结构方程模型与AMOS使用.ppt

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。**解释：Groupnumber1是模型内定的模型名称，因为没有给模型取名。模型为递归模型，样本量为932。*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。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。*变量计数：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。*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。**（用户定义的模型）的自由度计算：样本矩21=6（6+1）/2，6为观察变量个数；15个参数是：模型中6个回归系数和9个被估计的方差。自由度为6：是样本矩与估计参数的差值。*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。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。H0是模型协方差阵等于样本协方差阵。如果模型拟合的好，卡方值应该较小，P值应大于0.10。*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非常敏感。样本量很小时，几乎不拒绝所有拟合较差的模型，而样本量很大时，又几乎拒绝所有拟合较优的模型。由卡方拟和指数的计算公式可以看出：卡方统计量=(n-1)×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。*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。**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。路径系数的标准误。“C.R.”是临界比率，它是回归系数的估计值除以它的标准误（-0.614/0.056=-10.876）。临界比。该案例中对67疏离感和社会经济地位的无效假设是回归系数为0。**（残差）方差的估计，标准误和临界比和P值的解释同上。***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。该数据是纵向数据，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。**对所有变量分别按3种模型进行拟合：“理论模型”（Defaultmodel）：根据实际意义设定的模型。“饱和模型”（Saturatedmodel）：是对参数间关系最无限制的模型，各个变量间都假设相关或者有因果关系。“独立模型”（Independencemodel）：指模型中所有变量完全的独立。所以，如果“理论模型”拟合的比“独立模式”还差，就应该拒绝理论模型。通常理论模型的拟合度量在独立模型和饱和模型之间。*NPAR是模型中被估计的参数个数。P(CMIN)：如果P(CMIN)小于0.05，拒绝H0。模型拟合不好。对大样本，H0很可能被拒绝。本例理论模型（Defaultmodel）拟合不好（?2=71.54，P0.001）。理论模型的CMIN/DF为11.92，明显低于独立模型的142.12。故理论模型比独立模型相对拟合地好些。*CMIN/DF被称之为相对卡方值。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。?20.05,1=3.84********研究者调查了3094个学生的四个指标，x1是母亲的学历等级（1～6），x2是父亲的学历等级（1～6），x3是父母亲的工资收入等级（1～10），