AMOS操作讲解.docx
- 文档编号:28207082
- 上传时间:2023-07-09
- 格式:DOCX
- 页数:9
- 大小:105.84KB
AMOS操作讲解.docx
《AMOS操作讲解.docx》由会员分享,可在线阅读,更多相关《AMOS操作讲解.docx(9页珍藏版)》请在冰豆网上搜索。
AMOS操作讲解
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。
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(contentvalidity)、效标效度(criterionvalidity)和结构效度(constructvalidity)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,
是一个变量,我们使用
、
两种工具进行测量。
如果使用
作为准则,并且
和
高度相关,我们就说
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。
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
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
与理论方差协方差矩阵
差别不大,即残差矩阵(
)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
(卡方)
越小越好
GFI
大于0.9
RMR
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。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- AMOS 操作 讲解