AMOS步步教程超详细.docx
《AMOS步步教程超详细.docx》由会员分享,可在线阅读,更多相关《AMOS步步教程超详细.docx(19页珍藏版)》请在冰点文库上搜索。
AMOS步步教程超详细
AMOS步步教程(超详细)
应用案例1
第一节模型设定
结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。
下面以一个
研究实例作为说明,使用Amo7软件进行计算,阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。
2
一、模型构建的思路
本案例在著名的美国顾客满意度指数模型(ASCI)的基础上,提出了一个新的模型,并以此构建潜变量并建立模型结构。
根据构建的理论模型,通过设计问卷对某超市顾客购物服务满意度调查得到实际数据,然后利用对缺失值进行处理后的数据3进行分析,并对文中提出的模型进行拟合、修正和解释。
二、潜变量和可测变量的设定
本文在继承ASCI模型核心概念的基础上,对模型作了一些改进,在模型中增加超市形象。
它包括顾客对超市总体形象及与其他超市相比的知名度。
它与顾客期望,感知价格和顾客满意有关,设计的模型见表7-1。
模型中共包含七个因素(潜变量):
超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚,其中前四个要素是前提变量,后三个因素是结果变量,前提变量综合决定并影响着结果变量(EugeneW.Anderon&ClaeFornell,2000;殷荣伍,2000)。
表7-1设计的结构路径图和基本路径假设
设计的结构路径图基本路径假设超市形象超市形象对质量期望有路径影响质量期望对质量感知有路径影响质量期望顾客抱怨质量感知对感知价格有路径影响质量期望对感知价格有路径影响感知价格对顾客满意有路径影响顾客满意对顾客忠诚有路径影响超市形象对顾客满意有路径影响超市形象对顾客忠诚有路径影响感知价值质量感知顾客满意顾客忠诚
2.1、顾客满意模型中各因素的具体范畴
参考前面模型的总体构建情况、国外研究理论和其他行业实证结论,以及小范围甄别调查的结果,模型中各要素需要观测的具体范畴,见表7-2。
12
关于该案例的操作也可结合书上第七章的相关内容来看。
本案例是在Amo7中完成的。
3
见p数据文件“处理后的数据.av”。
本次问卷调研的对象为居住在某大学校内的各类学生(包括全日制本科生、全日制硕士和博士研究生),并且近一个月内在校内某超市有购物体验的学生。
调查采用随机拦访的方式,并且为避免样本的同质性和重复填写,按照性别和被访者经常光顾的超市进行控制。
问卷内容包括7个潜变量因子,24项可测指标,7个人口变量,量表采用了Likert10级量度,如对超市形象的测量:
一、123超市形象您对某超市总体形象的评价您认为与其它校内超市相比,某超市的形象如何您认为与其它校内超市相比,某超市品牌知名度如何本次调查共发放问卷500份,收回有效样本436份。
1代表“非常差劲”,10代表“非常好”123456789101234567891012345678910四、缺失值的处理
采用表列删除法,即在一条记录中,只要存在一项缺失,则删除该记录。
最终得到401条数据,基于这部分数据做分析。
五、数据的的信度和效度检验
1.数据的信度检验
信度(reliability)指测量结果(数据)一致性或稳定性的程度。
一致性主要反映的是测验内部题目之间的关系,考察测验的各个题目是否测量了相同的内容或特质。
稳定性是指用一种测量工具(譬如同一份问卷)对同一群受试者进行不同时间上的重复测量结果间的可靠系数。
如果问卷设计合理,重复测量的结果间应该高度相关。
由于本案例并没有进行多次重复测量,所以主要采用反映内部一致性的指标来测量数据的信度。
折半信度(plit-halfreliability)是将测量工具中的条目按奇偶数或前后分成两半,采用Spearman-brown公式估计相关系数,相关系数高提示内部一致性好。
然而,折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的,但实际数据并不一定满足这一假定,因此信度往往被低估。
Cronbach在1951年提出了一种新的方法(Cronbach'Alpha系数),这种方法将测量工具中任一条目结果同其他所有条目作比较,对量表内部一致性估计更为慎重,因此克服了折半信度的缺点。
本章采用SPSS16.0研究数据的内部
4
正向的,采用Likert10级量度从“非常低”到“非常高”
一致性。
在Analyze菜单中选择Scale下的ReliabilityAnalyi(如图7-1),将数据中在左边方框中待分析的24个题目一一选中,然后点击
,左边方框中待分析的24个题目进入右边的item方框中,使用Alpha
模型(默认),得到图7-2,然后点击ok即可得到如表7-3的结果,显示Cronbach'Alpha系数为0.892,说明案例所使用数据具有较好的信度。
图7-1信度分析的选择
图7-2信度分析变量及方法的选择表7-3信度分析结果
ReliabilityStatiticCronbach'AlphaNofItem.89224另外,对问卷中每个潜变量的信度分别检验结果如表7-4所示5。
从表7-4可以看到,除顾客抱怨量表
5
操作过程同前,不同的是在图7-14中选入右边方框item中是相应潜变量对应的题目。
如对超市形象潜变量,只需要把a1、a2和a3题目选入到右边方框item中即可。
Cronbaca’Alpha系数为0.255,比较低以外,其它分量表的Alpha系数均在0.7以上,且总量表的Cronbach’Alpha系数达到了0.891,表明此量表的可靠性较高。
由信度检验的结果可知顾客抱怨的测量指标的信度远低于0.7,因此在路径图中去掉顾客抱怨因子,即初始模型中包括6个潜变量、21个可测变量。
表7-4潜变量的信度检验
潜变量超市形象质量期望质量感知感知价格顾客满意顾客抱怨顾客忠诚
可测变量个数
3552333
Cronbach’Alpha
0.8580.8890.8620.9290.9480.2550.738
2.数据的效度检验
效度(validity)指测量工具能够正确测量出所要测量的特质的程度,分为内容效度(contentvalidity)、效标效度(criterionvalidity)和结构效度(contructvalidity)三个主要类型。
内容效度也称表面效度或逻辑效度,是指测量目标与测量内容之间的适合性与相符性。
对内容效度常采用逻辑分析与统计分析相结合的方法进行评价。
逻辑分析一般由研究者或专家评判所选题项是否“看上去”符合测量的目的和要求。
准则效度又称效标效度、实证效度、统计效度、预测效度或标准关联效度,是指用不同的几种测量方式或不同的指标对同一变量进行测量,并将其中的一种方式作为准则(效标),用其他的方式或指标与这个准则作比较,如果其他方式或指标也有效,那么这个测量即具备效标效度。
例如,某是一个变量,我们使用某1、某2两种工具进行测量。
如果使用某1作为准则,并且某1和某2高度相关,我们就说某2也是具有很高的效度。
当然,使用这种方法的关键在于作为准则的测量方式或指标一定要是有效的,否则越比越差。
现实中,我们评价效标效度的方法是相关分析或差异显著性检验,但是在调查问卷的效度分析中,选择一个合适的准则往往十分困难,也使这种方法的应用受到一定限制。
结构效度也称构想效度、建构效度或理论效度,是指测量工具反映概念和命题的内部结构的程度,也就是说如果问卷调查结果能够测量其理论特征,使调查结果与理论预期一致,就认为数据是具有结构效度的。
它一般是通过测量结果与理论假设相比较来检验的。
确定结构效度的基本步骤是,首先从某一理论出发,提出关于特质的假设,然后设计和编制测量并进行施测,最后对测量的结果采用相关分析或因子分析等方法进行分析,验证其与理论假设的相符程度。
在实际操作的过程中,前面两种效度(内容效度和准则效度)往往要求专家定性研究或具有公认的效标测量,因而难以实现的,而结构效度便于可以采用多种方法来实现:
第一种方法是通过模型系数评价结构效度。
如果模型假设的潜变量之间的关系以及潜变量与可测变量之间的关系合理,非标准化系数应当具有显著的统计意义。
特别地,通过标准化系数可以比较不同指标间的效度。
从表7-17可以看出在99%的置信度下所有非标准化系数具有统计显著性,这说明修正模型的整体结构效度较好。
第二种方法是通过相关系数评价结构效度。
如果在理论模型中潜变量之间存在相关关系,可以通过潜变量的相关系数来评价结构效度:
显著的相关系数说明理论模型假设成立,具有较好的结构效度。
第三种方法是先构建理论模型,通过验证性因子分析的模型拟合情况来对量表的结构效度进行考评。
因此数据的效度检验就转化为结构方程模型评价中的模型拟合指数评价。
对于本案例,从表7-16可知理论模型与数据拟合较好,结构效度较好。
6
6
关于标准化系数的解释见本章第五节。
六、结构方程模型建模
构建如图7.3的初始模型。
e101a10e91a91e111a11质量感知e121a12e131a13e51a5e41a41e61a6质量期望e71a7e81a8e11a11e21e31a3a2超市形象1z1111z2e14e15a14a151感知价格1z3e17e16e18111a17a161顾客满意1z4a18e23e22e24111a23a221a24顾客忠诚1z5
图7-3初始模型结构
图7-4AmoGraphic初始界面图
第二节Amo实现7
一、Amo基本界面与工具
打开AmoGraphic,初始界面如图7-4。
其中第一部分是建模区域,默认是竖版格式。
如果要建立的模型在横向上占用较大空间,只需选择View菜单中的InterfacePropertie选项下的Landcape(如图7.5),即可将建模区域调整为横板格式。
图7-2中的第二部分是工具栏,用于模型的设定、运算与修正。
相关工具的具体功能参见书后附录二。
图7-5建模区域的版式调整
图7-6建立潜变量
二、Amo模型设定操作7
这部分的操作说明也可参看书上第七章第二节:
Amo实现。
1.模型的绘制
在使用Amo进行模型设定之前,建议事先在纸上绘制出基本理论模型和变量影响关系路径图,并确定潜变量与可测变量的名称,以避免不必要的返工。
相关软件操作如下:
第一步,使用
建模区域绘制模型中的七个潜变量(如图7-6)。
为了保持图形的美观,可以使用先绘
绘制其他潜变量,以保证潜变量大小一致。
在潜变量上点击右键选择
来设置变量间的因果关系,使用
来设置变量间的相关
制一个潜变量,再使用复制工具
ObjectPropertie,为潜变量命名(如图7-7)。
绘制好的潜变量图形如图7-8。
第二步设置潜变量之间的关系。
使用关系。
绘制好的潜变量关系图如图7-9。
图7-7潜变量命名
图7-8命名后的潜变量
图7-9设定潜变量关系
第三步为潜变量设置可测变量及相应的残差变量,可以使用
绘制,也可以使用
和
自行
绘制(绘制结果如图7-10)。
在可测变量上点击右键选择ObjectPropertie,为可测变量命名。
其中VariableName一项对应的是数据中的变量名(如图7-11),在残差变量上右键选择ObjectPropertie为残差变量命名。
最终绘制完成模型结果如图7-12。
图7-10设定可测变量及残差变量
图7-11可测变量指定与命名
图7-12初始模型设置完成
2.数据文件的配置
Amo可以处理多种数据格式,如文本文档(某.t某t),表格文档(某.某l、某.wk1),数据库文档(某.dbf、某.mdb),SPSS文档(某.av)等。
为了配置数据文件,选择File菜单中的DataFile(如图7-13),出现如图7-14左边的对话框,然后点击Filename按钮,出现如图7-14右边的对话框,找到需要读入的数据文件“处理后的数据.av”,双击文件名或点击下面的“打开”按钮,最后点击图7-14左边的对话框中“ok”按钮,这样就读入数据了。
图7-13数据配置
图7-14数据读入
第三节模型拟合
一、参数估计方法选择
模型运算是使用软件进行模型参数估计的过程。
Amo提供了多种模型运算方法供选择。
可以通过点击View菜单在AnalyiPropertie(或点击工具栏的
)中的Etimation项选择相应的估计方法。
本案例使用最大似然估计(Ma某imumLikelihood)进行模型运算,相关设置如图7-15。
8
图7-15参数估计选择
二、标准化系数
如果不做选择,输出结果默认的路径系数(或载荷系数)没有经过标准化,称作非标准化系数。
非标准化系数中存在依赖于有关变量的尺度单位,所以在比较路径系数(或载荷系数)时无法直接使用,因此需要进行标准化。
在AnalyiPropertie中的Output项中选择StandardizedEtimate项(如图7-26),即可输出测量模型的因子载荷标准化系数如表7-5最后一列。
8
详细方法列表参见书后附录一。
图7.16标准化系数计算
标准化系数是将各变量原始分数转换为Z分数后得到的估计结果,用以度量变量间的相对变化水平。
因此不同变量间的标准化路径系数(或标准化载荷系数)可以直接比较。
从表7-17最后一列中可以看出:
受“质量期望”潜变量影响的是“质量感知”潜变量和“感知价格”潜变量;标准化路径系数分别为0.434和0.244,这说明“质量期望”潜变量对“质量感知”潜变量的影响程度大于其对“感知价格”潜变量的影响程度。
9
三、参数估计结果的展示
图7-17模型运算完成图
9
Z分数转换公式为:
Z某i某。
i使用Analyze菜单下的CalculateEtimate进行模型运算(或使用工具栏中的),输出结果如图7-17。
)查
其中红框部分是模型运算基本结果信息,使用者也可以通过点击Viewtheoutputpathdiagram(看参数估计结果图(图7-18)。
图7-18参数估计结果图
Amo还提供了表格形式的模型运算详细结果信息,通过点击工具栏中的
来查看。
详细信息包括
分析基本情况(AnalyiSummary)、变量基本情况(VariableSummary)、模型信息(NoteforModel)、估计结果(Etimate)、修正指数(ModificationIndice)和模型拟合(ModelFit)六部分。
在分析过程中,一般通过前三部分了解模型,在模型评价时使用估计结果和模型拟合部分,在模型修正时使用修正指数部分。
10
四、模型评价
1.路径系数/载荷系数的显著性
参数估计结果如表7-5到表7-6,模型评价首先要考察模型结果中估计出的参数是否具有统计意义,需要对路径系数或载荷系数进行统计显著性检验,这类似于回归分析中的参数显著性检验,原假设为系数等于。
Amo提供了一种简单便捷的方法,叫做CR(CriticalRatio)。
CR值是一个Z统计量,使用参数估计值与其标准差之比构成(如表7-5中第四列)。
Amo同时给出了CR的统计检验相伴概率p(如表7-5中第五列),使用者可以根据p值进行路径系数/载荷系数的统计显著性检验。
譬如对于表7.5中“超市形象”潜变量对“质量期望”潜变量的路径系数(第一行)为0.301,其CR值为6.68,相应的p值小于0.01,则可以认为这个路径系数在95%的置信度下与0存在显著性差异。
11
10
分析基本情况(AnalyiSummary)、变量基本情况(VariableSummary)、模型信息(NoteforModel)三部分的详细介绍如书后附录三。
11
潜变量与潜变量间的回归系数称为路径系数;潜变量与可测变量间的回归系数称为载荷系数。
表7-5系数估计结果
未标准化路
质量期望质量感知感知价格感知价格感知价格顾客满意顾客满意顾客忠诚顾客忠诚a112a2a3a5a4a6a7a8a10a9a11a12a13a18a17a15a14a16a24a23
超市形象质量期望质量期望质量感知超市形象超市形象感知价格超市形象顾客满意超市形象超市形象超市形象质量期望质量期望质量期望质量期望质量期望质量感知质量感知质量感知质量感知质量感知顾客满意顾客满意感知价格感知价格顾客满意顾客忠诚顾客忠诚
径系数估计0.3010.4340.329-0.121-0.0050.912-0.0290.1670.511.0080.70110.790.8911.1591.02411.160.7581.1010.98311.03910.9721.00911.208
S.E.0.0450.0570.0890.0820.0650.0430.0280.1010.10.0360.0480.0610.0530.0590.0580.0650.0680.0690.0670.0340.1270.0330.092
C.R.6.687.6333.722-1.467-0.0721.389-1.0361.6534.98827.99114.66712.85216.90619.62817.71317.91111.07515.97314.77730.1717.6731.02413.079
P某某某某某某某某某0.1420.944某某某0.30.098某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某
Labelpar_16par_17par_18par_19par_20par_21par_23par_22par_24par_1par_2par_3par_4par_5par_6par_7par_8par_9par_10par_11par_12par_13par_14
标准化路径系数估计
0.3580.4340.244-0.089-0.0040.878-0.0320.1830.5690.9270.8990.6290.790.6260.7860.8910.8160.7680.8820.5630.7840.7320.8860.9390.9630.9040.950.6820.846
注:
“某某某”表示0.01水平上显著,括号中是相应的C.R值,即t值。
表7-6方差估计
超市形象
z2z1z3z4z5e1
方差估计3.5742.2082.064.4050.8941.3730.584
S.E.0.2990.2430.2410.6680.1070.2140.079
C.R.11.9589.088.546.5968.3526.4047.363
P某某某某某某某某某某某某某某某某某某某某某
Labelpar_25par_26par_27par_28par_29par_30par_31
12
凡是a+数字的变量都是代表问卷中相应测量指标的,其中数字代表的问卷第一部分中问题的序号。
e2e3e5e4e6e7e8e10e9e11e12e13e18e16e17e15e24e22e23e14
0.8612.6751.5262.4591.2450.8871.3351.7590.9763.1381.9262.1281.0560.420.5540.3643.4133.3811.730.981
0.0930.1990.130.1860.1050.1030.1190.1520.1220.2350.1710.1760.0890.0520.0610.5910.2950.2810.2520.562
9.28813.46711.73313.23211.7998.58311.22811.5657.97613.34311.27212.1111.8328.0079.1030.61611.5512.0516.8741.745
某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某某0.538某某某某某某某某某0.081
par_32par_33par_34par_35par_36par_37par_38par_39par_40par_41par_42par_43par_44par_45par_46par_47par_48par_49par_50par_51
注:
“某某某”表示0.01水平上显著,括号中是相应的C.R值,即t值。
五、模型拟合评价
在结构方程模型中,试图通过统计运算方法(如最大似然法等)求出那些使样本方差协方差矩阵S与理论方差协方差矩阵的差异最小的模型参数。
换一个角度,如果理论模型结构对于收集到的数据是合理的,那么样本方差协方差矩阵S与理论方差协方差矩阵差别不大,即残差矩阵(S)各个元素接近于0,就可以认为模型拟合了数据。
模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。
不同类别的模型拟合指数可以从模型复杂性、样本大小、相对性与绝对性等方面对理论模型进行度量。
Amo提供了多种模型拟合指数(如表
表7-7拟合指数
指数名称评价标准13越小越好大于0.9小于0.05,越小越好小于0.05,越小越好小于0.05,越小越好大于0.9,越接近1越好大于0.9,越接近1越好大于0.9,越接近1越好越小越好越小越好2(卡方)GFI绝对拟合指数RMRSRMRRMSEANFI相对拟合指数TLICFI信息指数AICCAIC13
表格中给出的是该拟合指数的最优标准,譬如对于RMSEA,其值小于0.05表示模型拟合较好,在0.05-0.08间表示模型拟合尚可(Browne&Cudeck,1993)。
因此在实际研究中,可根据具体情况分析。
7-7)供使用者选择。
如果模型拟合不好,需要根据相关领域知识和模型修正指标进行模型修正。
需要注意的是,拟合指数的作用是考察理论模型与数据的适配程度,并不能作为判断模型是否成立的唯一依据。
拟合优度高的模型只能作为参考,还需要根据所研究问题的背景知识进行模型合理性讨论。
即便拟合指数没有达到最优,但一个能够使用相关理论解释的模型更具有研究意义。
14
第四节模型修正15
一、模型修正的思路
模型拟合指数和系数显著性检验固然重要,但对于数据分析更重要的是模型结论一定要具有理论依据,换言之,模型结果要可以被相关领域知识所解释。
因此,在进行模型修正时主要考虑修正后的模型结果是否具有现实意义或理论价值,当模型效果很差时可以参考模型修正指标对模型进行调整。
当模型效果很差时,研究者可以根据初始模型的参数显著性结果和Amo提供的模型修正指标进行模型扩展(ModelBuilding)或模型限制(ModelTrimming)。
模型扩展是指通过释放部分限制路径或添加新路径,使模型结构更加合理,通常在提高模型拟合程度时使用;模型限制是指通过删除或限制部分路径,使模型结构更加简洁,通常在提高模型可识别性时使用。
Amo提供了两种模型修正指标,其中修正指数(ModificationInde某)用于模型扩展,临界比率(CriticalRatio)用于模型限制。
18
17
16
19
二、模型修正指标
1.修正指数(ModificationInde某)
图7-19修正指数计算
修正指数用于模型扩展,是指对于模型中某个受限制的参数,若容许自由估计(譬如在模型中添加某
1415
详细请参考Amo6.0Uer’Guide489项。
关于案例中模型的拟合方法和模型修正指数详情也可参看书上第七章第三节和第四节。
16
如模型不可识别,或拟合指数结果很差。
17
譬如可以删除初始模型中不存在显著意义的路径。
18
这个CR不同于参数显著性检验中的CR,使用方法将在下文中阐明。
19
无论是根据修正指数还是临界比率进行模型修正,都要以模型的实际意义与理论依据为基础。
条路径),整个模型改良时将会减少的最小卡方值20。
使用修正指数修改模型时,原则上每次只修改一个参数,从最大值开始估算。
但在实际中,也要考虑让该参数自由估计是否有理论根据。
若要使用修正指数,需要在AnalyiPropertie中的Output项选择ModificationIndice项(如图7-19)。
其后面的Threh