AMOS的使用.docx

AMOS的使用.docx

《AMOS的使用.docx》由会员分享，可在线阅读，更多相关《AMOS的使用.docx（45页珍藏版）》请在冰豆网上搜索。

AMOS的使用

AMOS的使用

第一部分:

介绍

o关于文挡

o文挡

o获得AMOS帮助

第二部分:

SEM基础

oSEM概述

oSEM术语

o为什么使用SEM?

第三部分:

SEM假设

o合理的样本量

o连续和正态内生变量

o模型识别（识别方程）

o完整数据或缺失数据的适当处理

o模型规范和因果关系的理论基础

使用AG建立和检验模型

o结构方程——多重回归关系的说明

o使用AG绘制模型

o将数据读入到AMOS中

o选择AMOS分析选项和运行模型

第五部分:

AMOS输出解释

o评估整体模型拟合

o绝对拟合检验

o相对拟合检验

o修改模型获得较好的拟合优度

o浏览路径图

o独立参数的显著性检验

摘要：

结论的实质性解释

第一部分:

介绍

关于文档

本课程使用AMOS（距结构分析）软件对结构方程进行简单的介绍和概述。

结构方程模型（SEM）包括多种统计技术，如路径分析，验证性因子分析，带潜变量的因果关系模型，甚至方差分析和多重线性回归。

课程介绍SEM的逻辑，SEM的假设和输入需求，怎样使用AMOS执行SEM分析。

到课程结束，能够使用AMOS拟合SEM。

也能给出SEM适合研究问题的评价和SEM方法基本假设的概述。

应该已经知道使用SAS，SPSS或类似统计软件怎样产生多重线性回归分析。

也应该理解怎样解释多重线性回归分析的输出。

最后，应该理解基本微软视窗导航操作：

打开文件和文件夹，保存文件，重新调用先前保存过的文件，等等。

访问AMOS

可以用下列三种方法访问AMOS：

1.个人计算机用户须从SPSS公司（SPSS许可版本）或者Smallwaters公司（独立版本）获得许可密码

2.德克萨斯大学的教师，学生和职员经由STATS视窗终端服务器访问AMOS。

要使用终端服务器，必须获得ITS计算机账号（或分类账号），然后在NT服务器上验证账号。

接下来下载和配置客户端软件使个人计算机，Macintosh，或UNIX工作站能连接终端服务器。

最后连接服务器，通过双击位于STATS终端服务组中AMOS程序肖像登陆AMOS。

如何获得ITS计算机账号的细节，账号使用的变更，下载客户端软件和配置指导可以在中找到。

3.从网站下载免费AMOS学生版到个人计算机上。

如果模型比较小，免费演示版能充分满足需求。

对大型模型，需要购买AMOS软件或通过校园网络访问ITS共享的软件副本。

特别是如果决定利用服务器访问其它程序软件（例如，SAS，SPSS，HLM，Mplus等等），后一项选择最有效。

文档

AMOS手册是由JamesArbuckle和WernerWothke撰写的AMOS4.0User'sGuide。

包含20多个例子，有许多调查得到的典型模型。

这些样本数据的例子在学生版和商业版的AMOS中都有，所以能容易地在AMOS中拟合，修改描述模型。

AMOS4.0User'sGuide手册在UTAustin的职员，学生，教师经检验合格后在PCL获得。

也可以直接从网站定购。

BarbaraByrne也写了一本使用AMOS的书。

书名是《AMOS的SEM：

基本概念，应用和编程》。

这本书由出版。

LawrenceErlbaumAssociates有限公司也出版SEM杂志（季刊）。

杂志包含软件回顾，经验文章，理论文章以及教师部分和书评。

有许多SEM的教科书，范围从KenBollen的百科参考书到RickHoyle的更多实用编辑手册。

几个常用的书名显示如下。

Bollen,K.A.（1989）.潜变量的结构方程NewYork:

JohnWileyandSons. 

Loehlin,J.C.（1997）.潜变量模型Mahwah,NJ:

LawrenceErlbaumAssociates. 

Hoyle,R.（1995）.SEM：

概念，问题和应用。

ThousandOaks,CA:

SagePublications.

Hatcher,L.（1996）.循序渐进把SAS系统用于因子分析和结构方程模型。

Cary,NC:

SASInstitute,Inc.

获得AMOS帮助

如果在STATS视窗终端服务器上访问AMOS有困难，请打ITS的客服电话512-475-9400或发送e-mail到。

如果能登陆视窗NT终端服务器运行AMOS，但有怎样使用AMOS或解释输出的问题，请预约统计和数学服务部，打ITS客服电话512-475-9400或发送e-mail到。

重要提示:

两个服务部只是在德克萨斯大学的教师，学生和职员使用。

有关指导服务的更多信息及常见问题和回答EFA,CFA/SEM,AMOS,其它题目见我们的网站。

非大学用户和大学AMOS用户可以访问 网站获得有用的资源；怎样登陆论坛，发表问题和学习更多SEM的信息，见SEMNET上的在线讨论组

第二部分:

SEM基础

SEM概述

SEM是一般线性模型的扩展。

它能使研究者同时检验一组回归方程。

SEM软件不但能检验传统模型，而且也执行更复杂关系和模型的检验，例如，验证性因子分析和时间序列分析。

进行SEM分析的基本途径显示如下：

理论

解释

模型构建

模型识别

数据收集

模型检验

结果

研究者首先基于理论定义模型，然后确定怎样测量建构，收集数据，然后输入数据到SEM软件中。

软件拟合指定模型的数据并产生包括整体模型拟合统计量和参数估计的结果。

分析的输入通常是测量变量的协方差阵，例如调查项目得分，虽然有时使用相关阵或协方差和均值阵。

实际上，数据分析经常用原始数据提供给SEM，程序转换这些数据为它自身使用的协方差和均值。

模型由测量变量间的关系组成。

然后，这些关系表示所有可能关系的限制。

样本协方差矩阵

模型

模型协方差矩阵

结果有模型拟合的全部指数以及参数估计，标准误，模型中自由参数的检验统计量。

SEM术语

SEM有其自身的语言。

一般来讲统计方法有这种特性，但SEM用户和创建者似乎为这种方法发明了一个特殊的语言。

自变量，假设没有测量误差的，称为外生变量；因变量或中间变量被称作为内生变量。

观测变量直接由研究者测量，而潜在或不可观测变量不能直接测量但可由分析中测量变量的相关性或关联推断。

统计估计可由多种方式实现，探索性因子分析从观测变量的共享方差中推断潜在因子的存在。

SEM用户使用路径图表示观测和非观测变量间的关系。

椭圆或圆形表示潜在变量，而长方形或方形表示测量变量。

残差总是非观测的，所以它们用椭圆或圆形表示。

下图所示，相关系数和协方差由双向箭头表示，表示没有明确定义因果方向的关系。

例如F1和F2是有关的或相关的，但没有声称F1导致F2,反之亦然。

相反，我们声称F1引起测量变量I1和I2上的观测得分。

因果效应在路径图中由单箭头表示。

F1和F2被两个指示因子共享的方差概念化（例如，两个指示因子共有什么。

）至今为止正如所猜测的那样，F1和F2是潜因子；I1到I4是观测变量。

也许它们是调查项。

E1到E4是I1到I4中引起响应方差的残差或误差方差。

路径图告诉我们1到4的得分或调查响应项是由两个相关因子及每项的唯一方差引起的。

部分唯一方差或许是由于测量误差。

路径图中一部分路径被标上数字“1”。

意思是这些路径系数设为固定值为1。

必须要包括这些固定值:

它们设置潜在因子和残差的测量尺度。

另一种选择是，把因子方差设置为1以获得固有的标准解。

注释：

当执行多组分析时不应该使用后一种方法。

为什么使用SEM?

如后面所见，研究者为什么想使用SEM和必需用它自己的语言处理一些相当严格的统计假设？

SEM有许多吸引人的优点：

∙假设潜在的统计分析是明确的和可检验的，调查者能全部控制和进一步地分析理解。

∙绘图接口软件创造性地推进和使快速调式模型变得容易（这个特性取决于所选的SEM软件）。

∙SEM程序同时提供总体模型检验和独立参数估计检验。

∙回归系数，均值和方差同时被比较，即使多个组间交叉。

∙测量和验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染。

∙拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。

∙SEM的最后特征是它最具吸引人的性质。

SEM提供统一的架构，多个线性模型能使用灵活，功能强大的软件拟合。

第三部分:

SEM的假设

合理的样本量

SEM是一般线性模型灵活有力的扩展。

像其它统计方法一样，需要一系列假设。

这些假设应该满足或至少近似地保证有可信赖的结果。

按照JamesStevens的社会科学的应用多变量统计的说法，一个好的经验法则是在标准普通最小二乘多重回归分析中每个因子有15个个案。

因为SEM在某些方面与多重回归紧密相关，SEM中每个测量变量15个个案是合理的。

Bentler和Chou（1987）注意到只要数据表现良好（例如，正态分布，无缺失数据或例外值等等），在SEM分析中研究者对每个参数估计，只需要5个个案。

注意Bentler和Chou提及每个参数估计要有5个个案而不是每个测量变量。

测量变量在分析中至少有一个典型地路径系数与其它变量相关联，加上残差项或方差估计，所以认可Bentler和Chou和Stevens推荐的每个测量变量最小要15个个案相吻合是重要的。

更一般的，Loehlin（1992）使用验证性因子分析模型报告蒙特卡洛仿真的研究结果，参考一些文献后，得出对两到四因子模型，调查者应该收集至少100个个案，200更好（如果可能）。

使用小样本的结果包括迭代失败（软件不能达到满意的解）,不合理的解（包括测量变量的方差估计为负值）和降低参数估计的准确性，尤其是，标准误–SEM的标准误是在大样本假设下进行计算的。

当数据是非正态分布或在某些方面是有缺陷的情况下（几乎总是对个案），需要较大的样本。

当数据有偏斜，有高低峰，不完整或不尽合理时，对所需要的样本量做出绝对的推荐是困难的。

一般的推荐是尽可能获得较多的数据。

内生变量的连续和正态分布

SEM程序假设因变量和中间变量（所谓的内生变量是SEM的叫法）是连续分布，有正态分布的残差。

事实上，SEM分析的残差不仅仅要求服从单变量正态分布，它们的联合分布也要服从联合多变量正态分布。

然而，这个假设在实际中从未满足。

SEM专家已经开发多种方法处理非正态分布变量。

这些方法是为假设有潜在连续分布的变量而设计。

例如，也许你管理一个研究参与者自信心项目的李克特量表。

量表按照自信的连续程度由低到高计分，即使项目数据不是连续分布，潜在自信分布也是连续的。

相反，其它结果变量不是连续分布。

例如，医学研究中病人处理后是生还是死？

大部分SEM程序目前不能处理这些名义水平因变量的类型。

模型识别（识别方程）

如不久所见，为了产生有判断力的一组结果，SEM程序需要已知足够数量的相关阵或协方差阵作为输入。

另一个要求是方程完全可识别。

在SEM中，识别涉及参数估计至少有一个唯一解的概念。

参数估计只有一个可能解的模型称为恰好识别。

有无限可能参数估计值的模型叫做欠识别。

最后，参数估计多于一个可能解（除了一个最佳或最优解外）的模型叫做过度识别。

下列方程，来自Rigdon（1997），或许可以帮助更清晰的理解这些概念：

x+2y=7

在上面方程中，x和y有无穷多个解（例如，x=5和y=1,x=3和y=2）。

因为“已知”比“未知”少，所以这些值是欠识别的。

恰好识别模型是方程个数与变量个数相同的方程。

x+2y=73x-y=7

对这个方程，方程个数与变量个数相同，从而有一对最佳值（x=3,y=2）。

当每个参数可识别，至少一个参数是过度识别时，会出现过度识别模型（例如，方程能由多种方式求解——而不是带一个方程的参数解，多个方程都会产生这种参数估计）。

多数使用SEM的人都喜欢使用过度识别。

过度识别模型有正自由度，也不必拟合恰好识别模型。

当有过度模型时，施加在模型上的限制提供一组假设检验，然后它能被绝对拟合模型的卡方统计量和各种描述模型拟合指数估计。

与过度识别模型相关的正自由度允许模型有虚假的卡方检验。

当过度识别模型拟合良好时，研究者通常认为模型有足够的拟合数据。

为了进行SEM分析，识别是结构上或数学上的需要。

许多规则能用于评价模型的识别水平，但这些规则不完善，用纸笔计算（事实上，几乎不可能）非常困难，尤其是复杂模型。

SEM软件例如AMOS把执行识别检查作为模型拟合过程的一部分。

它们通常提供有关欠识别条件的合理警告。

能出现另一个复杂化的情况是经验欠识别。

当设置识别模型有非常小（接近0）估计的参数估计时，会出现经验欠识别。

当SEM进行矩阵逆运算时，参数估计在模型参数定义的解空间中下降，这样程序突然侦测到结构欠识别问题是什么。

由于SEM估计的自然迭代，参数估计例如方差从正值开始在一次一次迭代中渐渐地接近0。

例如，估计值接近0的路径系数在SEM矩阵逆运算算法中被当作0来处理。

如果路径系数识别模型是必须的，那么模型就变成欠识别。

各种形式欠识别模式的补救方法是设法找到识别问题的来源和确定来源是经验欠识别还是结构欠识别。

对结构欠识别，唯一的补救方法是重新定义模型。

经验欠识别通过收集更多的数据或重新定义模型来校正。

Rigdon（1997）的例子可以说明这些问题。

考虑下列模型：

它包含一个因子F1，两个误差或残差e1和e2，一个因子载荷连接F1到I2。

模型需要估计四个参数：

因子的方差，两个误差方差和一个因子载荷。

有多少可利用的输入能在分析过程中使用？

三个。

怎么知道要有输入三个变量？

可以使用下面公式

[Q（Q+1）]/2

这里Q表示模型数据库中测量变量的数目。

在这个模型中有两个观测变量，I1和I2，所以由上面公式显示，[2（2+1）]/2=3。

有两个方差，一个是两个变量都有的方差，一个是I1和I2间协方差。

用三个输入估计四个未知参数怎么可能呢？

答案是这是不可能的：

有三个已知变量或可利用的自由度，但有四个未知参数要估计，所以模型的自由度是3–4=-1，明显地不可能。

模型是欠识别——为了得到满意识别水平，需要利用这个模型增加约束。

现在考虑第二个模型：

因为模型使用四个观测变量，所以新模型有[4（4+1）]/2=10个自由度。

从10个自由度中减去四个误差方差，两个因子载荷和两个因子方差，一个因子间的协方差结果剩下一个自由度。

在结构上模型是可识别的。

事实上，因为现在有一个正自由度，所以它是过度识别。

事实表明，如果F1和F2的协方差参数估计恰好变成零或非常接近零，模型变成经验欠识别，因为即使在F1和F2间通过定义协方差在结构上识别它，从计算机软件观点看，依据经验它不会被识别。

实际上，所有成功的拟合模型是恰好识别或过度识别。

通常使用过度识别模型因为这些模型允许检验统计假设，包括整体模型拟合（Loehlin,1992）。

完整数据或缺失数据的适当处理

许多SEM软件接受相关阵或协方差阵的输入。

换句话说，使用另一个软件（例如SPSS）,能自己计算这些矩阵，然后将数据输入到AMOS或其它SEM软件中进行分析。

例如，在一本杂志中发表文章，如果打算重新分析报告的协方差阵，这个功能就很有用。

然而，通常使用行数据输入作为首选的模型分析：

研究者通过数据库，也许是SPSS或其它通用格式（像微软的Excel），给SEM程序，计算协方差作为分析的一部分。

如果数据库没有完整的数据，这些程序能够做什么？

缺失数据问题的典型解决方法包括个案的列删，如果个案有一个或多个缺失数据，整个个案的记录被删除；对删，两变量相关系数只有用到个案数据时才被计算。

对删导致数据库中两变量协方差或相关系数有不同的样本量。

缺失数据另一个典型的处理技术是在变量的缺失数据处用变量的均值替代。

但是这些典型的缺失数据处理方法从统计观点来看没有多少吸引力。

列删导致统计功效降低，特别是如果许多个案在多个变量上只有几个数据缺失，更不要说在数据库中所有完全测量的个体限制统计推断。

对删在边际上比较好，但协方差或相关使用不同的样本量的结果对模型拟合效果有很大的影响，有时包括不可能解。

最后，均值替代在所替代的地方会收缩变量的方差，这不是所期望的。

这些方法最致命的问题是假设缺失数据是完全随机缺失，实际情况常常不是这回事（Little&Rubin,1987）。

对缺失数据研究者能做什么？

如果缺失数据个案的比例小，比如说小于或等于5%。

列删可以接受（Roth,1994）。

当然，如果5%（或更小）的个案不是完全随机缺失，会导致参数估计不一致。

另外，缺失数据专家（例如，Little和Rubin,1987）推荐在分析中使用极大似然估计方法，该方法充分利用可使用的数据。

在前面的缺失数据中，AMOS使用极大似然估计。

定义模型和因果关系的理论基础

SEM模型永远不能被接受；它们只能不被拒绝。

这导致研究者临时接受一个规定的模型。

SEM研究者承认在多数情况下拟合模型等价于他们自己暂时地接受模型。

任何模型可能是"正确"的，因为他们适合数据和首选模型。

研究者尽力排除替选模型，扩展替选解释，但这不总是可能的。

因此，使用SEM需要某些不确定，特别是在控制条件下没有收集的截面数据。

（其它通用模型也是如此，例如方差分析和多重回归分析技术。

） 

因为这个原因，SEM软件需要研究者明确地定义模型。

拟合数据较好的模型只能被暂时接受时，拟合数据不好的模型绝对被拒绝。

例如，如果用10个调查项拟合单因子验证性因子分析模型，模型被拒绝，能确信单因子不能充分解释项目的共享方差，一个有用的发现，特别是如果相信一个共有因子没有足够地解释项目的共享方差。

假设运行单因子模型，然后在相同的10个项目上运行双因子模型；前一个模型被拒绝但后一个模型没有被拒绝。

现在知道在测量项目中不止一个因素需要解释共享方差。

除了评估单个模型的绝对拟合优度外，也能通过使用比较似然比卡方检验评估竞争模型。

回到前面例子，能使用统计检验相互比较单双因子模型，如果统计检验显著，能得出较复杂的双因子模型比单因子模型拟合数据更好。

另一方面，要是发现两个模型间没有显著差别，能得出单因子模型与双因子模型拟合数据效果相同。

不是所有模型都可以用这种方法比较。

只有在较复杂的模型上利用一组约束或限制得出一个更简单模型的模型才可以用这种方式比较。

这些模型叫做嵌套模型。

当想比较不能直接比较的模型时，能使用各种描述标准比较这些非嵌套模型。

第四部分:

使用AMOS图形建立和检测模型

SEM——多重回归关系的说明

本质上，SEM是带一个因变量（Y）的多重线性回归模型在多变量上的扩展:

y=i+Xb+e

这里y是因变量上包含观测得分的向量，i是表示y-截距的单位向量，X是连续分布或分类（编码）自变量的矩阵，B是回归权重向量，e表示残差向量或误差或不能由模型解释的剩余得分。

SEM由一系列多重回归方程组成–所有方程被同时拟合。

事实上，使用SEM软件能够产生回归分析。

典型的多重回归分析产生几个统计量，包括整体模型的拟合检验和独立参数估计的检验。

此外，分析输出非标准回归系数，这些系数的标准误，和标准化回归系数，另外，回归方程的多重相关系数的平方，或R2表示多重回归方程中自变量解释因变量的方差比例。

正如不久所见，AMOS产生相同的统计量，虽然是由多个方程而不是一个方程产生的，就像在普通最小二乘回归的情况一样。

假设有三个连续预测变量的数据库：

教育水平，社会经济地位和1967的无力感。

有一个连续因变量，1971的无力感。

这些数据基于Wheaton,Muthén,Alwin,和Summers（1977）大型研究报告的结构所模拟。

如果在SPSS中使用这些变量进行多重回归分析，将获得下列结果（为了节省空间，省略了一些输出）:

SPSS的输出显示每个预测因子和预测因子与因变量的相关系数。

然后显示R2为0.32，在最终表中显示非标准和标准回归系数及显著性检验。

现在考虑用AMOS拟合相同的模型：

三个预测因子允许共变；预测因子的协方差显示在图形中。

例如，教育和社会经济地位的协方差是3.47。

因子的方差出现在长方形的右上方。

非标准回归权重，对应着SPSS输出中的B系数，连接AMOS路径图中预测变量到因变量的长方形。

例如，教育变量的非标准回归系数是–.11。

因为非标准回归系数表示预测变量改变一个单位因变量的改变量，这个结果建议教育水平每增加一个单位，从Wheaton等人的样本总体中1971的无力感下降-0.11单位。

路径图也反映1971的无力感的剩余方差。

因为这个方差不是直接测量的，在AMOS图中用一个潜在变量来表示。

误差方差的估计是6.86。

除了非标准回归系数外，SPSS也产生标准回归系数和R2，概述收集的预测变量解释因变量的方差比例。

AMOS也产生这些结果，但用单独的图示显示标准系数和R2值。

在这个路径图中协方差被相关系数代替。

例如，社会经济地位和1967的无力感的相关系数是-0.32，相同的值显示在上面的SPSS相关系数表中。

现在标准回归系数连接预测因子和因变量，因变量的R2值出现在长方形的右上方。

标准回归系数权重表示预测变量中改变一个单位的标准差引起因变量的改变量。

AMOS也产生SPSS那样的输出表，用于显示非标准和标准回归系数，非标准回归系数的标准误估计，和非标准回归系数等于零的原假设的统计显著性。

AMOS输出表在下面详细的讨论。

上面显示的回归分析有几方面的限制：

∙不允许有多个因变量或输出变量

∙中间变量不能包含在与预测因子一样的单一模型中

∙预测因子假设为没有测量误差

∙误差或残差变量只是模型中允许的潜在变量

∙预测因子间的多重共线性会妨碍结果解释

AMOS能拟合不受这些限制的模型。

Wheaton等人的模型应用就是一个例子。

数据在下面部分给出。

使用AMOS图形绘制模型

假设想检验随时间改变疏离感稳定性的模型，在1967和1971年两次测量无价值感和无力感，及教育水平和社会经济地位。

包含标准回归系数的路径图显示如下。

怎样检验这个模型并像在上面显示的那个一样从头开始绘制出版级的路径图?

第一步是登录AMOS。

从Windows工具栏选择开始—程序—AMOS4—AMOSGraphics（简称AG）。

现在将看到AG的窗口，看上去像这样：

也会看见活动的工具栏。

工具栏挡住了AMOS一部分绘图区，但是通过拖动能移动它到计算机屏幕的边上。

单击鼠标可以选择工具栏。

如果鼠标放在工具栏所选的肖像上，AMOS显示名称和工具的函数。

也能右击工具栏肖像获得更多有关如何使用AMOS工具的帮助。

要从工具栏上增加或移动一个工具，在AG的Tools菜单上选择MoveTools。

有时可能需要重新调整工具栏查看所有可用的工具，尤其是如果要显示多个工具或显示器较小时。

用鼠标单击肖像可以激活工具栏。

激活或使用的工具会出现被按下或按低的肖像。

要取消激活的工具，再次单击它的肖像。

肖像恢复到像工具栏上的其它工具一样的状态。

首先，单击激活工具栏选择DrawLatentVariablesandIndicators工具，然后，单击DrawLatentVariablesandIndicators按钮使它激活。

这个工具类