测量模型的精简

通过上述信度和效度的分析，决定在测量模型1的基础上删除个人投入4和社会约束2两个题项，采用原始数据对修改后形成的测量模型2进行拟合运算，结果见表3-4，拟合指标并没有太大变化。在此基础上需要重点考察模型输出的修正指数（Modification Index，简称MI），修正指数较高，表示这些变量相关度较高，在这些变量上增加路径可以提高模型和数据之间的拟合度，但是它的使用应该在理论分析的基础上进行。对于测量模型，测量题项都是针对各构想概念设计的，如果修正指数表示需要在某一测量题项和其他多个潜变量之间建立新路径，则表示这些题项测量的内涵是复杂的和混淆的，出于找出对构想概念各结构核心的测量题目，精简量表的目的，对这些可能引起歧义的题项应考虑删除。但题项精简时，不能使测量某一潜变量的题项太少，对识别一个潜变量，最少需要2个题项，3个题项是比较理想的。在测量模型2输出的修正指数中，测量参与机会的第1题项（如果我不再参加体育锻炼，我会想念曾经一起锻炼的人）还与社会约束（MI=12.558）、个人投入（MI=10.932）、参与选择（MI=10.870）、锻炼承诺（MI=8.403）有显著的关系；测量锻炼乐趣的第1题项（我喜欢体育锻炼）还与锻炼承诺（MI=8.403）、参与选择（MI=8.403）有显著的关系。删除两个题项，再次运行LISREL，测量模型3拟合的结果表明这个新的模型在拟合度参数上有了显著的改善，特别是近似误差均方根估计（RMSEA）为0.042，在0.05以下，其90%的置信区间（0.0232；0.0575）的上限也在0.08之下，表示模型拟合已经达到非常好的水平。(https://www.daowen.com)

在前面的几个测量模型中，锻炼承诺结构中第1题项（今后我将坚持体育锻炼）的特殊误差和第4题项（我决心坚持体育锻炼）的特殊误差相关度都较高，在模型3中它们的修正指数为12.854，而理论假设特殊误差之间是相互对立的，因此，修正指数建议在特殊误差之间的路径是不合理的，采纳前面测量模型的精简策略，应在两项中删除一项。根据题项表达的内容，第4题项包含了第1题思想的内容，再考察两个题项的描述性统计，第4题项的标准差（0.799）大于第1题的标准差（0.745），第4题项鉴别度要好一些，且第1题的偏度（1.158）和峰度（1.777）远高于量表的其他题项，因此最后的测量模型决定删除第1题项。精简后的测量模型4表现出了更好的拟合效果，各项指标较测量模型3又有了进一步改善。