結(jié)構(gòu)方程模型

結(jié)構(gòu)方程模型原理

內(nèi)容提要一、結(jié)構(gòu)方程模型概述二、結(jié)構(gòu)方程模型的基本原理三、結(jié)構(gòu)方程模型的Amos實現(xiàn)四、結(jié)構(gòu)方程模型的應(yīng)用一、結(jié)構(gòu)方程模型概述1

結(jié)構(gòu)方程模型是應(yīng)用線性方程表示觀測變量與潛變量之間，以及潛在變量之間關(guān)系的一種多元統(tǒng)計方法，其實質(zhì)是一種廣義的一般線性模型。

2

發(fā)展歷程20世紀(jì)70年代，一些學(xué)者（Joreskog,1973;Wiley,1973）將因子分析、路徑分析等統(tǒng)計方法整合，提出結(jié)構(gòu)方程初步概念。Joreskog與其合作者進(jìn)一步發(fā)展矩陣模型的分析技術(shù)來處理共變結(jié)構(gòu)的分析問題，提出測量模型與結(jié)構(gòu)模型的概念，促成SEM的發(fā)展。Ullman（1996）定義結(jié)構(gòu)方程為“一種驗證一個或多個自變量與一個或多個因變量之間一組相關(guān)關(guān)系的多元分析程式，其中自變量和因變量既可以是連續(xù)的，也可以是離散的”，突出其驗證多個自變量與多個因變量之間關(guān)系的特點。

3SEM與幾種多元方法的比較①SEM與傳統(tǒng)多元統(tǒng)計方法（多元統(tǒng)計）傳統(tǒng)多元統(tǒng)計方法：檢驗自變量和因變量的單一關(guān)系（多元方差分析可以處理多個，但是關(guān)系也是單一的）SEM:綜合多種方法，驗證性分析，允許測量誤差的存在②SEM與典型相關(guān)分析（多個自變量與多個因變量之間關(guān)系）典型相關(guān)分析：兩組隨機變量（定性或定量）之間線性密切程度；高維列聯(lián)表各邊際變量的線性關(guān)系；探索性分析SEM:估計多元和相互關(guān)聯(lián)的因變量之間的線性關(guān)系；處理不可觀測的假設(shè)概念；說明測量誤差③SEM與聯(lián)立方程模型（聯(lián)立方程組、變量之間雙向影響）聯(lián)立方程模型：方程數(shù)量取決于內(nèi)生變量的數(shù)量；只能處理有觀察值的變量，假定不存在測量誤差SEM:處理測量誤差；分析潛在變量之間結(jié)構(gòu)關(guān)系④SEM與人工神經(jīng)網(wǎng)絡(luò)（針對不可觀測或潛在變量建模）人工神經(jīng)網(wǎng)絡(luò)：執(zhí)行數(shù)據(jù)分析時，模型的隱含層接點仍然沒有被明確標(biāo)識出來；數(shù)據(jù)從輸入層通過隱含變量流向輸出層（輸出向輸入回流的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)）SEM:數(shù)據(jù)分析之前，已經(jīng)標(biāo)識潛在變量并構(gòu)建起假設(shè)路徑；觀測變量都與中心潛在變量相關(guān)，潛在變量之間也可能發(fā)生關(guān)系。⑤

SEM與偏最小二乘法（PLS）（集成多種分析方法，對因變量進(jìn)行測量）PLS：對觀測變量協(xié)方差矩陣的對角元素擬合較好，適用于對數(shù)據(jù)點的分析，預(yù)測準(zhǔn)確度較高SEM:對觀測變量協(xié)方差矩陣的非對角元素的擬合較好，適合于對協(xié)方差結(jié)構(gòu)的分析，參數(shù)估計更準(zhǔn)確4SEM的技術(shù)特性具有理論先驗性同時處理因素的測量關(guān)系和因素之間的結(jié)構(gòu)關(guān)系以協(xié)方差矩陣的運用為核心適用于大樣本分析（樣本數(shù)<100，分析不穩(wěn)定；一般要>200）包含不同的統(tǒng)計技術(shù)重視多重統(tǒng)計指標(biāo)的運用5樣本規(guī)模大小資料符合常態(tài)、無遺漏值及例外值(Bentler&Chou,1987)下，樣本比例最小為估計參數(shù)的5倍、10倍則更為適當(dāng)。當(dāng)原始資料違反常態(tài)性假設(shè)時，樣本比例應(yīng)提升為估計參數(shù)的15倍。以ML法評估，Loehlin(1992)建議樣本數(shù)至少為100，

200較為適當(dāng)。當(dāng)樣本數(shù)為400~500時，此法會變得過于敏感，而使得模式不適合。

二、結(jié)構(gòu)方程模型的基本原理(一)模型構(gòu)成1變量觀測變量：能夠觀測到的變量(路徑圖中以長方形表示)潛在變量：難以直接觀測到的抽象概念，由測量變量推估出來的變量（路徑圖中以橢圓形表示）內(nèi)生變量：模型總會受到任何一個其他變量影響的變量（因變量；路徑圖會受到任何一個其他變量以單箭頭指涉的變量外生變量：模型中不受任何其他變量影響但影響其他變量的變量（自變量；路徑圖中會指向任何一個其他變量，但不受任何變量以單箭頭指涉的變量）中介變量：當(dāng)內(nèi)生變量同時做因變量和自變量時，表示該變量不僅被其他變量影響，還可能對其他變量產(chǎn)生影響。內(nèi)生潛在變量：潛變量作為內(nèi)生變量外生觀測變量：外生潛在變量的觀測變量外生潛在變量：潛變量作為外生變量外生觀測變量：外生潛在變量的觀測變量中介潛變量：潛變量作為中介變量中介觀測變量：中介潛在變量的觀測變量2參數(shù)（“未知”和“估計”）潛在變量自身：總體的平均數(shù)或方差變量之間關(guān)系：因素載荷，路徑系數(shù)，協(xié)方差參數(shù)類型：自由參數(shù)：參數(shù)大小必須通過統(tǒng)計程序加以估計固定參數(shù)：模型擬合過程中無須估計（1）為潛在變量設(shè)定的測量尺度①將潛在變量下的各觀測變量的殘差項方差設(shè)置為1②將潛在變量下的觀測變量的因子負(fù)荷固定為1（2）為提高模型識別度人為設(shè)定限定參數(shù)：多樣本間比較（半自由參數(shù)）3路徑圖（1）含義：路徑分析的最有用的一個工具，用圖形形式表示變量之間的各種線性關(guān)系，包括直接的和間接的關(guān)系。（2）常用記號：①矩形框表示觀測變量②圓或橢圓表示潛在變量③小的圓或橢圓，或無任何框，表示方程或測量的誤差單向箭頭指向指標(biāo)或觀測變量，表示測量誤差單向箭頭指向因子或潛在變量，表示內(nèi)生變量未能被外生潛在變量解釋的部分，是方程的誤差④單向箭頭連接的兩個變量表示假定有因果關(guān)系，箭頭由原因（外生）變量指向結(jié)果（內(nèi)生）變量⑤兩個變量之間連線的兩端都有箭頭，表示它們之間互為因果⑥弧形雙箭頭表示假定兩個變量之間沒有結(jié)構(gòu)關(guān)系，但有相關(guān)關(guān)系⑦變量之間沒有任何連接線，表示假定它們之間沒有直接聯(lián)系（3）路徑系數(shù)含義：路徑分析模型的回歸系數(shù)，用來衡量變量之間影響程度或變量的效應(yīng)大?。?biāo)準(zhǔn)化系數(shù)、非標(biāo)準(zhǔn)化系數(shù)）類型：①反映外生變量影響內(nèi)生變量的路徑系數(shù)②反映內(nèi)生變量影響內(nèi)生變量的路徑系數(shù)路徑系數(shù)的下標(biāo)：第一部分所指向的結(jié)果變量第二部分表示原因變量（4）效應(yīng)分解①直接效應(yīng)：原因變量（外生或內(nèi)生變量）對結(jié)果變量（內(nèi)生變量）的直接影響，大小等于原因變量到結(jié)果變量的路徑系數(shù)②間接效應(yīng)：原因變量通過一個或多個中介變量對結(jié)果變量所產(chǎn)生的影響，大小為所有從原因變量出發(fā)，通過所有中介變量結(jié)束于結(jié)果變量的路徑系數(shù)乘積③總效應(yīng)：原因變量對結(jié)果變量的效應(yīng)總和

總效應(yīng)=直接效應(yīng)+間接效應(yīng)3矩陣方程式（1）和（2）是測量模型方程，（3）是結(jié)構(gòu)模型方程

是外生觀測變量向量，

為外生潛在變量向量，外生觀測變量在外生潛在變量上的因子負(fù)荷矩陣，外生觀測變量的殘差項向量；為內(nèi)生觀測變量向量，為內(nèi)生潛在變量向量，為內(nèi)生觀測向量在內(nèi)生潛在變量上的因子負(fù)荷矩陣，為內(nèi)生觀測向量的殘差項向量；和都是路徑系數(shù)，表示內(nèi)生潛在變量之間的關(guān)系，表示外生潛在變量對內(nèi)生潛在變量的影響，為結(jié)構(gòu)方程的誤差項

測量模型：反映潛在變量和觀測變量之間的關(guān)系方程式：結(jié)構(gòu)模型：反映潛在變量之間因果關(guān)系方程式：結(jié)構(gòu)方程模型的八種矩陣概念符號代表意義結(jié)構(gòu)模型矩陣

B內(nèi)生潛在變量被內(nèi)生潛在變量解釋之回歸矩陣（回歸系數(shù)）內(nèi)生潛在變量被外生潛在變量解釋之回歸矩陣（回歸系數(shù)）測量模型矩陣外生觀測變量被外生潛在變量解釋之回歸矩陣（因素載荷）內(nèi)生觀測變量被內(nèi)生潛在變量解釋之回歸矩陣（因素載荷）外生潛在變量之協(xié)方差矩陣（因素共變）殘差矩陣內(nèi)生潛在變量被外生潛在變量解釋之誤差項協(xié)方差矩陣（解釋殘差）外生觀測變量被外生觀測變量解釋之誤差項協(xié)方差矩陣（X變量殘差）內(nèi)生觀測變量被內(nèi)生潛在變量解釋之誤差項協(xié)方差矩陣（Y變量殘差）（二）模型識別1模型整體識別性（1）t法則數(shù)據(jù)資料點數(shù)DP=(p+q)*(p+q+1)/2（p+q）表示觀測變量個數(shù)待估參數(shù)數(shù)目（自由參數(shù)）t=參數(shù)總數(shù)–固定參數(shù)t<DP，模型過度識別t>DP，模型識別不足t=DP，模型充分識別（2）虛無B矩陣模型中沒有任何內(nèi)生變量去影響其他內(nèi)生變量，無結(jié)構(gòu)關(guān)系假設(shè)，沒有任何結(jié)構(gòu)參數(shù)（）的估計，B矩陣為0，模型自動識別。（3）遞歸法則B矩陣呈現(xiàn)三角形狀態(tài)（對稱矩陣，所有變量間的結(jié)構(gòu)參數(shù)均加以估計），而呈現(xiàn)對角線狀態(tài)（僅估計干擾項的方差，干擾項的相關(guān)不列入估計），此時為遞歸模型且為飽和模型，模型自動識別2測量模型的識別性只有一個潛在變量，至少要有三個測量變量，其因素載荷必須不等于0，測量殘差之間沒有任何相關(guān)假設(shè)超過一個以上的潛在變量，每一個潛在變量只要有至少三個測量變量來估計，每一個測量變量只用以估計單一一個潛在變量，殘差之間沒有共變假設(shè)潛在變量只以兩個測量變量來估計，殘差無相關(guān)，每一個測量變量只用以估計單一一個潛在變量且沒有任何一個潛在變量的共變或方差為03結(jié)構(gòu)模型的識別性虛無B矩陣法則遞歸法則每一個方程式至少要有（q-1）個變量不屬于非遞歸模型用以計算標(biāo)準(zhǔn)誤的訊息矩陣必須可以被完全估計，并可以求出倒置信息矩陣（三）參數(shù)估計1假設(shè)條件測量模型誤差項，的均值為零結(jié)構(gòu)模型的殘差項的均值為零誤差項，與因子，之間不相關(guān)，誤差項與不相關(guān)殘差項與，，之間不相關(guān)2共變推導(dǎo)

（1）協(xié)方差協(xié)方差：利用兩個變量間觀測值與其均值離差的期望觀測兩個變量間的關(guān)系強弱。（2）運算定理①②③④(3)導(dǎo)出矩陣兩個具有相關(guān)的潛在變量的CFA圖(3)導(dǎo)出矩陣觀測變量方程式：同一潛在變量的兩個觀測變量的協(xié)方差：不同潛在變量的兩個觀測變量的協(xié)方差：觀測變量的方差：逐一計算六個觀測變量的方差與配對協(xié)方差，參數(shù)的方差與協(xié)方差導(dǎo)出矩陣（）S矩陣：樣本觀測值的方差與協(xié)方差矩陣（6*6）殘差矩陣=S–估計協(xié)方差矩陣與觀測協(xié)方差矩陣的差異極小化（4）參數(shù)估計策略加權(quán)最小平方策略（WLS）擬合函數(shù)：表示估計協(xié)方差矩陣與觀察協(xié)方差矩陣的差異最大概似法(ML)基本假設(shè)：觀察數(shù)據(jù)都是從總體中抽取得到的數(shù)據(jù)，且所抽取的樣本必須是所有可能樣本中被選擇的幾率最大者無加權(quán)最小平方法(ULS)一般化最小平方法（GLS）漸進(jìn)分布自由法（ADF）（5）迭代運算停止條件達(dá)到計算機預(yù)計的疊代次數(shù)，如25次模式收斂完成，亦即達(dá)到計算機預(yù)設(shè)標(biāo)準(zhǔn)（四）模型擬合評價1參數(shù)檢驗（1）參數(shù)的顯著性檢驗t=參數(shù)估計值/標(biāo)準(zhǔn)誤t的絕對值大于2，則參數(shù)即可達(dá)到.05的顯著水平樣本數(shù)低于30時，樣本數(shù)越小，t值要越大才能超越顯著水平的門檻（2）參數(shù)的合理性檢驗參數(shù)估計值是否有合理的實際意義：參數(shù)的符號是否符合理論假設(shè)參數(shù)的取值范圍是否合理參數(shù)是否可以得到合理解釋2模型整體評價指標(biāo)名稱指標(biāo)含義接受標(biāo)準(zhǔn)適用情形殘差分析未標(biāo)準(zhǔn)化殘差RMR未標(biāo)準(zhǔn)化假設(shè)模型整體殘差越小越好了解殘差特性標(biāo)準(zhǔn)化殘差SRMR標(biāo)準(zhǔn)化模型整體殘差<.08了解殘差特性擬合效果指標(biāo)絕對擬合效果指標(biāo)卡方值導(dǎo)出矩陣與觀測矩陣的整體相似程度卡方自由度比卡方值/自由度<2不受模型復(fù)雜程度影響擬合指數(shù)GFI模型可解釋觀測數(shù)據(jù)的方差與協(xié)方差比>.90說明模型解釋力調(diào)整擬合指數(shù)AGFI用模型自由度和參數(shù)數(shù)目調(diào)整的GFI>.90不受模型復(fù)雜程度影響簡效擬合指數(shù)PGFI用模型自由度和參數(shù)數(shù)目調(diào)整的GFI>.50說明模型的簡單程度相對擬合效果指標(biāo)正規(guī)擬合指數(shù)NFI假設(shè)模型與獨立模型的卡方差異>.90說明模型較虛無模型的改善程度非正規(guī)擬合指數(shù)NNFI用模型自由度和參數(shù)數(shù)目調(diào)整的NFI>.90不受模型復(fù)雜程度的影響替代性指標(biāo)非集中性參數(shù)NCP假設(shè)模型的卡方值距離中央卡方值分布的離散程度越小越好說明假設(shè)模型矩陣中央卡方值的程度相對擬合指數(shù)CFI假設(shè)模型與獨立模型的非中央性差異>.95說明模型較虛無模型的改善程度，特別適合小樣本指標(biāo)名稱指標(biāo)含義接受標(biāo)準(zhǔn)適用情形平均概似平均誤根系數(shù)RMSEA比較理論模型與飽和模型的差距<.05不受樣本數(shù)與模型復(fù)雜度影響訊息指數(shù)AIC經(jīng)過減效調(diào)整的模型擬合度的波動性越小越好適用效度復(fù)核非嵌套模型比較一致信息指數(shù)CAIC從樣本量方面對AIC進(jìn)行調(diào)整越小越好適用效度復(fù)核非嵌套模型比較關(guān)鍵樣本指數(shù)CN接受假設(shè)模型所需的樣本數(shù)目>200反映樣本規(guī)模的適切性(五)模型修正1參考標(biāo)準(zhǔn)模型所得結(jié)果是適當(dāng)?shù)乃媚Ｐ偷膶嶋H意義、模型變量間的實際意義和所得參數(shù)與實際假設(shè)的關(guān)系是合理的參考多個不同的整體擬合指數(shù)2修正原則①省儉原則兩個模型擬合度差別不大的情況下，應(yīng)取兩個模型中較簡單的模型擬合度差別很大，應(yīng)采取擬合更好的模型，暫不考慮模型的簡潔性最后采用的模型應(yīng)是用較少參數(shù)但符合實際意義，且能較好擬合數(shù)據(jù)的模型②等同模式等同模式：用不同的方法表示各個潛在變量之間的關(guān)系，能得出基本相同的結(jié)果，參數(shù)個數(shù)相同，擬合程度相同的模式。實際意義多次驗證3模型修正方向①模型擴展方面（放松一些路徑系數(shù)，提高擬合度）修正指數(shù)MI反映的是一個固定或限制參數(shù)被恢復(fù)自由時，卡方值可能減少的最小的量。如果MI變化很小，則修正沒有意義；通常認(rèn)為MI>4,模型修正才有意義。（顯著水平為0.05時，臨界值為3.84）②模型簡約方面（刪除或限制一些路徑系數(shù)，使模型變簡潔）臨界比率CR通過自由度調(diào)整卡方值，以供選擇參數(shù)不是過多，又能滿足一定擬合度的模型，尋找CR比率最小者單個參數(shù)調(diào)整設(shè)為0兩個變量之間路徑系數(shù)關(guān)系進(jìn)行調(diào)整，設(shè)為相等4模型修正內(nèi)容（1）測量模型修正添加或刪除因子載荷添加或刪除因子之間的協(xié)方差添加或刪除測量誤差的協(xié)方差（2）結(jié)構(gòu)模型修正增加或減少潛在變量數(shù)目添加或刪減路徑系數(shù)添加或刪除殘差項的協(xié)方差EFACFA探索式(data-driven)驗證式(theory-driven)因素個數(shù)由資料決定因素個數(shù)由研究者指定問卷設(shè)計的前端問卷應(yīng)用的后端PCA是常用的估計法ML法是常用的估計法只提供標(biāo)準(zhǔn)化結(jié)果提供標(biāo)準(zhǔn)及非標(biāo)準(zhǔn)化結(jié)果沒有l(wèi)oading顯著性報告有l(wèi)oading顯著性報告EFA無法做額外的設(shè)定CFA模型設(shè)定有彈性無法執(zhí)行跨群組比較可執(zhí)行跨群組(時間)的比較1驗證性因子分析（CFA）F1e1F2e2e3e4e5e6x1x2x3x4x5x611一階驗證性因子分析F1e1F2e2e3e4e5e6x1x2x3x4x5x611F31二階（高階）驗證性因子分析績效期望滿意度忠誠度2路徑分析遞歸模型D1D2非遞歸模型自我效能感社會期待成就動機學(xué)業(yè)表現(xiàn)D1D20.290.630.210.020.130.16路徑分析參數(shù)估計圖自我效能對于學(xué)業(yè)表現(xiàn)的模型衍生相關(guān)：（軌跡法則）1直接效應(yīng)：自我效能學(xué)業(yè)表現(xiàn)=0.292間接效應(yīng)：自我效能成就動機學(xué)業(yè)表現(xiàn)=0.133相關(guān)間接效應(yīng)：自我效能社會期待學(xué)業(yè)表現(xiàn)=0.13*0.16=0.02自我效能社會期待成就動機學(xué)業(yè)表現(xiàn)=0.13*0.02*0.21=0.000546衍生相關(guān)為0.29+0.13+0.02+0.00=0.44Y1X2X1Y2D1D2時間延宕非遞歸模型工具型變量模型3統(tǒng)合模型分析x1x2x3F1滿意度F2忠誠度y1y2y3e１e4Lx1bDe5e6e２e３測量殘差外生觀察變量因素負(fù)荷量外生潛在變量結(jié)構(gòu)參數(shù)內(nèi)生潛在變量因素負(fù)荷量內(nèi)生觀察變量結(jié)構(gòu)模式測量(CFA)模式測量殘差Lx2Lx3Ly1Ly2Ly3測量(CFA)模式結(jié)構(gòu)方程模型的AMOS實現(xiàn)SPSS與Amos

一般的研究論文的數(shù)據(jù)分析部分少不了對樣本的描述、對變量進(jìn)行探索性因子分析（EFA），然后再利用多變量分析技術(shù)或SEM進(jìn)行數(shù)據(jù)分析，最后提出研究結(jié)論（驗證假說），提出建議?；谶@樣的了解，我們來看看SPSS與Amos所發(fā)揮的功能：SPSSAmos樣本描述√（非常詳盡）√因子分析EFACFA多變量分析方差分析、判別分析、回歸分析、多元尺度法等建立SEM，進(jìn)行路徑分析。多群組分析、Bootstrapping利用amos做統(tǒng)計檢驗利用amos，所得到的值是顯著性（p值），我們要用顯著性和我們所設(shè)的顯著水平α值做比較，如果顯著性大于α值，未達(dá)到顯著水平，則接受虛無假說；如果顯著性小于α值，達(dá)到顯著水平，則拒絕虛無假說（即發(fā)現(xiàn)有統(tǒng)計上的顯著性）。在統(tǒng)計檢驗時，本書所設(shè)定的顯著性水平皆是0.05（α=0.05）二、建立模型——建立路徑圖1制作潛在變量2制作指標(biāo)變量3建立潛在變量之間的關(guān)系4讀取數(shù)據(jù)文件5交代變量名稱6完整模型7顯示重要參數(shù)1制作潛在變量：在工具箱中選“

”，然后在繪圖區(qū)從左上到右下拉出一個橢圓。2制作指標(biāo)變量指標(biāo)變量包括觀察變量和誤差變量。在工具箱中選“

”，然后在繪圖區(qū)中的橢圓“

”上點一下。就會出現(xiàn)指標(biāo)變量，每多點一下，就出現(xiàn)一個指標(biāo)變量。要改變指標(biāo)變量的方向，可以按“

”。3建立潛在變量之間的關(guān)系“

”表示影響，因果關(guān)系。“

”表示相關(guān)性。4讀取數(shù)據(jù)文件注意：在讀取數(shù)據(jù)之前，要對數(shù)據(jù)的完整性（如遺漏值的處理、觀察變量的信度等）進(jìn)行處理。）在工具箱中選選擇數(shù)據(jù)文件“

”，在出現(xiàn)的“DataFiles”窗口中，點擊“FileName”，在出現(xiàn)的“開啟”窗口中，選擇要讀取的文件。數(shù)據(jù)的讀入方式有兩種：以觀察變量的原始數(shù)據(jù)或者以觀察變量相關(guān)系數(shù)矩陣讀入。5交代變量名稱觀察變量：在工具箱中選“

”，就會出現(xiàn)“VariablesinDataset”窗口。此時，先點住變量名稱，然后拖動到適當(dāng)?shù)挠^察變量上后松手，這個變量名稱就獨到觀察變量上了。潛在變量名稱：在對象上雙擊就會出現(xiàn)“objectproperties”窗口，在“variablename”上鍵入文字即可。誤差變量名稱，可以按【plugins】、【nameUnobservedVariables】。6完整模型：如圖顯示重要參數(shù)：在工具箱中選“”，然后在繪圖區(qū)點一下，出現(xiàn)下圖然后在FigureCaption窗口中輸入ChiSquare=\cmindf=\dfp=\p點擊ok，就會出現(xiàn)一下情況：在工具箱中點擊Calculateestimates的圖示“

”，產(chǎn)生估計值，在點擊顯示區(qū)的viewtheoutputpathdiagram圖示“

”。結(jié)果如圖顯示：三、分組如果數(shù)據(jù)文件有必要分組，自讀取數(shù)據(jù)文件之后，要分別交代GroupVariable、GroupValue四、分析輸出報表1.違反估計2.正態(tài)性檢驗與異常值處理3.擬合度1.違反估計違反估計是指模型內(nèi)統(tǒng)計所輸出的估計系數(shù)，超出了可接受的范圍。違反估計的項目有：負(fù)的誤差方差的存在標(biāo)準(zhǔn)化洗漱超過或太接近1（通常以0.95為門檻）2.正態(tài)性檢驗與異常值處理Asessmentofnormality表中的c.r.掉膘偏度系數(shù)或者峰度系數(shù)除以標(biāo)準(zhǔn)誤的臨界值，最后一行為Mardis多變量峰度系數(shù)c.r.。當(dāng)c.r.大于2時，則暗示有些單變量可能具有異常值。Observationsfarthestfrom

thecentroid表中通常看p2值，當(dāng)p2值很小時（例如小于0.05）即表示該觀察值為異常值。3.擬合度AMOS是以卡方統(tǒng)計量來進(jìn)行檢驗的，一般以卡方值p大于0.05判斷模型是否具有良好的擬合度。但是卡方統(tǒng)計量容易受到樣本大小的影響，因此還要參考其他擬合指標(biāo)。如下圖：擬合指標(biāo)判斷準(zhǔn)則絕對擬合指標(biāo)X2

P＞0.05表明擬合度較好GFI越接近1表示模型擬合度越好，通常采用GFI＞0.9RMR越接近0表示模型擬合度越好，通常采用RMR＜0.05RMSEA越接近0表示模型擬合度越好，通常采用RMSER＜0.1增值擬合指標(biāo)AGFI越接近1表示模型擬合度越好，通常采用AGFI＞0.9NFI越接近1表示模型擬合度越好CFI越接近1表示模型擬合度越好IFI越接近1表示模型擬合度越好精簡擬合指標(biāo)AICAIC越小表示該模型那個較好CAICCAIC越小表示該模型那個較好四、模型修正在regressionweights表中，可看到ModificationIndices（M.I.）值，找出誤差變量之間最大的項目，是卡方值減少，p值增加，是我們修正模型的主要目標(biāo)。五、探索最佳模型點【analyze】，在出現(xiàn)的“specificationsearch”工具列中，點擊最左邊的虛線“makearrowoptional”的圖標(biāo)，然后在個變量之間的箭頭上分別加以點選，