1、2022-3-271概念u结构方程模型是一种通用的线性统计建模技术。它主要是利用联立方程组求解，但是没有严格的假设限定条件，同时允许自变量和因变量存在测量误差。 2022-3-272假设u与其他分析方法相同的假设条件包括：u（1） 观察变量是相互独立的；u（2） 随机抽样；u（3） 线性相关2022-3-273步骤n模型设定n模型识别n模型估计n模型评价n模型修正2022-3-274模型设定：2个基本假设u理论依据是增加或者删除连线的依据，用最少的因果路径或者相关关系来刻划在理论上可行的模型u线性关系 2022-3-275模型设定：2种变量u潜在变量和显示变量n潜在变量不可直接衡量的n显示变量
2、（测量变量）问卷中直接测量的 u内生变量和外生变量n内生变量由模型内其他变量作用所影响的变量n外生变量变量的影响因素在模型之外 2022-3-276模型设定：2个模型u测量模型 表示潜在变量和观测变量之间的关系 u结构模型（潜在变量模型 ）表示潜在变量之间的关系 2022-3-277样本容量u一般而言，最保守的是一个变量要5个样本来衡量，此时样本服从多元正态分布，而且没有奇异值。也有人认为一个变量由15个样本来衡量比较好。最低的样本要求是50。一般样本量在100200之间比较合适。 2022-3-278变量数量u选择多个指标表示潜在因子具有统计上和概念上的优势u一般以34个指标表示1个因子比较
3、合适u当因子互相关联的时候，可以减至2个2022-3-279前期工作u可信度检验SPSS中完成u效度检验u缺省值处理SPSS中完成2022-3-2710模型识别：概念1u当一个未知参数至少可以由观测变量的方差协方差矩阵中的一个或者多个元素的代表函数来表达，就称这个参数可识别的。如果模型中的参数都是识别参数，那么这个模型就是可识别的。 2022-3-2711模型识别：概念2u过度识别当一个模型中的参数都是识别的并且至少有一个是过度识别的，那么这个模型就是过度识别的 u恰好识别当一个模型中的参数都是识别的并且没有一个是过度识别的，那么这个模型就是恰好识别的 u不可识别模型中至少有一个不可识别的参数
4、 2022-3-2712模型识别：不可识别的原因u模型能否识别并不是样本的问题 u原因：1、自由度少 2、因子之间的相互作用，即双向作用 2022-3-2713模型识别：判断方法u数据点的数目不能少于自由参数的数目。数据点的数目就是观测变量的方差和协方差的数目。自由参数的数目特指待定的因子载荷、通径系数、潜在变量和误差项的方差、潜在变量之间与误差项之间的协方差的总数 u必须为模型中的每一个潜在变量建立一个测量尺度。将潜在变量的方差设定为1；将潜在变量的观测标识中任何的一个因子负载设定为一个常数，通常为1 2022-3-2714模型识别：预防措施u预防不可识别的模型主要是有关参数的设定，尽量减少
5、自由参数的数目，让模型简约。当模型中的变量之间有循环或是双向关系，那么这个模型就是非递归的，一般是不可识别的。 2022-3-2715模型估计：方法选择1u最大似然估计和最小二乘估计u假定：观测变量是连续变量，具有多元正态分布。u即使是在大样本的情况下，观测变量的偏态性，尤其是在很高的峰度下，会导致很差的估计以及不正确的标准误和偏高的卡方值。 2022-3-2716模型估计：方法选择2u对偏态分布的变量进行转换；u去除奇异值；u采用加权最小二乘法 2022-3-2717模型评价：不适合的参数估计u误差项有负方差u标准化的相关系数大于或者接近于1u某一相关系数有很大的标准差2022-3-2718
6、模型评价：解决办法u模型是否可以识别u将误差项固定在很小的正值u减少结构2022-3-2719模型评价：3个方面u绝对指标u相对指标u简约性2022-3-2720模型评价：绝对指标u从设定模型的拟合和独立模型拟合之间的比较得出的 u卡方值与自由度的比值：13之间（p0.05）uGFI：0.9uAGFI：0.9uRMSEA：0.082022-3-2721模型评价：相对指标u设定模型和特定模型的比较u规范拟合指数（NFI）：设定模型和独立模型的卡方值的比较（不能控制自由度，在小样本的时候低估） uIFI：对NFI的修正 u比较拟合指数CFI：设定模型和独立模型的卡方值的比较，非中心的卡方分布 20
7、22-3-2722模型评价：简约性u阿凯克信指数 AICu模型的比较2022-3-2723模型比较u嵌套模型的比较u非嵌套模型的比较2022-3-2724模型比较：嵌套模型u嵌套关系：在两个模型中，其中一个模型是在另一个模型的基础上加一定的限制得到的，一个模型的自由度是另外一个模型的子集u似然比较检验：通过两个模型拟合优度的卡方检验值的差值和自由度的差值得到的新的卡方值和自由度u结果显著：模型中的变化并不是改善2022-3-2725模型比较：非嵌套模型u阿凯克信指数 AICu一致性阿凯克信指数CAICu期望交叉证实指数 ECVIu这些值的数值越小，就说明模型简约并拟合的很好，但是这些指标都不是统计值，因此没有统计检验来确认两个模型之间的差异是否显著。在应用时，先估计每个模型，将它们按其中一个指标进行比较，然后选择其中值最小的模型。 2022-3-2726模型修正u改变测量模型，增加新的结构参数 u设定某些误差项相关 u限制某些结构参数2022-3-2727实际使用uAMOS Graphic图形：所见即所得uAMOS Basic编程2022-3-2728谢谢！u欢迎提问！
