<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>学习笔记 on 617wander</title><link>https://617wander.com/categories/%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0.html</link><description>Recent content in 学习笔记 on 617wander created by</description><generator>Hugo -- gohugo.io</generator><language>zh</language><lastBuildDate>Tue, 21 Jul 2026 10:09:19 +0000</lastBuildDate><atom:link href="https://617wander.com/categories/%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0/index.xml" rel="self" type="application/rss+xml"/><item><title>结构方程模型：Fornell-Larcker准则与HTMT</title><link>https://617wander.com/2026/07/fornell-larckerhtmt.html</link><pubDate>Tue, 21 Jul 2026 10:09:19 +0000</pubDate><guid>https://617wander.com/2026/07/fornell-larckerhtmt.html</guid><description>&lt;h2 id="fornell-larcker准则fornell-larcker-criterion"&gt;Fornell-Larcker准则(Fornell-Larcker Criterion)&lt;/h2&gt;
&lt;p&gt;两个指标都用于评估不同潜变量的“区分效度(Discriminant Validity)”。
1981年，由Fornell和Larcker提出，一个潜变量的平均方差提取数(AVE)的平方根，应大于其与其他潜变量的相关系数(Fornell and Larcker 1981)。
表格由潜变量的AVE开平方根(对角线)和非对角线的潜变量间的相关系数构成。
矩阵中，如果对角线上的数值大于非对角线中相关系数的数值,表明区分效度良好。
当样本量小、潜变量之间相关性较高时，检测力不足，实际不具备区分效度的情况下，数值仍显示差异。&lt;/p&gt;
&lt;h2 id="htmt异质量-同质比率heterotrait-monotrait-ratio"&gt;HTMT异质量-同质比率(Heterotrait-Monotrait Ratio)&lt;/h2&gt;
&lt;p&gt;Henseler、Ringle和Sarstedt于2015年提出HTMT，这是对Fornell-Larcker准则的改进，目前引用次数已经超过5万(Henseler, Ringle, and Sarstedt 2015)。
HTMT = 异质特质相关系数的平均值 / 同质特质相关系数的平均值(几何平均)
异质-异质相关(Heterotrait correlations)：不同潜变量的不同指标之间的相关系数
同质-同质相关(Monotrait correlations)：同一潜变量内部不同指标之间的相关系数
HTMT &amp;lt; 0.85表明区分效度良好，HTMT &amp;lt; 0.90则区分效度可接受。&lt;/p&gt;
&lt;h2 id="参考文献"&gt;参考文献：&lt;/h2&gt;
&lt;p&gt;Fornell, Claes, and David F. Larcker. 1981. &amp;ldquo;Evaluating Structural Equation Models with Unobservable Variables and Measurement Error.&amp;rdquo; Journal of Marketing Research 18(1):39–50. doi:&lt;a href="https://doi.org/10.1177/002224378101800104"&gt;10.1177/002224378101800104&lt;/a&gt;.
Henseler, Jörg, Christian M. Ringle, and Marko Sarstedt. 2015. &amp;ldquo;A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling.&amp;rdquo; Journal of the Academy of Marketing Science 43(1):115–35. doi:&lt;a href="https://doi.org/10.1007/s11747-014-0403-8"&gt;10.1007/s11747-014-0403-8&lt;/a&gt;.&lt;/p&gt;</description></item><item><title>结构方程模型：CR和AVE</title><link>https://617wander.com/2026/07/crave.html</link><pubDate>Mon, 13 Jul 2026 10:18:59 +0000</pubDate><guid>https://617wander.com/2026/07/crave.html</guid><description>&lt;h3 id="组合信度composite-reliability-cr"&gt;组合信度（Composite Reliability, CR）&lt;/h3&gt;
&lt;p&gt;组合信度（Composite Reliability, CR）用于衡量一组题项作为整体测量同一个潜变量（因子）的 &lt;strong&gt;内部一致性&lt;/strong&gt;程度，类似于 Cronbach&amp;rsquo;s α，但 CR 基于各题项的实际因子载荷进行加权计算，因此比 α 更准确 （α 假设所有题项权重相等，而 CR 不作此假设）。CR 越高，说明这些题项共同反映该潜变量的可靠性越强。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;判断标准（Fornell &amp;amp; Larcker, 1981)：&lt;/strong&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;CR ≥ 0.70：可接受&lt;/li&gt;
&lt;li&gt;CR ≥ 0.80：较好&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;img src="https://img.617wander.com/20260713121114430.png" alt="Composite Reliability Formula" loading="lazy" decoding="async"&gt;
&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;λ&lt;sub&gt;i&lt;/sub&gt;：第 i 个题项的&lt;strong&gt;标准化因子载荷&lt;/strong&gt;&lt;/li&gt;
&lt;li&gt;Σλ&lt;sub&gt;i&lt;/sub&gt;：该因子下所有题项标准化载荷之和&lt;/li&gt;
&lt;li&gt;Σ(1−λ&lt;sub&gt;i&lt;/sub&gt;&lt;sup&gt;2&lt;/sup&gt;)：该因子下所有题项测量误差方差之和（标准化解中，每个题项方差为 1，因此误差方差 = 1−λ&lt;sub&gt;i&lt;/sub&gt;&lt;sup&gt;2&lt;/sup&gt;）&lt;/li&gt;
&lt;/ul&gt;
&lt;hr&gt;
&lt;h3 id="平均方差抽取量average-variance-extracted-ave"&gt;平均方差抽取量（Average Variance Extracted, AVE）&lt;/h3&gt;
&lt;p&gt;平均方差抽取量（Average Variance Extracted, AVE）用于衡量该因子平均能够解释其题项 &lt;strong&gt;多大比例的方差&lt;/strong&gt;，剩余部分归为测量误差，反映测量模型中&amp;quot;信号&amp;quot;相对于&amp;quot;噪声&amp;quot;的比例。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;判断标准（Fornell &amp;amp; Larcker, 1981)：&lt;/strong&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;AVE ≥ 0.50：达到收敛效度（Convergent Validity）的要求，即该因子解释的方差大于误差方差。&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;img src="https://img.617wander.com/20260713121155796.png" alt="Average Variance Extracted Formula" loading="lazy" decoding="async"&gt;
&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;λ&lt;sub&gt;i&lt;/sub&gt;&lt;sup&gt;2&lt;/sup&gt;：每个题项标准化因子载荷的平方&lt;/li&gt;
&lt;li&gt;n：该因子的题项数量&lt;/li&gt;
&lt;li&gt;计算方法：将所有题项的载荷平方加总，再除以题项数（取平均）。&lt;/li&gt;
&lt;/ul&gt;</description></item></channel></rss>