搜索
•近似误差的平方根（RMSEA）•近似误差的平方根（rootmeansquareerrorofapproximation）。习惯上，RMSEA取值小于0.05，表明相对于自由度模型拟合了数据；另外，建议在90%的置信度下，如果RMSEA取值小于0.08，则可认为近似误差是合理的，或者说在置信水平0.01下不能拒绝这一假设。RMSEA评价指标近年来越来越受到重视。数据与观测变量•这是以预测变量的标准差及相关系数读入，Amos会自动将之转换为协方差矩阵，以便进一步分析。所建立的模型A如图所示，执行之后，所产生的输出报表如下。模型A模型A输出报表•ChiSquare=71.544，P=0.000，应拒绝此模型，同时。RMSEA=0.110.05。换句话说，此模型不能配合数据。因此我们必须加以修正。我们修正的目标是，ChiSquare减少，p值增加。在Amos中，点选View、AnalysisProperties,在对话框中点选Output，并勾选修正指标。执行后，产生的修正指标如下ParChange是指当模型改变时，对应变量间关系的变化情况。•从上表中，可看到M.I.值，其中以40.91为最大。这是指：如果建立eps1与eps3的关联，将使ChiSquare减少40.91。如前述，使减少增加，是我们修正模型的主要目标。M.I.的含义基于以上的了解，我们可以再建立一个模型，称为模型B模型B的输出报表如下我们可以看出，ChiSquare=6.383，比原先的模型A减少了65.16。Probabilitylevel=0.271已经不在拒绝区域之内。同时，RMSEA=0.020.05。所以我们可以了解，经过修正之后的模型B是合理的可用于分析的模型。同时，在修正指标的输出报表中，M.I.ParChange也没有数据显示，表示没有再调整的必要。值得提醒的是，我们在建立eps1与eps3的关联时，会使ChiSquare大幅减少，这是统计上的意义，在理论上、实物上要注意此二者的关系是合乎逻辑的。现在我们再举一个“不顺的例子”，说明如何以M.I.来逐步判断模型拟合度的情形。点击Analyze、CalculateEstimates,Amos提出警告，点击Proceedwiththeanalysis，之后如图所示。在输出的系数值方面，,ChiSquare为956.207，p=0.0000.05,显然模型与数据拟合度非常低。在输出报表上，我们可以看到RMSEA=0.240.05，更证实了模型与数据拟合度非常低。在ModificationIndices中，我们看到M.i.值最大的是225.06，这是指：如果建立e6与e7的关联，将使ChiSquare减少225.06在输出的报表中，M.I.值最大的是e8与服务质量的关系29.5。但是要注意的是我们不能在误差与潜在变量之间建立关系，因为如果在其建立关系就会违反SEM假设：残差与现在变量无关。所以要选第二大的数据，我们如果建立e4与e11之间的关系，将使ChiSquare减少15.95。我们在e6和e7之间建立关系之后，所得到的的输出如下。RMSEA=0.11，显然有进步，但是仍然0.05。在e4与e11建立关系后，所输出的报表如下。RMSEA仍然维持在0.11.表示无进步空间。而RMSEA=0.110.05，显然模型与数据不配合。此时，此模型要重新修订。比较严谨的做法是从问卷设计开始重新检查讨论。