AMOS输出解读汇报和分析结果汇报.docx

1、AMOS输出解读汇报和分析结果汇报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尖的自相尖回归。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。AM

2、OS在文件ex06-a.amw中提供惠顿数据文件。使用File/Ope n,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探索性分析壽顿(1977)Model Specification2模型识别潜变量的方差和与它尖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，

3、必须给它们指定一个数 值，要么是与潜变量有矢的回归系数，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 误差项尖联的路径设为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是AMOS输 出的一部分行分析。点击浏览文本按

4、钮 输出如下 蓝色字体用于注解，不TitleExample 6, Model A: Exploratory an alysis Stability of alie nati on, mediated by ses. Correlati ons, sta ndard deviati ons and means from Wheat on 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 n umber 1)The model is recursive.Sample size = 932各组注释：Group num

5、ber 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 (Group n umber 1)Your model contains the follow ing variables (Group n umber 1)Observed, en doge nous variables ano mia67powles67ano mia71 powles71 educatio SEIUn observed, en doge nous variables71_alie nati on67_alie nati onUn obse

6、rved, exoge nous variableseps1eps2eps3eps4sesdeltalzetalzeta2delta2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。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

7、 in your model: 17Number of observed variables:Number of un observed variables: 11Number of exoge nous variables:Number of en doge nous variables: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 变量有门个；外生变量有9个，内生变量有8个。Parameter summary (Group n umber 1)WeightsCovaria ncesVaria ncesMeansIn terceptsTotalFixed110000

8、11Labeled000000Un labeled6090015Total17090026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。Computati on of degrees of freedom (Default model)21156Number of disti net sample mome nts:Number of dist inct parameters to be estimated:Degrees of freedom (21-15):（内定模型）的自由度计算：21 ”样本矩堤6个观测变量的6个样

9、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。MuiiniiiAtion History （Dtfaull model）IterationNegative eigenvaluesConditiorL #Smallest tiAenvalueDiameterFNTnesRatio0e 5-.2269999.0002519.61409999.0001e 2-.0351.6S9765.46720.7S42c 1X28胡3204.1735.7733e 0230.940.51092.63967674e 026

10、.999.49333.7942.0005e 029 503.26072.33911 0636e 033.441.05671 55111.0407e 03377100771.54411 0068e 033.743.00071 54411 000(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 (Default model)Minimum was achieved Chi-square = 71.544 Degrees of freedom = 6 Probability level =.000卡方拟合指数：

11、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：卡方统计量二(N-1)xFN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

12、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。Maximum Likelihood EstimatesOLS寻找SEM使用最大似然法估计模型，而不是通常的最小二乘法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

13、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)EstimateS.E.C.R.PLabel67_alie natises-.614.056-10.912*Par_671_alie nati67_alie nati on.705.05313.200Par_471_alie natises-.174.054-3.213.001Par_5powles7171_alie nati on.849.04220.427Par_1ano mia7171_alie nati on1.000powles6767

14、_alie nati on.888.04320.577Par_2ano mia6767_alie nati on1.000educatioses1.000SEIses5.331.43112.370par 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。CR堤临界比，它是回归系数的估计值除以它的标准误（-0.614/0.056 = - 10.912 ）。临界比与原假设有矢在这个案例中对67疏离感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

15、-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值给岀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。Varia nces: (Group n umber 1 - Default model)EstimateS.E.C.R.PLabelses6.656.64110.379 par 7zetal5.301.48310.967*par 8zeta23.737.388

16、9.623*par 9eps14.010.35811.186*par_10eps23.187.28411.242*par_11eps33.696.3919.443par 12EstimateS.E.CR.PLabeleps43.622.30411.915par_13deltal2.944.5015.882par_14delta2260.63018.25614.277par 15方差的估计，标准误和临界比和P值的解释同上教育例乳模型A探索性分析惠顿U 9背)Unstandardized estimates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。Modifi

17、cati on In dices (Group n umber 1 - Default model)Covaria nces: (Group n umber 1 - Default model)M丄Par Changeeps2 deltal1905-.424eps2 eps426.545.825eps2 eps332.071-.988eps1 deltal1.609.421M丄Par Changeeps1 eps435.367-1.069eps1 eps340.9111.253Varia nces: (Group n umber 1 - Default model)M.l. Par Cha n

18、geRegressi on Weights: (Group n umber 1 - Default model)M丄Par Change5.457.0579.006-.0656.775-.06910.352.0765.612.0547.278-.0547.706-.0709.065.068powles71 vpowles67 powles71 vanomia67 anomia71- powles67 anomia71- anomia67 powles67 vpowles71 powles67 vanomia71 anomia67- powles71 anomia67- anomia71修正指数

19、（Ml）。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。“Par Change；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矢，Ml与卡方统计量减少有 矢。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， Ml与卡方统计量的减少有尖。常用的方法是去掉最大Ml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矢只有当它

20、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Ml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尖系数为0的约束，即，允 许相尖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）的自相矢很相 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份别为1967和1971无价值感的误差变量)间零相尖的约束，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

21、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。Model Fit SummaryCMINModelNPARCMINDFPCMIN/DFDefault model1571.5446.00011.924Saturated model21.0000In depe ndence model62131.79015.000142.119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。”内定模式堤由你自己设定的模式。”独立模式堤指模型中所有变量完 全的独立，所以如果“内地模式”拟合的比“独立模式”差，那么应该拒绝内 地模式。”饱和模式是没有

22、约束，总是完美拟合数据的模式，所以通常内地模 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范卡方。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, GFIModelRMRGFIAGFIPGFIDefault model.284.975

23、.913.279Saturated model.0001.000In depe ndence model12.342.494.292.353RMR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，估计假定内地模型是正确的RMR越小，拟 合越好。GFI是拟合优度指数，范围在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 变化范围也是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 .9

24、0。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内定模式的自由度的比 率乘以GFI Baseli ne Comparis onsModelNFIDeltalRFIrho1IFIDelta2TLIrho2CFIDefault model.966.916.969.923.969Saturated model1.0001.0001.000In depe ndence model.000.000.000.000.000这是比较内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，内定模式与它做比较将使内定模式看起来良好但不能用于研究目 的。标题DELTA

25、和RHO是这些测量的可选名称。NFI是规范拟合指数，变化范围在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范围在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范围在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非规范拟合指数（NNFI）。TLI不保证其值的变化范围在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。

26、PRATIO是简效比率，它是内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矢的变量数和矢 系。）PNFI是简效规范拟合指数，等于PRATIO乘以NFIPCFI是简效比较拟合指数，等于PRATIO乘以CFINCPModelNCPLO 90HI 90Default model65.54441.93696.603Saturated model.000.000.000In depe ndence model2116.7901968.7862272.133FMINModelFMINF

27、0LO 90HI 90Default model.077.070.045.104Saturated model.000.000.000.000In depe ndence model2.2902.2742.1152.441RMSEAModelRMSEA LO 90HI 90PCLOSLDefault model.108.087.132.000In depe ndence model.389.375.403.000NCP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LO 90和HI 90表

28、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。AICModelAICBCCBICCAICDefault model101.544101.771174.104189.104Saturated model42.00042.318143.584164.584In depe ndence model2143.7902143.8812172.8142178.814ECVIModelECVILO 90HI 90MECVIDefault model.109.084.142.109Saturated model.045.045.045.04