AMOS输出解读汇报和分析报告Word格式文档下载.docx

1、 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。TitleExample 6, Model A: Exploratory analy

2、sis Stability of alienation, mediatedby ses. Correlations, standard deviations and means from Wheaton et al.（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。Notes for Group （Group number 1）The model is recursive.Sample size = 932各组注释： Group number 1 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。Variable Summary

3、（Group number 1）Your model contains the following variables （Group number 1）Observed, endogenous variablesanomia67powles67anomia71powles71educatioSEIUnobserved, endogenous variables71_alienation67_alienationUnobserved, exogenous variablesepsieps2eps3eps4sesdeltalzetalzeta2delta2变量汇总：对模型中的变量作一些概括，内生观

4、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。Variable cou nts （Group n umber 1）Number of variables in your model: 17Number of observed variables: 6Number of un observed variables: 11Number o

5、f exoge nous variables: 9Number of en doge nous variables: 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。Parameter summary （Group n umber 1）WeightsCovaria ncesVaria ncesMeansIn terceptsTotalFixed11LabeledUn labeled69151726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。21Com

6、putation of degrees of freedom （Default model）Number of distinct sample moments:Number of distinct parameters to be estimated: 15Degrees of freedom （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

7、。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 （Default model）Minimum was achievedChi-square =Degrees of freedom = 6Probability level = .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

8、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） x FN 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

9、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。Maximum Likelihood EstimatesSEMI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。Regressi on Weights: （Group n umber 1 - Default model）Estimate . .PLabel67_alie natio n.056*par_671_alie nati on67_alie nati on

10、.705.053par_4.054.001par_5.849.042par_1ano mia71.888.043par_2ano mia67.431par 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。.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

11、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。Varia nces:Estimate.641par_7zeta1.483par_8.388par_9eps1.358par_10.284par_11.391par_12.304par_13delta1.501par_14par 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。Modificati on In dices （Group n umber 1 - Default model）Covariances: （Group number 1 - Default model）Par Changeeps2 delta1 eps2 eps4 eps2 eps3 eps1 delta1 eps1 eps4 eps1 eps3.825.421 （Group n umber 1 - Default