AMOS中文图解

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Amos7软件2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。

一、模型构建的思路本案例在着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.Anderson&ClaesFornell，2000;殷荣伍，2000)。

表7-1设计的结构路径图和基本路径假设2.1、顾客满意模型中各因素的具体范畴1关于该案例的操作也可结合书上第七章的相关内容来看。

2本案例是在Amos7中完成的。

3见spss数据文件“处理后的数据.sav”。

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。

表7-2模型变量对应表三、关于顾客满意调查数据的收集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。

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Amos7软件2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。

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（Eugene W。

Anderson & Claes Fornell，2000;殷荣伍，2000）.表7—1 设计的结构路径图和基本路径假设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。

1关于该案例的操作也可结合书上第七章的相关内容来看。

2本案例是在Amos7中完成的。

3见spss数据文件“处理后的数据.sav”。

表7—2 模型变量对应表三、关于顾客满意调查数据的收集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。

应用案例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Amos7 软件1 2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。

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。

1关于该案例的操作也可结合书上第七章的相关内容来看。

2本案例是在Amos7 中完成的。

3见spss 数据文件“处理后的数据.sav”。

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 。

模型变量对应表它与顾客期望，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(Eugene W. Anderson & Claes Fornell ，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顾客抱怨感知价值顾客满意质量感知顾客忠诚基本路径假设? 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表 7-2超市形象质量期望潜变量 内涵 可测变量(一) 超 根据 MARTENSEN 在固定 电话、移动电话、超市等行业中的调查研究， 企业形象 是影响总体满意水平的第 一要素，这里将超市形象要 素列为影响因素， 可以从以 下几个方面进行观测。

amos验证性因子分析教程应用案例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Amos7软件2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。

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(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。

表2.1、顾客满意模型中各因素的具体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，以及小围甄别调查的结果，模型中各要素1关于该案例的操作也可结合书上第七章的相关内容来看。

2本案例是在Amos7中完成的。

3见spss数据文件“处理后的数据.sav”。

需要观测的具体畴，见表7-2。

表7-2 模型变量对应表4正向的，采用Likert10级量度从“非常低”到“非常高”众对于该超市的口碑。

(七)客忠诚顾客忠诚主要可以从三个方面体现：顾客推荐意向、转换产品的意向、重复购买的意向。

同时还有学者指出顾客忠诚可以从顾客对涨价的容忍性、重复购买性两方面衡量。

综合上述因素，拟从以下几个方面衡量顾客忠诚。

协方差结构模型被广泛用于探讨问卷调查或实验性的数据。

（协方差：两个变量间的线性关系）一个完整的协方差结构模型包含两个次模型：测量模型+结构模型。

结构方程模型（Structural equation modeling,简称SEM），它综合了因素分析和路径分析两种统计方法，同时检验模型中包含的显性变量、潜在变量、干扰或误差变量之间的关系，进而获得自变量对依变量影响的直接效果、间接效果或总效果。

（是一种验证性统计方法）Amos(Analysis of Moment Structures,矩结构分析)是一种结构方程模型软件，又称为协方差结构分析、潜在变量分析、验证性因子分析Amos属于结构方程式模型的一种，其功能在于探讨多变量或单变量之间的因果关系。

还可以让我们检验数据是否符合所建立的模型，以及进行模型探索（逐步建立最适当的模型）。

基本理论认为潜在变量是无法直接测量的，必须借由观察变量来间接推测得知。

Spss进行的因子分析是一种探索性因子分析，Amos属于验证性因子分析，即先以因子（观察变量、或称预测变量）为建构基础，来验证是否能代表一个变量（潜在变量）Amos是对问卷的结构效度进行分析结构效度：一个测验能真正测到其所要测量的心理能力或技能的程度，即实验是否真正测量到假设的理论。

它将测验结果的实际组成部分与某些潜在的理论和行为类型建立起了联系，也可以理解为测验实际测量了所要测量的构想或特质的程度。

结构方程模型有两个基本模型：1.测量模型：探讨潜在变量与观察变量之间的关系2.结构模型：探讨潜在变量之间的关系，以及其他无法被解释的部分在结构方程模型中可以设置三种类型的变量：1.潜在变量：它是无法测量的变量，是观察变量间所形成的特质或抽象概念，在Amos中用椭圆形表示2.观察变量：又称测量变量、显性变量，是可以直接测量的变量，是量表或问卷等测量工具所得的数据，如果我们以spss 来建立基本数据，则在spss中的变量成为观察变量。

AMOS的使用•第一部分: 介绍o关于文挡o访问AMOSo文挡o获得AMOS帮助•第二部分: SEM 基础o SEM概述o SEM术语o为什么使用SEM?•第三部分: SEM 假设o合理的样本量o连续和正态内生变量o模型识别（识别方程）o完整数据或缺失数据的适当处理o模型规范和因果关系的理论基础•第四部分: 使用AG建立和检验模型o结构方程——多重回归关系的说明o使用AG绘制模型o将数据读入到AMOS中o选择AMOS分析选项和运行模型•第五部分: AMOS 输出解释o评估整体模型拟合o绝对拟合检验o相对拟合检验o修改模型获得较好的拟合优度o浏览路径图o独立参数的显著性检验•第六部分:摘要：结论的实质性解释第一部分:介绍关于文档本课程使用AMOS（距结构分析）软件对结构方程进行简单的介绍和概述。

结构方程模型(SEM) 包括多种统计技术，如路径分析，验证性因子分析，带潜变量的因果关系模型，甚至方差分析和多重线性回归。

课程介绍SEM的逻辑，SEM的假设和输入需求，怎样使用AMOS执行SEM分析。

到课程结束，能够使用AMOS拟合SEM。

也能给出SEM适合研究问题的评价和SEM方法基本假设的概述。

应该已经知道使用SAS，SPSS或类似统计软件怎样产生多重线性回归分析。

也应该理解怎样解释多重线性回归分析的输出。

最后，应该理解基本微软视窗导航操作：打开文件和文件夹，保存文件，重新调用先前保存过的文件，等等。

访问AMOS可以用下列三种方法访问AMOS：1.个人计算机用户须从SPSS公司(SPSS 许可版本)或者Smallwaters 公司(独立版本)获得许可密码2.德克萨斯大学的教师，学生和职员经由STATS 视窗终端服务器访问AMOS。

要使用终端服务器，必须获得ITS计算机账号（或分类账号），然后在NT服务器上验证账号。

接下来下载和配置客户端软件使个人计算机，Macintosh，或UNIX 工作站能连接终端服务器。

AMOS词句中英⽂对照AMOS词句中英⽂对照王超整理Covariance 协⽅差（共变关系）Data Files 数据⽂件的连结设定File Manager ⽂件管理Interface Properties 界⾯属性Analysis Properties 分析属性Object Properties 对象属性Variables in Model 模型中的变量Variables in Dataset 数据⽂件中的变量Parameters 参数Diagram 绘图Draw Observed 描绘观察变量Draw Unobserved 描绘潜在变量Draw Path 描绘单向路径图Draw Covariance 描绘双向协⽅差图Figure Caption 图⽰标题（图形标题）Draw Indicator Variable 描绘指标变量Draw Unique Variable 描绘误差变量Zoom In 放⼤图⽰Zoom Out 缩⼩图⽰Loupe 放⼤镜检视Redraw diagram 重新绘制图形Identified 被识别unidentified ⽆法识别undo 撤销redo 恢复（重做）Copy to clipboafd 复制到剪切板Deselect all 解除选取全部对象Duplicate 复制对象Erase 删除对象Move Parameter 移动参数位置Reflect 映射指标变量Rotate 旋转指标变量Shape of Object 改变对象形状Space Horizontally 调整选取对象的⽔平距离Space Vertically调整选取对象的垂直距离Drag Properties 拖动对象属性Fit to Page 适合页⾯Touch up 模型图最适接触Model-Fit 模型适配度Calculate Estimates 计算估计值Stop Calculate Estimates停⽌计算估计值程序Manage Groups 管理群组/ 多群组设定Manage Models 管理模型/ 多重模型设定Modeling Lab 模型实验室Toggle Observed / Unobserved 改变观察变量/潜在变量Degree of Freedom ⾃由度的信息Specification Search 模型界定的搜寻Multiple-Group Analysis 多群组分析Bayesian estimation 适⽤于⼩样本的贝⽒估计法Data imputation 缺失值数据替代法List Font 字型Smart 对称性Outline 呈现路径图的线条Square 以⽅型⽐例绘图Golden 以黄⾦分割⽐例绘图Customize 定制功能列Seed Manager 种⼦管理Draw Covariances 描绘协⽅差双箭头图Growth Curve Model 增长曲线模型Name Parameters 增列参数名称Name Unobserved Variables 增列潜在变量名称Resize Observed Variables 重新设定观察变量⼤⼩Standardized RMR 增列标准化RMR值Plugins 增列Commands 命令Categories 分类Parameter Formats 参数格式Computation Summary 计算摘要Files in current directory ⽬前⽬录中的⽂件Standardized estimates 标准化估计Unstandardized estimates 未标准化估计View the input path diagram-Model specification显⽰输⼊的路径图View the output path diagram 显⽰输出结果的路径图Default model 预设模型Saturated model 饱和模型Independent model 独⽴模型1 variable is unnamed ⼀个变量没有名称Nonpositive definite matrices ⾮正定矩阵Portrait 肖像照⽚格式（纵向式的长⽅形：⾼⽐宽的长度长）Landscape 风景照⽚格式（横向式长⽅形：宽⽐⾼的长度长）Page Layout 页⾯配置Orientation ⽅向Apply 应⽤Latent variables 潜在变量Latent independent潜在⾃变量（因变量）Exogenous variables外因变量Latent dependent潜在依变量（果变量）Endogenous variables内因变量Draw a latent variable or add an indicator to a latent variable 描绘潜在变量或增画潜在变量的指标变量Rotate the indicators of a latent variable 旋转潜在变量的指标变量Error variable 误差变量Draw paths-single headed arrows 描绘单向箭头的路径Draw covariances-double headed arrows 描绘协⽅差（双向箭头）的路径Add a unique variable to an existing variable 增列误差变量到已有的变量中Residual variables 残差变量（误差变量）Minimization history 极⼩化过程的统计量Squared multiple correlations 多元相关平⽅/复相关系数平分Indirect, direct ＆ Total effects 间接效果、直接效果与总效果Sample moments样本协⽅差矩阵或称样本动差Implied moments 隐含协⽅差矩阵或称隐含动差Residual moments 残差矩阵或称残差动差Modification indices 修正指标Factor score weights 因素分数加权值Covariance estimates 协⽅差估计值Critical ratios for difference差异值的临界⽐值/ 差异值的Z检验Test for normality and outliers正态性与极端值的检验Observed information matrix 观察的信息矩阵Threshold for modification indices修正指标临界值的界定Means and intercepts 平均数与截距Page Setpage 设定打印格式Decimails⼩数点位数Column spacing 表格栏宽度Maximum number of table columns 表格字段的最⼤值Table Rules 表格范例Table Border 表格边框线Analysis Summary 分析摘要表Notes for Group 组别注解Fill color 形状背景的颜⾊Line width 边框线条的粗度Very Thin ⾮常细Very Thick ⾮常粗Fill style 填充样式Transparent 颜⾊透明Solid 完全填满Regular 正常字型Italic 斜体字型Bold 粗体字型Bold Italic粗斜体字型Set Default 设为默认值Set Default Object Properties 预设对象属性Pen width 对象框线Fill style 对象内样式Parameter orientation 参数呈现⽅向The path diagram 绘制的路径图中Normal template AMOS内定的⼀般样板格式中Visibility 可见性：显⽰设定项⽬在路径图上Use visibility setting 使⽤可见设置Show picture 显⽰图形对象Drag properties from object to object 将对象的属性在对象间拖动Height ⾼度X coordinate X坐标-⽔平位置Y coordinate Y坐标-垂直位置Parameter constraints 参数标签名称Preserve symmetries 保留对称性Zoom in on an area that you select 扩⼤选取的区域View a smaller area of the path diagram 将路径图的区域放⼤View a larger area of the path diagram 将路径图的区域缩⼩Show the entire page on the screen 将路径图整页显⽰在屏幕上Resize the path diagram to fit on a page 重新调整路径图的⼤⼩以符合编辑画⾯（路径图呈现于编辑窗⼝页⾯内）Examine the path diagram with the loupe 以放⼤镜检核路径图Multiple-Group Analysis 多群体的分析Specification Search 模型界定的搜寻Select one object at a time ⼀次选取单⼀对象Iteration 8 迭代次数为8Pairwise Parameter Comparisons 成对参数⽐较Varance-Covariance Matrix of Estimates 估计值间⽅差协⽅差矩阵Output输出结果标签钮Minimization history 最⼩化过程Standardized estimates 标准化的估计值Squared multiple estimates 多元相关的平⽅Indirect, direct ＆ total effects间接效果、直接效果与总效果Sample moments 观察样本协⽅差矩阵Implied moments 隐含协⽅差矩阵Residual moments 残差矩阵Modification indices 修正指标Tests for normality and outlies 检验正态性与异常值AMOS的五种选项估计法：Maximum likelihood 极⼤似然法，简称ML法Generalized least squares ⼀般化最⼩平⽅法，简称GLS法Unweighted least squares 未加权最⼩平⽅法，简称ULS法Scale-free least squares 尺度⾃由最⼩平⽅法，简称SFLS法Asymptotically distribution free 渐近分布⾃由法，简称ADF法“错误提⽰”部分：An error occurred while checking for missing data in the group, Group number 1.You have not supplied enough information to allow computing the sample variances and covariances. You must supply exactly one of the following: 没有提供⾜够的信息，因⽽⽆法计算样本的⽅差与协⽅差，使⽤者必须正确提供：a. The sample variance-covariance matrix. a. 样本⽅差-协⽅差矩阵b. The sample correlation matrix and the sample standard deviations b.样本相关矩阵与样本的标准差；c. Raw data. c.原始资料。

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看作经典案例，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说 AMOS 的输出结果。

AMOS 同样能办理与时间相关的自相关回归。

惠顿研究涉及三个潜变量，每个潜变量由两个观察变量确定。

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疏离感的办理方式同样，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 在文件中供应惠顿数据文件。

使用File/Open，选择这个文件。

在图形模式中，文件显示以下。

诚然这里是预定义模式，图形模式赞同你给变量增加椭圆，方形，箭优等元素建立新模型2.模型鉴别。

潜变量的方差和与它关系的回归系数取决于变量的测量单位，但刚开始谁知道呢。

比方说要估计误差的回归系数同时也估计误差的方差，就好似说“我买了 10块钱的黄瓜，尔后你就推测有几根黄瓜，每根黄瓜多少钱〞，这是不能能实现的，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〞，你便能够推出每根黄瓜2块钱。

对潜变量，必定给它们指定一个数值，要么是与潜变量相关的回归系数，要么是它的方差。

对误差项的办理也是同样。

一旦做完这些办理，其他系数在模型中就可以被估计。

在这里我们把与误差项关系的路径设为 1，再从潜变量指向观察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，若是没有这个测量尺度，模型是不确定的。

有了这些约束，模型就可以鉴别了。

说明：设置的数值能够是 1，也能够是其他数，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.解说模型。

模型设置达成后，在图形模式中点击工具栏受骗算计估计计估计按钮运。

Amos画出的图像往往并不符合要求，框框太大，变量之间的距离太远，太占空间。

以下是调整技巧：1. 打开Amos的AG（Amos Graphics）程序准备画图。

在窗口的左侧会看到如下的三列图标，这些图标在各个对应的菜单中（如File，Edit等）也能找到。

2. 画板长宽调整：点击View-Interface Properties-Landscape-Apply即可，程序默认的是立着的长方形画板。

3. 画潜变量和测量变量：点击，然后在画板上点击一次出现一个椭圆，在连续点击，就会给椭圆加上相应的测量变量和残差变量框框。

4. 点击可以将途中的测量变量的位置上下左右地移动。

5. 点击可以把图中固定路径的位置改变，可以放在第一个或者最后一个。

6.点击，然后拖动椭圆，可以将椭圆调整到合适的大小。

7.点击和，可以将测量变量和残差变量移向椭圆，改变他们之间箭头的长度。

如果仅仅点击，只能调整某一个路径和图形。

8.点击和可以同时调整所有测量变量框的大小，以及残差变量框的大小。

9.点击和，上下或者左右拖动测量变量框，可以改变各个变量框之间的距离。

10.点击左边的，可以逐个选择目标，点击中间的一次选择全部图形，点击右边的放开所有选中的图形。

有时候只需要选中部分图形，点击左边图标之后，可以单击鼠标左键逐个选中，也可以按住鼠标左键，让鼠标箭头在要选中的图形上滑动即可。

11.如果不满意，点，叉掉便是。

12. 点击之后，在点击途中的任何变量框，可以对其进行命名。

一般多用于潜变量的命名或因变量残差的命名。

13.导入数据，点击，然后点击File Names，选中文件之后，点击OK。

如果要看看数据文件，点View Data。

14.然后点击，刚才打开的文件中的所有变量名会出现，然后根据需要将其一一拖到相应的测量变量框中即可。

15.点击Plugins-name unobserved variables，可以给残差命名。

16.用单向箭头连接自变量和因变量，用双向箭头联系自变量，表示相关。