Assumption TestingThe data were tes

Assumption TestingThe data were tested for violations of the structural equation modelling assumptions of linearity and multivariate normality (Kline, 2005). There were no obviouscurvilinear trends in the data. There was, however, a violation of multivariatenormality. This was addressed by deriving the fit statistics for the saturatedand mediator models from the Satorra–Bentler chi-square, which adjusts for thenon-normality (Jöreskog, 2005; Jöreskog & Sörbom, 2004).It is assumed that the BOT-2 SF, the SSRS-T and the SDQ ESS-Teach load on a singlefactor. In order to confirm this assumption, a confirmatory factor analysis using robustmaximum likelihood was conducted on each of the three instruments. Robustmaximum likelihood estimation was used to account for violations of multivariatenormality. The results indicated that a one-factor solution provided a good fit for allthree instruments. These results are consistent with our proposed measurement modelin which each latent variable ‘drives’ a single indicator (Figure 1).

結果 (中文) 1:

假设测试 测试数据是否违反线性和多元正态性的结构方程建模假设（Kline，2005）。数据没有出现明显的曲线趋势。然而，这违反了多元正态性。通过从 Satorra–Bentler 卡方导出饱和模型和中介模型的拟合统计数据来解决这个问题，该卡方针对非正态性进行调整（Jöreskog，2005；Jöreskog & Sörbom，2004）。假设 BOT-2 SF、SSRS-T 和 SDQ ESS-Teach 负载单一因素。为了证实这一假设，对三种工具中的每一种都进行了使用稳健最大似然的验证性因素分析。使用稳健的最大似然估计来解释违反多元正态性的情况。结果表明，单因素解决方案非常适合所有三种仪器。这些结果与我们提出的测量模型一致，其中每个潜在变量“驱动”单个指标（图 1）。

結果 (中文) 2:

假设测试
测试数据是否违反线性和多元正态性的结构方程建模假设（Kline，2005）。数据中没有明显的曲线趋势。然而，违反了多元
正常。这是通过推导饱和
以及Satorra–Bentler卡方的中介模型，该模型根据
非正态性（Jöreskog，2005；Jöres kog和Sörbom，2004）。
假设BOT-2 SF、SSRS-T和SDQ ESS示教负载在单个
因素为了证实这一假设，使用稳健的验证性因素分析
对三种仪器中的每一种都进行了最大似然分析。强健的
最大似然估计被用来解释违反多元
正常。结果表明，单因素解对所有问题都有很好的拟合效果
三种仪器。这些结果与我们提出的测量模型一致
其中每个潜在变异

結果 (中文) 3:

假设测试
测试数据是否违反了线性和多元正态性的结构方程模型假设(Kline，2005)。数据中没有明显的曲线趋势。然而，有一个违反多变量
常态。这通过导出饱和的拟合统计量来解决
和萨托拉-本特勒卡方的中介模型
非正态性(reskog，2005年；reskog和rbom，2004年)。
假设BOT-2 SF、SSRS-T和SDQ ESS-Teach在单个
因素。为了证实这一假设，采用稳健的验证性因子分析
对三种仪器中的每一种都进行了最大可能性分析。粗野的
最大似然估计用于解释违反多变量
常态。结果表明，单因素解决方案非常适合所有人
三种乐器。这些结果与我们提出的测量模型一致
其中每个潜在变量“驱动”一个单一的指标(图1)。