本文大纲：
- 检验方法
- 检验步骤
- 结果报告
- 统计软件中实际操作
跨文化研究（cross-cultural research）中，量表通常会被翻译成很多版本以测试来自不同国家的被试，对不同区域的被试还可能采用不同形式测量（纸笔形式/线上问卷），跨文化研究也会涉及对同一组被试的多次重复测试（比如，追溯研究longitudinal study）……在这些情况下，我们希望我们的量表对不同的人、以不同的方式、在不同时间点测得都是同样的东西。测量不变性（Measurement Invariance）就可以告诉我们这个量表在不同次测量中是否具有一致性（统计模型上讲，就是观测到的变量和潜在因子间的关系的一致性）。
一、检验方法
研究中检验测量不变性主要有三种方法：1. 验证性因子分析法（Multigroup Confirmatory Factor Analysis，MCFA)、2.项目反应理论（Item Response Theory ，IRT)、3. 潜在因子分析（Latent Class Factor Analysis，LCFA，用于离散变量）。(Kankaras et al., 2011 )
根据数据类型选择合适的检验方式：
- 连续（continuous）潜在变量：验证性因子分析法MCFA(详见“结构方程模型(Structural Equation Model, SEM) 三上"）；项目反应理论（IRT，item Response theory）。
- 当遇到等级（ordinal）数据时：不使用假设正态分布的最大似然值估计（maximum likelihood ，ML)，而需要使用以下方法以减小对参数估计的偏差：潜在反应变量转换（Latent response variables， LRV） transformation；2.稳健的加权最小二乘法计（robust weighted least square mean and variance adjusted，WLSMV）；3. 基于前者的DIFFTEST法。（李&刘，2011）
- 离散（discrete）潜在变量：潜在剖面分析(Latent Profile Analysis, LPA)，也称高斯(有限)混合模型（gaussian (finite) mixture model）或潜在类别分析(Latent Class Analysis, LCA)，也称二项(有限)混合模型（binomial (finite) mixture model）。
LPA。适用于潜在因子为分类变量（比如性别），观测变量为连续变量（比如身高）的数据：
LCA。比如艾森克人格问卷（Eysenck Personality Questionnaire，EPQ）-成人版有88个是否题，这些题目可以被分为四大类，分别测内外向、神经质、精神质、掩饰性。
二、检验步骤
目前，常用的检验步骤如下图(Vandenberg & Lance, 2000)：
- 实践中，满足所有步骤等值的这个要求过于苛刻，要满足跨组/跨时间的严格等值是被公认的难。
关于验证性因子分析模型和字母的含义，可以回顾“结构方程模型(Structural Equation Model, SEM) 三上”
- θ估计模型参数的向量
- ν项的截距的向量
- Λ因子载荷矩阵
- α因子的平均向量
- Ψ因子的协方差矩阵
- Θ残差的协方差矩阵
下面主要讲对连续正态分布的数据的检验步骤和方式。
- 形态等值(Configural Invariance)：也称因素模式等同、构形不变性、相等形式，检验潜变量的构成形态或模式（structure）。严格来讲，不属于测量不变性检验的一部分，因为只要求因子（潜在变量）和项（观测变量）间的基本结构关系相同，而不对任何参数设定限制。形态等值模型也因此被用作基线模型（baseline model）。
*形态等值性是其他测量不变性检验的前提条件，只有满足了形态等值（不同组别的因子结构都是相同的），才进行后述的检验步骤的有意义。
2. 单位等值(Metric invariance)或弱等值(Weak Invariance)，也称度量不变性/弱（阶乘）不变性/等因子负荷，检验测量因子与项之间的关系——因子负荷（factor loading）是否跨组等值，即是否满足Λg = Λg′。等因子负荷意味着观测项和潜在因子之间在不同组间具有着相同的意义，即不同组别的被试对同一个构念（construct）的理解是一致的。
弱等值性是在形态等值性的基础上进行的。为了检验弱等值，我们使用卡方检验（chi-square difference test）比较度量模型（不同组别的因子负荷被限制为相等）和基线模型的拟合优度。如果模型拟合度没有显著差异，则意味着因子负荷是不变的。如果完全弱等值不成立，可以测试部分弱等值（partial weak invariance）是否成立。
3. 尺度等值(Scalar invariance)或强等值(Strong Invariance)，也称标量不变性/强（阶乘）不变性/等截距：检验观测变量的截距（intercept）是否跨组等值，即是否满足 τg = τg′。
等截距意味着不同组别被试对测量内容的系统倾向性一致，也意味着不同组被试如果对一个潜在构念有赋值相同，则对此构念包含的项的赋值也相同。因此，强等值检验也在临床医学被用于检验干预的效果，如果干预起了作用，则强等值不成立。
强等值性是在弱等值性的基础上进行的。为了检验强等值，我们比较标量模型（不同组别的因子负荷、截距被限制为相等）与度量模型的拟合。如果模型拟合度没有显著差异，则意味着观测变量的截距是不变的。如果完全强等值不成立，可以测试部分强等值（partial strong invariance）是否成立。
4. 严格等值( Strict Invariance)
严格（阶乘）等值有两级，严格等值可作为残差同质性检验/用于信度检验（衡量随机测量误差的大小）：
（4.1）因子方差等值 (Factor Variance Invariance)：检验因子的方差（factor variances）是否跨组等值，即是否满足Φg = Φg′。等因子方差表示在预测构造时的总体误差一致，也意味着不同组的潜在因子的实际（真）分数是一致的。
(4.2)误差方差等值(Error Variance invariance)或：检验误差方差（error/residual variances）是否跨组等值，即是否满足Θg = Θg′。等误差方差意味着单个项的残差的方差不变，也意味着不同组的检验变量的实际（真）分数是一致的。
- 严格等值性是在强等值性的基础上进行的。为了检验严格等值，我们比较严格等值模型（不同组别的因子负荷、截距、因子方差/残差方差被限制为相等）与标量模型的拟合。如果完全严格等值不成立，可以测试部分严格等值（partial strictinvariance）是否成立。
*以下为非强制检测，通常不做报告：
5. 因子协方差等值(Factor Covariance Invariance)：检验因子协方差（factor covariances是否跨组等值，即是否满足Φxg = Φxg′。等因子协方差意味着吧不同组别的潜在因子之间的关系一致。
因子协方差等值和因子方差通常合并检验，称作因子方差-协方差等值检验。
6. 潜在均值等值(Latent Mean Invariance)：检验潜变量的均值(factor means)是否跨组等值，即是否满足κg=κg’。等潜在均值意味着，测试中出现的跨组差异不是测量方式本身造成的差异，而确实是由理论假设的真实差异。
为了检验潜在均值等值，我们比较潜在均值等值模型（不同组别的因子负荷、截距、因子方差/残差方差、均值被限制为相等）与因子协方差等值模型的拟合。
三、结果报告
关于拟合优度指数，可以回顾“结构方程模型(Structural Equation Model, SEM) 二下”。
例一
例二
四、统计软件中实操
R
方法1 semTools包
library(lavaan)
library(semTools)
HW.model <- ' visual =~ x1 + x2 + x3
textual =~ x4 + x5 + x6
speed =~ x7 + x8 + x9 ' measurementInvariance(HW.model, data=HolzingerSwineford1939, group="school")
方法2 lavaan包
- 构形不变性/相等形式（Configural Invariance/ Equal Form）
ConfigModel <- 'MATH =~ wratcalc + wjcalc + waiscalc
SPELL =~ wratspl + wjspl + waisspl'
ConfigOutput <- cfa(model = ConfigModel, data = dat, http:// std.lv = TRUE,
missing = "fiml", mimic = "Mplus", group = "gender")
summary(ConfigOutput, standardized = TRUE, fit.measures = TRUE)
2. 度量不变性/弱不变性/等因子负荷 （Metric Invariance/ Weak Factorial Invariance /Equal Factor Loadings)
metricModel <-
' MATH =~ c(NA, NA)*wratcalc + wjcalc + waiscalc
## 自由估计两组的第一个因子负荷
MATH ~~ c(NA, 1)*MATH
## 将男性组的因子MATH的方差固定为1，女性组的可自由估计
MATH ~ c(0, 0)*1
SPELL =~ c(NA, NA)*wratspl + wjspl + waisspl
## 自由估计两组的第一个因子负荷
SPELL ~~ c(NA, 1)*SPELL
## 将男性组的因子SPELL的方差固定为1，女性组的自由估计
SPELL ~ c(0, 0)*1
'
metricOutput <- cfa(model = metricModel, data = dat,
missing = "fiml", mimic = "Mplus",
group = "gender", group.equal = "loadings")
summary(metricOutput, standardized = TRUE, fit.measures = TRUE)
3. 标量不变性/强阶乘不变性/等截距（Scalar Invariance/Strong Factorial Invariance/Equal Intercepts)
scalarModel <- 'MATH =~ c(NA, NA)*wratcalc + wjcalc + waiscalc
MATH ~~ c(NA, 1)*MATH
MATH ~ c(NA, 0)*1
SPELL =~ c(NA, NA)*wratspl + wjspl + waisspl
SPELL ~~ c(NA, 1)*SPELL
SPELL ~ c(NA, 0)*1'
scalarOutput <- cfa(model = scalarModel, data = dat,
missing = "fiml", mimic = "Mplus",
group = "gender", group.equal = c("loadings", "intercepts"))
summary(scalarOutput, standardized = TRUE, fit.measures = TRUE)
Mplus
对于组间差异：
- 构形不变性/相等形式（Configural Invariance/ Equal Form）
2.度量不变性/弱不变性/等因子负荷 （Metric Invariance/ Weak Factorial Invariance /Equal Factor Loadings)
3.标量不变性/强不变性/等截距（Scalar Invariance/Strong Factorial Invariance/Equal Intercepts)
4. 误差方差等值/严格等值（Error variance/residual invariance/Strict Invariance)
对于有前后测的数据：
- 构形不变性/相等形式（Configural Invariance/ Equal Form）
2. 度量不变性/弱不变性/等因子负荷 （Metric Invariance/ Weak Factorial Invariance /Equal Factor Loadings)
3. 标量不变性/强不变性/等截距（Scalar Invariance/Strong Factorial Invariance/Equal Intercepts)
4. 1 因子方差等值 (Factor Variance Invariance)
4.2 误差方差等值/严格等值（Error variance/residual invariance/Strict Invariance) 严格等值
AMOS
参见《結構方程模式理論與實務：圖解AMOS取向》by李茂能
LISREL
Refer to Vandenberg & Lance (2000).
附录B是测因子均值不变性（Test of Invariant Factor Mean)。
完。
2228
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
