《應(yīng)用統(tǒng)計(jì)分析》課件-第13章 結(jié)構(gòu)方程模型

第13章結(jié)構(gòu)方程模型13.1結(jié)構(gòu)方程模型13.2結(jié)構(gòu)方程的建立13.3結(jié)構(gòu)方程的Amos實(shí)現(xiàn)12引入案例——國(guó)產(chǎn)辦公軟件公司案例背景習(xí)近平總書(shū)記強(qiáng)調(diào)，科技攻關(guān)要摒棄幻想靠自己，軟件國(guó)產(chǎn)化替代意義重大。某國(guó)產(chǎn)辦公軟件公司在產(chǎn)品開(kāi)發(fā)迭代過(guò)程中收到了兩類(lèi)用戶(hù)評(píng)價(jià)，一類(lèi)用戶(hù)反映“目前的軟件操作繁瑣太難使用”，另一類(lèi)用戶(hù)反映“目前的軟件能夠提高自己的辦公效率”。這給產(chǎn)品開(kāi)發(fā)部門(mén)帶來(lái)了困擾：是繼續(xù)按照原有計(jì)劃進(jìn)行開(kāi)發(fā)，還是精簡(jiǎn)功能呢? 本案例通過(guò)結(jié)構(gòu)方程模型的分析，為該國(guó)產(chǎn)辦公軟件公司解決這一決策問(wèn)題。數(shù)據(jù)說(shuō)明

研究者通過(guò)問(wèn)卷調(diào)研的形式，收集了用戶(hù)對(duì)該國(guó)產(chǎn)辦公軟件“感知易用性”、“感知有用性”、“使用意愿”的相關(guān)作答數(shù)據(jù)，所收集的數(shù)據(jù)如表13–1所示。通過(guò)結(jié)構(gòu)方程模型分析方法，分析出國(guó)產(chǎn)辦公軟件使用意愿的影響機(jī)制。3引入案例——國(guó)產(chǎn)辦公軟件公司本案例的Amos具體分析步驟見(jiàn)13.3節(jié)。第1節(jié)結(jié)構(gòu)方程概述13.1.1數(shù)據(jù)的適用范圍13.1.2結(jié)構(gòu)方程模型基礎(chǔ)知識(shí)13.1.3結(jié)構(gòu)方程原理45根據(jù)前面回歸分析和統(tǒng)計(jì)假設(shè)檢驗(yàn)的內(nèi)容，我們已經(jīng)可以開(kāi)始進(jìn)行一些簡(jiǎn)單實(shí)證模型的檢驗(yàn)了。但是，在實(shí)際研究中，實(shí)證模型往往不那么簡(jiǎn)單，主要體現(xiàn)在兩個(gè)方面：①需要同時(shí)進(jìn)行多個(gè)回歸方程的檢驗(yàn)（比如檢驗(yàn)一個(gè)自變量通過(guò)幾個(gè)不同路徑產(chǎn)生的影響，而不是檢驗(yàn)幾個(gè)自變量對(duì)一個(gè)因變量的影響)。②構(gòu)念難以直接進(jìn)行反應(yīng)，或者需要進(jìn)行開(kāi)拓性的研究。結(jié)構(gòu)方程模型便是檢驗(yàn)一些復(fù)雜模型（一般的回歸分析和多元回歸分析不能解決的模型）的工具。6本章引例研究的問(wèn)題是：消費(fèi)者購(gòu)買(mǎi)意愿的真正影響機(jī)制是什么？我們建立的理論模型是基于“技術(shù)接受模型(technologyacceptancemodel)”,用于研究個(gè)體對(duì)信息技術(shù)采納接受行為的影響因素，包括心理作用和主要外部影響因素，從而幫助管理者更好地制訂改進(jìn)措施以促進(jìn)個(gè)體對(duì)信息技術(shù)的使用行為。技術(shù)接受模型示意圖如圖13-1所示。13.1.1數(shù)據(jù)的適用范圍7本章結(jié)構(gòu)方程模型主要采用定量數(shù)據(jù)中的定比數(shù)據(jù)，來(lái)源于五級(jí)問(wèn)卷量表。除此之外，對(duì)于二分變量，也有其他的一些方式進(jìn)行處理，詳見(jiàn)第13.2.4小節(jié)結(jié)構(gòu)方程模型使用上的一些其他問(wèn)題。13.1.2結(jié)構(gòu)方程模型基礎(chǔ)知識(shí)8看不見(jiàn)的構(gòu)念與看得見(jiàn)的測(cè)量項(xiàng)目之間關(guān)系如何測(cè)量呢？針對(duì)感知易用性(perceivedeaseofuse,PEOU)、感知有用性(perceivedusefulness,PU)、使用意圖(useintention,UI)這3個(gè)潛變量，分別使用3個(gè)項(xiàng)目來(lái)進(jìn)行測(cè)量，稱(chēng)為PEOU1、PEOU2、PEOU3、PU1、PU2、PU3、UI1、UI2、UI3。問(wèn)卷如表13-2所示。13.1.2結(jié)構(gòu)方程模型基礎(chǔ)知識(shí)9通常來(lái)說(shuō)，結(jié)構(gòu)方程模型都是從左到右進(jìn)行描述的，也就是說(shuō)箭頭總是傾向于從左指向右。構(gòu)念在結(jié)構(gòu)方程中用橢圓表示，它們對(duì)應(yīng)的測(cè)量項(xiàng)目用長(zhǎng)方形來(lái)表示。首先是單向箭頭和雙向箭頭。單向箭頭是前因后果關(guān)系的表達(dá)，箭頭由前因指向后果。因此X→Y在結(jié)構(gòu)方程中代表著X是前因，Y是后果。雙向箭頭意味著兩者之間存在相關(guān)關(guān)系，這一點(diǎn)會(huì)在后面得以體現(xiàn)。13.1.2結(jié)構(gòu)方程模型基礎(chǔ)知識(shí)10潛變量（構(gòu)念）很多社會(huì)、心理研究中所涉及的變量，都不能準(zhǔn)確、直接地測(cè)量，這種變量稱(chēng)為潛變量（也稱(chēng)為構(gòu)念），如工作自主權(quán)、工作滿意度等。這時(shí)，只能退而求其次，用一些外顯指標(biāo)去間接測(cè)量這些潛變量。在本章引入案例中有3個(gè)潛變量：感知易用性PEOU：使用者認(rèn)為信息技術(shù)容易使用的程度。感知有用性PU：使用者認(rèn)為信息技術(shù)可以在多大程度上提高其工作效率。使用意圖UI：使用者愿意使用信息技術(shù)的程度。傳統(tǒng)的統(tǒng)計(jì)分析方法不能妥善處理這些潛變量，而結(jié)構(gòu)方程模型能夠檢驗(yàn)這些看不見(jiàn)的構(gòu)念與看得見(jiàn)的測(cè)量項(xiàng)目之間的關(guān)系。13.1.2結(jié)構(gòu)方程模型基礎(chǔ)知識(shí)11內(nèi)生變量與外生變量?jī)?nèi)生變量(endogenousvariables)與外生變量(exogenousvariables)是計(jì)量經(jīng)濟(jì)學(xué)中的概念。在結(jié)構(gòu)方程模型中，沒(méi)有前因的變量被稱(chēng)為“外生變量”，除了外生變量外的其他變量都被稱(chēng)為“內(nèi)生變量”。例如，在上述結(jié)構(gòu)方程模型中，“感知易用性”這個(gè)變量沒(méi)有其他的前因表現(xiàn)它了，因此它就是外生變量；“感知有用性”的前因是感知易用性；“使用意圖”的前因是感知易用性和感知有用性。由此可見(jiàn)，在此結(jié)構(gòu)方程模型中，只有“感知易用性”是外生變量，“感知有用性”和“使用意圖”都是內(nèi)生變量。13.1.3結(jié)構(gòu)方程原理1213.1.3.1測(cè)量模型測(cè)量模型又稱(chēng)為“驗(yàn)證性因子分析”，另一種相似的分析稱(chēng)為“探索性因子分析”。為了更好地介紹測(cè)量模型的特性，引入因子分析。首先介紹兩個(gè)內(nèi)生潛變量感知有用性PU、使用意圖UI的測(cè)量模型。由前面的因子分析可知，“因子”其實(shí)是一組變量的一個(gè)線性組合。那么，因子和變量的概念遷移到結(jié)構(gòu)方程模型中，便是“潛變量/構(gòu)念”和“測(cè)量項(xiàng)目/問(wèn)項(xiàng)”。同樣以?xún)蓚€(gè)內(nèi)生潛變量和其對(duì)應(yīng)的測(cè)量項(xiàng)目為例，它們之間的關(guān)系如下：13.1.3結(jié)構(gòu)方程原理13同樣地，各個(gè)變量也可以寫(xiě)成由因子組成的一個(gè)線性函數(shù)：為何上述因子的表達(dá)式?jīng)]有誤差項(xiàng)，而測(cè)量項(xiàng)目的表達(dá)式有誤差項(xiàng)？因?yàn)橐蜃拥亩x就是變量的線性組合，沒(méi)有增加誤差項(xiàng)的必要。但是，在測(cè)量項(xiàng)目的表達(dá)式中，由于只使用了兩個(gè)因子來(lái)代表4個(gè)變量，必然有信息減少，故存在誤差，所以需要添加誤差項(xiàng)

，假設(shè)其服從均值為0、方差為的正態(tài)分布。13.1.3結(jié)構(gòu)方程原理14我們將方程組（13-2）稱(chēng)為“探索性因子分析(exploratoryfactoranalysis,EFA)”。在方程組（13-2）中，假設(shè)我們并不清楚各個(gè)問(wèn)題選項(xiàng)的變量、構(gòu)念之間有沒(méi)有對(duì)應(yīng)關(guān)系，6個(gè)變量都有可能反映任何一個(gè)構(gòu)念，因此有12個(gè)待估計(jì)的因子載荷參數(shù)。通過(guò)因子分析估計(jì)出載荷，基于載荷判斷變量和構(gòu)念的對(duì)應(yīng)關(guān)系便是“探索”。我們希望出現(xiàn)的情況是PU1、PU2、PU3都在測(cè)量PU這一構(gòu)念（意味著3個(gè)變量在這一構(gòu)念上因子載荷較大），而不希望PU1、PU2、PU3測(cè)量其他的構(gòu)念（意味著3個(gè)變量在其他構(gòu)念（比如UI）上因子載荷較小），這樣的變量便是理想的變量，也意味著問(wèn)卷設(shè)計(jì)合理。13.1.3結(jié)構(gòu)方程原理15“驗(yàn)證性因子分析”也即測(cè)量模型。驗(yàn)證性因子分析驗(yàn)證的是：變量和構(gòu)念的對(duì)應(yīng)關(guān)系如我們的假設(shè)——PU1、PU2、PU3對(duì)應(yīng)PU這一構(gòu)念、UI1、UI2、UI3對(duì)應(yīng)UI這一構(gòu)念。在這個(gè)假設(shè)下，我們發(fā)現(xiàn)有些因子載荷是不必要的了，于是有了新的方程組：式中，λij為測(cè)量因子i

中j

測(cè)量項(xiàng)目對(duì)應(yīng)的因子載荷。13.1.3結(jié)構(gòu)方程原理16我們將這個(gè)方程組稱(chēng)為“驗(yàn)證性因子分析(confinnatoryfactoranalysis,CFA)”，將這一方程組用結(jié)構(gòu)方程模型的方式表示出來(lái)，便是測(cè)量模型（圖13-2a）。13.1.3結(jié)構(gòu)方程原理17為了方便比較，我們將探索性因子分析方程組（13-3）也用結(jié)構(gòu)方程模型的方式表現(xiàn)出來(lái)（圖13-2b），通過(guò)兩圖的對(duì)比可以發(fā)現(xiàn)，驗(yàn)證性因子分析在探索性因子分析的基礎(chǔ)上，“預(yù)設(shè)”好了問(wèn)題選項(xiàng)與構(gòu)念之間的對(duì)應(yīng)關(guān)系，是對(duì)這種“預(yù)設(shè)”的一種檢驗(yàn)。13.1.3結(jié)構(gòu)方程原理18方程組（13-3）中的6個(gè)公式本來(lái)可以分開(kāi)6次，使用前面的方法進(jìn)行估計(jì)；而更好的估計(jì)方法是把當(dāng)中所有的參數(shù)同時(shí)估計(jì)出來(lái)，結(jié)構(gòu)方程模型的參數(shù)估計(jì)方法便能夠做到這一點(diǎn)。引入案例中一共有3個(gè)潛變量（構(gòu)念），這3個(gè)構(gòu)念的測(cè)量模型如圖13-3所示。在實(shí)際操作時(shí)也是使用此測(cè)量模型。13.1.3結(jié)構(gòu)方程原理1913.1.3.2結(jié)構(gòu)模型前述的模型對(duì)應(yīng)的是以下兩個(gè)回歸分析：我們當(dāng)然可以分別進(jìn)行回歸分析對(duì)參數(shù)進(jìn)行估計(jì)，然而，結(jié)構(gòu)方程模型可以以一種更好的方式同時(shí)估計(jì)它們。估計(jì)上述參數(shù)的過(guò)程被稱(chēng)為“路徑分析(pathanalysis)”，而其對(duì)應(yīng)的模型便是結(jié)構(gòu)方程模型中的“結(jié)構(gòu)模型(structuralmodel)”，如圖13-4所示。13.1.3結(jié)構(gòu)方程原理2013.1.3.3全模型把“結(jié)構(gòu)模型”和“測(cè)量模型(measurementmodel)”結(jié)合起來(lái)，就是整個(gè)“結(jié)構(gòu)方程模型(stmctualequationmodel)”，又稱(chēng)“全模型”，如圖13-5所示。13.1.3結(jié)構(gòu)方程原理2113.1.3.4結(jié)構(gòu)方程模型的估計(jì)方法結(jié)構(gòu)方程模型的參數(shù)估計(jì)方法的核心是模擬估計(jì)(simulation)。當(dāng)一個(gè)結(jié)構(gòu)方程模型被建立起來(lái)時(shí)，我們假定變量之間是存在一定關(guān)系的，因此變量之間的方差-協(xié)方差矩陣（簡(jiǎn)稱(chēng)方差矩陣）應(yīng)該存在一定的特征。同樣的，我們收集到的數(shù)據(jù)也可以通過(guò)一些方式計(jì)算岀一個(gè)方差矩陣，將兩個(gè)方差矩陣進(jìn)行比較，就可以知道我們估計(jì)的參數(shù)是否可以接受。模擬的程序會(huì)一直改變估計(jì)的參數(shù)，直到估計(jì)的兩個(gè)方差矩陣最接近（意味著最可能按照我們?cè)O(shè)計(jì)的關(guān)系進(jìn)行）的情況下，最終輸出的參數(shù)便是參數(shù)估計(jì)。13.1.3結(jié)構(gòu)方程原理2213.1.3.4結(jié)構(gòu)方程模型的估計(jì)方法如果兩個(gè)方差矩陣不需要經(jīng)過(guò)太多次的迭代就已經(jīng)十分接近，意味著結(jié)構(gòu)方程的關(guān)系和數(shù)據(jù)實(shí)際反映出來(lái)的關(guān)系很接近，因此對(duì)應(yīng)的p值也會(huì)很小；而如果經(jīng)歷過(guò)很多次的迭代后，兩個(gè)方差矩陣才能接近，意味著數(shù)據(jù)實(shí)際和模型有一定的出入，因此對(duì)應(yīng)的p值會(huì)較大；更加極端的情況是，經(jīng)歷過(guò)很多次的迭代后方差矩陣還不接近，說(shuō)明模型是存在問(wèn)題的，模型與數(shù)據(jù)實(shí)際出入較大。具體到估計(jì)方法，在結(jié)構(gòu)方程模型中最常使用的方法是極大似然估計(jì)，除此之外還有未加權(quán)最小二乘估計(jì)、廣義最小二乘估計(jì)等。第2節(jié)結(jié)構(gòu)方程的建立13.2.1模型構(gòu)建13.2.2模型評(píng)價(jià)13.2.3模型修正13.2.4結(jié)構(gòu)方程模型使用上的一些其他問(wèn)題2324SEM分析的流程框圖如圖13-6所示。13.2.1結(jié)構(gòu)模型25結(jié)構(gòu)方程模型依托潛變量這一重要的基礎(chǔ)，需要依據(jù)已有的理論或者邏輯推導(dǎo)進(jìn)行研究模型的確立。值得一提的是，模型的構(gòu)建是在模型評(píng)價(jià)與構(gòu)建之間反復(fù)橫跳的。此處的模型構(gòu)建，即包括測(cè)量模型（問(wèn)項(xiàng)的選擇），也包括結(jié)構(gòu)模型（模型的結(jié)構(gòu)）。13.2.1.1潛變量的構(gòu)建及測(cè)量項(xiàng)目的選擇確立完研究模型后，我們著眼于潛變量的設(shè)立。潛變量可以依據(jù)相關(guān)理論或結(jié)合理論的實(shí)際問(wèn)題分析確定，也可以依據(jù)探索性因子分析的結(jié)果構(gòu)造。13.2.1結(jié)構(gòu)模型26依據(jù)相關(guān)理論或者實(shí)際問(wèn)題分析。要確定一個(gè)潛變量，首先需要界定該潛變量的含義、內(nèi)容、界定范圍，而這一過(guò)程最好借助相關(guān)理論，使用公認(rèn)的定義。依據(jù)探索性因子分析的結(jié)果構(gòu)造。一個(gè)潛變量，尤其是一個(gè)全新的潛變量，很容易出現(xiàn)問(wèn)項(xiàng)和潛變量不匹配的情況，具體體現(xiàn)為探索性因子分析的因子載荷分布并不理想，其中一種不合理情況便是出現(xiàn)嚴(yán)重的交叉載荷。在這種情況下，意味著構(gòu)念與測(cè)量問(wèn)項(xiàng)反映的問(wèn)題不一致。測(cè)量項(xiàng)目數(shù)量的要求在13.2.4中詳細(xì)敘述。13.2.1結(jié)構(gòu)模型2713.2.1.2結(jié)構(gòu)模型的建立結(jié)構(gòu)模型的建立是研究者研究的核心，我們根據(jù)理論或有關(guān)假設(shè)，提出一個(gè)或數(shù)個(gè)合理模型進(jìn)行檢驗(yàn)。下面的案例是對(duì)技術(shù)接受模型（TAM）的驗(yàn)證，這是一個(gè)結(jié)合理論進(jìn)行創(chuàng)新的例子：以熊焰《基于技術(shù)接受模型的電子商務(wù)信任實(shí)證研究》為例，其結(jié)合了Davis的技術(shù)接受模型和Gefen的信任模型思想，構(gòu)建電子商務(wù)信任模型，如圖13-7所示。13.2.1結(jié)構(gòu)模型28本研究的創(chuàng)新性主要有兩個(gè)方面：第一個(gè)方面是應(yīng)用邊界的拓寬，技術(shù)接受模型運(yùn)用于信息技術(shù)，而電子商務(wù)使用的網(wǎng)站本質(zhì)上也是一種信息技術(shù)，由此將TAM利用到網(wǎng)絡(luò)購(gòu)買(mǎi)行為的研究上；第二個(gè)方面則是結(jié)構(gòu)模型的構(gòu)建，其中對(duì)于H4的論述從多個(gè)角度引用文獻(xiàn)進(jìn)行論證，而對(duì)于H5和H6假設(shè)的提出則是通過(guò)邏輯推理得到的，這啟發(fā)了我們結(jié)構(gòu)模型建立的兩種主要思路——基于已有理論或基于邏輯推理。13.2.2模型評(píng)價(jià)2913.2.2.1驗(yàn)證性因子分析與信度效度指標(biāo)驗(yàn)證性因子分析(confirmatoryfactoranalysis)往往指的是與旋轉(zhuǎn)因子載荷的方差分析相結(jié)合，通過(guò)觀察各問(wèn)項(xiàng)在潛變量上的因子載荷是否合理來(lái)進(jìn)行定性的分析。除此之外還有定性的指標(biāo)，即信度和效度。信度(reliability)。即可靠度、一致性或者穩(wěn)定性。目前最常用的衡量是克朗巴赫系數(shù)。一般情況下，我們主要考慮量表的內(nèi)在信度——項(xiàng)目之間是否具有較高的內(nèi)在一致性。通常認(rèn)為：信度系數(shù)應(yīng)該在0?1之間，如果量表的信度系數(shù)在0.9以上，表示量表的信度很好；如果量表的信度系數(shù)在0.8?0.9之間，表示量表的信度可以接受；如果量表的信度系數(shù)在0.7?0.8之間，表示量表有些項(xiàng)目需要修訂；如果量表的信度系數(shù)在0.7以下，表示量表有些項(xiàng)目需要拋棄。13.2.2模型評(píng)價(jià)30效度(validity)。是指測(cè)量工具能夠正確測(cè)量出所要測(cè)量問(wèn)題的程度。那么，在結(jié)構(gòu)方程模型中，效度便代表了收集到的數(shù)據(jù)（問(wèn)題選項(xiàng)能否反映某一特定問(wèn)題，潛變量的確定是否合理）。Amos可以較為方便地輸出區(qū)分效度指標(biāo)，主要針對(duì)觀察變量間的區(qū)分效度。區(qū)分效度指潛變量之間的低相關(guān)性和顯著差異性，它可以通過(guò)比較平均方差抽取量平方根與變量間相關(guān)系數(shù)的大小來(lái)評(píng)估。根據(jù)Fornell和Larcker提出的標(biāo)準(zhǔn)，若以一個(gè)變量與其他變量的相關(guān)系數(shù)小于該變量的平均方差抽取量平方根，該數(shù)據(jù)基本大于其所在列的所有數(shù)值，則本研究的測(cè)量模型區(qū)分效度合適。具體的操作步驟將在第13.3.2小節(jié)測(cè)量模型的擬合部分介紹。13.2.2模型評(píng)價(jià)3113.2.2.2模型整體擬合優(yōu)度擬合優(yōu)度(goodnessoffit)是統(tǒng)計(jì)量的簡(jiǎn)稱(chēng)，通過(guò)各種各樣的統(tǒng)計(jì)量，衡量

的差距，比較協(xié)方差矩陣的差異，以此來(lái)評(píng)價(jià)和測(cè)量模型的擬合程度。模型的擬合優(yōu)度主要分為絕對(duì)擬合優(yōu)度和相對(duì)擬合優(yōu)度。表13-3列舉了一些常用的擬合指數(shù)，主要可以分為兩個(gè)大類(lèi)：絕對(duì)擬合指數(shù)和相對(duì)擬合指數(shù)。13.2.2模型評(píng)價(jià)32絕對(duì)擬合指數(shù)絕對(duì)擬合指數(shù)是直接比較理論模型和飽和模型得到的統(tǒng)計(jì)量。所謂飽和模型，是指模型當(dāng)中的所有變量之間均具有相關(guān)關(guān)系，因此飽和模型也是最復(fù)雜的模型，其自由度為0。由于飽和模型完全真實(shí)地反映了原有變量之間的所有關(guān)系，因此，與飽和模型比較實(shí)際上就是與原有樣本進(jìn)行比較，也即絕對(duì)擬合指數(shù)反映了理論模型和樣本數(shù)據(jù)之間的擬合程度。常用的絕對(duì)擬合指數(shù)有下面幾種：13.2.2模型評(píng)價(jià)33（1）χ2是常用的絕對(duì)擬合指數(shù)之一。我們利用常用的估計(jì)方法得到的χ2

近似服從于卡方分布，當(dāng)χ2

越大時(shí)，的差距就越大。對(duì)于給定的顯著性水平，當(dāng)χ2

大于對(duì)應(yīng)臨界值時(shí)，說(shuō)明

的差距達(dá)到了顯著水平，即模型和數(shù)據(jù)擬合得不好；當(dāng)χ2

小于對(duì)應(yīng)臨界值時(shí)，可以認(rèn)為模型與數(shù)據(jù)擬合得很好。但χ2

的大小受到樣本容量N的影響，當(dāng)N很大時(shí)，即使模型和真實(shí)模型差距較小，χ2

通常也會(huì)很大；反之，當(dāng)N很小時(shí)，χ2

通常也會(huì)很小。此外，指標(biāo)是否服從正態(tài)分布也會(huì)影響擬合的優(yōu)度。因此，直接利用、判斷模型的擬合效果并不妥當(dāng)。13.2.2模型評(píng)價(jià)34（2）χ2/df是另一個(gè)常用的絕對(duì)擬合指數(shù)。因?yàn)榉帜竏f是自由度，所以χ2/df能夠調(diào)節(jié)模型的復(fù)雜程度，從而相對(duì)合適地選擇一個(gè)參數(shù)數(shù)量在適合范圍內(nèi)的模型。但是，該指數(shù)同樣易受樣本容量的影響，因此對(duì)于單個(gè)模型的評(píng)價(jià)價(jià)值不高，更多的是用于模型比較的情況。通常認(rèn)為χ2/df<3.0時(shí)，模型可以接受。（3）GFI和AGFI統(tǒng)稱(chēng)為擬合優(yōu)度指數(shù)。其中，GFI是基于擬合函數(shù)值進(jìn)行計(jì)算的指標(biāo)；而AGFI是基于自由度，對(duì)GFI進(jìn)行修正后的指標(biāo)，這類(lèi)指標(biāo)的數(shù)值越高，證明其擬合優(yōu)度越好，通常認(rèn)為當(dāng)GFI>0.8、AGFI>0.9時(shí)，模型的擬合程度較好。13.2.2模型評(píng)價(jià)35（4）StandardizedRMR指的是標(biāo)準(zhǔn)化殘差均方根。其中RMR是殘差均方根，是直接利用樣本差距，即模型的估計(jì)值和觀測(cè)樣本值的殘差進(jìn)行計(jì)算的一個(gè)統(tǒng)計(jì)學(xué)指標(biāo)。StandardizedRMR與RMR的不同之處在于，前者使用的是標(biāo)準(zhǔn)化指標(biāo)——相關(guān)矩陣，因此，StandardizedRMR的值處于［0,1］之間。在通常情況下，SRMR由于具有標(biāo)準(zhǔn)化的特點(diǎn)，因此可以跨研究進(jìn)行比較，比較容易解釋?zhuān)贿^(guò)實(shí)際上在模型比較時(shí)，RMR和SRMR對(duì)于模型的排序是一致的。一般認(rèn)為StandardizedRMR小于0.05時(shí)，模型擬合得不錯(cuò)。13.2.2模型評(píng)價(jià)36（5）REMEA：是最早提出的指數(shù)之一，稱(chēng)為近似誤差均方根。在構(gòu)建指標(biāo)時(shí)，REMEA主要利用χ2

與df之間的差值和0做比較來(lái)評(píng)價(jià)擬合效果，并利用分母中的df懲罰復(fù)雜模型。相比于RMR，REMEA受到樣本容量N的影響更小，而且對(duì)于參數(shù)過(guò)少的誤設(shè)模型更加敏感，是理想的指數(shù)。一般認(rèn)為REMEA位于0.05?0.08之間時(shí)，模型和數(shù)據(jù)的擬合效果較好。13.2.2模型評(píng)價(jià)372.相對(duì)擬合指數(shù)現(xiàn)考慮一系列模型Mn

…Mt

…Ms

，其中，Ms

為前面述及的飽和模型；Mn

為虛模型，指的是限制最多、擬合得最不好的模型；Mt

是理論模型，擬合程度介于Mn和Ms之間。相對(duì)擬合就是以虛模型Mt為基準(zhǔn)，將理論模型與之比較，看看理論模型的擬合程度與之比較如何。相對(duì)擬合指數(shù)最小為0（即虛模型Mn），最大為1（即飽和模型Ms），而理論模型的相對(duì)擬合指數(shù)介于二者之間。當(dāng)理論模型的相對(duì)擬合指數(shù)越大時(shí)，模型的擬合效果越好。一般認(rèn)為，指數(shù)超過(guò)0.9時(shí)模型可以接受。13.2.2模型評(píng)價(jià)38常見(jiàn)的相對(duì)擬合指數(shù)如下：（1）NFI稱(chēng)作賦范擬合指數(shù)，是最典型的相對(duì)擬合指數(shù)。虛模型是最復(fù)雜的模型，其χ2

一般而言也是最大的，因此，我們通過(guò)評(píng)價(jià)理論模型的χ2

與之相比減小的程度就可以評(píng)價(jià)其擬合優(yōu)度。NFI是用虛模型和理論模型的χ2

之差除以虛模型的χ2

計(jì)算而得的。但由于NFI明顯會(huì)受到樣本容量的影響，因此受到的批評(píng)較多。（2）CFI是最常用的相對(duì)擬合指數(shù)之一。CFI稱(chēng)作比較擬合指數(shù)，它使用χ2

與df差值這一指標(biāo)的改進(jìn)程度來(lái)衡量理論模型的擬合優(yōu)度。CFI受到樣本容量的影響較小，且相比于其他指標(biāo)，CFI的標(biāo)準(zhǔn)差明顯較小。其不足之處在于，CFI缺少對(duì)于復(fù)雜模型的校正，因此對(duì)于復(fù)雜模型的懲罰不足。13.2.2模型評(píng)價(jià)3913.2.2.3參數(shù)檢驗(yàn)在Amos中，C.R.是參數(shù)顯著性檢驗(yàn)的統(tǒng)計(jì)量，P是原假設(shè)成立的概率。在給定的置信度水平α

下，如果P<α，那么說(shuō)明我們有足夠的理由在該置信度水平下拒絕原假設(shè)，也稱(chēng)通過(guò)顯著性檢驗(yàn)，下文簡(jiǎn)稱(chēng)為“顯著”。結(jié)構(gòu)模型每條路徑上都基于一條假設(shè)，“顯著”與否便代表了模型在現(xiàn)有樣本數(shù)據(jù)下能否得到支持。完美的情況是：一切都與我們的假設(shè)一致，全部路徑系數(shù)都如我們想象中的那般“顯著”。但是，如果出現(xiàn)難以解釋的情況，便意味著模型的假設(shè)有問(wèn)題。此時(shí)我們需要依據(jù)其他理論對(duì)現(xiàn)象進(jìn)行解釋?zhuān)蛘咧匦抡{(diào)整模型并重新進(jìn)行數(shù)據(jù)收集。13.2.3模型修正40結(jié)構(gòu)方程模型的修正主要基于修正指數(shù)(modificationindices,MI)的使用，可以進(jìn)行以下兩類(lèi)的模型修正操作，問(wèn)項(xiàng)剔除和模型路徑因果關(guān)系修正。1.問(wèn)項(xiàng)剔除問(wèn)項(xiàng)剔除方面，修正的依據(jù)有各項(xiàng)擬合優(yōu)度。比如卡方值是否顯著，卡方值顯著表示研究模型中的協(xié)方差仍與數(shù)據(jù)中的協(xié)方差顯著不同。使用修正指數(shù)和因子載荷作為剔除選項(xiàng)的指導(dǎo)。（1）看回歸權(quán)重(regressionweights)，觀察有無(wú)相關(guān)性較高的問(wèn)項(xiàng)。（2）剔除對(duì)潛變量的標(biāo)準(zhǔn)因子載荷(standardizedfactorloadings)較低的那個(gè)選項(xiàng)。13.2.3模型修正412.模型路徑因果關(guān)系修正模型路徑因果關(guān)系修正指的是修正（增加或刪除）一些相關(guān)或者因果關(guān)系，但是修正的參數(shù)關(guān)系不能違反SEM的假定。模型路徑因果關(guān)系修正方面，主要考慮以下標(biāo)準(zhǔn)：（1）外因潛變量與內(nèi)因潛變量的指標(biāo)變量間沒(méi)有直接關(guān)系。（2）內(nèi)因潛變量與外因潛變量的指標(biāo)變量間沒(méi)有直接關(guān)系。（3）外因潛變量的指標(biāo)變量與內(nèi)因潛變量的指標(biāo)變量間沒(méi)有直接關(guān)系。（4）指標(biāo)變量的殘差項(xiàng)與潛變量間無(wú)關(guān)（不能建立共變關(guān)系），指標(biāo)變量的殘差項(xiàng)可以有共變關(guān)系，但是指標(biāo)變量間的殘差項(xiàng)間不能建立路徑因果關(guān)系。13.2.4結(jié)構(gòu)方程模型使用上的一些其他問(wèn)題4213.2.4.1調(diào)節(jié)效應(yīng)的檢驗(yàn)調(diào)節(jié)效應(yīng)可以用變量X、變量Y和變量M的關(guān)系圖（圖13-8）進(jìn)行解釋。變量X指向Y，其中的因果關(guān)系可以表示為Y=，調(diào)節(jié)作用表示的是變量M對(duì)這一因果關(guān)系存在影響，調(diào)節(jié)變量又常常被稱(chēng)為情境，另一個(gè)理解的角度是“不同情境下，這個(gè)因果關(guān)系存在不同”，影響的結(jié)果主要有兩種。13.2.4結(jié)構(gòu)方程模型使用上的一些其他問(wèn)題43第一種，調(diào)節(jié)變量影響這一因果關(guān)系是否成立，比如調(diào)節(jié)變量M是性別，如果該因果關(guān)系對(duì)男性成立，而對(duì)女性不成立，那么我們便可以說(shuō)性別調(diào)節(jié)了X到Y(jié)的因果關(guān)系。第二種，調(diào)節(jié)變量影響這一因果關(guān)系的強(qiáng)度，也即是公式中的β1，比如調(diào)節(jié)變量M是性別，該因果關(guān)系對(duì)男性而言β1=1.1，而對(duì)女性而言β1=2.4，這便是性別對(duì)X到Y(jié)的因果關(guān)系強(qiáng)度的調(diào)節(jié)，性別便是調(diào)節(jié)變量。這是一個(gè)通俗化的理解，主要從分組調(diào)節(jié)的角度進(jìn)行解釋?zhuān)宰兞繛檫B續(xù)變量，調(diào)節(jié)變量為類(lèi)別變量，便于讀者理解調(diào)節(jié)作用。更加規(guī)范的情況是，自變量和調(diào)節(jié)變量都是連續(xù)型變量，此時(shí)調(diào)節(jié)變量M應(yīng)當(dāng)包含在方程之中。13.2.4結(jié)構(gòu)方程模型使用上的一些其他問(wèn)題44Y=aX+bM+cMX+e其中，MX是交叉項(xiàng)，檢驗(yàn)調(diào)節(jié)效應(yīng)的關(guān)鍵問(wèn)題是如何從M和X測(cè)量項(xiàng)計(jì)算M*X。Chin等提出了兩種算法——Standardizing標(biāo)準(zhǔn)化和Centering中心化。這兩種方法都比直接將X和Y的指標(biāo)組合相乘要好，后者可能導(dǎo)致構(gòu)念與測(cè)世項(xiàng)目之間的嚴(yán)重相關(guān)性，從而導(dǎo)致估計(jì)中的計(jì)算誤差。只有當(dāng)交叉項(xiàng)MX前的系數(shù)參數(shù)c顯著時(shí)，才可以說(shuō)M對(duì)X→Y這條因果路徑具有調(diào)節(jié)作用。實(shí)現(xiàn)方面，Amos對(duì)于連續(xù)型變量的調(diào)節(jié)效應(yīng)檢驗(yàn)的實(shí)現(xiàn)十分復(fù)雜，推薦使用SmartPLS進(jìn)行調(diào)節(jié)效應(yīng)的檢驗(yàn)。13.2.4參數(shù)檢驗(yàn)4513.2.4.2數(shù)據(jù)相關(guān)問(wèn)題（樣本容量、非正態(tài)數(shù)據(jù)）在驗(yàn)證性因子分析或結(jié)構(gòu)方程分析中，樣本容量N的下限如何確定、以及每個(gè)潛變量對(duì)應(yīng)的指標(biāo)需要有多少個(gè)測(cè)量項(xiàng)目，這是研究者們最關(guān)心的問(wèn)題。研究者們的觀點(diǎn)眾多，總結(jié)來(lái)看大多數(shù)模型需要至少200個(gè)被試才能使得模型穩(wěn)定，若需要依靠某個(gè)變量進(jìn)行分組分析，則N要更大。對(duì)于測(cè)量項(xiàng)目，每個(gè)潛變量最好有至少3個(gè)測(cè)量項(xiàng)目，但是2個(gè)測(cè)量項(xiàng)目也是可以接受的，Eisinga,R.2013年發(fā)表在InternationalJournalofPublicHealth（QI）上的文章，說(shuō)明1個(gè)潛變量至少具備2個(gè)題項(xiàng)，但是，除非迫不得已（驗(yàn)證性因子分析部分刪除了測(cè)量項(xiàng)目），建議盡量保持更多的測(cè)量項(xiàng)目，尤其是當(dāng)N不夠大時(shí)，更應(yīng)該使用更多項(xiàng)目來(lái)測(cè)量潛變量?？偠灾?，當(dāng)模型潛變量個(gè)數(shù)并不多時(shí)，建議1個(gè)潛變量至少對(duì)應(yīng)4個(gè)問(wèn)項(xiàng)，以備調(diào)整所需。13.2.4參數(shù)檢驗(yàn)46非正態(tài)數(shù)據(jù)問(wèn)題在結(jié)構(gòu)方程中并不嚴(yán)重。極大似然估計(jì)法（ML）是最常用的參數(shù)估計(jì)方法，需要滿足的前提假設(shè)中的一條便是“變量是多元正態(tài)分布”。然而該假設(shè)十分難以滿足，比如對(duì)400個(gè)大樣本的心理學(xué)測(cè)試，即便是一元正態(tài)分布假設(shè)也難以滿足。但是我們無(wú)需擔(dān)心，已有許多研究探索了非正態(tài)數(shù)據(jù)校正對(duì)擬合結(jié)果的影響，大多數(shù)的情形是校正與否差別不大。總的來(lái)說(shuō)，面對(duì)許多非正態(tài)數(shù)據(jù)情況下，簡(jiǎn)單地使用ML分析原始數(shù)據(jù)，各參數(shù)的估計(jì)仍然是具有參考價(jià)值的。13.2.4參數(shù)檢驗(yàn)4713.2.4.3擬合相關(guān)問(wèn)題（不收斂）由前文可知，結(jié)構(gòu)方程模型的參數(shù)估計(jì)的主要形式是模擬估計(jì)，也就是以迭代方式進(jìn)行。結(jié)構(gòu)方程分析軟件中，都可以設(shè)置迭代次數(shù)的上限。當(dāng)超過(guò)這一上限而模型的擬合參數(shù)值仍不收斂時(shí)，輸出結(jié)果將顯示模型不收斂（non-convergence）。對(duì)于變量較多的模型，一般需要較多迭代次數(shù)才能收斂，因此可以增加迭代次數(shù)的上限。第3節(jié)

結(jié)構(gòu)方程的Amos實(shí)現(xiàn)4813.3.1Amos基礎(chǔ)操作13.3.2測(cè)量模型（驗(yàn)證性因子分析）的建立13.3.3測(cè)量模型的擬合13.3.4測(cè)量模型的修正13.3.5全模型的建立13.3.6全模型結(jié)果的解讀13.3.1Amos基礎(chǔ)操作49SPSSAmos軟件初始界面如圖13-9所示，左方的工具欄，長(zhǎng)方形是【測(cè)量變量】構(gòu)建工具，橢圓形是【潛變量】構(gòu)建工具。Amos最大的特點(diǎn)就是，移動(dòng)任何變量（長(zhǎng)方形、橢圓形等）都無(wú)法直接拖動(dòng)，而需要使用【單選/全選工具】選中變量，再使用貨車(chē)【移動(dòng)工具】進(jìn)行拖動(dòng)。同樣地，選中變量之后，也可使用復(fù)印機(jī)【復(fù)制工具】對(duì)已經(jīng)選中的變量進(jìn)行復(fù)制。下面通過(guò)測(cè)量模型建立、全模型建立、模型擬合、模型修正四個(gè)方面來(lái)介紹結(jié)構(gòu)方程模型的Amos實(shí)現(xiàn)。13.3.1Amos基礎(chǔ)操作5013.3.2測(cè)量模型（驗(yàn)證性因子分析）的建立51構(gòu)建單個(gè)潛變量及其測(cè)量模型本案例一共具有3個(gè)潛變量，從左方工具欄中點(diǎn)選【潛變量】構(gòu)建工具，進(jìn)入潛變量繪制模式，在界面右方空白畫(huà)紙中點(diǎn)摁→拖動(dòng)→松開(kāi)完成潛變量的繪制。接下來(lái)點(diǎn)擊，進(jìn)入快速添加測(cè)量項(xiàng)模式。本案例中每個(gè)潛變量有3個(gè)測(cè)量項(xiàng)目，因此我們單擊3次想要添加測(cè)量項(xiàng)的潛變量，為潛變量添加3個(gè)測(cè)量項(xiàng)目。13.3.2測(cè)量模型（驗(yàn)證性因子分析）的建立52通過(guò)復(fù)制繪制其他的潛變量接下來(lái)我們通過(guò)復(fù)制的形式繪制另外兩個(gè)潛變量：點(diǎn)擊單只手指的手套【單選工具】，點(diǎn)擊繪制完畢的潛變量，可以看到橢圓形的邊框變成了藍(lán)色，說(shuō)明該變量已被選中。此時(shí)如果我們直接點(diǎn)擊復(fù)印機(jī)【復(fù)制工具】，通過(guò)點(diǎn)摁選中的變量→拖動(dòng)→松開(kāi)，會(huì)發(fā)現(xiàn)僅僅復(fù)制了潛變量，而沒(méi)有將該潛變量的測(cè)量項(xiàng)目一同復(fù)制。我們此時(shí)需要點(diǎn)選進(jìn)入【保持完整性模式】，點(diǎn)擊復(fù)印機(jī)【復(fù)制工具】，通過(guò)點(diǎn)摭選中的變量→拖動(dòng)→松開(kāi)來(lái)復(fù)制潛變量和對(duì)應(yīng)的測(cè)量項(xiàng)目。13.3.2測(cè)量模型（驗(yàn)證性因子分析）的建立53添加變量之間的相關(guān)雙箭頭測(cè)量模型中，所有潛變量之間都需要繪制雙箭頭。我們可以點(diǎn)選【雙箭頭】構(gòu)建工具，通過(guò)點(diǎn)摁選中的變量→拖動(dòng)到另一個(gè)變量位置→松開(kāi)來(lái)繪制雙箭頭。但是，當(dāng)潛變量數(shù)目很多時(shí)，這種方式將很難實(shí)行。我們可以采取另外一種方式：首先用【單選工具】點(diǎn)選所有潛變量，點(diǎn)擊上方菜單欄的【Plugins】→【

DrawCovariances】來(lái)主動(dòng)繪制潛變量之間的相關(guān)雙箭頭。13.3.2測(cè)量模型（驗(yàn)證性因子分析）的建立54調(diào)整模型方向/位置/布局繪制完雙箭頭后，可能會(huì)出現(xiàn)雙箭頭與模型交叉的現(xiàn)象。調(diào)整模型的布局主要有3種方式。（1）選中變量后使用貨車(chē)【移動(dòng)工具】進(jìn)行拖動(dòng)，但是這種方式無(wú)法改變測(cè)量項(xiàng)目的位置。（2）選中變量后點(diǎn)擊【旋轉(zhuǎn)工具】進(jìn)入旋轉(zhuǎn)模式，單擊【潛變量】可以順時(shí)針改變對(duì)應(yīng)潛變量的布局。（3）選中變量后點(diǎn)擊【對(duì)稱(chēng)工具】進(jìn)入對(duì)稱(chēng)調(diào)整模式，單擊【潛變量】可以鏡像改變對(duì)應(yīng)潛變量的布局。13.3.2測(cè)量模型（驗(yàn)證性因子分析）的建立55數(shù)據(jù)錄入點(diǎn)擊【選擇數(shù)據(jù)文件】按鈕，點(diǎn)擊【FileName】選擇文件并確定，點(diǎn)擊【OK】完成數(shù)據(jù)導(dǎo)入。數(shù)據(jù)集中存儲(chǔ)的是測(cè)量項(xiàng)目的數(shù)據(jù)，因此我們只需要導(dǎo)入測(cè)量項(xiàng)目（長(zhǎng)方形）的數(shù)據(jù)。點(diǎn)擊柜子圖標(biāo)【數(shù)據(jù)變量列表】，點(diǎn)摁變量條目→拖動(dòng)到長(zhǎng)方形測(cè)量項(xiàng)目上→松開(kāi)，便完成了一個(gè)測(cè)量項(xiàng)目數(shù)據(jù)的錄入。以此類(lèi)推完成全部的測(cè)量項(xiàng)目數(shù)據(jù)錄入。13.3.2測(cè)量模型（驗(yàn)證性因子分析）的建立56變量命名測(cè)量項(xiàng)目數(shù)據(jù)錄入完畢后，我們需要進(jìn)行潛變量和誤差項(xiàng)的命名。如圖13-10所示，兩類(lèi)變量的命名方式一致，點(diǎn)擊單只手指的手套【單選工具】，雙擊變量便可打開(kāi)命名窗口，在【Variablename】中進(jìn)行命名。值得一提的是，Amos中無(wú)需重復(fù)打開(kāi)變量命名窗口，命名完一個(gè)變量后，直接點(diǎn)選下一個(gè)變量便可以進(jìn)行下一個(gè)命名。13.3.2測(cè)量模型（驗(yàn)證性因子分析）的建立57除此之外，對(duì)于誤差項(xiàng)，還有更加方便的一種方式是，首先用【單選工具】點(diǎn)選所有誤差項(xiàng)，點(diǎn)擊上方菜單欄的【Plugins】→【

Nameunobservedvariables】來(lái)為誤差項(xiàng)命名，但是軟件自動(dòng)生成的名字是按照變量建立先后順序進(jìn)行命名的，因此具有一定的局限性。至此，我們完成了測(cè)量模型的全部構(gòu)建過(guò)程，模型總覽如圖13-11所示。13.3.3測(cè)量模型的擬合58首先點(diǎn)擊【分析設(shè)置】，可以對(duì)Amos軟件的運(yùn)行進(jìn)行設(shè)置。Estimation參數(shù)估計(jì)部分默認(rèn)選擇極大似然估計(jì)，點(diǎn)擊【output】子標(biāo)題，建議勾選以下設(shè)置：①標(biāo)準(zhǔn)化參數(shù)估計(jì)(Standardizedestimates)：輸出標(biāo)準(zhǔn)化后的參數(shù)估計(jì)結(jié)果；②修正指標(biāo)(Modificationindices)：輸出模型修正的依據(jù)。設(shè)置好Amos軟件的運(yùn)行參數(shù)后，點(diǎn)擊黑白琴鍵【計(jì)算估計(jì)】開(kāi)始運(yùn)算，點(diǎn)擊【Viewtext】査看模型輸出結(jié)果報(bào)表。13.3.3測(cè)量模型的擬合59查看因子載荷打開(kāi)【Estimates】査看因子載荷，也稱(chēng)為標(biāo)準(zhǔn)化的回歸系數(shù)StandardizedRegressionWeights（β值），同時(shí)它也是路徑分析中的路徑系數(shù)。圖13-12所示為驗(yàn)證性因子分析輸出的結(jié)果，由StandardizedRegressionWeights一項(xiàng)可以看到，各問(wèn)題選項(xiàng)對(duì)潛變量的因子載荷中，最小的數(shù)值為UI1＜-UI的0.626，可以說(shuō)明問(wèn)卷信度、效度良好，也就是說(shuō)驗(yàn)證性因子分析結(jié)果較好。13.3.3測(cè)量模型的擬合6013.3.3測(cè)量模型的擬合61一般來(lái)說(shuō)因子載荷有以下幾種不良情況：（1）某些問(wèn)項(xiàng)因子載荷＜0.45：?jiǎn)柧碓O(shè)計(jì)不良，缺乏信度，此時(shí)觀察變量應(yīng)該放到其他的潛變量。(Kline,2011)（2）某些問(wèn)項(xiàng)因子載荷＞1：觀察變量之間存在多重共線性。（3）一個(gè)潛變量的幾個(gè)因子載荷符號(hào)不全相同：存在反向題忘記反向處理。（4）無(wú)法跑出結(jié)果：觀察變量之間相關(guān)性太低或?yàn)?。13.3.3測(cè)量模型的擬合62查看模型擬合優(yōu)度打開(kāi)【NotesforModel】(見(jiàn)圖13-13)，此處的P

值Probabilitylevel=0.348意味著沒(méi)有足夠的依據(jù)拒絕原假設(shè)，結(jié)構(gòu)方程模型參數(shù)估計(jì)的原假設(shè)是數(shù)據(jù)的S矩陣和假設(shè)模型隱含的∑矩陣契合，也就是觀察數(shù)據(jù)(data)與假設(shè)模型(model)間是匹配的。Tanaka(1993)和Maruyama(1998)的研究都顯示，當(dāng)樣本量大于200時(shí)，幾乎所有的研究都是具有顯著性的(P<0.05)，因此判斷模型匹適度的時(shí)候應(yīng)該輔助以其他擬合優(yōu)度指標(biāo)。13.3.3測(cè)量模型的擬合63打開(kāi)【ModelFit】查看模型各項(xiàng)擬合優(yōu)度，如圖13-14所示。主要需要査看的擬合優(yōu)度在前文有介紹。對(duì)照各項(xiàng)標(biāo)準(zhǔn)可見(jiàn)，模型擬合優(yōu)度良好。13.3.3測(cè)量模型的擬合64輸出效度指標(biāo)在經(jīng)管領(lǐng)域，凡是運(yùn)用量表型問(wèn)卷進(jìn)行的研究，期刊都會(huì)要求對(duì)測(cè)量模型的信度和效度進(jìn)行描述。信度的指標(biāo)主要有克隆巴赫alpha系數(shù)、組合信度、因子載荷等。這里主要介紹效度指標(biāo)的輸出。1）收斂效度平均方差抽取量(averagevarianceextracted,AVE)，一般AVE>0.5可以認(rèn)為收斂效度較好。AVE值的公式如下：式中，λ

為每個(gè)測(cè)量項(xiàng)目相對(duì)于潛在變量的因子載荷；n為測(cè)量項(xiàng)目個(gè)數(shù)。13.3.3測(cè)量模型的擬合652）區(qū)分效度具體操作方法如下：（1）計(jì)算測(cè)量項(xiàng)目的因子載荷，此步驟已在前面完成。（2）通過(guò)測(cè)量項(xiàng)目的因子載荷，計(jì)算潛變量的AVE。（3）AVE開(kāi)方根。（4）計(jì)算各潛變量間的相關(guān)系數(shù)：可用AMOS進(jìn)行。輸出結(jié)果中的【Estimates-Matrices】-【Implied(forallvariables)Correlations】，輸出的便是所有變量（包括全部潛變量和測(cè)量問(wèn)項(xiàng)，測(cè)量問(wèn)項(xiàng)也被稱(chēng)為顯變量）的相關(guān)系數(shù)（見(jiàn)圖13-15），我們只需要截取潛變量的左上部分即可。13.3.3測(cè)量模型的擬合6613.3.3測(cè)量模型的擬合67（5）列出表格進(jìn)行比較。（6）將相關(guān)系數(shù)表對(duì)角線上的“1”全部替換為AVE開(kāi)方根的數(shù)值，便于比較。最終結(jié)果如表13-4所示。13.3.4測(cè)量模型的修正68修正前請(qǐng)?jiān)俅螜z査，是否在【分析設(shè)置】→【output】中勾選了輸出修正指標(biāo)Modificationindices。點(diǎn)擊黑白琴鍵【計(jì)算估計(jì)】開(kāi)始運(yùn)算，點(diǎn)擊【Viewtext】査看模型輸岀結(jié)果報(bào)表，打開(kāi)【ModificationIndices】査看修正指數(shù)。核心指標(biāo)兩個(gè)核心的指標(biāo)：①M(fèi).I.是修正指標(biāo)卡方值(modificationindices)，代