结构方程建模 | 题目打包策略简述
题目打包策略简述
结构方程建模，对样本容量有一定的要求。有建议说样本容量应当是题目（指标)数量的10倍以上，或者是自由参数的5倍以上。可见，题目越多，所需样本容量越大。题目数量很多时，要估计的参数也多，若样本容量少，直接用原始题目建模容易产生较大的参数估计偏倚。 Bandalos (2002)的模拟研究显示，在单维、样本容量为100，严重非正态的情况下，直接使用原始题目建模可产生高达29.5%的参数估计偏倚。
题目打包法( item parceling，也译为题目组合法或题目小组法)是解决此类问题的一种有效方法。题目打包法是将同一量表的两个或以上题目打包成一个新指标，用合成分数(总分或均值)作为新指标的分数进行分析。例如，一个量表原来有9个题目，可将每3个题目作为一个题目小组计算合成分数(小组内题目数也可以不相等)，形成3个新指标，打包法直接用3个新指标进行分析。尽管打包法在结构方程建模中应用普遍，许多结构方程模型应用文章中使用了打包法，但不少应用工作者对于题目为何要打包、打包的前提条件是什么、用哪种策略打包比较好等问题并不十分清楚。
总的来说，打包法的优点包括：提高共同度和建模效率，提高指标信度和模型的拟合度，减少随机误差和非正态现象，让估计更稳定，更易收敛。然而，使用打包法需要满足一定的前提条件。若应用不当，可能导致参数估计偏差，模型错误及维度错误等问题，使研究结果不准确，甚至得出错误的结论。
打包法的前提条件是单维、同质；适合进行结构模型分析。满足前提条件后，若已有数据的心理测量特征不理想(如非正态)；违背了SEM分析假设(如误差相关)；样本容量小，模型复杂、共同度低，可以尝试使用打包法。但如果前提条件不满足，不应当使用打包法，否则，运用打包法产生的小组误差足以使研究结果发生实质性的改变。特别要注意的是，打包法不适合用于测量模型的因子分析或测量模型的多组比较。
满足了打包的前提条件后，使用何种打包策略好呢？文献上可以找到6种打包策略：因子法、相关法、对称法、随机法、独特信息法、误差相关法。这些策略可总结成三种不同的思路：（1)缩小组内差异，增大组间差异。如因子法中的类似负荷打包法，相关法、对称法、独特信息法；（2)忽略组内差异，尽量缩小组间的差异。如因子法中的平衡法；（3)随机打包。
参考文献：吴艳, & 温忠麟. (2011). 结构方程建模中的题目打包策略. 心理科学进展, 19(12), 1859-1867.
声明：部分文章和信息来源于互联网，如转载内容涉及版权等问题，请立即与小编联系，我们将迅速采取适当的措施。
感谢您抽出
更多精彩请点击下列分类文章
↓↓↓
双方之间的气氛更有助于患者认识到他投射给治疗师的某种东西可能是不恰当的。