logo资料库

AMOS输出解读和分析.doc

发布时间：2022-06-09 发布人：admin 分类：说明书 资料大小：0.20M 资料格式：doc 举报 版权申诉
第1页 / 共13页
第2页 / 共13页
第3页 / 共13页
第4页 / 共13页
第5页 / 共13页
第6页 / 共13页
第7页 / 共13页
第8页 / 共13页
资料共13页，剩余部分请下载后查看
    Title
    Notes for Group (Group number 1)
    Variable Summary (Group number 1)
    Your model contains the following variables (Group
    Variable counts (Group number 1)
    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，
    Parameter summary (Group number 1)
    Computation of degrees of freedom (Default model)
    Result (Default model)
    Maximum Likelihood Estimates
    Regression Weights: (Group number 1 - Default mode
    Variances: (Group number 1 - Default model)
    Modification Indices (Group number 1 - Default mod
    Covariances: (Group number 1 - Default model)
    Variances: (Group number 1 - Default model)
    Regression Weights: (Group number 1 - Default mode
    Model Fit Summary
    CMIN
    RMR, GFI
    Baseline Comparisons
    Parsimony-Adjusted Measures
    NCP
    FMIN
    RMSEA
    AIC
    ECVI
    HOELTER
    Execution time summary
    AMOS输出解读 惠顿研究 惠顿数据文件在各种结构方程模型中被当作经典案例，包括AMOS 和LISREL。本文以惠顿的社会疏离感追踪研究为例详细解释AMOS的输 出结果。AMOS同样能处理与时间有关的自相关回归。 惠顿研究涉及三个潜变量，每个潜变量由两个观测变量确定。67疏 离感由67无力感（在1967年无力感量表上的得分）和67无价值感（在1967 年无价值感量表上的得分）确定。71疏离感的处理方式相同，使用1971 年对应的两个量表的得分。第三个潜变量，SES（社会经济地位）是由 教育（上学年数）和SEI (邓肯的社会经济指数)确定。 解读步骤 1. 导入数据。 AMOS在文件ex06-a.amw中提供惠顿数据文件。使用File/Open，选 择这个文件。在图形模式中，文件显示如下。虽然这里是预定义模式， 图形模式允许你给变量添加椭圆，方形，箭头等元素建立新模型
    2. 模型识别。 潜变量的方差和与它关联的回归系数取决于变量的测量单位，但刚 开始谁知道呢。比如说要估计误差的回归系数同时也估计误差的方差， 就好像说“我买了10块钱的黄瓜，然后你就推测有几根黄瓜，每根黄瓜 多少钱”，这是不可能实现的，因为没有足够的信息。如何告诉你“我 买了10块钱的黄瓜，有5根”，你便可以推出每根黄瓜2块钱。对潜变量， 必须给它们指定一个数值，要么是与潜变量有关的回归系数，要么是它 的方差。对误差项的处理也是一样。一旦做完这些处理，其它系数在模 型中就可以被估计。 在这里我们把与误差项关联的路径设为1，再从潜 变量指向观测变量的路径中选一条把它设为1。这样就给每个潜变量设 置了测量尺度，如果没有这个测量尺度，模型是不确定的。有了这些约 束，模型就可以识别了。 注释：设置的数值可以是1，也可以是其它数，这些数对回归系数 没有影响，但对误差有影响，在标准化的情况下，误差项的路径系数平 方等于它的测量方差。 3. 解释模型。 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 是AMOS输出的一部分。 Title 。输出如下。蓝色字体用于注解，不 Example 6, Model A: Exploratory analysis Stability of alienation, mediated by ses. Correlations, standard deviations and means from Wheaton et al. (1977). 以上是标题，全是英文，自己翻译去吧，没有什么价值，一堆垃圾。 Notes for Group (Group number 1) The model is recursive. Sample size = 932
    各组注释：Group number 1 是模型内定的模型名称，因为你还没有给模 型取名。它告诉你模型为递归模型，样本量为 932。 Variable Summary (Group number 1) Your model contains the following variables (Group number 1) Observed, endogenous variables anomia67 powles67 anomia71 powles71 educatio SEI Unobserved, endogenous variables 71_alienation 67_alienation Unobserved, exogenous variables 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。 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。 Variable counts (Group number 1) Number of variables in your model: Number of observed variables: Number of unobserved variables: 17 6 11
    Number of exogenous variables: Number of endogenous variables: 9 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。 Parameter summary (Group number 1) Weights Covariances Variances Means Intercepts Total Fixed Labeled Unlabeled Total 11 0 6 17 0 0 0 0 0 0 9 9 0 0 0 0 0 0 0 0 11 0 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。 Computation of degrees of freedom (Default model) Number of distinct sample moments: Number of distinct parameters to be estimated: Degrees of freedom (21 - 15): 21 15 6 （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 (Default model) Minimum was achieved Chi-square = 71.544 Degrees of freedom = 6 Probability level = .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，卡方值应该不显著。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) x F 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。 Maximum Likelihood Estimates 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。 Regression Weights: (Group number 1 - Default model) 67_alienation <--- 71_alienation <--- 67_alienation 71_alienation <--- ses ses powles71 anomia71 powles67 anomia67 educatio SEI <--- 71_alienation <--- 71_alienation <--- 67_alienation <--- 67_alienation <--- <--- ses ses Estimate -.614 .705 -.174 .849 1.000 .888 1.000 1.000 5.331 P C.R. S.E. .056 -10.912 *** .053 13.200 *** .054 -3.213 .001 .042 20.427 *** Label par_6 par_4 par_5 par_1 .043 20.577 *** par_2 .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 的显著性水平上，临 界比估计的绝对值大于 1.96 称之为显著。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 显著性水平上显著地不等于 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 著地不等于 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: (Group number 1 - Default model) Estimate 6.656 5.301 3.737 4.010 3.187 3.696 S.E. .641 .483 .388 .358 .284 .391 C.R. 10.379 10.967 9.623 11.186 11.242 9.443 P *** *** *** *** *** *** Label par_7 par_8 par_9 par_10 par_11 par_12 ses zeta1 zeta2 eps1 eps2 eps3
    Estimate 3.622 2.944 S.E. .304 .501 260.630 18.256 C.R. 11.915 5.882 14.277 P *** *** *** Label par_13 par_14 par_15 eps4 delta1 delta2 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。 Modification Indices (Group number 1 - Default model) Covariances: (Group number 1 - Default model) M.I. eps2 <--> delta1 5.905 eps2 <--> eps4 26.545 eps2 <--> eps3 32.071 eps1 <--> delta1 4.609 Par Change -.424 .825 -.988 .421
    M.I. Par Change eps1 <--> eps4 35.367 eps1 <--> eps3 40.911 -1.069 1.253 Variances: (Group number 1 - Default model) M.I. Par Change Regression Weights: (Group number 1 - Default model) M.I. powles71 <--- powles67 5.457 powles71 <--- anomia67 9.006 anomia71 <--- powles67 6.775 anomia71 <--- anomia67 10.352 powles67 <--- powles71 5.612 powles67 <--- anomia71 7.278 anomia67 <--- powles71 7.706 anomia67 <--- anomia71 9.065 Par Change .057 -.065 -.069 .076 .054 -.054 -.070 .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。"Par Change"，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
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料