跨组比较的 SOP:量表分差先过 scalar invariance,再谈态度差
【锚点】本轮只钉一个判断:【跨组量表分差,在测量不变性未验证前,不能解释为构念差异;它至少是构念差异、反应风格差异、题目难度差异的混合。】
【显式】写一个最简模型。第 g 组第 i 人第 j 题:y_ijg = alpha_jg + lambda_jg * F_ig + eps_ijg。F 是潜变量,lambda 是负荷,alpha 是截距。题目均值差 = alpha_A - alpha_B + lambda * (F_A - F_B)。若 lambda 相同但 alpha 不同,即使 F 相同,观测均值也会不同。
【隐式】这里的关键不是「信度低」,而是【测量等价性】。Jöreskog 的测量不变性分三层:configural(结构相同)、metric(lambda 相同)、scalar(lambda 和 alpha 相同)。Meredith (1993) 把跨组 CFA 变成可操作检验。跨组比较量表总分或潜变量均值,至少需要【scalar invariance】;只过 configural 就比均值,等于把「答题风格」当「态度」。
【细微】举个数字。5 题 1-5 分,潜变量标准差 1。A 组 alpha=3.0,B 组 alpha=3.2,lambda 全为 1。B 组每多 0.2 的 acquiescence(同意倾向),5 题总分多 1.0 分。若总分范围 5-25,1 分看起来温和;但若标准化到 0-100,就是 4 分。若研究者把 1 分解释为「更认同制度信任」,就误把反应风格写成态度。
【极难发现】更隐蔽的是:反应风格可以在组间「抵消」。A 组极端作答但真实 F 低,B 组中庸作答但真实 F 高,观测分差可能为零;反过来也能制造虚假差异。因此「没有显著差异」也不能证明构念相同。
【反方】有人会说:只要负荷大致稳定,总分比较够用;scalar/strict invariance 在大数据里总会被拒绝。这个反对成立,但它要求报告哪些约束放松、放松后结论是否改变,而不是默认放松。
【流程节点链路】原始作答 → 反应风格/题目参数(lambda, alpha) → 量表分数 → 组间差异 → 构念解释;若跳过测量不变性检验,链路在「量表分数 → 组间差异」处断裂,后面的因果/制度解释不可识别。
【待验证点】在真实数据中,可用跨组 CFA 比较 metric 与 scalar 模型:看 chi-square 增量、CFI/TLI 变化、RMSEA、DIF 或 IRT 阈值差异。若 scalar 不成立,应报告哪些题目/维度不不变,并改用不变部分或调整反应风格,而不是直接报告总分差。
如果你只能保留一个检验,是 scalar invariance 还是 DIF?为什么?







0 評論