AMOS教程（详细版）

使用Analyze菜单下的Calculate Estimates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View the output path diagram（看参数估计结果图（图7-18）。

图7-18 参数估计结果图

Amos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（Analysis Summary）、变量基本情况（Variable Summary）、模型信息（Notes for Model）、估计结果（Estimates）、修正指数（Modification Indices）和模型拟合（Model Fit）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。Amos提供了一种简单便捷的方法，叫做CR（Critical Ratio）。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）。Amos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（Analysis Summary）、变量基本情况（Variable Summary）、模型信息（Notes for Model）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 a112 a2 a3 a5 a4 a6 a7 a8 a10 a9 a11 a12 a13 a18 a17 a15 a14 a16 a24 a23

<--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <--- <---

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 0.301 0.434 0.329 -0.121 -0.005 0.912 -0.029 0.167 0.5 1 1.008 0.701 1 0.79 0.891 1.159 1.024 1 1.16 0.758 1.101 0.983 1 1.039 1 0.972 1.009 1 1.208

S.E. 0.045 0.057 0.089 0.082 0.065 0.043 0.028 0.101 0.1 0.036 0.048 0.061 0.053 0.059 0.058 0.065 0.068 0.069 0.067 0.034 0.127 0.033 0.092

C.R. 6.68 7.633 3.722 -1.467 -0.07 21.389 -1.036 1.653 4.988 27.991 14.667 12.852 16.906 19.628 17.713 17.911 11.075 15.973 14.777 30.171 7.67 31.024 13.079

P *** *** *** 0.142 0.944 *** 0.3 0.098 *** *** *** *** *** *** *** *** *** *** *** *** *** *** ***

Label par_16 par_17 par_18 par_19 par_20 par_21 par_23 par_22 par_24 par_1 par_2 par_3 par_4 par_5 par_6 par_7 par_8 par_9 par_10 par_11 par_12 par_13 par_14

标准化路径系数估计

0.358 0.434 0.244 -0.089 -0.004 0.878 -0.032 0.183 0.569 0.927 0.899 0.629 0.79 0.626 0.786 0.891 0.816 0.768 0.882 0.563 0.784 0.732 0.886 0.939 0.963 0.904 0.95 0.682 0.846

注:“***”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

z2 z1 z3 z4 z5 e1

方差估计 3.574 2.208 2.06 4.405 0.894 1.373 0.584

S.E. 0.299 0.243 0.241 0.668 0.107 0.214 0.079

C.R. 11.958 9.08 8.54 6.596 8.352 6.404 7.363

P *** *** *** *** *** *** ***

Label par_25 par_26 par_27 par_28 par_29 par_30 par_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。

e2 e3 e5 e4 e6 e7 e8 e10 e9 e11 e12 e13 e18 e16 e17 e15 e24 e22 e23 e14

0.861 2.675 1.526 2.459 1.245 0.887 1.335 1.759 0.976 3.138 1.926 2.128 1.056 0.42 0.554 0.364 3.413 3.381 1.73 0.981

0.093 0.199 0.13 0.186 0.105 0.103 0.119 0.152 0.122 0.235 0.171 0.176 0.089 0.052 0.061 0.591 0.295 0.281 0.252 0.562

9.288 13.467 11.733 13.232 11.799 8.583 11.228 11.565 7.976 13.343 11.272 12.11 11.832 8.007 9.103 0.616 11.55 12.051 6.874 1.745

*** *** *** *** *** *** *** *** *** *** *** *** *** *** *** 0.538 *** *** *** 0.081

par_32 par_33 par_34 par_35 par_36 par_37 par_38 par_39 par_40 par_41 par_42 par_43 par_44 par_45 par_46 par_47 par_48 par_49 par_50 par_51

注:“***”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。Amos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 RMR SRMR RMSEA NFI 相对拟合指数 TLI CFI 信息指数 AIC CAIC 13

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Amos提供的模型修正指标进行模型扩展（Model Building）或模型限制（Model Trimming）。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。

Amos提供了两种模型修正指标，其中修正指数（Modification Index）用于模型扩展，临界比率（Critical Ratio）用于模型限制。

18

17

16

19

二、模型修正指标

1. 修正指数（Modification Index）

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Amos 6.0 User’s Guide 489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。