平均分散を抽出

統計学（古典的検定理論）において、平均分散抽出（AVE）とは、測定誤差による分散の量に関連して、構成概念によって捕捉される分散の量を測る尺度である。^[1]

抽出された平均分散は、Fornell & Larcker（1981）によって初めて提案されました。^[1]

抽出された平均分散は次のように計算できます。

${\displaystyle {\text{AVE}}={\frac {\sum _{i=1}^{k}\lambda _{i}^{2}}{\sum _{i=1}^{k}\lambda _{i}^{2}+\sum _{i=1}^{k}\operatorname {Var} (e_{i})}}}$

ここで、は項目数、は項目の因子負荷量、および項目の誤差の分散です。 ${\displaystyle k}$${\displaystyle \lambda_{i}}$${\displaystyle i}$${\displaystyle \operatorname {Var} (e_{i})}$${\displaystyle i}$

抽出された平均分散は、次のような「経験則」に基づいて判別妥当性を評価するためによく使用されています。各潜在変数の AVE の正の平方根は、他の潜在変数との最も高い相関よりも高くなければなりません。その場合、判別妥当性は構成レベルで確立されます。このルールは、Fornell-Larcker 基準として知られています。ただし、シミュレーション モデルでは、この基準は複合ベースの構造方程式モデル(例: PLS-PM) では信頼性が証明されていませんでしたが、^[2]因子ベースの構造方程式モデル (例: Amos、PLSF-SEM) では確かに信頼性があることが証明されています。^{[3] [4]}

関連する係数は、タウ等価信頼性（; 従来は「クロンバックの 」として知られている）と同種信頼性（; 複合信頼性とも呼ばれる）であり、それぞれタウ等価測定モデルと同種測定モデルの信頼性を評価するために使用できます。 ${\displaystyle \rho_{T}}$${\displaystyle \alpha}$${\displaystyle \rho_{C}}$