搜索
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来测量数据的信度。Cronbach在1951年提出了一种新的方法（Cronbach'sAlpha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。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ObjectProperties，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ObjectProperties，为可测变量命名。其中VariableName一项对应的是数据中的变量名，在残差变量上右键选择ObjectProperties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，选择File菜单中的DataFiles，出现对话框，然后点击Filename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AnalysisProperties（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（MaximumLikelihood）进行模型运算，相关设置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AnalysisProperties中的Output项中选择StandardizedEstimates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CalculateEstimates进行模型运算（或使用工具栏中的），使用者也可以通过点击Viewtheoutputpathdiagram（）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（AnalysisSummary）、变量基本情况（VariableSummary）、模型信息（NotesforModel）、估计结果（Estimates）、修正指数（ModificationIndices）和模型拟合（ModelFit）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/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（CriticalRatio）。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0.9RMR小于0.05，越小越好SRMR小于0.05，越小越好RMSEA小于0.05，越小越好相对拟合指数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（ModelBuilding）或模型限制（ModelTrimming）。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提供了两种模型修正指标，其中修正指数（ModificationIndex）用于模型扩展，临界比率（CriticalRatio）用于模型限制。模型修正指标1.修正指数（ModificationIndex）图7-19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AnalysisProperties中的Output项选择ModificationIndices项。其后面的ThresholdforModificationIndices指的是输出的开始值。临界比率计算2.临界比率（CriticalRatio）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AnalysisProperties中的Output项选择CriticalRatioforDifference项。