AMOS操作讲解.pdf

《AMOS操作讲解.pdf》由会员分享，可在线阅读，更多相关《AMOS操作讲解.pdf（11页珍藏版）》请在三一文库上搜索。

1、Amos 软件操作 1.模型设定 结构方程模型分析过程可以分为模型构建、模型运算、 模型修正以及模型解释四个步骤。下面以一个研究实例作为 说明，使用Amos 软件进行计算，阐述在实际应用中结构方 程模型的构建、运算、修正与模型解释过程。 2.模型构建的思路 根据构建的理论模型，通过设计问卷对留学生学习汉语 的学习动机、学习策略和焦虑调查得到实际数据，然后利用 对缺失值进行处理后的数据进行分析，并对文中提出的模型 进行拟合、修正和解释。 3.潜变量和可测变量的设定 模型中共包含2 个因素 (潜变量 )：学习动机、学习策略， 7 个可测变量：融入型动机、工具型动机、焦虑、记忆策略、 认知策略、情感

2、策略和社交策略。 4.关于调查数据的收集 本次问卷调研的对象为不同国家的留学生 5.缺失值的处理 采用表列删除法， 即在一条记录中， 只要存在一项缺失， 则删除该记录。数据的的信度和效度检验 1） 数据的信度检验 信度（ reliability ）指测量结果（数据）一致性或稳定性 的程度。一致性主要反映的是测验内部题目之间的关系，考 察测验的各个题目是否测量了相同的内容或特质。稳定性是 指用一种测量工具（譬如同一份问卷）对同一群受试者进行 不同时间上的重复测量结果间的可靠系数。如果问卷设计合 理，重复测量的结果间应该高度相关。由于本案例并没有进 行多次重复测量，所以主要采用反映内部一致性的指标

3、来测 量数据的信度。 Cronbach 在 1951 年提出了一种新的方法（Cronbachs Alpha 系数） ，这种方法将测量工具中任一条目结果同其他所 有条目作比较，对量表进行内部一致性估计。 2） 数据的效度检验 效度（ validity ）指测量工具能够正确测量出所要测量的 特质的程度，分为内容效度（content validity ） 、效标效度 （criterion validity ）和结构效度（construct validity ）三个主 要类型。 内容效度也称表面效度或逻辑效度，是指测量目标与测 量内容之间的适合性与相符性。对内容效度常采用逻辑分析 与统计分析相结合的方

4、法进行评价。逻辑分析一般由研究者 或专家评判所选题项是否“ 看上去 ” 符合测量的目的和要求。 准则效度又称效标效度、实证效度、统计效度、预测效 度或标准关联效度，是指用不同的几种测量方式或不同的指 标对同一变量进行测量，并将其中的一种方式作为准则（效 标） ，用其他的方式或指标与这个准则作比较，如果其他方 式或指标也有效， 那么这个测量即具备效标效度。例如， X 是 一个变量，我们使用 1 X 、 2 X 两种工具进行测量。如果使用 1 X 作 为准则， 并且 1X 和 2X 高度相关， 我们就说 2X 也是具有很高的效 度。当然，使用这种方法的关键在于作为准则的测量方式或 指标一定要是有效

5、的，否则越比越差。现实中，我们评价效 标效度的方法是相关分析或差异显著性检验，但是在调查问 卷的效度分析中，选择一个合适的准则往往十分困难，也使 这种方法的应用受到一定限制。 结构效度也称构想效度、建构效度或理论效度，是指测 量工具反映概念和命题的内部结构的程度，也就是说如果问 卷调查结果能够测量其理论特征，使调查结果与理论预期一 致，就认为数据是具有结构效度的。它一般是通过测量结果 与理论假设相比较来检验的。确定结构效度的基本步骤是， 首先从某一理论出发，提出关于特质的假设，然后设计和编 制测量并进行施测，最后对测量的结果采用相关分析或因子 分析等方法进行分析，验证其与理论假设的相符程度。

6、在实际操作的过程中，前面两种效度（内容效度和准则 效度）往往要求专家定性研究或具有公认的效标测量，因而 难以实现的，而结构效度便于可以采用多种方法来实现： 第一种方法是通过模型系数评价结构效度。如果模型假 设的潜变量之间的关系以及潜变量与可测变量之间的关系 合理，非标准化系数应当具有显著的统计意义。特别地，通 过标准化系数可以比较不同指标间的效度。从表 7-17 可以看 出在 99%的置信度下所有非标准化系数具有统计显著性，这 说明修正模型的整体结构效度较好。 第二种方法是通过相关系数评价结构效度。如果在理论 模型中潜变量之间存在相关关系，可以通过潜变量的相关系 数来评价结构效度：显著的相关系

7、数说明理论模型假设成 立，具有较好的结构效度。 Amos 实现 一、 Amos 模型设定操作 1模型的绘制 在使用 Amos 进行模型设定之前，建议事先在纸上绘制 出基本理论模型和变量影响关系路径图，并确定潜变量与可 测变量的名称，以避免不必要的返工。相关软件操作如下： 第一步，使用建模区域绘制模型中的2 个潜变量。为 了保持图形的美观，可以使用先绘制一个潜变量，再使用复 制工具绘制其他潜变量，以保证潜变量大小一致。在潜变 量上点击右键选择Object Properties，为潜变量命名。 绘制好 的潜变量图形。 第二步设置潜变量之间的关系。使用来设置变量间的 因果关系，使用来设置变量间的相关

8、关系。绘制好的潜 变量关系图。 第三步为潜变量设置可测变量及相应的残差变量(一定 要设置残差 )，可以使用绘制，也可以使用和自行 绘制。在可测变量上点击右键选择Object Properties，为可测 变量命名。其中Variable Name 一项对应的是数据中的变量 名，在残差变量上右键选择Object Properties 为残差变量命 名。最终绘制完成模型结果。 2数据文件的配置 Amos 可以处理多种数据格式，如文本文档（*.txt ） ，表 格文档（ *.xls 、*.wk1 ） ，数据库文档（ *.dbf 、*.mdb） ，SPSS 文档（ *.sav）等。 为了配置数据文件，

9、选择 File 菜单中的 Data Files，出现 对话框，然后点击File name 按钮，会再出现一个对话框， 找到需要读入的数据文件“处理后的数据.sav”,双击文件名 或点击下面的“打开”按钮，最后点击对话框中“ok”按钮 就读入数据了。 二、模型拟合 1.参数估计方法选择 模型运算是使用软件进行模型参数估计的过程。Amos 提供了多种模型运算方法供选择。可以通过点击View 菜单 在 Analysis Properties（或点击工具栏的）中的 Estimation 项选择相应的估计方法。 最常用的是利用最大似然估计（Maximum Likelihood ） 进行模型运算，相关设置

10、如下图 参数估计选择 2.标准化系数 如果不做选择， 输出结果默认的路径系数（或载荷系数） 没有经过标准化，称作非标准化系数。非标准化系数中存在 依赖于有关变量的尺度单位，所以在比较路径系数（或载荷 系数）时无法直接使用，因此需要进行标准化。在Analysis Properties 中的 Output 项中选择 Standardized Estimates 项 （如 下图） ，即可输出测量模型的因子载荷标准化系数。 标准化系数计算 3.参数估计结果的展示 使用 Analyze 菜单下的 Calculate Estimates 进行模型运算 （或使用工具栏中的） ，使用者也可以通过点击View

11、the output path diagram（）查看参数估计结果图。 Amos 还提供了表格形式的模型运算详细结果信息，通 过点击工具栏中的来查看。详细信息包括分析基本情况 （Analysis Summary ） 、变量基本情况（Variable Summary） 、 模型信息（ Notes for Model） 、估计结果（ Estimates） 、修正 指数（Modification Indices ）和模型拟合 （Model Fit ）六部分。 在分析过程中，一般通过前三部分了解模型，在模型评价时 使用估计结果和模型拟合部分，在模型修正时使用修正指数 部分。 三、模型评价 路径系数 /

12、载荷系数的显著性 模型评价首先要考察模型结果中估计出的参数是否具 有统计意义，需要对路径系数或载荷系数进行统计显著性检 验，这类似于回归分析中的参数显著性检验，原假设为系数 等于。 Amos 提供了一种简单便捷的方法，叫做CR（Critical Ratio） 。CR 值是一个Z 统计量， 使用参数估计值与其标准差 之比构成。 Amos 同时给出了CR 的统计检验相伴概率p，使 用者可以根据p 值进行路径系数/载荷系数的统计显著性检 验。 四、模型拟合评价 在结构方程模型中，试图通过统计运算方法（如最大似 然法等）求出那些使样本方差协方差矩阵 S与理论方差协方 差矩阵的差异最小的模型参数。换一个

13、角度，如果理论模 型结构对于收集到的数据是合理的，那么样本方差协方差矩 阵 S与理论方差协方差矩阵 差别不大，即残差矩阵（ S） 各个元素接近于0，就可以认为模型拟合了数据。 模型拟合指数是考察理论结构模型对数据拟合程度的 统计指标。不同类别的模型拟合指数可以从模型复杂性、样 本大小、 相对性与绝对性等方面对理论模型进行度量。Amos 提供了多种模型拟合指数（如表）供使用者选择。如果模型 拟合不好，需要根据相关领域知识和模型修正指标进行模型 修正。 模型拟合指数 指数名称评价标准 绝对拟合 指数 2 (卡方 ) 越小越好 GFI 大于 0.9 RMR 小于 0.05，越小越好 SRM R 小于

14、 0.05，越小越好 RMS小于 0.05，越小越好 EA 相对拟合 指数 NFI 大于 0.9，越接近 1 越好 TLI 大于 0.9，越接近 1 越好 CFI 大于 0.9，越接近 1 越好 信息指数 AIC 越小越好 CAIC 越小越好 需要注意的是， 拟合指数的作用是考察理论模型与数据的 适配程度，并不能作为判断模型是否成立的唯一依据。拟合 优度高的模型只能作为参考，还需要根据所研究问题的背景 知识进行模型合理性讨论。即便拟合指数没有达到最优，但 一个能够使用相关理论解释的模型更具有研究意义。 模型修正 五、模型修正的思路 模型拟合指数和系数显著性检验固然重要，但对于数据 分析更重要的

15、是模型结论一定要具有理论依据，换言之，模 型结果要可以被相关领域知识所解释。因此，在进行模型修 正时主要考虑修正后的模型结果是否具有现实意义或理论 价值，当模型效果很差时可以参考模型修正指标对模型进行 调整。 当模型效果很差时，研究者可以根据初始模型的参数显 著性结果和Amos 提供的模型修正指标进行模型扩展（Model Building ）或模型限制（Model Trimming ） 。模型扩展是指通 过释放部分限制路径或添加新路径，使模型结构更加合理， 通常在提高模型拟合程度时使用；模型限制是指通过删除或 限制部分路径，使模型结构更加简洁，通常在提高模型可识 别性时使用。 Amos提 供

16、了 两 种 模 型 修 正 指 标 ， 其 中 修 正 指 数 （Modification Index）用于模型扩展，临界比率（Critical Ratio）用于模型限制。 模型修正指标 1. 修正指数（ Modification Index ） 图修正指数计算 修正指数用于模型扩展，是指对于模型中某个受限制的 参数，若容许自由估计（譬如在模型中添加某条路径），整 个模型改良时将会减少的最小卡方值。 使用修正指数修改模型时，原则上每次只修改一个参 数，从最大值开始估算。但在实际中，也要考虑让该参数自 由估计是否有理论根据。 若要使用修正指数，需要在Analysis Properties 中的

17、Output 项选择 Modification Indices项。 其后面的 Threshold for Modification Indices指的是输出的开始值。 临界比率计算 2. 临界比率（ Critical Ratio ） 临界比率用于模型限制，是计算模型中的每一对待估参 数（路径系数或载荷系数）之差，并除以相应参数之差的标 准差所构造出的统计量。在模型假设下，CR 统计量服从正 态分布，所以可以根据CR 值判断两个待估参数间是否存在 显著性差异。若两个待估参数间不存在显著性差异，则可以 限定模型在估计时对这两个参数赋以相同的值。 若要使用临界比率，需要在Analysis Properties 中的 Output 项选择 Critical Ratio for Difference项。