存在共同方法偏差(共同方法偏差检验有什么作用)

导语：共同方法偏差检验之潜在误差变量控制法的Amos操作

潜在误差变量控制法是在结构方程模型中，将共同方法偏差作为一个潜变量加入模型，如果在包含方法偏差潜变量情况下模型的显著拟合度优于不包含共同方法偏差潜变量的情况，那么共同方法偏差效应就得到了检验，包含共同方法偏差潜在变量的模型，对于预测与效标变量关系的估计则控制了共同方法偏差。

具体操作如下：因为这个过程也是基于因子分析的基础上进行的，关于绘制模型以及运行等过程不再介绍，请参考前面关于“合成信度 ”的相关内容现在我们直接来比较两个模型：

没加入共同方法偏差的因子分析模型和加入共同方法偏差为潜变量的模型。

加入共同方法偏差潜变量的模型，在设定模型时，要注意两点：

因为共同方法偏差对每个观察变量的影响是相同的，所以从共同方法偏差潜变量到观察变量的路径系数（图中椭圆形内是路径）是相同的，要设定为相同的字母；

其次，为正常拟合模型，要为共同方法偏差潜变量设置限定条件，我们设定共同方法偏差潜变量的方差为1（图中小方形内）。

然后导入数据，运行查看拟合结果。将两个模型的各相关拟合指标进行对比，如下表所示。对结果的解释，加入共同方法偏差潜变后，拟合指标变好，比如说CFI和TLI提高幅度超过0.1，RMSEA和RMR的降低幅度超过了0.05，就表明存在显著的共同方法偏差。

拟合指标有很多，并不需要都进行汇报，根据自己需要选择汇报就行，但是卡仿值和RMSEA是必须要汇报的。

我们看表格中的输出数据：加入共同方法偏差后，方值提高0.095，RMSEA值提高0.006，CFI和TL的值没有提高，反而降低，说明加入共同方法偏差潜变后，模型的拟合指标并没有变好，说明不错在显著的共同方法偏差。

那么输出结果的各种拟合指标分别代表什么含义呢？

拟合指标解读

a）

x2：卡方值，检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。

原假设是模型协方差阵等于样本协方差阵。如果模型拟合的好，卡方值应该不显著。在这种情况下，数据拟合不好的模型被拒绝。

b）

RMR：残差均方根，RMR是样本方差和协方差减去对应估计的方差和协方差的平方和，再取平均值的平方根。

RMR应该小于0.08，RMR越小，拟合越好。

c）

RMSEA：近似误差均方根，RMSEA应该小于0.06，越小越好。

d）

GFI：拟合优度指数，范围在0和1间，但理论上能产生没有意义的负数。

按照约定，要接受模型，GFI 应该等于或大于0.90。

e）

PGFI：简效拟合优度指数。它是简效比率（PRATIO，独立模式的自由度与内定模式的自由度的比率）乘以GFI。

PGFI 应该等于或大于0.90，越接近1越好。

f）

PNFI：简效拟合优度指数，等于PRATIO乘以NFI。

PNFI应该等 于或大于0.90，越接近1越好。

g）

NFI：规范拟合指数，变化范围在0和1间，1 =完全拟合。

按照约定，NFI小于0.90示需要重新设置模型。越接近1越好。

h）

TLI：Tucker-Lewis 系数，也叫做Bentler-Bonett非规范拟合指数（NNFI）。

TL接近1表示拟合良好。

i）

CFI：比较拟合指数，其值位于0和1之间。

CFI 接近1表示拟合非常好，其值大于0.90表示模型可接受，越接近1越好。

免责声明:本站部份内容由优秀作者和原创用户编辑投稿，本站仅提供存储服务，不拥有所有权,不承担法律责任。若涉嫌侵权/违法的，请反馈，一经查实立刻删除内容。本文内容由快快网络小思创作整理编辑！