1、1 结构 方程模型 之 Amos操作 1 设置 模型 模板 2 验证性因素分析 3 验证结构 方程模型 4 交叉 验证 cross-validation 5 中介 效应 分析 6 调节效应 7 中介的调节模型(调节的中介模型 ) 8 模型 修正 注 : Amos算的是组成信度, 一般 认为,科隆巴 赫 系数是信度的 下限 ,组成信度是信度的 上限 。CFA(一般要求: CR0.7, AVE0.5) 1、 设置 模板 一个构面 3个 题目,选择数据 档 , 选择 输出的数据,进入 View显示 变量名 。另存为 模板 。 步骤 1、选择 数据库 2 步骤 2、设定 分析属性,需要输出的内容 步骤
2、 3、 设定 View显示变量名称 2、 验证性因素分析 2.1、 分析各个构面的因子 负荷 3 因子负荷 0.7, AVE0.5) 2.3、制作 CFA汇报表(一般要求 : CR0.7, AVE0.5 4 2.4、分析区别效度 5 收敛效度 区别效度 AVE intention impulse perqual cognition 0.574 0.758 0.555 0.732 0.745 0.639 0.68 0.333 0.799 0.54 0.807 0.595 0.644 0.735 AVE开跟 号 的值 小于 构面之间的相关 0.7350.7时。 3、模型比较法:通过模型比较检测因子
3、相关系数。 注 意事项:绝大多数软件设定的都是非标准化估计值 ,即协方差,需进行标准化设定(其实就是固定方差为 1) 建议适用 :因子与因子相关 0.7时 2.5.1 方法 1:不处理 。 , AVE开跟 号 的值大于大部分 的 构面之间的相关。 虽然发现有一个 值不符合,但是二者 差异 不大,仍在可接受 的 范围,说明区别效度仍存在。 2.5.2 方法 2: Boostrap 自助法, 重复抽样 1000次 ,计算相关的标准误。如果 相关 加减两倍的相关标准误,结果不包含 1,就认为区别效度 可以接受 。 适用于当构面之间 的相关大于0.7 的 时候, 甚至 0.85 对于样本而言,标准差
4、=样本的波动大小。标准误 =样本均值波动大小(意味着多次抽样求均值) 6 按照数据规律 :当样本 n30(有人建议 50)时,样本均值的分布服从正态分布。 bootstrap估计方法思路: 1、指定抽样的总次数 N。 2、每次从样本中进行简单抽样(有返回抽),计算均值。 3、利用 N个均值计算均值的标准差(标准误)计算置信区间 。 Pairs of correlation Point Estimate Boostrap for 1000 times 95% confidence interval SE bias-correct percentile Lower Upper Lower Uppe
5、r Lower Upper 7 cognition perceivequality 0.644 0.049 0.546 1.736 0.531 0.735 0.531 0.735 perceivequality impulse 0.333 0.065 0.203 0.739 0.212 0.458 0.205 0.457 impulse intention 0.732 0.048 0.636 2.004 0.622 0.818 0.623 0.819 cognition impulse 0.595 0.059 0.477 1.549 0.478 0.707 0.477 0.706 cognit
6、ion intention 0.807 0.034 0.739 2.285 0.731 0.87 0.74 0.872 perceivequality intention 0.68 0.046 0.588 1.856 0.581 0.763 0.582 0.764 表格说明 : 第一列 现实构面之间的相关关系,第二列点估计值是每个值的 估计 。左右区间( ( +-2 ) 均 没有包含 1, 说明有区别度。 三种 方式的值均没有包含 1,区分 效度可以接受 。 2.5.3 方法 3: 设定构面之间的标准化相关系数为 1。 但是 模型中 设定 只能 设定 非 标准化估计 (协方差) ,不能设定标准
7、化估计 。 直接设定是设定的协方差矩阵为 1,因此 需要先将模型改为标准化 估计 模型,再设定。此 方法 同样是适用于构面相关系数大于 0.7 的 情况。 在线上设定任何值等于 1都是 设定非标准化的值为 1, 这是错误的。 8 正确 做法: 查看结果:结果显著,拒绝构面间无 区分度 的 假设 。 9 3、 验证结构 方程模型 3.1 先查看是否符合研究假设 3.2 查看指标 : 1)先看 模型拟合度, NPAR 估计参数个数 , CMIN-卡方值 , Pvalue在 样本领超过 200时 一般都会显著,因此不报告 10 GFI AGFI,一般 0.9,0.8可接受 TLI( NNFI)、 C
8、FI0.9 RMSEA一般 建议 0.2,最好 0.3,系数 越高贡献越大 ) 11 12 如果 有 误差方差 出现负值,可以给 它 一个非常小的正值,如 0.0005。 4 交叉 验证 cross-validation 效度 延展性与效度稳定性 将 同一批样本随机分成两组,进行验证是进行效度稳定性的检验。用 全新 的 样本 进行验证才称为 效度的延展性。 1、 在 SPSS随机 分 成两组,一组计算、一组验证 2、在 AMOS建立两个群组,并导入数据, 设定 群组的 值 13 3、 查看结果 , 如果结果显著可以再次随机分组 14 5 中介 效应 分析 1、命名 路径( 能够 区分不同变量的
9、中介效应) 2、 写 中介 效应语法( 20版 和 24 版 语法不同) 3、 输出设置:输出 间接 效果、直接效果 和 总效果; 设置 bootstrap 3、 运行、查看数据 15 16 17 6 调节效应 例: 比较男女之间 是否 存在 模型 的差异 ? 即 性别对 每条线的斜率是否 具有 调节作用 1、设定 两个群组,并选择加载的数据集和分组变量值。 2、 在线上编号 : 注需要对两个群组的线设定不同的编号,才能比较。 (可以 同时比较所有的线,也可以单独比较某条线 ) (若 调节模型复制 自 总结模型,需要 取消 bootstrap,和中介 的语法 ) 3、设定 两个模型进行比较的线
10、 ,设定 的是非标准化 斜率 是否一致。 4、 执行,看 modal comparison 18 19 调节 模型 1、先 对 3 个 自变量做标准化 :分析 描述性统计 选入自变量 将标准化得分另存为变量 。 2、 计算出 Zcog*Zimp,和 Zpq*Zimp, 即两个自变量与调节变量的标准分 乘积 。 3、在 Amos中绘制统计模型图,增加 代表 交互作用的构面 4、 运行查看结果 。 如果 交互 作用的两条线相关显著 , 说明有调节效应。 因为 已经经过了标准化,值的大小没有含义 , 只看正负。 20 21 7 中介的调节模型(调节的中介模型 ) 模型中既有中介又有调节 22 回归 : 自编 量和因变量之间的关系, X对 Y显著 中介 : X是否 会透过 A影响 Y, 鉴定 A*B是否 显著 调节 : 不同 情境下, X 对 Y的斜率是否一致。 A1与 A2的斜率是否一致? 中介 的调节: A1*B1与 A2*B2 是否 有 显著差异。 23 8 模型 修正 模型 不好 的 原因 : 1、样本 太大 2、模型变量 太多 3、数据 不符合多元正态分布, 多元 正态分配鉴定值不 能 超过 5。则 卡方值会膨胀 因此 模型修正 ,修正的 是卡方值 。 是用修正后的卡方值去算各种拟合 值 。 根据 Boring, 1993 的 建议, 24 25 26