多層次結構方程模式分析 Multilevel Structural Equation Modeling

1. 多層次結構方程模式分析Multilevel Structural Equation Modeling 叢集取樣資料分析 組間差異的比較與檢驗 多層次混合模型檢驗 SEM advanced

2.                                                                                                                                       疊羅漢的故事                                                                                                                                            SEM advanced      

3. 階層線性模式的抽樣架構 SEM advanced

4. 潛移默化、耳濡目染個體受到次文化的影響：文化鑲嵌潛移默化、耳濡目染個體受到次文化的影響：文化鑲嵌 社會 學校 家庭 個體 SEM advanced

5. 多層次：When and Why • 叢集取樣Hierarchical Structure Sampling • Student nested in Teacher nested in School • Employee nested in Leaders nested in departments • 脈絡效果Contextual Effects / Collective Mind • There is contextual influence on individual, resulting in collective pattern of behavior and/or mind • 組內相關High Intra-Class Correlation (ICC) • Significant Variation Between Clusters • High homogeneity among subject and heterogeneity among groups SEM advanced

6. 多層次模型的分析 • Regression Approach: HLM • 以多元迴歸分析為基礎 • 變數為顯性變數 • 重視調節效果 • Latent Variable Approach: MLSEM • 以因素分析為基礎 • 變數為潛在變數 • 重視構念的定義與萃取 SEM advanced

7. HLM分析圖示 (溫福星) SEM advanced

8. R2=.85 .895 能力特質 組間 評定結果組間 .790 .493 專業能力 組內 類我程度 組內 評定結果 組內 .409 R2=.73 Multilevel Structural Equation Modeling SEM advanced

9. 觀察變數的拆解： • 共變矩陣的拆解： • 組內共變矩陣（SW） • 組間共變矩陣（SB） • ICC（Intra-Class Coefficient ） • 組間變異數除以總變異數的比值 • 反映組間差異強度 SEM advanced

10. 潛在變項模式 • 估計矩陣（Σ） • 由假設模型所導出的共變矩陣 • 由潛在因素與誤差所組成 • 多層次CFA • 組間估計矩陣（ΣB） • 組內估計矩陣（ΣW） • ΣB與ΣW為獨立直交 • 假設模型ηB與ηW結構可以相同，也可以不同 • 潛在模型ICC • 觀察變數的組內與組間的潛在變數的變異數ΨB與ΨW各自佔總潛在變數變異的比例 SEM advanced ICC=

11. 母體矩陣的估計 • ΣW • 以整合組內觀察矩陣（SPW）（pooled within-group sample matrix）估計之 • ΣB • 以組間觀察矩陣（ ）推估 • 由各組i個個體以非聚合（disaggregated）資料導出的平均數來計算 • 為ΣB與ΣW的線性整合加權估計數 SEM advanced

12. 平衡模式（balanced model） • 各組觀察值數目相等 • 權數c（常數）為各組人數，作為組間觀察矩陣調整加權之用 • 非平衡模式（un-balanced model） • 各組觀察值數目不相等，c為變數 • SPW仍是母體矩陣（ΣW）的最大概似估計數 • SEM估計必須視每一組為不同的模型，才能利用完全訊息最大概似估計法（Full Information Maximum Likelihood; FIML）來估計參數，造成模式極端複雜化 • Muthen（1989, 1990）建議忽略各組人數差異的影響，改以非常接近平均組人數的事後估計組人數（c*）來取代參數c，為受限的最大概似估計解（Limited Information Maximum Likelihood; LIML） SEM advanced

13. 多層次路徑模式 • 單層路徑模式： • 多層次：方程式中帶有組別區隔 • 為組內迴歸的解釋殘差，服從期望值為0的隨機常態分配 • 各組平均數：以截距項表示 • reduced form of the model • 潛在變項的路徑模式 SEM advanced

14. 一般多層次路徑模式 • 多層次路徑模式 • 實際估計以MPLUS最便捷 SEM advanced

15. MPLUS syntax of ML-CFA TITLE: two-level CFA with two factors on the within level and two between level DATA: FILE IS gcfaa.dat; VARIABLE: NAMES ARE e1-e4 s1-s3 clus; CLUSTER = clus; ANALYSIS: TYPE IS TWOLEVEL; ESTIMATOR IS ML; MODEL: %WITHIN% exp1 BY e1-e4; similar1 BY s1-s3; similar1 with exp1; %BETWEEN% general BY e1-e4 s1-s3; OUTPUT: SAMPSTAT; STANDARDIZED; SEM advanced

16. SEM advanced

17. MPLUS for ML-SEM TITLE: 2level PATH ANALYSIS FOR CFA with two WITHING factors and ONE between level DATA: FILE IS g1d.dat; VARIABLE: NAMES ARE e1-e4 s1-s3 RA1-RA3 clus; CLUSTER = clus; ANALYSIS: TYPE IS TWOLEVEL; MODEL: %WITHIN% exp1 BY e1-e4; similar1 BY s1-s3; RATING1 BY RA1-RA3; Rating1 on exp1 similar1; %BETWEEN% General BY e1-e4 s1-s3; RATING2 BY RA1-RA3; Rating2 on General; OUTPUT: SAMPSTAT; STANDARDIZED; SEM advanced

18. Multilevel SEM SEM advanced

19. 總體層次潛在路徑模型參數估計結果 SEM advanced

20. Thanks You Very Much SEM advanced