AMOS输出解读汇报和分析实施报告.docx

资源描述

AMOS输出解读汇报和分析实施报告.docx

《AMOS输出解读汇报和分析实施报告.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实施报告.docx（13页珍藏版）》请在冰豆网上搜索。

AMOS输出解读汇报和分析实施报告.docx

AMOS输出解读汇报和分析实施报告

AMOS输出解读

惠顿研究

惠顿数据文件在各种结构方程模型中被当作经典案例，包括AMOS和LISREL。

本文以惠顿的社会疏离感追踪研究为例详细解释AMOS的输出结果。

AMOS同样能处理与时间有关的自相关回归。

惠顿研究涉及三个潜变量，每个潜变量由两个观测变量确定。

67疏离感由67无力感（在1967年无力感量表上的得分）和67无价值感（在1967年无价值感量表上的得分）确定。

71疏离感的处理方式相同，使用1971年对应的两个量表的得分。

第三个潜变量，SES（社会经济地位）是由教育（上学年数）和SEI（邓肯的社会经济指数）确定。

解读步骤

1.导入数据。

AMOS在文件ex06-a.amw中提供惠顿数据文件。

使用File/Open，选择这个文件。

在图形模式中，文件显示如下。

虽然这里是预定义模式，图形模式允许你给变量添加椭圆，方形，箭头等元素建立新模型

2.模型识别。

潜变量的方差和与它关联的回归系数取决于变量的测量单位，但刚开始谁知道呢。

比如说要估计误差的回归系数同时也估计误差的方差，就好像说“我买了10块钱的黄瓜，然后你就推测有几根黄瓜，每根黄瓜多少钱”，这是不可能实现的，因为没有足够的信息。

如何告诉你“我买了10块钱的黄瓜，有5根”，你便可以推出每根黄瓜2块钱。

对潜变量，必须给它们指定一个数值，要么是与潜变量有关的回归系数，要么是它的方差。

对误差项的处理也是一样。

一旦做完这些处理，其它系数在模型中就可以被估计。

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,mediatedbyses.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

eps1

eps2

eps3

eps4

ses

delta1

zeta1

zeta2

delta2

变量汇总：

对模型中的变量作一些概括，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。

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。

注释：

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。

生和外生的区别：

箭头指向自己的就是生，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:

Numberofobservedvariables:

Numberofunobservedvariables:

Numberofexogenousvariables:

Numberofendogenousvariables:

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，生变量有8个。

Parametersummary（Groupnumber1）

Weights

Covariances

Variances

Means

Intercepts

Total

Fixed

Labeled

Unlabeled

Total

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。

Computationofdegreesoffreedom（Defaultmodel）

Numberofdistinctsamplemoments:

Numberofdistinctparameterstobeestimated:

Degreesoffreedom（21-15）:

（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。

（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=71.544

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，卡方值应该不显著。

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

SEM使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。

MLE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

S.E.

C.R.

Label

67_alienation

<---

ses

-.614

-10.912

***

par_6

71_alienation

<---

67_alienation

.705

13.200

***

par_4

71_alienation

<---

ses

-.174

.054

-3.213

.001

par_5

powles71

<---

71_alienation

.849

20.427

***

par_1

anomia71

<---

71_alienation

1.000

powles67

<---

67_alienation

.888

.043

20.577

***

par_2

anomia67

<---

67_alienation

1.000

educatio

<---

ses

1.000

SEI

<---

ses

5.331

.431

12.370

***

par_3

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。

"C.R."是临界比，它是回归系数的估计值除以它的标准误（-0.614/0.=-10.912）。

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0.05的显著性水平上，临界比估计的绝对值大于1.96称之为显著。

这样67疏离感和社会经济地位的回归系数-10.912的绝对值大于1.96，可以说这个回归系数在0.05显著性水平上显著地不等于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著地不等于0，p=0.001。

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:

（Groupnumber1-Defaultmodel）

Estimate

S.E.

C.R.

Label

ses

6.656

.641

10.379

***

par_7

zeta1

5.301

.483

10.967

***

par_8

zeta2

3.737

.388

9.623

***

par_9

eps1

.358

11.

***

par_10

eps2

3.187

.284

11.242

***

par_11

eps3

3.696

.391

9.443

***

par_12

eps4

3.622

.304

11.915

***

par_13

delta1

2.944

.501

5.882

***

par_14

delta2

260.630

18.256

14.277

***

par_15

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）

M.I.

ParChange

eps2

<-->

delta1

5.905

-.424

eps2

<-->

eps4

26.545

.825

eps2

<-->

eps3

32.

-.988

eps1

<-->

delta1

4.609

.421

eps1

<-->

eps4

35.367

-1.069

eps1

<-->

eps3

40.911

1.253

Variances:

（Groupnumber1-Defaultmodel）

M.I.

ParChange

RegressionWeights:

（Groupnumber1-Defaultmodel）

M.I.

ParChange

powles71

<---

powles67

5.457

powles71

<---

anomia67

9.006

-.065

anomia71

<---

powles67

6.775

-.069

anomia71

<---

anomia67

10.352

.076

powles67

<---

powles71

5.612

.054

powles67

<---

anomia71

7.278

-.054

anomia67

<---

powles71

7.706

-.070

anomia67

<---

anomia71

9.065

.068

修正指数（MI）。

拟合的改进是用卡方统计量的减少来测量，它能发现使卡方拟合指数减少的有意义的信息。

对每个固定和约束参数（系数），如果固定参数或等价约束通过去掉它的路径从模型中排除，模型被重新估计，修正指数预测卡方统计量的减少。

"ParChange"，表示参数的改变，它提供系数会改变多少的实际估计。

对协方差的修正指数，如果两个误差项变量允许相关，MI与卡方统计量减少有关。

对估计回归系数的修正指数，如果去掉两个变量间的路径，在模型中不再要求估计去掉路径的系数，MI与卡方统计量的减少有关。

常用的方法是去掉最大MI的参数，通过卡方拟合指数看看测量效果。

自然地，去掉路径或允许误差项变量相关只有当它有实际意义并且统计感觉也是这样时才能执行。

LISREL和AMOS都计算修正指数。

既然这样,最大的MI是40.911，位于eps1（67无力感误差项）和eps3（71无力感误差项）间。

建议去掉两个误差项相关系数为0的约束，即，允许相关将使卡方统计量的估计至少减少40.911。

惠顿数据是纵向数据，在时间序列中，两个不同时间点（1967和1971）相同测量（无力感）的自相关很相似，所以去掉这个约束在理论上有一个合理的理由。

相同的逻辑用于去掉eps2和eps4（分别为1967和1971无价值感的误差变量）间零相关的约束,它使卡方统计量的估计减少26.545。

然而，在这个输出中，我们没有用这种方式重新设置模型。

要看见改变设置的效果，见AMOS自带文件ex06-b.amw。

ModelFitSummary

CMIN

Model

NPAR

CMIN

CMIN/DF

Defaultmodel

71.544

.000

11.924

Saturatedmodel

.000

Independencemodel

2131.790

.000

142.119

模型拟合汇总：

AMOS输出大量可替换的拟合模式测量。

每个测量用三种模式计算。

"定模式"是由你自己设定的模式。

"独立模式"是指模型中所有变量完全的独立，所以如果“地模式”拟合的比“独立模式”差，那么应该拒绝地模式。

"饱和模式"是没有约束，总是完美拟合数据的模式，所以通常地模式的拟合度量在独立模式和饱和模式之间。

NPAR是模型中被估计的参数个数，不是拟合测量。

P（CMIN）处理最小样本差异。

如果P（CMIN）小于0.05，我们拒绝数据完全拟合模型的原假设。

对大样本，原假设非常可能被拒绝。

按照这个标准，这个模型作为完整拟合被拒绝。

CMIN/DF是最小样本差异除以自由度。

被称之为相对卡方或规卡方。

有些人允许这个值达到5作为适当的拟合，但是当相对卡方大于2或3时，保守的使用就需要拒绝模型。

按照此标准，这个模型应被拒绝。

RMR,GFI

Model

RMR

GFI

AGFI

PGFI

Defaultmodel

.284

.975

.913

.279

Saturatedmodel

.000

1.000

Independencemodel

12.342

.494

.292

.353

RMR是残差均方根。

RMR是样本方差和协方差减去对应估计的方差和协方差的平方和，再取平均值的平方根，估计假定地模型是正确的。

RMR越小，拟合越好。

GFI是拟合优度指数，围在0和1间，但理论上能产生没有意义的负数。

按照约定，要接受模型，GFI应该等于或大于0.90。

按照此标准，这个模型可接受。

AGFI是调整拟合优度指数，利用自由度和变量个数的比例来调整GFI，它的变化围也是0和1间，但理论上能产生没有意义的负数。

AGFI也应该至少大于0.90。

按照此标准，这个模型可接受。

PGFI是简效拟合优度指数。

它是独立模式的自由度与定模式的自由度的比率乘以GFI。

BaselineComparisons

Model

NFI

Delta1

RFI

rho1

IFI

Delta2

TLI

rho2

CFI

Defaultmodel

.966

.916

.969

.923

.969

Saturatedmodel

1.000

Independencemodel

.000

这是比较定模式与独立模式拟合的一组拟合优度测量。

因为独立模式通常很糟糕，定模式与它做比较将使定模式看起来良好但不能用于研究目的。

标题DELTA和RHO是这些测量的可选名称。

NFI是规拟合指数，变化围在0和1间，1=完全拟合。

按照约定，NFI小于0.90表示需要重新设置模型。

RFI是相对拟合指数，它不保证其值的变化围在0和1间。

RFI接近1表示拟合良好。

IFI是增值拟合指数，它不保证其值的变化围在0和1间。

IFI接近1表示拟合良好，大于0.90为可接受拟合。

TLI是Tucker-Lewis系数，也叫做Bentler-Bonett非规拟合指数（NNFI）。

TLI不保证其值的变化围在0和1间。

TLI接近1表示拟合良好。

CFI是比较拟合指数，其值位于0和1之间。

CFI接近1表示拟合非常好，其值大于0.90表示模型可接受。

Parsimony-AdjustedMeasures

Model

PRATIO

PNFI

PCFI

Defaultmodel

.400

.387

.388

Saturatedmodel

.000

Independencemodel

1.000

.000

PRATIO是简效比率，它是定模式的自由度与独立模式自由度的比率。

PRATIO自身不是拟合优度检验，但在拟合优度中用于测量惩罚简效模型的PNFI和PCFI（用相对较少的参数模型去估计与模型有关的变量数和关系。

）

PNFI是简效规拟合指数，等于PRATIO乘以NFI。

PCFI是简效比较拟合指数，等于PRATIO乘以CFI。

NCP

Model

NCP

LO90

HI90

Defaultmodel

65.544

41.936

96.603

Saturatedmodel

.000

Independencemodel

2116.790

1968.786

2272.133

FMIN

Model

FMIN

LO90

HI90

Defaultmodel

.070

.104

Saturatedmodel

.000

Independencemodel

2.290

2.274

2.115

2.441

RMSEA

Model

RMSEA

LO90

HI90

PCLOSE

Defaultmodel

.108

.132

.000

Independencemodel

.389

.375

.403

.000

NCP是非中心参数。

它和F0在计算RMSEA（近似误差均方根）中使用，它合并差异函数准则（比较观测协方差矩阵与预测协方差矩阵）和简效准则（见上面）。

对每一项，LO90和HI90表示系数上90%置信限制。

按照惯例，如果RMSEA小于或等于0.05，模型拟合的好。

如果RMSEA小于0.08，有适当的模型拟合。

按照此标准，这个模型应该被拒绝因为RMSEA是0.108。

PCLOSE检验RMSEA不大于0.05的原假设。

因为PCLOSE近似为0，我们拒绝原假设，得出结论RMSEA大于0.05，表示没有紧密的拟合。

AIC

Model

AIC

BCC

BIC

CAIC

Defaultmodel

101.544

101.771

174.104

189.104

Saturatedmodel

42.000

42.318

143.584

164.584

Independencemodel

2143.790

2143.881

2172.814

2178.814

ECVI

Model

ECVI

LO90

HI90

MECVI

Defaultmodel

.109

.084

.142

.109

Saturatedmodel

Independencemodel

2.303

2.144

2.470

2.303

这是一组基于信息理论的测量。

当使用极大似然方法估计比较模型时，适合用这组准则。

AIC是赤池信息准则。

BCC是Browne-Cudeck准则。

BIC是贝耶斯信息准则，也是知名的赤池贝耶斯信息准则（ABIC）。

CAIC是一致AIC准则。

ECVI是AIC的另一种变体。

MECVI是BCC的变体。

HOELTER

Model

HOELTER

.05

HOELTER

.01

Defaultmodel

164

219

Independencemodel

这是Hoelter的临界数N，是在0.05或0.01水平上接受模型的最大样本量。

它使你知道所使用的样本量是否足够用来估计模型的参数和模型的拟合。

既然这样，这个模型的实际样本量是932，并且模型被拒绝。

如果样本量只有164，在0.05水平上接受模型。

Executiontimesummary

Minimization:

.090

Miscellaneous:

1.312

展开阅读全文