AMOS输出解读汇报和分析报告Word格式文档下载.docx
《AMOS输出解读汇报和分析报告Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《AMOS输出解读汇报和分析报告Word格式文档下载.docx(12页珍藏版)》请在冰豆网上搜索。
在这里我们把与误差项关联的路径设为1,再从潜变量指向观测变量的路径中选一条把它设为1。
这样就给每个潜变量设置了测量尺度,如果没有这个测量尺度,模型是不确定的。
有了这些约束,模型就可以识别了。
注释:
设置的数值可以是1,也可以是其它数,这些数对回归系数
没有影响,但对误差有影响,在标准化的情况下,误差项的路径系数平方等于它的测量方差。
3.解释模型。
模型设置完毕后,在图形模式中点击工具栏中计算估计按钮运行分析。
点击浏览文本按钮。
输出如下。
蓝色字体用于注解,不是AMOS输出的一部分。
Title
Example6,ModelA:
ExploratoryanalysisStabilityofalienation,mediated
byses.Correlations,standarddeviationsandmeansfromWheatonetal.
(1977).
以上是标题,全是英文,自己翻译去吧,没有什么价值,一堆垃圾。
NotesforGroup(Groupnumber1)
Themodelisrecursive.
Samplesize=932
各组注释:
Groupnumber1是模型内定的模型名称,因为你还没有给模型取名。
它告诉你模型为递归模型,样本量为932。
VariableSummary(Groupnumber1)
Yourmodelcontainsthefollowingvariables(Groupnumber1)
Observed,endogenousvariables
anomia67
powles67
anomia71
powles71
educatio
SEI
Unobserved,endogenousvariables
71_alienation
67_alienation
Unobserved,exogenousvariables
epsi
eps2
eps3
eps4
ses
deltal
zetal
zeta2
delta2
变量汇总:
对模型中的变量作一些概括,内生观测变量:
67无力感,67无价值感,71无力感,71无价值感,教育和SEI。
内生非观测变量:
67疏离感,71疏离感。
外生非观测变量:
各种误差和社会经济地位。
观测变量与非观测变量的区别:
一个用方形表示,一个用椭圆表
示。
内生和外生的区别:
箭头指向自己的就是内生,发送箭头的就是外生。
注意区分测量模式和结构模式。
Variablecounts(Groupnumber1)
Numberofvariablesinyourmodel:
17
Numberofobservedvariables:
6
Numberofunobservedvariables:
11
Numberofexogenousvariables:
9
Numberofendogenousvariables:
8
变量计数:
数数模型中的变量,变量总数为17,其中观测变量有6个,非观测变量有11个;
外生变量有9个,内生变量有8个。
Parametersummary(Groupnumber1)
Weights
Covariances
Variances
Means
Intercepts
Total
Fixed
11
Labeled
Unlabeled
6
9
15
17
26
模型的参数概括:
固定系数11个,就是模型识别中固定的11个1。
还有6个自由的系数,9个方差对应着前面外生非观测变量。
21
Computationofdegreesoffreedom(Defaultmodel)
Numberofdistinctsamplemoments:
Numberofdistinctparameterstobeestimated:
15
Degreesoffreedom(21-15):
(内定模型)的自由度计算:
21"
样本矩"
是6个观测变量的6个样本方差加上15个协方差构成(也就是6中取2的组合数)。
15个参数是模型的6个回归系数和9个被估计的方差。
样本矩与估计参数的差为6个自由度。
(内定模型)迭代过程:
极大似然估计是一个迭代过程。
这里给出迭代
历史。
这个输出是可选的,你不必直接使用它。
基本上没有什么用
Result(Defaultmodel)
Minimumwasachieved
Chi-square=
Degreesoffreedom=6
Probabilitylevel=.000
卡方拟合指数:
这是所有软件都使用的最普通的拟和检验。
AMOS和
LISREL把它称为卡方统计量,其它软件称为卡方拟和优度和卡方拟和劣度。
卡方拟合指数检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。
原假设是模型协方差阵等于样本协方差阵。
如果模型拟合的好,卡方值应该不显着。
在这种情况下,数据拟和不好的模型被拒绝。
卡方检验的问题是样本越大,越可能拒绝模型,越可能犯第一类错误。
卡方拟和指数对违反多变量正态假设也是非常敏感。
这由卡方拟和指数的计算公式可以看出:
卡方统计量=(N-1)xF
N是样本量,F是模型协方差阵和样本协方差阵的最小适配函数。
这个函数比较复杂,也不知道是哪个天才搞出来的,它的计算公式中包含行列式,矩阵的迹,还要取对数,再经过一些加减运算把多维数据压缩为一个数值。
从卡方统计量的计算中可以看出,如果适配函数减少的速度没有样本量增加的速度快,即使模型协方差阵与样本协方差阵拟和的很好,但样本量的增加也会导致拒绝原假设。
这种拒绝正确建议的行为就是犯了第一
类错误。
如果不服从正态分布,卡方统计量会更多地拒绝真实模型。
不过好在ML
估计比较稳健,所以即使违背了正态分布的假定,模型也能对付着用。
MaximumLikelihoodEstimates
SEMI用最大似然法估计模型,而不是通常的最小二乘法。
OLS寻找数
据点到回归线距离的最小平方和。
ML寻找最大的对数似然,它反映从
自变量观测值预测因变量观测值的可能性有多大。
RegressionWeights:
(Groupnumber1-Defaultmodel)
Estimate..
P
Label
67_alienation
<
——
.056
***
par_6
71_alienation
67_alienation
.705
.053
par_4
.054
.001
par_5
.849
.042
par_1
anomia71
.888
.043
par_2
anomia67
.431
par3
回归系数是模型中带箭头的路径系数。
为了识别模型,部分系数在模型识别中已固定为1(例如,潜变量67疏离感到观测变量67无力感的路径)。
也给出路径系数的标准误。
"
."
是临界比,它是回归系数的估计值除以它的标准误(-/=-)。
临界比与原假设有关,在这个案例中对
67疏离感和社会经济地位的原假设是回归系数为0。
如果我们处理近似标准正态分布的随机变量,在的显着性水平上,临界比估计的绝对值
大于称之为显着。
这样67疏离感和社会经济地位的回归系数的绝对
值大于,可以说这个回归系数在显着性水平上显着地不等于0。
P值给出检验原假设总体中参数是0的近似双尾概值。
它表示67疏离感和社会经济地位的回归系数显着地不等于0,p三P值的计算假定参数
估计是正态分布,它只是对大样本正确。
Variances:
Estimate
.
.641
par_7
zeta1
.483
par_8
.388
par_9
eps1
.358
par_10
.284
par_11
.391
par_12
.304
par_13
delta1
.501
par_14
par15
方差的估计,标准误和临界比和P值的解释同上
用表格看数据总是让人眼花缭乱,还是看图示舒服些,这是上面表格数字的图形显示。
ModificationIndices(Groupnumber1-Defaultmodel)
Covariances:
(Groupnumber1-Defaultmodel)
ParChange
eps2<
-->
delta1eps2<
eps4eps2<
eps3eps1<
delta1eps1<
eps4eps1<
eps3
.825
.421
(Groupnumber1-Default