈‧易筋經以簡馭繁

多因子分析常用模型簡介多變項-多因子分析常用模型簡介

因徑分析/結構方程模型特性
理論必須與分析工具配合

Path Analysis 因徑分析

工作滿意度的因徑概念模型
因徑模型的聯立方程式組
因果關係:直接效果與間接效果
因果關係:相關關係與偽效果
偽效果的辨別與計算
間接因果關係

因徑分析: SPSS 應用

SEM 結構方程模型

概念模型意義

報表詮釋

反省1:β與e

反省2:因徑關係除了數字更要詮釋

反省3:框架知識與基礎知識/複雜模型與簡單模型

反省4:基礎知識/簡單模型的因子數

反省5:人類行為是線性或非線性? 

反省6:人類行為變量是純量或向量?


統雄老師在讀碩士班期間,最喜歡作因徑分析,但作了數十次,漸漸領悟以下問題SEM可以說是當前管理研究、各種行為研究最流行、最熱門的取向之一。統雄老師在讀碩士班期間,也最喜歡作因徑分析,但作了數十次後,漸漸領悟到其存在著基礎知識論的問題。

以下以「建構篇」所舉的兩個範例說明如下。

Path Analysis 因徑分析

代表性範例:工作滿意度的因徑模型

Bryman, A. and Cramer,D. 1990: Quantitative data analysis for social scientists. London: Rout ledge, p. 246-251.

SEM 結構方程模型

代表性範例:計畫行為理論(Theory of Planned Behavior)的發展研究

Ingram, K. L., Cope, J. G., Harju, B. L., & Wuensch, K. L. (2000). Applying to graduate school: A test of the Theory of Planned Behavior. Journal of Social Behavior and Personality, 15, 215-226.


反省1βe

如果研究方法很嚴謹,絕大多數會發生除了1個預測變項以外,其他預測變項的「標準化迴歸係數(β)」都很小,而誤差(e)很大;亦即可解釋性、可預測性很低,多變項模式存在性很小,可能還不如雙變項理論。

在很多例子中,沒有任何大的β,且所有直接預測變項β之和,也很小。如果其和還小於e,即共同解釋力還低於誤差,意義有限。

如果β夠大,也有可能是「理論建構」或「測量方法」未必正確的原因。

譬如例2:只有3個b達到顯著水準,卻把未達顯著水準bβ 列在結論的概念模式上,其實沒有意義,這也說明「著名國際期刊」「著名國際學者」的真正實力為何。

模式中只有「對研究所的好感」→「申請研究所的意願」的β達到重要程度。但,很可能「對研究所的好感」和「申請研究所的意願」其實是相同-或非常接近的構念變項。

其他所有變項間的效果,都比誤差e1的效果低。

又,應變項「申請研究所的行為」的2個直接預測變項β,都在「不重要」的邊際上,其β之和也遠低於e

綜上觀之, 怎麼會是好理論呢?


反省2:因徑關係除了數字更要詮釋

「因徑關係」除了用軟體跑出數字(一般認為的分析)之外,更重要的是要能「詮釋」數字與理論的發展方向。

因徑關係除了分析更要詮釋例1,原始文獻在分析完Age的總效果後,就結束了。

但如果進一步詮釋,會發現:

因徑關係中只有2個重要性中低、1個近中低的β

概念模型係數

autonomy -> satisfaction : .58

age -> income : .57

income -> satisfaction :.47

對照自變項「年齡」,其直接效果為-0.8,3個自變項的間接效果為:

age -> autonomy -> income -> satisfaction is .28 *.22 *.47 =.03

直接、間接效果都近等於0,即都不重要,反映本模式接近「完全中介模型」,真正的詮釋與結論應該是:

1.「年齡→工作滿意度」的理論不完整,甚至不存在。過去如果發現「年齡與工作滿意度」的相關現象,其實是錯誤的。

2. 本模型中的「中介變項」:「自治程度」與「收入」,這兩者才是會影響「工作滿意度」的真正自變項。

3. 年齡會影響收入與自治程度,其實是一個「年資」的社會常規與現實-因其相關現象,而產生「假效果(spurious effect)」。

 

 

因徑關係除了分析更要詮釋例2,這種由軟體直接跑的模型,其實更容易GIGO。原始文獻沒有交代,但實在有以下疑問:

SEM 結構方程模型係數

1. 「對研究所的好感」和「申請研究所的行為」直接效果為0,且「好感」與「意願」的β,是模型中最大的.81,則兩者是不同的變項?還是「其實是合一的構念變項『動機』」,但是用了2個不同的量表工具去測量,誤以為是2個變項?

2. 直接跑SEM,沒有分析中介關係。如果把「好感」與「意願」對調會如何?如果也差不多,更可證明是1個概念,誤用2個名稱。

3. 對「申請研究所的意願」3個預測變項的β,「好感」獨大,其他兩者不僅近於0,且其b根本不顯著;三者之間的共變效果也相對較大,「別人對研究所的集體性看法」在數字上,似乎微不足道。有獨立存在的3個自變項(構念)嗎? 

4. 綜上,統雄老師發現的「能力/動機→行為」交互作用理論,似乎是更好的解釋模型。亦即PCB即能力、Attitude/Intent 就是動機。


反省3:框架知識與基礎知識/複雜模型與簡單模型

統雄老師在對各種行為研究後,發現中介變項分析,經常可以協助我們辨識「框架知識」。

人類行為經常存在「框架現象」,在框架內看見的自變項,其實沒有真正完全自變能力。

在人類行為模式中,容易看到的自變項,通常是具體變項、或「人為變項」,而不是「構念」與「基礎知識」。

其實,「基礎知識」的模型可能是相對反而簡單的;複雜模型倒有可能是陷入「框架現象」,而沒有能夠展開觀照。

工作滿意度譬如,在例1「工作滿意度」研究中,既然是完全中介模型,可以排除「年齡」這個變項,而將原始模型簡化為2個自變項「自治」與「收入」對應變項「工作滿意度」的迴歸模型:

「自治」與「收入」對應變項「工作滿意度」的迴歸模型

我們再仔細觀察,會發現它其實就是當前主流管理學兩大理論的應用,亦即管理績效來自2大理論與其實踐因素:

科學主義論-性惡論:獎懲制度、實體誘因、利益、收入…

人性主義論-性善論:尊嚴價值、個人實現、自由、自治…

它其實就是管理績效模式的框架版:

管理績效模式

所以例1這篇研究並沒有創見,反而是因為在「框架組織」中收集「框架資料」,在對自變項構念的觀照上未曾發展,以致形成較複雜、而知識意義更狹窄的模型。

不過,我們也應注意到,不論科學主義論、或人性主義論因素,對管理績效影響的β值,還是相對小的。提醒我們:當前整體管理學領域,可能也還是一個較大的框架學門,還有待繼續探索基礎知識,這也是統雄老師推薦發展「第3類知識」的原因。

在例2「申請研究所的行為」的研究中,根據前節的評論,其模型其實可以簡化化為:

應變項:Behavior: 申請研究所的行為

自變項:PBC: Planned Behavioral Control 。作計畫性行為的能力

中介變項: Intent:申請研究所的意願。

「申請研究所的行為」的研究

如果這個中介模式成立,意指「意願」是「行為」的主要因素,「能力」雖然有影響,但若沒有意願、就沒有行為。

或許這個解釋在這個個案裡成立,但「意願」的影響大於「能力」,與更廣泛的觀察似乎並不同。也有可能原始建構的模型太複雜,反而可能有所扭曲。

如果放大觀照、縮減細節,這個模型中的「意願」就是「動機」,可能是統雄老師所發現較基礎的「動機理論」模型的框架變形版。

「動機理論」模型

能力是行為的自變項;動機不一定是自變項,但會是「調節變項」-即交互作用變項。如果重新分析資料,或有可能發現後者更為符實。

原始複雜模型定義了較細瑣的變項與關係,但檢查各個β,並沒有增加預測力的現象,也不一定提升了框架內的知識。

他如經濟學貨幣理論之「貨幣」,管理學科學主義中之「激勵制度」,這些由人所訂定出來的變項,其實有可能是人類社會組織框架內的相關變項,而不是基礎理論發展出來的構念自變項,還待我們尋求更有解釋力、而可能更簡單的模型。


反省4:基礎知識/簡單模型的因子數

區別複雜模型與簡單模型的一個簡潔方法,就是因子數。分割的因子數是多少?

理想的因子,必須是彼此獨立的。從人類可以感受的幾何空間言,直覺的上限是3因子(三度空間);如果加入愛因斯坦理論,時間/速度是第四度空間,則在物理範疇中,當前可測量的因子上限是4因子。

在以物理為基礎的1類知識中,當前超過4因子的部分,還只是數學上的理論空間,想像中的構面。(英文中空間與構面是同字)

而以生理研究為範疇的2類知識中,當前最具基礎知識性質的DNA理論,其組合也是4因子。

統雄老師在探索人類行為的「第3類知識」過程中,所發現的「TX取用模式(TX Adoption Model)」,其基礎模型也是4因子。

因此,如果基礎知識,其理論模型似應在4因子以下;超過4因子,有可能只是框架理論。而超過7因子,更有可能是理論分析能力不足、測量工具不佳的GIGO堆砌。


反省5:人類行為是線性或非線性?

統雄老師在對網路使用行為、選民投票行為、美學行為、教學行為…不斷學習後,發現人類行為幾乎沒有任何1項是線性的。

用線性的工具來描述非線性的行為,等於用竹子筒做鞋來塞腳,不可能相當合適。

這也是面對非線性的資料,基本分析可能比「因徑分析」,合理性還要廣一點的原因。


反省6:人類行為變量是純量或向量?

人類行為幾乎沒有任何1項是線性的,除了「自然」的原因外,人類行為的基礎變項,其變量可能不是純量而是向量。

在數量方法上,許多變項如長度、時間、質量…等,用一個最簡單位的工具就可以測量,稱為純量(scalar)

但有些變項如:速度、加速度、力…等,其實是2個以上變項的函數,其變量單位是2個以上最簡單位的組合,就稱為向量(vector)。即使我們給一個概念變項特定單位,譬如力的單位「牛頓」,它還是3個最簡單位的組合向量,如:

力的單位「牛頓」

統雄老師發現人類取用行為的基礎變項之一是「社會相信」,就是「資源」與「時間」組合的向量。

許多人類行為會具備積分現象,而向量的積分,一定是非線性的。


探索第3類知識不過,我並不反對學生作因徑分析/結構方程模型的練習,因為我也是在多次實作與自我檢討後(不是交差後),才發現自己的錯誤。如果你在從事因徑、或線性結構分析後,也發現以上的問題,同時也勇於提出懷疑,你就可以瞭解統雄老師,為什麼要提倡「探索3類知識」了!


參考文獻

Ajzen, I. (1991). The Theory of Planned Behavior. Organizational Behavior and Human Decision Processes, 50, 179-211.
Ajzen, I. (1985). From intentions to actions: A theory of planned behavior. In: J. Kuhl & J. Beckmann (Eds.), Action Control: From Cognition to Behavior (pp. 11-39). NY: Springer Verlag.


統計神掌 統雄數學樂學/統計神掌易經筋-問卷

 

回頁首 Up to page head 至頁尾 Down to page bottom
上一頁 Back to previous page 回頁首 Up to page head 下一頁 Go to nex page  

統雄數學神掌系列目錄
分享意見反映
統計教學的內涵與取向
高考統計考題的解析
微積分精華篇
微積分思想篇
微積分進階精華篇
統計/數學符號與其英語讀法
資料型態與視覺呈現
敘述統計
機率論與機率分配
推論統計學精華篇
t分配與 t檢定
推論統計‧理論建構
資料分析程序與SPSS基礎
SPSS 資料清理
SPSS 轉換:Recode 重新編碼
SPSS 轉換:Compute 建構新變項
SPSS 選擇觀察值_SPSS 資料庫管理
樣本代表性檢定
單變項:類別_二元資料/詮釋
單變項:類別_二元資料/應用
單變項分析:連續資料
單變項連續資料視覺檢視與清理
卡方分析(雙向)
多向卡方分析
單向卡方分析
變異數分析(單因子):詮釋
變異數分析(單因子):應用
簡單迴歸/相關分析:詮釋
簡單迴歸/相關分析:應用
對數/邏輯相關分析
測量工具信度/效度分析
量表信度 檢定
量表效標關聯效度 檢定
探索式因素分析 (EFA):詮釋與實作
探索式因素分析 (EFA):應用進階
因素效度分析_CFA:詮釋
因素效度分析_CFA:應用
多變項分析精華篇
多元迴歸分析:詮釋
多元迴歸分析:應用
一般線性模型精華篇
廣義線性模型
雙因子/多因子變異數分析
調節模型與交互作用詮釋
調節模型分析與建構
SPSS 統計圖應用:調節模型檢定
共變數分析/詮釋
共變模型建構/應用
因果模型與因果邏輯
中介模型分析
因徑/SEM:模型詮釋與因果邏輯
因徑/SEM:探索式因徑模型建構
因徑/SEM:驗證式結構方程解析
多變項分析實例SEM
多變項分析實例SEM+調節篇
因徑/結構方程SEM:反省
無母數統計
統計研討篇
專題-卜豐投針實驗
專題-機率與統計悖論
1類知識計量工具
2類知識計量工具
3類知識計量工具
非等機率知識體系建構
TX空時座標建構
一般取用測量
信仰取用測量
研究方法/民調市調系列
請點這裡看所有留言分類 Please click here to view categories of comments
同類別內相關主題