摘要
ML和GLS是結構方程模式分析最常使用的參數估計法,兩種方法是基於常態分配假設來進行估計,然而,真實資料卻時常違反常態性假設。在此情形下,基於這二種估計法所求得的參數是否可靠,值得商榷。本研究旨在比較不同非常態情形下,這二種方法與四種不受常態性假設影響的強韌統計方法(ADF, SCALED, bootstrap-Mo和bootstrap-MA)第一類錯誤率控制情形。結果發現:ML與GLS在所有非常態模擬資料,即使樣本數高達5,000,二者的第一類錯誤率超過35%。而ADF容易受小樣本影響產生過高的第一類錯誤率。SCALED, bootstrap-Mo和bootstrap-MA較不易受樣本數影響,且可降低非常態所造成的問題。最後,提出未來研究與實務的建議。
關鍵字: | ADF; SCALED; bootstrapping; covariance structure |
---|
[英文版 | 目錄 | 教育與心理研究 | 其他文獻 | 訂講表格 | 查詢 ]