4# littlewise

两种策略也都有一些不足，应当同时说明
策略一：通常导致模型拟合效果变差
策略二：破坏了维度结构，理论上的解释可能会困难

如何采用项目包技术来使模型得到更好的构建
本文来自: 人大经济论坛 详细出处参考：http://www.pinggu.org/bbs/viewth ... &from^^uid=359263

同求

新手，同问，希望大虾解答！

首先，要看你的潜变量的性质，是一维的，还是多维的，如果是一维的话，直接把条目加总或平均就可以了，至于分成几个指标看你自己的需要没有特定的数目，一般为3个或4个。如果是多维的，就比较麻烦，一般有两种策略：一是以子维度为指标，把子维度下的各个条目加总或平均，测量指标的数目与子维度的数目是相同的；第二种策略为平衡策略，简单来说就是根据每个条目的载荷来进行组合。比如有4个子维度（ABCD），每个子维度下面有5个条目，那么，在做完测量模型的CFA后，每个子维度下的5个条目可以按照载荷的大小从高到低排列，组成指标的话就是先取每个子维度下载荷最高的那个条目，扔到各个项目包（指标）下，然后再取第二高的条目，与第一次的顺序相反一次扔到各个项目包（指标下），具体的：
项目包1   项目包2   项目包3   项目包4
A1                B1         C1         D1
D2               C2         B2         A2
以此类推，直到把所有的项目扔到每个项目包里，并且最终要使每个项目包包含的条目所属的子维度数目均衡。而指标或项目包的数量也是随意的，根据自己的研究需要来决定，不一定是子维度的个数。
好像还挺复杂的，不知道说清楚了没有。
另，项目包的拟合结果以潜变量是一维的为最好，多维的拟合结果及参数估计与使用条目进行估计有所差别，但做多维项目包时一定要事先设计好，具体的请参考To parcel or not toparcel-exploring the question, weighing the merits，如需分享请发邮件给我：nekosakula@yahoo.com.cn

使用项目包技术，列举几种方法。
1 随机分配组合法 即把项目随机分配到每个项目小组中，使项目小组在性质上和分数上大致等同。这种假设前提是所有项目均为单向度，否则组合后的项目就会给潜在因素带来一定估计偏差。
2 平衡组合法 这种方法以一定的规则来使影响指标性质的因素在项目小组之间保持平衡，这些因素包括项目负荷或项目相关等。保持项目负荷平衡的方法称之为主成分分析法。它设定量表所有项目负荷在单个因子上，并以项目负荷作为引导。在组合时，首先把负荷最高的几个项目放到各个项目小组，然后按照反方向加入次高项目进行平衡。如果有更多项目，程序依此类推，直到所有项目都被平衡分配。另一种平衡取向方法为相关法，其基本思路与主成分法类似。
3 维度组合法 有的潜在因素虽然是单维，但其测量项目却分为若干面向。运用探索性因素分析确定项目维度，这时产生两种组合方式。一种是直接以维度分作为潜在因素的观察指标，该方法强调的是项目小组内部的同质性（homogeneousness）。另一种是把测量某一因素的所有项目按照维度不同依次平均分配到事前确定好的包内，以便保证每一个包都由不同维度的项目组成，项目小组内部为异质（heterogeneous）。其考虑更多的是项目小组之间的相似性。
下面举例潜变量有19个观察项目的项目包组合，仅供参考：
19个项目探索性因素分析产生3个维度，为了便于比较不同组合方法的模型拟合效果，确定项目包数为3个。模型采用ML法估计，默认模型假定3个项目包测量误差均不相关。方法1：将19个项目随机分配到3个项目包，项目数分别为6、6和7，将每包内项目得分相加形成观察指标。方法2：使用主成分分析法抽取19个项目在一个共同因素中的负荷量。首先把负荷最高的3个项目分别放入各项目小组，然后依序反方向加入负荷最低的3个项目进行平衡，即负荷量最高与最低配对原则。第二步再选择3个次最高负荷项目和反方向3个次最低负荷项目依序放入各项目小组，程序依此类推，最后剩下1个项目纳入第3小组（此项目可纳入任意一项目包），每小组项目分相加作为项目包。方法3：探索性因素分析提出特征值>1.0的3个因子作为项目小组，分别包含9、6和4个项目，将其分数相加作为项目包。方法4：从方法3探索性因素分析提出的3个因子中各抽出3、2、1个项目分别放入3个项目小组，并将第三因子中多余的1个项目放进第3项目小组，计算3个项目小组的项目得分之和作为项目包。