跳到主要內容區

112/05/26(五)【演講】measureQ – Examining Qualities of Measurement Scales in Empirical Studies

各位老師及同學大家好,

管理學術研究中心策略與人力資本研究中心很榮幸共同邀請到來自奧克蘭大學的Prof. Gordon Cheung蒞臨演講!
演講主題為measureQ – Examining Qualities of Measurement Scales in Empirical Studies
歡迎有興趣參加者,盡速點擊下方連結進行報名!
*演講將以英文為主要語言。

 

  • 主題 Topic:measureQ – Examining Qualities of Measurement Scales in Empirical Studies
  • 講者 Speaker:Prof. Gordon Cheung
    Business School, Management and International Business, The University of Auckland
  • 主持 Host:Prof. Shyh-Jer Chen
    Institute of Human Resource Management, National Sun Yat-sen University
  • 時間 Date:2023/05/26 (Fri.) 14:00-17:00
  • 地點 Venue:國立中山大學 管理學院CM1023
  • 報名連結:https://forms.gle/kY8M7c9i8o7GYqoNA

 

✅報名後,我們會再通知是否錄取,以確保講者與聽眾之間的互動品質。
✅演講當天備有精美餐盒,事前報名成功者才有喔。
📌如有任何問題,歡迎洽詢07-525-2000#4526 陳小姐

 

 

本次演講很榮幸邀請到The University of AucklandProf. Gordon Cheung為大家分享使用結構方程(SEM)模型進行量化分析的報告可靠性(Reliability)、收斂及分歧效度(Convergent and Discriminant Validity)等可能延伸的問題,並以自身開發的measureQ進行實例操作,並藉以評估測試量表的品質,讓聽眾有更深刻的印象。

首先,講者介紹了基於 SEM 的研究中關鍵可靠性和有效性可能延伸問題的背景,是在於管理研究當中,有許多結構,例如感知、個性、行為意圖等,都是無法直接被觀察到,研究人員為了衡量這些結構,會使用多個指標的既定量表;另外是研究人員會使用不同的方法和標準,造成研究的證據缺乏可比性;且部分研究也常忽略抽樣誤差所帶來的影響。因此於此次講座中,分為四大目標,希望帶給聽眾一套衡量量表品質的方法-measureQ

  1. 批判性地審查最常採用來評估可靠性、收斂性和區分有效性的方法
  2. 推薦用於評估組織研究中的可靠性、收斂性和區分有效性的最佳實例
  3. 用特別開發的R package-measure Q來展示和實施推薦建議
  4. 促進和實現結果的標準化報告,並對應評估測量量表的品質

接著講者分別從不同面向介紹了關於可靠性、收斂有效性、判別有效性的評估方法,並提出了檢查可靠性、收斂有效性和判別有效性的最佳實踐之建議。

從文獻參考的內容探討中,列舉了目前在實踐上的顧慮,包括抽樣誤差、依賴忽略抽樣誤差的經驗法則(Shiu, Pervan, Bove, & Beatty, 2011)等,並說明研究人員為何可能執行了不恰當地評量。除了對此提出建議以外,同時提供標準規範定義和操作定義,首先第一點是需要建立一個測量模型,其中的指標都和打算測量的結構相關。另外,除了同一個項目在多個時間點使用,或來自多個來源以外,指標的殘差不應相關。若整體模型如果整體模型擬合指數暗示假設的測量模型不能很好地擬合數據,則不應解釋估計的參數,這時候研究人員可以透過修改指數來修改測量模型,但須與其他樣本進行交叉驗證。

接續在理論面講解的是,實際演練使用measureQ來實踐的心理測量標準,並且實際教學如何安裝、說明有哪些的預設值和使用measureQ能產出哪些表格與結果,接著透過五個範例,讓聽眾聽得津津有味,且更加了解如何操作與使用measureQ來衡量量表的品質,並於最後帶來measureQ對學術研究設計所造成的貢獻與其中的限制,比如不適用於形成型測量(formative measures)

相信來聽這場演講的大家,必定受益良多,除了學術理論方面的說明,亦有measureQ實際操作的演練。與會者之間互相協助、交流討論,講者最後也鼓勵大家可將之運用到自身研究當中。

ImgDesc
ImgDesc
ImgDesc
ImgDesc
ImgDesc
ImgDesc
瀏覽數: