SEM與LISREL基礎班講義20130112-三星統計張偉豪顧問

http://www.semsoeasy.com.tw/
其實LISREL 也可以很容易
三星統計執行長張偉豪
SEM亞洲一哥

6
大綱
1. Structural Equation Modeling 基本原
理
1. SEM能作些什麼?
2. SEM常用名詞解釋
2. Lisrel的操作環境與模式建立
1. Prelis
2. Simplis
3. 模型建立
4. 資料處理(分析)
5. 資料輸出(報表解讀)

7
大綱
3. SEM 假設
1. 合理的樣本量
2. 參數設定原則
3. 模型識別
4. 驗證式因素分析
(Confirmatory Factor Analysis, CFA)
1. 一階驗證性因素分析(first order)
2. 組成信度 (CR)與變異數萃取量 (AVE)

8
大綱
5. SEM 模型適合度
1.評估整體模型配適度
2.Lisrel 報表解讀
6. Lisrel 配適度指標介紹
1.絕對配適指標
2.增值配適指標
3.精簡配適指標
4.競爭配適指標

9
SEM是近期成長快速的統計技術
(Herhberger, 2003)
• 愈來愈多的SEM文章發表於心理學期刊上
• SEM已成為心理學學者最常用的統計技術
• 方法論上SEM的期刊被大量的引用
• SEM出版的書大幅增加
• SEM的研討會愈來愈多
• 專門討論SEM的期刊大幅增加

10
SEM發表的期刊論文有比較好嗎?
(Babin, Hair, Boles, 2008)
1. 不用SEM的PAPERS是否比較容易被拒絕?
2. 使用SEM的PAPERS是否評價比較高?
3. 使用SEM是否對reviewers較有影響力?
4. 軟體使用Amos是否比Lisrel容易被拒絕?
5. 模型配適度好壞是否會影響reviewers評價?
6. 美國人使用SEM是否比其它國家的學者多?
7. 美國人用SEM投稿是否比其它國家的人有
優勢?
ˇ
ˇ
ˇ
ˇ
ㄨ
ㄨ
ㄨ

11
SEM常用的名詞
• 參數(parameter)：
– 又稱母數，帶有「未知」與「估計」的特質。如沒特
別說明，一般指的是自由參數。
• 自由參數(free parameter)：
– 在lisrel圖上的每一條線均是一個估計參數，除了設為
固定參數者外；
– 自由估計參數愈多，自由度(df)愈小。
• 固定參數(fix parameter)：
– 在圖上被設定為0或1或任何數字的相關、迴歸、變異
數或殘差，均是固定參數。

12
SEM常用的名詞
• 觀察變項(observed, measured, indicator or
manifest variables)：(在資料檔中的變數)
– 人們可以直接觀察，並進行測量的變量，如身
高、體重、價格、收入等。
• 潛在變項(latent, unobserved variables,
factor or construct)： (資料檔看不到)
– 不可以直接進行觀測，但可以藉由觀察變項反
應的變量，如顧客滿意度、忠誠度等。
• 潛在變項會受到觀察變項的影響，潛在變項之間
也會相互影響，這些影響關係又分為
“因果關係”及 “相關關係”。

13
模型識別
• p：模型中所有觀察變數
• DP (data point) ： DP
(df)=(p)(p+1)/2
• t-rule：自由估計的參數數目
• t≦ DP =(p)(p+1)/2
• t<DP：過度辨識 (over identified)
• t=DP：恰好辨識 (just identified)
• t>DP：不足辨識 (under identified)

14
變項與符號意義關係類型
X Y
X Y
X Y1 Y2
X Y
Y1 Y2 Y3 Y1
潛在變項
觀察變項
相關 (共變)
單向因果關係
單向因果關係
回溯因果關係
non-recursive
循環因果關係
可以是ξ或η
可以是X或Y
X與Y為共變關係
X對Y的直接效果
X對Y1為直接效果X對Y2為
間接效果Y1為中介變項
X與Y互為直接效果, X與Y
具有回饋循環效果
Y1對Y2 、 Y2 對Y3、Y3對Y1
均為直接效果，Y1、Y2、Y3
為間接回饋循環效果

Lisrel 符號及名稱

16
SEM的術語
• 誤差=干擾=殘差(residual)=不可解釋變異

17
SEM常用的名詞
• 外生變數(exogenous)：(自變數)
– 用來預測變數的變數，本身不具有測量誤差的
變量，有潛在及觀察變數數兩種。
– 模型中沒有被任何箭頭刺到的變數為外生變數。
– 如下圖的Gender，為一外生觀察變數。

18
SEM常用的名詞
• 內生變數(endogenous)：(依變數)
– 被自變數預測的變數，本身具有測量誤差的變
量，即使該變數也有去預測別的變數，有潛在
及觀察變數兩種。
– 凡是在模型中被箭頭刺到的變數即為內生變數，
如態度及行為意圖。

19
x1
x2
x3
ξ滿意度 η忠誠度
y1
y2
y3
δ１ ε4λx1
γ
ζ
ε5
ε6
δ２
δ３
測量殘差
外生觀察變項
因素負荷量
外生潛在變項
結構參數
內生潛在變項
因素負荷量
內生觀察變項
結構模型測量(CFA)模型
測量殘差
λx2
λx3
λy1
λy2
λy3
測量(CFA)模型
結構模式與測量模式

Lisrel圖解說明
• 綠色:外生潛在變數
• 灰色:外生觀察變數
一階測量模型
因素負荷量殘差

Lisrel圖解說明
• 黃色:內生潛在變數
• 藍色:內生觀察變數
迴歸係數

Lisrel操作範例介紹
科技接受模型
Technology of Acceptance
Model, TAM

LISREL建模三種語法及繪圖
• LISREL
– 適合複雜的模型，撰寫比較困難，具備矩陣
基礎者為佳。
• SIMPLIS – simple version of LISREL
– 入門容易，語法直覺易學習。
• PRELIS – pre LISREL to handle data
– 分析資料的處理及一些基本統計分析
– 軟體有提供視窗可以使用

SEM分析的資料型態
1. 使用原始資料 (raw data)
2. 使用共變異數矩陣 (covariance matrix)
3. 使用相關矩陣 (correlation matrix)
註：不論使用何種資料型態，SEM均會自動
轉成共變異數矩陣來分析

LISREL 9.1: File Types
• DATA
– Raw data file - .lsf
– Raw data file - .dsf
軟體自動產生的資料檔
– Correlation file - .cor
– Covariance file - .cov
– SYNTAX file - .spl, .lis, .prl
分別代表simplis, lisrel及prelis語法
– SYNTAX file - .spj, .lpj
代表由軟體根據架構面自行產出的simplis及 lisrel語法
– OUTPUT file - .out

LISREL的應用
一階(CFA)
驗證式因素分析

PRELIS
SPSS data file *.sav
Lisrel 9.1 data file *.lsf
Lisrel 8.8 data file *.psf

資料輸入 (*.sav *.lsf)
• File Import Data選擇資料檔開啟
儲存

資料轉成tam.lsf 儲存
• 所有檔案請儲存在同一個資料夾中

定義變數
• Data Define variables Variable Type
Continuous Apply to all OK
• Hint:記得要按save

測量模型的評估
• File New Path Diagram

進入繪圖區

Step by step analysis procedures
• Setup Title and Comments Next

• 一般CONST用不到,可
以點選 1並按Del刪除

內生或外生變數的選擇

圖形標齊對正

Output
• Output
Simplis outputs

建立構面與觀察變數的關係
• Setup Build SIMPLIS Syntax Run LISREL

SIMPLIS Syntax
1. TAMCFA
2. TAMCFA just for practice
3. Raw Data from file 'D:IBM SPSS dataLISREL for BeginnersTAM.LSF'
4. Latent Variables 易用性有用性態度行為意圖
5. Relationships
6. ATT1 = 易用性
7. ATT2 = 易用性
8. ATT3 = 易用性
9. EOU1 = 有用性
10.EOU2 = 有用性
11.EOU3 = 有用性
12.UF1 = 態度
13.UF2 = 態度
14.UF3 = 態度
15.BI1 = 行為意圖
18.Path Diagram
19.End of Problem

Fix潛在變數的loading為1
• Loading線上按右鍵,選Fix 右鍵
Set Value 填入1

Simplis 語法重新修正
• TAM CFA for practice
• Raw Data from file 'D:IBM SPSS dataLISREL for BeginnersTAM.LSF'
• Sample Size = 295
• Latent Variables 態度易用性有用性行為意圖
• Relationships
• ATT1 = 1.000*態度
• ATT2 = 態度
• ATT3 = 態度
• EOU1 = 1.000*易用性
• EOU2 = 易用性
• EOU3 = 易用性
• UF1 = 1.000*有用性
• UF2 = 有用性
• UF3 = 有用性
• BI1 = 1.000*行為意圖
• BI2 = 行為意圖
• BI3 = 行為意圖
• Path Diagram
• End of Problem

LISREL Output File
• File Convert
Output to HTM
• 轉換成HTM的型式,表
格會比較整齊,但有時
會轉不出來,導致lisrel
當掉,可能是LISREL的
BUGs

樣本共變異數矩陣

因素負荷量
• 0.855為非標準化係數,顯著性為z值>1.96
而p值<0.05
• R?=R2
可釋釋變異=
多元相關平方

潛在變數間的共變異數矩陣

模型配適度

LISREL 三種語法
• LISREL 語法
– 對整個SEM運作原理會有較清楚的概念
• SIMPLIS 語法
– 簡化版的LISREL語法，適合初學者及對矩陣
不熟的SEM研究者。
• PRELIS 語法
– 專門用來資料處理及常用的統計分析方法

三種資料形態的輸入
• 原始資料(Raw data)
– 需在prelis中先轉成 filename.LSF
• 共變異數矩陣(Covariance)
– 使用最頻繁的資料形態
– 可直接置入語法中，亦可存成文字檔以free
format形輸入或由prelis轉成fliename.cov
• 相關矩陣(Correlation)
– 同上，prelis轉成fliename.cov

SIMPLIS Structure
• Title
– 提示本研究為何，可寫可不寫，不影響分析
– 最好前面用 “!”開始
• Observed Variables (觀察變數)
– 如果輸入的資料為 .LSF, .DSF可以不用寫
• Covariance Matrix FROM FILE
–如果輸入為共變異數或相關矩陣，觀察變數名稱
則為必要
–可以直接將矩陣輸入或存成文字檔輸入
( .txt, .dat, .csv)
• Sample Size (必填,不可忘記)
– 帶入Raw data可以不寫

SIMPLIS Structure
• Relationships
– 建立變數之間的關係
• Methods
–一般內定為ML法,如沒有要修改,可以不寫
• LISREL Output
–如果看不懂八大矩陣的希臘字母,請不要寫
• Path Diagram (繪圖)
• End of Problem (程式結束)

SIMPLIS 語法結構
• Title (optional)
• Observed Variables <Labels>
• File from
• Sample Size
• Latent Variables <Unobserved Variables>
• Relationships <Paths>
• LISREL Output<Options> (optional)
• Path Diagram
• End of Problem

• Title
– !Confirmatory factor analysis for TAM
• Data File
– Raw data from file filename.lsf
– System data from file filename.DSF
– Covariance Matrix from file filename.dat
存檔格式 Fixed ASCII(*.dat)
– Covariance Matrix from file filename.cov
– Covariance Matrix 下一行直接輸入矩陣
– Correlation matrix, standard deviations
and means

• Sample Size 樣本數
– Sample size 350
• Latent variables
– Attitude ‘Behavior Intention’ 易用性
• Relationships 測量模型與結構模型的設定
– y=x1 x2 x3
– x1 x2 x3 -> y
– 同義字
Relations、 paths、 equations

• Options 提供額外的輸出訊息
– Options RS SC ND=3 ME=WLS IT=50
WP=132
– SC 完整的標準化估計值
– RS 印出標準化殘差
– ND=3 報表輸出到小數點第三位
– ME=WLS 使用WLS估計法分析
– IT=50 模型最大迭代次數50次
– WP=132 預設每行80字元,最多可到132字元

• Lisrel output 接lisrel參數指令
– LISREL Output SC EF MI RS VA PC
1. SC 列印出完全標準化參數估計值
2. EF 列印出總效果、間接效果、標準差和t值
3. MI 列印出修正指標
4. RS 列印出殘差，常態化殘差
5. VA 列印出潛在變數的變異數和共變數
6. PC 列印出參數估計的相關係數。

PRELIS圖形介面
以下介紹在filename.lsf資料檔

Data
• Data Define data

Select data
• Select variables Output  Run
• Select cases Output  Run

Transformation
• Record
重新編碼

Transformation
• Compute
計算

Statistics
• Lisrel提供除了SEM外的其它統計方法

TAM model
• 只有畫圖時可以畫成這樣，lisrel 輸出圖形
只有分外生變數一層及內生變數一層

Data with Missing
• File Import Data Tam missing.sav
• -99為遺漏值

Listwise Deletion
• File Open *.LSF(檔案類型) tam missing
• Data Define Variables Missing Values
Save

存成無遺漏值的資料檔
• Statistics Output Options Save the
transformed data to file打勾 OK
• File Open
*.LSF(檔案類型)
tamLD.lsf
• 開啟沒有遺漏值的
資料檔，樣本數從
本來的295降到288

70
1. 所有獨立變數的變異數均是模型的參數
2. 所有外生變數之間的共變異數都均是模型
的參數
3. 所有與潛在變項有關的因素負荷量均是模
型的參數
4. 所有測量變項之間或潛在變項之間的迴歸
係數都是模型的參數
5. 與內生變項有關的量數都不是模型的參數
6. 對每一個潛在變項，必須給定一個適當的
潛在量尺
SEM參數設定原則
(Raycov & Marcoulides, 2006)

所有外生變數的變異數
均是模型的估計參數

72
所有自變數之間的共變異數都是
模型的估計參數

73
Amos路徑分析與SPSS迴歸比較
Coefficientsa
-.539 .164 -3.275 .001
.274 .038 .224 7.165 .000
.216 .045 .185 4.763 .000
.590 .046 .471 12.699 .000
(Constant)
ATTavg
SNavg
PBCavg
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig.
Dependent Variable: BIavga.
SPSS輸出結果

共變為何一定要存在
• 迴歸偏相關的估計公式己將共變(相關係數)納
入估計
• 實務上來看，不可能有幾個外生變數同時估計
內生變數，而外生變數之間是不相關的。
1 2 12
1 2 2
2 12(1 )(1 )
b b
b
r r r
b
r r
−
=
− −
x1
x2
y1
b1
r12
b2
d1

所有潛在(觀察)變數變數之間的因素負
荷量均是模型的估計參數

76
所有的觀察(潛在)變數之間的迴歸係
數都是模型的估計參數

內生變數的變異數、共變異數及外
生變數與內生變數之間的共變異數都
不是模型的估計參數
ㄨ
ㄨ

對每一個潛在變項，必須給定一個
適當的潛在量尺
• 潛在變項與一般測量變項最大的不同在其
「不可直接量測」的特性，因此潛在變項
缺乏一個自然存在的尺度，也就是沒有單
位。
• 因此，必須以人為的手段設定尺度，讓潛
在變數可以解讀。

79
• SEM最常使用的方法是將「外生潛在變
項」變異數設為1;或將潛在變項其中的
一個「測量變項與潛在變項」的因素負
荷量設為1。
• 兩種方法結果模型配適度不變，但因素
負荷量會有稍微的差異。
SEM參數設定原則-第6原則探討

80
SEM參數設定原則-第6原則探討

81
驗證式因素分析
• 一階驗證性因素分析
• 組成信度 (CR)與變異數萃取量 (AVE)
• 收斂效度及區別效度

82
一階驗證性因素分析

構面無相關語法
• TAM CFA for practice
• Latent Variables 態度易用性有用性行為意圖
• Relationships
• ATT1 = 1*態度
• ATT2 ATT3 = 態度
• EOU1 = 1*易用性
• EOU2 EOU3 = 易用性
• UF1 = 1*有用性
• UF2 UF3 = 有用性
• BI1 = 1*行為意圖
• BI2 BI3 = 行為意圖
• Set Covariance of 態度 and 易用性 =0
• Set Covariance of 態度 and 有用性 =0
• Set Covariance of 態度 and 行為意圖 =0
• Set Covariance of 易用性 and 有用性 =0
• Set Covariance of 易用性 and 行為意圖 =0
• Set Covariance of 有用性 and 行為意圖 =0
• Path Diagram
• End of Problem http://www.semsoeasy.com.tw/

84
CFA分析時常見的問題
1.因素中負荷量不高，如小於0.45。
– 問卷設計不良，缺乏信度
– 觀察變數指定到其它構面(Kline, 2011)
2.因素中負荷量有些超過1。
– 觀察變數之間有共線性
3.因素負荷量部份不錯大於0.7，
部份不佳小於0.5。
– 潛在構面可能不是一個，而是兩個潛
在構面

85
CFA分析時常見的問題(續)
4.因素負荷量都不錯，大於0.7，
但模型配適度不佳。
– 殘差不獨立，即樣本不獨立
5.因素負荷量為負值
– 表反向題忘了轉向
6.CFA根本跑不出來
– 觀察變數之間相關太低
– 觀察變數之間相關為 “1”

86
組成信度(composite reliability; CR)
• CR值是所有測量變項信度的組合，表示構念指
標的內部一致性，雷同於cronbach α，CR愈高
表示構念的內部一致性愈高，0.7是可接受的門
檻( Hair,1997) ,Fornell and Larcker (1981)
建議值為0.6以上。
• 計算公式
– 構念的組成信度＝(Σ標準化因素負荷量)2/
((Σ標準化因素負荷量)2+(Σ各測量變項的測
量誤差))
(Jöreskog and Sörbom, 1996) 。

87
變異抽取量
(Average of variance extracted，AVE)
• AVE是計算潛在變數之測量變數的變異數解釋力，
若AVE愈高，則表示構念有愈高的信度與收斂效
度。理想上標準值須大於0.5 Fornell and
Larcker(1981) ，0.36~0.5為可接受門檻。
• 計算公式
– AVE=Σ(因素負荷量2)/((Σ因素負荷量)2+
(Σ各測量變項的測量誤差))
(Jöreskog and Sörbom , 1996)

開啟CR & AVE.xls

收斂效度
構面指標
非標準化因
素負荷量
標準誤 P值
標準化因
素負荷量
CR AVE
態度
ATT1 1.000 .69
.768 .525ATT2 1.089 .127 .000 .73
ATT3 1.102 .128 .000 .70
易用
性
EOU1 1.000 .77
.784 .548EOU2 .876 .088 .000 .74
EOU3 .863 .087 .000 .71
有用
性
UF1 1.000 .71
.760 .514UF2 1.143 .128 .000 .74
UF3 .975 .110 .000 .70
行為
意圖
BI1 1.000 .75
.895 .741BI2 1.241 .079 .000 .95
BI3 1.172 .076 .000 .87

AVE區別效度
態度易用性有用性行為意圖
態度 .725
易用性 .690 .740
有用性 .684 .757 .717
行為意圖 .556 .495 .641 .861
對角線粗體為AVE開根號值,
相關如果小於AVE開根號值,則
稱為構面具區別效度

TAM結構模型
• Simplis語法

Simplis語法
• TamSEM Model
• Latent Variables 有用性態度行為意圖易用性
• Relationships
• UF1 = 1.00*有用性
• UF2 UF3 = 有用性
• BI1 = 1.00*行為意圖
• BI2 BI3 = 行為意圖
• ATT1 = 1.00*態度
• ATT2 ATT3 = 態度
• EOU1 = 1.00*易用性
• EOU2 EOU3 = 易用性
• 態度 = 有用性易用性
• 行為意圖 = 有用性態度
• 有用性 = 易用性
• Path Diagram
• End of Problem

Lisrel輸出圖

Lisrel Output
• 迴歸係數的估計

Lisrel Output
• Effect size的估計
– 外生變數對內生變數的影響力(Cohen, 1988)
– 0.02(weak), 0.15(moderate), 0.35(strong)
f2=(R 2
full model – R 2
partial model) ÷ (1 – R 2
full model)

最後一哩路
• 仍有許多我們需要的結果在lisrel輸出上並
未看到,如標準化因素負荷量及標準化的迴
歸係數.
• 因為simplis內鍵的訊息有限,因此要藉由
lisrel語法加強輸出功能
• Lisrel output或options則會用到,請將之插
入在path diagram之前

Lisrel 詳細的輸出
• lisrel output SC ND=3 MI

非標準化因素負荷量

非標準化迴歸係數

潛在構面共變異數矩陣

R-square

非標準化殘差

Modification Indices and
Expected Change

標準化因素負荷量

106
lisrel 輸出解釋
1. 絕對配適指標
– 可解釋為樣本共變異數矩陣被模型共變異數矩陣解釋
的比例，類似於R2。
2. 增值配適指標
– 研究模型的配適度與統計基本模型比較改善的程度，
基本模型指的是獨立(虛無)模型。
3. 精簡配適指標
– 決定研究模型是否太過複雜，同一筆樣本資料但相似
的模型以精簡指標愈大者愈好。
4. 競爭配適指標
– 非巢狀模型比較用的配適指標，愈小愈好，沒有標準
值。

配適度指標的限制(Kline,2011,P192~193)
1. 配適度指標的值只是模型的整體配適度或
平均值而已，因此在模型的某些題目仍會
有較大的差異。
2. SEM沒有萬用的指標
– 每一個配適度指標，僅表示資料某一面向的訊
息，因此某一指標良好，不表示模型配適良好
3. 配適度指標的值與模型是否設定是否正確
沒太大的相關
– 如模型有4個構面，而且配適度好，並不代表
你的模型是對的，僅能告訴大家模型與樣本資
料的配適良好。

配適度指標的限制(Kline,2011,P192~193)
• 良好的配適度不代表有良好的統計檢定力
及解釋能力
– 變數之間相關愈低，愈容易得到良好的
模型配適度。
• 配適度指標不能用來解釋成理論是具有意
義的
– 如某一迴歸估計值的符號方向與理論值相反，
即使配適度良好，也不能說是正確的，須要有
良好的解釋。

109
絕對配適指標
理論模型與飽和模型比較所得的統計量
1. χ2 test (卡方值) 愈小愈好
2. p值 (未達顯著水準) p>0.05
3. Normed Chi-square (NC)=χ2 /df
3>NC>1 (嚴謹) NC<5 (寛鬆)
4. GFI (配適度) >0.90
5. AGFI (調整後…) >0.90

110
絕對配適指標
理論模型與飽和模型比較所得的統計量
5. RMR (殘差均方和平方根) <0.05
6. SRMR (標準化…) <0.05
7. RMSEA(漸近…) <0.08(配適尚可)
<0.05(良好)
8. HOELTER(CN) >200

P值顯著的爭議
• 實務上卡方值不是個很實用的配適度指標
• P值在200個樣本以上，幾乎所有的研究都
是顯著的，因此佐以其它的配適度指標協
助判斷Tanaka (1993), Maruyama (1998) 。
Maruyama, G. (1998). Basics of Structural Equation Modeling. Thousand
Oaks CA: Sage.
Tanaka, J.S. (1993). Multifaceted conceptions of fit in structural equation
models. In K.A. Bollen, & J.S. Long (eds.), Testing structural equation
models. Newbury Park, CA: Sage.

112
增值配適指標
理論模型與獨立模型比較所得的統計量
1. NFI(規範適配指標) >0.9
2. RFI(相對…) >0.9
3. IFI(增值…) >0.9
4. TLI(非規範…,NNFI) >0.9
5. CFI (比較…) >0.9

113
精簡配適指標
罰懲估計參數多的模型
1. PGFI (簡約配適度指標) >0.50
2. PNFI (簡約後規範…) >0.50
3. PCFI (簡約後適配指標) >0.50

115
競爭配適指標
 兩個模型以上才適用
1. NCP (非集中性參數) 愈小愈好
2. SNCP(尺度化…) 愈小愈好
3. ECVI (期望交叉效度指標) 愈小愈好
4. AIC (赤池資訊標準) 越小越好
5. CAIC (一致性…) 越小越好
6. BCC (Browne-Cudeck 標準) 越小越好
7. BIC(貝氏資訊標準) 越小越好
ECVI、AIC及BIC是較常用的競爭配適度指標

116
結論
• 模式愈複雜(自由度愈少) ，配適度會愈好
• 樣本愈大，愈容易拒絕(p<0.05) ，愈容易犯型二
錯誤。
• Chi-square指標在違反多元常態下，容易膨脹，
通常以 “chi-square/自由度” 修正。
• GFI值隨著樣本數及估計參數的增加而增加。
• AGFI樣本數小時容易被低估。
• SRMR隨著樣本數及估計參數增加而變小。
• NCP值隨著樣本數增加而增加。
• CFI(樣本數小時表現良好)較不受樣本數的影響。
• RMSEA較不受樣本數的影響。
• NFI會隨著估計參數的增加而增加，
因此以NNFI(TLI)取代

117

118118
三星統計服務有限公司

SEM與LISREL基礎班講義20130112-三星統計張偉豪顧問

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to SEM與LISREL基礎班講義20130112-三星統計張偉豪顧問

Similar to SEM與LISREL基礎班講義20130112-三星統計張偉豪顧問 (20)

More from Beckett Hsieh

More from Beckett Hsieh (20)

Recently uploaded

Recently uploaded (10)

SEM與LISREL基礎班講義20130112-三星統計張偉豪顧問