三種方法：
1.用CFA 驗證 有信效度後
計算研究變項
再用迴歸分析lm來跑模型
跑中介 跑回歸 跑調節(先形成 乘積項)
2.兩階段 lavaan 套件
第一階段用CFA 驗證 有信效度後
第二階段在SEM 內跑中介 跑回歸 不能做乘積項
3.用CFA 驗證 有信效度後
儲存 因素分數/lv 到資料庫去
再用資料庫 用 SEM 跑中介 跑回歸 跑調節(先形成 乘積項)
延續第八週多變量作業，經過 CFA 的收斂效度檢驗、組合信度、AVE的考驗、以及區辨效度的考驗後
####用SEM來做 中介 或 回歸分析(沒有測量誤)
SEM2 <- ‘
涉入度 =~ a2+a1+a3+a4+a6+a7
互動 =~ b2+b1+b3+b4+b5
信任 =~ c7+c1+c2+c3+c4+c5+c6
品牌形象 =~ e4+e1+e2+e3+e5+e6
購買意願 =~ f3+f1+f2+f4+f5# me+ind -> dep the second
購買意願 ~ b*信任+品牌形象+cp1*涉入度+cp2*互動# ind -> me the first
信任 ~ a1*涉入度+a2*互動#產生新變項
ind1 := a1*b
ind2 := a2*b
total_1 := ind1+cp1
total_2 := ind2+cp2
‘res2 <- sem(SEM2 ,data=Data[ ,c(2:5,7:31)])
summary(res2,fit.measures=TRUE,standardized=TRUE)
###涉入度 間接效果 Estimate:0.009
總效果 0.156
###互動 間接效果 Estimate: 0.064
總效果 0.333
報導指標:
Test statistic卡方值 6293.966不顯著，該模型可能須做修改。
####儲存 CFA 所估計的分數 沒有測量誤
summary(CFA3)
CFA3
names(CFA3)FS <- lavPredict(CFA3,
type = ‘lv’,
transform = TRUE) #儲存成標準化分數
FS <-as.data.frame(FS)
str(FS)
describe(FS)
cor(FS) #相關
cov(FS) #共變數
##如果要標準化，要先把資料標準化
Std_FS <- as.data.frame(scale(FS[ ,1:5]))
str(Std_FS)
cov(Std_FS)
cor(Std_FS) ###cor=cov 確認為標準化分數
Std_FS$信任X品牌形象 <- Std_FS$信任*Std_FS$品牌形象
describe(Std_FS)mod <-‘
購買意願 ~ 信任+品牌形象+信任X品牌形象+涉入度+互動
信任 ~ 涉入度+互動
‘
out_mod1 <- sem(mod, data=Std_FS)
summary(out_mod1)
##Regressions: Estimate
##信任X品牌形象 -0.016 <<<<這才是標準化迴歸係數
