AMOS输出解读和分析文档格式.docx
《AMOS输出解读和分析文档格式.docx》由会员分享，可在线阅读，更多相关《AMOS输出解读和分析文档格式.docx（13页珍藏版）》请在冰点文库上搜索。
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，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
Labeled
Unlabeled
15
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。
Computationofdegreesoffreedom（Defaultmodel）
Numberofdistinctsamplemoments:
21
Numberofdistinctparameterstobeestimated:
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=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
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.
P
Label
<
---
-.614
.056
-10.912
***
par_6
.705
.053
13.200
par_4
-.174
.054
-3.213
.001
par_5
.849
.042
20.427
par_1
1.000
.888
.043
20.577
par_2
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（-0.614/0.056=-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的显着性水平上，临界比估计的绝对值大于1.96称之为显着。
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=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:
6.656
.641
10.379
par_7
5.301
.483
10.967
par_8
3.737
.388
9.623
par_9
4.010
.358
11.186
par_10
3.187
.284
11.242
par_11
3.696
.391
9.443
par_12
3.622
.304
11.915
par_13
2.944
.501
5.882
par_14
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:
M.I.
ParChange
-->
5.905
-.424
26.545
.825
32.071
-.988
4.609
.421
35.367
-1.069
40.911
1.253
5.457
.057
9.006
-.065
6.775
-.069
10.352
.076
5.612
7.278
-.054
7.706
-.070
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
DF
CMIN/DF
Defaultmodel
71.544
.000
11.924
Saturatedmodel
Independencemodel
2131.790
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。
内定模式"
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“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,GFI
RMR
GFI
AGFI
PGFI
.975
.913
.279
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0.90。
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。
BaselineComparisons
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
.966
.916
.969
.923
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。
Parsimony-AdjustedMeasures
PRATIO
PNFI
PCFI
.400
.387
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关的变量数和关系。
）
PNFI是简效规范拟合指数，等于PRATIO乘以NFI。
PCFI是简效比较拟合指数，等于PRATIO乘以CFI。
NCP
LO90
HI90
65.544
41.936
96.603
2116.790
1968.786
2272.133
FMIN
F0
.077
.070
.045
.104
2.290
2.274
2.115
2.441
RMSEA
PCLOSE
.108
.087
.132
.389
.375
.403
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
BCC
BIC
CAIC
101.544
101.771
174.104
189.104
42.000
42.318
143.584
164.584
2143.790
2143.881
2172.814
2178.814
ECVI
MECVI
.109
.084
.142
2.303
2.144
2.470
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
.05
.01
164
219
14
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
Bootstrap:
Total:
1.402
估计模型的计算时间。
计算这个模型总共用了1.402秒。
升级会员 