结构方程模型建模思路及Amos操作–组成信度和平均萃取量的计算

更正：文中态度对应的θ不是0.954 应该是0.345

另外一篇原理介绍可以参考：组合信度，平均方差抽取率你知道原理吗？ 

组成信度(composite reliability; CR)

CR值作为检验潜在变量的信度指标，这种信度检验值也称为构成信度（construct reliability）。类似cronbach α，CR值越高，表示内部一致性越高，0.7是可以接受的门槛( Hair,1997) ,Fornell and Larcker (1981)建议在0.6以上。

计算

各个潜在变量的组成信度由因素负荷量（标准化回归系数）的估计值计算，组成信度=（Σ标准的因素负荷量）^2/[（Σ标准化因素负荷量）^2+(Σ个测量变量的测量误差)] (Jöreskog and Sörbom, 1996)，见下图。

公式左边：就是CR（ρ下标c我打不出来，将就看）

λ：是指标因素负荷量（indicator loading），因素负荷量代表指标变量能测到潜变量特质的程度（λ大于0.71为理想）。

λ平方：代表个别观察变量的指标信度（indicator reliability），Bagozzi 和Yi（1988）认为λ平方大于0.5为佳。

θ：观察变量的误差变异值（indicator error variance），也就是测量误差值。

来来来，咱们开始实操计算

每一个潜在变量有一个组成信度，我建的模型里面有三个潜变量，前情回顾，模型见下图。

我们以潜变量“行为意图”来说哈，这个潜变量有三个观察变量，“行为”、“态度”、“CC”。

点开output，标准化回归权重那里（standardized regression weights），红色框起来的就是λ值。

继续点开output里面的squared multiple correlation，红色框起来的就是计算θ值的指标信度。

所以“行为意图”的CR值见下图。

平均萃取量(Average of variance extracted，AVE)

另一个和CR类似的指标就是AVE，AVE计算潜在变量的变异解释能力，即直接显示被潜在变量所解释的变异量有多少是来自测量误差，如果AVE越高，指标变量被潜在变量解释的变异百分比越大，相对的测量误差就越小，表示测量问卷有较高的信度和收敛效度。理想值需大于0.5 Fornell and Larcker(1981) ，0.36~0.5为可以接受的门槛。

AVE的计算公式见下图。

和CR的区别就是平方有变动。所以“行为意图”的AVE值见下图。

OK，就这样结束啦。