Amos理论.doc

协方差结构模型被广泛用于探讨问卷调查或实验性的数据。 （协方差：两个变量间的线性关系） 一个完整的协方差结构模型包含两个次模型：测量模型+结构模型。 结构方程模型（Structural equation modeling,简称SEM），它综合了因素分析和路径分析两种统计方法，同时检验模型中包含的显性变量、潜在变量、干扰或误差变量之间的关系，进而获得自变量对依变量影响的直接效果、间接效果或总效果。（是一种验证性统计方法） Amos(Analysis of Moment Structures,矩结构分析)是一种结构方程模型软件，又称为协方差结构分析、潜在变量分析、验证性因子分析 Amos属于结构方程式模型的一种，其功能在于探讨多变量或单变量之间的因果关系。还可以让我们检验数据是否符合所建立的模型，以及进行模型探索（逐步建立最适当的模型）。基本理论认为潜在变量是无法直接测量的，必须借由观察变量来间接推测得知。 Spss进行的因子分析是一种探索性因子分析，Amos属于验证性因子分析，即先以因子（观察变量、或称预测变量）为建构基础，来验证是否能代表一个变量（潜在变量） Amos是对问卷的结构效度进行分析 结构效度：一个测验能真正测到其所要测量的心理能力或技能的程度，即实验是否真正测量到假设的理论。 它将测验结果的实际组成部分与某些潜在的理论和行为类型建立起了联系，也可以理解为测验实际测量了所要测量的构想或特质的程度。 结构方程模型有两个基本模型： 1.测量模型：探讨潜在变量与观察变量之间的关系 2.结构模型：探讨潜在变量之间的关系，以及其他无法被解释的部分 在结构方程模型中可以设置三种类型的变量： 1.潜在变量：它是无法测量的变量，是观察变量间所形成的特质或抽象概念，在Amos中用椭圆形表示 2.观察变量：又称测量变量、显性变量，是可以直接测量的变量，是量表或问卷等测量工具所得的数据，如果我们以spss来建立基本数据，则在spss中的变量成为观察变量。观察变量是问卷中的题项（问卷中具有效度的一个或多个题目），在Amos中用长方形表示 3.误差变量：不具实际测量的变量，每个观察变量都会有误差变量，在Amos中用圆形表示 整体模型适配度指标（模型外在质量的评估） 绝对适应统计量 卡方值 一般以卡方值P0.05作为判断，意即模型具有良好的拟合度 卡方愈小表示整体模型的因果路径图与实际资料愈适配 当卡方值为0时，表示假设模型与观察数据十分适配 卡方自由度比 卡方自由度之比愈小，表示假设模型的协方差矩阵与观察数据愈适配，反之亦然 此值介于1—2或1—3之间表示假设模型与样本数据的契合度可以接受 RMR：通常采取RMR0.05 越接近0表示拟合度越好 RMR（root mean square residual）残差均方和平方根=适配残差方差协方差的平均值的平方根 SRME SRME（standardized root mean square residual）标准化残差均方和平方根=平均残差协方差标准化的总和，其值范围介于0到1之间，越大表示模型的契合度越差，一般可以接受的范围为其值在0.05一下 RMSEA：通常0.1， 0.05(拟合良好)， 0.08(拟合合理) REMSEA（root mean square error of approximation）渐进残差均方和平方根，是一种不需要基准线模型的绝对指标，其值越小表示模型的适配度愈佳 GFI：通常0.9 越接近1表示拟合度越好 GFI（goodness-of-fit index）良适性适配指标，用来显示观察矩阵中的方差与协方差可被复制矩阵预测得到的量，其数值是一个比值，此值相当于复回归分析中的决定系数（R2），R2 越大表示可解释变异量越大，在SEM中，GFI可认为是假设模型协方差可以解释观察数据协方差的程度 AGFI：通常0.9 越接近1表示拟合度越好 AGFI（adjusted goodness-of-fit index ）调整良适性适配指标 NCPSNCP NPC（non-centrality paramater）是一种替代性指标，直接去估计理论模型与由抽样数据导出的卡方值的差异程度，其目的在于减低样本数对卡方统计的影响 SNCP（scale non-centrality paramater）量尺非集中性参数 增值适配度统计量(基准线比较统计量Baseline Comparisons) NFI：0.9越接近1越好 RFI IFI：0.9越接近1越好 TLI CFI：0.9越接近1越好 简约适配统计量 AIC：可利用AIC来比较多个模型，越小模型越优 CAIC：可利用CAIC来比较多个模型，越小模型越优 PNFI PGFI CN值