什么是区分效度

区分效度：在一项测验中，如果可以在统计上证明那些理应与预设的建构不存在相关性的指标确实同此建构没有相关，那么这项测验便具有区分效度。

例如，如果一项测验的理论假设创意性和智力有很大区别，而相关测验中的创意性得分和智力没有显著相关关系，那么就可以认为这项测验具有良好的区分效度。

构思效度要求一个有效的测验不仅应与其他测量同一构思的测验有相关，而且还必须与测量不同构思的测验无相关，前者即是聚合效度，后者则是区分效度。

扩展资料：

检验都要用到相关分析的方法，需要检验构思效度的目标测验与其他测验的相关就是区分效度系数，相关系数越大，聚合效度越大，区分效度越小。

在检验聚合效度和区分效度时，最常用的统计方法是多特质-多方法模型，得到的证据具有较强的说服力，但它的设计较为复杂，操作较为困难。

而运用SEM方法则比较直接，对样本要求相对较低，尤其适用于在没有开发新量表时，检验研究模型中各个变量测量间的区分效度。

参考资料：百度百科----区分效度

SEM简单介绍，以下资料来源

因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。

一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。

历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.

SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。

因果关系：

究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。

举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：

3. 这时还有可能出现更多的潜在变量：

这里我又举另外一个例子，回归模型

在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。

我们在举另外一个例子“路径分析”

路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。

在这里我们总结一下：

回归分析简单的说就是：X真的影响Y 吗？

路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。

在这里要提一下因素模型（factor model）

在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。

举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。

相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。

这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。

---