结构方程模型基础知识
结构方程这几年热度不减，有必要研究一下它的R语言实现过程，今天先复习一下结构方程的相关理论，参考吉林大学余翠林的ppt
一、为什么使用SEM?
1、回归分析有几方面的限制：
（1）不允许有多个因变量或输出变量
（2）中间变量不能包含在与预测因子一样的单一模型中
（3）预测因子假设为没有测量误差
（4）预测因子间的多重共线性会妨碍结果解释
（5）结构方程模型不受这些方面的限制
2、SEM的优点：
（1）SEM程序同时提供总体模型检验和独立参数估计检验；
（2）回归系数，均值和方差同时被比较，即使多个组间交叉；
（3）验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；
（4）拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。
3、结构方程模型最为显著的两个特点是：
（1）评价多维的和相互关联的关系；
（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。
同时具有联系信息技术吸纳能力：
SEM能够反映模型中要素之间的相互影响；
吸纳能力概念作为一个重要的模型要素，难以直接度量，结构方程模型技术能够更为充分地体现其蕴含的要素信息和影响作用。
二、SEM的基本思想与方法
SEM是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，实际上是一般线性模型的拓展，包括因子模型与结构模型，体现了传统路径分析与因子分析的完美结合。SEM一般使用最大似然法估计模型(Maxi-Likeliheod，ML) 分析结构方程的路径系数等估计值，因为ML法使得研究者能够基于数据分析的结果对模型进行修正。
1、SEM术语
（1）观测变量可直接测量的变量，通常是指标
（2）潜变量潜变量亦称隐变量，是无法直接观测并测量的变量。潜变量需要通过设计若干指标间接加以测量。
（3）外生变量是指那些在模型或系统中，只起解释变量作用的变量。它们在模型或系统中，只影响其他变量，而不受其他变量的影响。在路径图中，只有指向其他变量的箭头，没有箭头指向它的变量均为外生变量。
（4）内生变量是指那些在模型或系统中，受模型或系统中其它变量包括外生变量和内生变量影响的变量，即在路径图中，有箭头指向它的变量。它们也可以影响其它变量。
2、结构方程模型示意图
观测变量通常用长方形或方形表示,外生观测变量用x表示，内生观测变量用y 表示。潜变量用椭圆或圆形表示，外生潜变量通常用ξ表示，内生潜变量通常用η表示。δ外生观测变量x的误差；ε内生观测变量y的误差。
3、结构方程
结构方程模型通常包括三个矩阵方程式:
Λx—外生观测变量与外生潜变量直接的关系，是外生观测变量在外生潜变量上的因子载荷矩阵；
Λy—内生观测变量与内生潜变量之间的关系，是内生观测变量在内生潜变量上的因子载荷矩阵；
В—路径系数，表示内生潜变量间的关系；
Г—路径系数，表示外生潜变量对内生潜变量的影响；
ζ—结构方程的残差项，反映了”在方程中未能被解释的部分。
三、结构方程模型的四大步骤
1、模型构建
构建研究模型，具体包括：观测变量（指标）与潜变量（因子）的关系，各潜变量之间的相互关系等
2、模型拟合
对模型求解，其中主要是模型参数的估计，求得参数使模型隐含的协方差距阵与样本协方差距阵的“差距”最小
3、模型评价
检查1）路径系数/载荷系数的显著性；2）各参数与预设模型的关系是否合理；3）各拟合指数是否通过
4、模型修正
模型扩展（使用修正指数）或模型限制（使用临界比率）
四、具体过程
1、数据准备
样本量：一般认为样本数最少应在100以上才适合使用最大似然估计法（MLE）来估计结构方程（侯杰泰，2004），但样本数过大（如超过400到500时），MLE会变得过度敏感，容易使所有的拟合度指标检验都出现拟合不佳的结果（侯杰泰，2004）。
缺失数据处理：列删除法、配对删除法、插补法
2、一般应用SEM的论文中的数据分析
（1）.信度、效度检验
信度Cronbach’s >0.7
效度验证性因子分析
（2）. 评估模型拟合度
即
估算每一个因子的载荷量
标准化因子载荷，反映了观测变量影响潜在变量的部分差异，用于表示观测变量与潜变量之间的相对重要程度。
检查每一个单一因子的测量模型对问卷数据的拟合度
检查整个模型对问卷数据的拟合度
估算潜变量之间的关系
五、SEM的主要拟合度指标
1、基本拟合标准
基本拟合标准是用来检验模型的误差以及误输入等问题。
主要包括：
（1）不能有负的测量误差；
（2）测量误差必须达到显著性水平；
（3）因子载荷必须介于0.5-0.95之间；
（4）不能有很大的标准误差。
2、模型内在结构拟合度
模型的内在结构拟合度是用来评价模型内估计参数的显著程度、各指标及潜在变量的信度。
主要包括：
（1）潜变量的组成信度（CR），0.7以上表明组成信度较好；
潜变量的CR值是其所有观测变量的信度的组合，该指标用来分析潜变量的各观测变量间的一致性
（2）平均提炼方差(AVE)，0.5以上为可以接受的水平。
AVE用于估计测量模型的聚合效度，反映了潜变量的各观测变量对该潜变量的平均差异解释力，即潜变量的各观测变量与测量误差相比在多大程度上捕捉到了该潜变量的变化。
3、整体模型拟合度
整体模型拟合度是用来评价模型与数据的拟合程度。
主要包括：
（1）绝对拟合度，用来确定模型可以预测协方差阵和相关矩阵的程度；
（2）简约拟合度，用来评价模型的简约程度；
（3）增值拟合度，理论模型与虚无模型的比较。
包括
（1）χ2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，数据拟合不好的模型被拒绝。
（2）RMR 是残差均方根。RMR 是样本方差和协方差减去对应估计的方差和
协方差的平方和，再取平均值的平方根。RMR应该小于0.08，RMR越小，拟
合越好。
（3）RMSEA 是近似误差均方根RMSEA应该小于0.06，越小越好。
GFI 是拟合优度指数，范围在0和1间，但理论上能产生没有意义的负数。按
照约定，要接受模型，GFI 应该等于或大于0.90。
（4）PGFI 是简效拟合优度指数。它是简效比率(PRATIO，独立模式的自由度
与内定模式的自由度的比率)乘以GFI。PGFI 应该等于或大于0.90，越接近1越好。
（5）PNFI 是简效拟合优度指数，等于PRATIO乘以NFI。PNFI应该等于或大于0.90，越接近1越好。
（6）NFI 是规范拟合指数，变化范围在0和1间，1 = 完全拟合。按照约定，NFI 小于0.90 表示需要重新设置模型。越接近1越好。
（7）TLI 是Tucker-Lewis 系数，也叫做Bentler-Bonett 非规范拟合指数(NNFI)。TLI接近1表示拟合良好。
（8）CFI 是比较拟合指数，其值位于0和1之间。CFI 接近1表示拟合非常好，其值大于0.90表示模型可接受,越接近1越好。
六模型修正
研究者可以参考察初始模型的显著性检验结果和软件（AMOS）提供的模型修正指标对模型进行修正。
(1)模型扩展添加新路径，提高模型的拟合度
修正指数(modification index)
整个模型改良时卡方值减少
(2)模型限制删除或限制部分路径，提高模型可识别性
临界比率(Critical ration for difference)
使结果更具有现实性和解释性
七、一个例子——消费者网上信任模型
结构方程模型及其应用
結 構方程程模型型及其應 新增資 應用 資料
目錄 內容 頁數 引言 2 I. 第9.1版的改動 3 - 4 II. 章節內的新增資料 第一章 5 第三章 6 – 8 第十二章 9 – 10 第十四章 11 – 17 III. 附录內的新增資料 19 1
引言 自2005，為方便普通話及廣東話的學生，修習香港中文大學我所任教的結構方程課程，我製做了一個含有2種方言的網上課程，其後我亦將整個課程放在個人網頁(https://www.wendangku.net/doc/2d12012645.html,)免費讓公眾使用。 網上課程更精簡地解釋重點，尤其是對本書最艱深的部份（第三、四章），幫助最大。學員先看綱上課程，再參考書本內容，必感事半功倍。 主要参考文獻： du Toit, S., du Toit, M., Mels, G., & Cheng, Y. (n.d.). LISREL for Windows: SIMPLIS syntax files. Lincolnwood, IL: Scientific Software International, Inc. (available https://www.wendangku.net/doc/2d12012645.html,/lisrel/techdocs/SIMPLISSyntax.pdf) J?reskog, K.G. & S?rbom, D. (1999). LISREL 8: User’s Reference Guide. Lincolnwood, IL: Scientific Software International, Inc. J?reskog, K.G. & S?rbom, D. (1999). Structural Equation Modeling with the SIMPLIS Command Language. Lincolnwood, IL: Scientific Software International, Inc. Scientific Software International (SSI) (2012). LISREL 9.1 Release Notes. Lincolnwood, IL: The Author. (available from https://www.wendangku.net/doc/2d12012645.html,/lisrel/LISREL_9.1_Release_Notes.pdf) 2
结构方程sem模型案例分析
结构方程SEM模型案例分析 什么是SEM模型? 结构方程模型（Structural equation modeling, SEM）是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内，SEM大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中. 顾客满意度就是顾客认为产品或服务是否达到或超过他的预期的一种感受。结构方程模型（SEM）就是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。如下图： 图: SEM模型的基本框架 在模型中包括两类变量：一类为观测变量，是可以通过访谈或其他方式调查得到的，用长方形表示；一类为结构变量，是无法直接观察的变量，又称为潜变量，用椭圆形表示。 各变量之间均存在一定的关系，这种关系是可以计算的。计算出来的值就叫参数，参数值的大小，意味着该指标对满意度的影响的大小，都是直接决定顾客购买与否的重要因素。如果能科学地测算出参数值，就可以找出影响顾客满意度的关键绩效因素，引导企业进行完善或者改进，达到快速提升顾客满意度的目的。 SEM的主要优势 第一，它可以立体、多层次的展现驱动力分析。这种多层次的因果关系更加符合真实的人类思维形式，而这是传统回归分析无法做到的。SEM根据不同属性的抽象程度将属性分成多层进行分析。 第二，SEM分析可以将无法直接测量的属性纳入分析，比方说消费者忠诚度。这样就可以将数据分析的范围加大，尤其适合一些比较抽象的归纳性的属性。 第三，SEM分析可以将各属性之间的因果关系量化，使它们能在同一个层面进行对比，同时也可以使用同一个模型对各细分市场或各竞争对手进行比较。
AMOS结构方程模型分析
A M O S结构方程模型分 析 文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]
Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。其中Variable Name对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。 3.配置数据文件，读入数据 File——Data Files——File Name——OK。 4.模型拟合 View——Analysis Properties——Estimation——Maximum Likelihood。 5.标准化系数 Analysis Properties——Output——Standardized Estimates——因子载荷标准化系数。 6.参数估计结果 Analyze——Calculate Estimates。红色框架部分是模型运算基本结果信息，点击View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看AMOS路径系数或载荷系数以及拟合指标评价。 路径系数/载荷系数的显着性 模型评价首先需要对路径系数或载荷系数进行统计显着性检验。 模型拟合指数 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。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。 指数名称评价标准1 绝对拟合指2 (卡方)越小越好
完整版Mplus结构方程模型步骤入门
1数据格式转换 因为Mplus只能打开ASCII格式的文件（.dat和.txt文件），所以常规的SPSS数据库的数据不能被读取，所以数据分析之前先要将sav格式另存为dat格式。另存为选项里有两类dat格式，一般可选用“以制表符分隔”，当数据量较大时，可选“固定ASCII格式”。这两类并没 有明显特异的使用条件。 2打开mplus程序，建立新文件，即点击"new”。当然，新打开Mplus程序也会默认这个
TITLE: example 3.2然后表明我们引用的数据库来自于哪里，也就是刚刚那个DAT文件。命令为： DATA: FILE IS C:\Users\dell\Desktop\MPLUS结构方程模型教程数据库.dat; 这里面需要注意的是：DATA: FILE IS （或者DATA: FILE=是固定句式，是必要的。之后 “C:\Users\dell\Desktop\MPLUS结构方程模型教程数据库.dat”这是DAT文件的保存路径。一般情况下，如果mplus语句文件和dat文件在同一个文件夹中，只需要DATA: FILE I黴据库.dat;但实际上很多情况下，两者即使在同一个文件中，也很可能读不出来，所以必要的话，可将该DAT文件的保存路径写全，这样肯定是没错的。 另外，一个命令结束后，必须必须加上“；”即英文格式下的分号（除外TITLE）° 3.3写出数据库中所有的变量名称以及本次分析需要的变量名称。这需要按照spss数据库中变量名称顺序来写。 VARIABLE: NAMES ARE a1 a2 a3 a4 a5 a6 a7 a8 a9 b1 b2 b3 b4 c1 c2 c3 c4; USEVARIABLES ARES ARE a1 a2 a3 a4 a5 a6 a7 a8 a9 b1 b2 b3 b4 c1 c2 c3 c4; 当然这是最基本繁琐的写法，可以直接写为： VARIABLE: NAMES ARE a1-a9 b1-b4 c1-c4; USEVARIABLES ARES ARE a1-a9 b1-b4 c1-c4; 不同变量间有空格。 因为我们本次分析需要纳入该数据库所有变量，所以上下两行变量是一样的，否则需要哪些 变量，在USEVARIABLE里面纳入哪些变量。 3.4分析方法 因为MPLUS中针对连续型变量的结构方程模型的默认分析方法是最小二乘法即ML，所以 如果使用的方法是这个，那么分析方法语句可以不写，当然也可以写，即ANALYSIS: ESTIMATOR = ML; 如果采用其他方法，需要写出来，例如ANALYSIS:ESTIMATOR = MLR;或者ANALYSIS: ESTIMATOR = WLSMV;
AMOS结构方程模型分析
Amos 模型设定操作 在使用 AMOS 进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图， 并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择对应的是数据的变量名，在残差变量上右键选择Object Properties为可测变量命名。其中 Object Properties为残差变量命名。 Variable Name
3.配置数据文件，读入数据 File—— Data Files—— File Name—— OK。 4.模型拟合 View—— Analysis Properties—— Estimation—— Maximum Likelihood 。 5.标准化系数 Analysis Properties—— Output—— Standardized Estimates——因子载荷标准化系数。
6.参数估计结果 Analyze—— Calculate Estimates。红色框架部分是模型运算基本结果信息，点击 View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看 AMOS 路径系数或载荷系数以及拟合指标评价。 路径系数 /载荷系数的显著性 模型评价首先需要对路径系数或载荷系数进行统计显著性检验。 模型拟合指数 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。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。
结构方程模型的应用及分析策略
结构方程模型的应用及分析策略 侯杰泰成子娟 (香港中文大学教育学院东北师范大学教育学院，130024) 摘要:差不多所有心理、教育、社会等概念，均难以直接准确测量，结构方程(SEM，Structural Equation Modelling)提供一个处理测量误差的方法，采用多个指标去反映潜在变量，也令估计整个模型因子间关系，较传统回归方法更为准确合理。本文主要用一系列有关学习动机的虚拟例子，指出每个问题的主要分析策略，以展示SEM在教育及心理学可以应用的研究范畴。文内探讨的方法包括：验证性因素、高阶因子、路径及因果分析、多时段(multiwave)设计、单形模型(Simple Model)、及多组比较等。 关键词结构方程验证性因素分析路径及因果分析高阶因子多组比较 结构方程(SEM,Structural Equation Modelling)、协方差结构模型(Covariance Structure Modelling、LISREL)等类似名词已渐流行，并成为一种十分重要的数据分析技巧；在大学高等学位研究课程，它是多变量分析(multivariate analysis)的重要课题；比较重要的社会、教育、心理期刊，也早已特开专栏介绍(如：候，1994；Connell & Tanaka,1987;Joreskog & Sorbom,1982)；可见SEM在统计学中所建立的声望及崇高地位是无容置疑的。本文主要用一系列有关学习动机的虚拟例子，来指出每个问题的主要分析策略，以展示结构方程模型在教育及心理学可以应用的研究范畴。 一、结构方程：优点及拟合概念 1.数学模式 很多社会、心理等变项，均不能准确地及直接地量度，这包括智力、社会阶层、学习动机等，我们只好退而求其次，用一些外项指标(observable indicators)，去反映这些潜伏变项。例如：我们以学生父母教育程度、父母职业及其收入(共六个变项)，作为学生家庭社经地位(潜伏变项)的指标，我们又以学生中、英、数三科成绩(外显变项)，作为学业成就(潜伏变项)的指标。 简单来说SEM可分测量(measurement)及潜伏变项(latent variable)两部分。测量部分就是求出六个社经指标与社经地位(或三科成绩与学业成就)(即外显指标与潜伏变项之间)的关系：而潜伏变项部分则指社经地位与学业成就(即潜伏变项与潜伏变项间)的关系。 指标(外显变项)含有随机(或系统)性的量度上误差，但潜伏变项则不含这些部份。SEM可用以下矩阵方程表示(Bollen,1989;Joreskog & Sorbom,1993)： η=βη+Γξ+ζ
结构方程模型案例
结构方程模型（Structural Equation Modeling，SEM) 20世纪——主流统计方法技术：因素分析回归分析 20世纪70年代：结构方程模型时代正式来临 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程（LV之间关系的方程，内部关系），以ACSI模型为例，具体形式如下：
结构方程模型的应用(基础篇)
本文由ｓｆｙｍｍ８８贡献 ｐｄｆ文档可能在ＷＡＰ端浏览体验不佳。建议您优先选择ＴＸＴ，或下载源文件到本机查看。 结构方程模型的应用 ——基础篇 董圣鸿 Ｅｍａｉｌ：ｓｈｄｏｎｇ＠ｓｉｎａ１００．ｃｏｍ 江西师范大学教育学院 一、结构方程模型的含义 一、结构方程模型的含义（续１） η ＝ Ｂη ＋ Γξ ＋ ζ 一、结构方程模型的含义（续２） ｘ ＝ Λ ｘξ ＋ δ 一、结构方程模型的含义（续３） ｙ ＝ Λ ｙη ＋ ε 二、结构方程模型的八个矩阵 三、结构方程模型分析的逻辑原理 三、结构方程模型分析的逻辑原理（续１） １００名学生在９个不同学科间的相关系数 三、结构方程模型分析的逻辑原理（续２） ９个不同学科间的相关系数的衍生矩阵 三、结构方程模型分析的逻辑原理（续３） 检查模型的准确性和简洁性 拟合优度指数（ｇｏｏｄｎｅｓｓ ｏｆ ｆｉｔ ｉｎｄｅｘ），简称为拟合指数、ＮＮＦＩ、 ＣＦＩ ｄｆ＝［不重复元素， ｐ（ｐ＋１）／２］ – ［估计参数］ 在前面例子 ｄｆ ＝９ ｘ １０／２ – ２１ ＝ ２４ 四、结构方程模型分析的步骤 确定理论模型 收集数据资料 获得协方差矩阵或相关矩阵 Ｌｉｓｒｅｌ分析的数据源 相关系数＝协方差／（标准差×标准差） 也可以从原始数据出发进行计算 构造路径图 将路径图的结构翻译为计算机语言，交给计算机运算 画路径图的方式 写命令程序的方式 五、绘制路径图的规则 五、绘制路径图的规则（续１） 五、绘制路径图的规则（续２） 六、绘制路径图进行分析的方法 例１： ２５．０７０４ ４ ｉｎｄｉｃｔｏｒｓ， １ Ｆａｃｔｏｒ １２．４３６３ ２８．２０２１ １１．７２５７ ９．２２８１ ２２．７３９０ ２０．７５１０ １１．９７３２ １２．０６９２ ２１．８７０７ 六、绘制路径图进行分析的方法 例２： ６ ｉｎｄｉｃｔｏｒｓ， ｕｎｃｏｒｒｅｌａｔｅｄ ２ Ｆａｃｔｏｒ （６Ｆ４．２） １００ ７３ １００ ７０ ６８ １００ ５８ ６１ ５７ １００ ４６ ４３ ４０ ３７ １００ ５６ ５２ ４８ ４１ ７２ １００ 七、写Ｌｉｓｒｅｌ程序进行分析的方法 Ｌｉｓｒｅｌ程序包含下面六类指令。在Ｌｉｓｒｅｌ程序 中，各类指令依下述次序编排： 标题指令句 输入格式（ＤＡｔａ） 一般分析格式 模型指令格式（Ｍｏｄｅｌ） 其他模型设定格式 输出格式 七、写Ｌｉｓｒｅｌ程序进行分析的方法（续１） 例１： Ａｎａｌｙｓｉｓ ｏｆ Ｒｅａｄｅｒ Ｒｅｌｉａｂｉｌｉｔｙ ｉｎ Ｅｓｓａｙ Ｓｃｏｒｉｎｇ Ｖｏｔａｗ＇ｓ Ｄａｔａ Ｃｏｎｇｅｎｅｒｉｃ ｍｏｄｅｌ ｅｓｔｉｍａｔｅｄ ｂｙ ＭＬ ＤＡ ＮＩ＝４ ＮＯ＝１２６ ＭＡ＝ＣＭ ＬＡ ＯＲＩＧＰＲＴ１ ＷＲＩＴＣＯＰＹ ＣＡＲＢＣＯＰＹ ＯＲＩＧＰＲＴ２ ＣＭ ２５．０７０４ １２．４３６３ ２８．２０２１ １１．７２５７ ９．２２８１ ２２．７３９０ ２０．７５１０ １１．９７３２ １２．０６９２ ２１．８７０７ ＭＯ ＮＸ＝４ ＮＫ＝１ ＬＸ＝ＦＲ ＰＨ＝ＳＴ ＬＫ Ｅｓａｙａｂｉｌ ＰＤ ＯＵ
《结构方程模型及其应用》
《结构方程模型及其应用》 内容简介 侯杰泰，香港中文大学教育心理系教授、系主任。主要研究方向为学习动机，应用统计和香港语文政策。曾多次在北京、上海、南京、长春、广州等地举办的地区或全国性结构方程分析研习班上讲学。 在社会、心理、教育、经济、管理、市场等研究的数据分析中，当今称得上前沿的几个统计方法中，应用最广、研究最多的恐怕非结构方程分析莫属。它包含了方差分析、回归分析、路径分析和因子分析，弥补了传统回归分析和因子分析的不足，可以分析多因多果的联系、潜变量的关系，还可以处理多水平数据和纵向数据，是非常重要的多元数据分析工具。 本书是国内第一本系统介绍结构方程模型和LISREL的著作。阐述了结构方程分析（包括验证性因子分析）的基本概念、统计原理、在社会科学研究中的应用、常用模型及其LISREL程序、输出结果的解释和模型评价。《结构方程模型及其应用》还讨论了一些与结构方程模型有关的专题，是一本由初级至中上程度的结构方程分析著作，可作为有关专业高年级本科生和研究生的教科书及应用工作者的参考书。 目录 序 第一部分结构方程模型入门 第一章引言
一、描述数据 二、具体例子展示准确与简洁的考虑 三、探索性与验证性因子分析比较 第二章结构方程模型简介 一、结构方程模型的重要性 二、结构方程模型的结构 三、结构方程模型的优点 四、结构方程模型包含的统计方法 五、路径图的图标规则 六、结构方程分析软件包 七、LISIREL操作入门 第二部分结构方程模型应用 第三章应用示范I：验证性因子分析和全模型 一、验证性因子分析 二、多质多法模型 三、全模型 四、高阶因子分析 第四章应用示范II：单纯形和多组模型 一、单纯形模型 二、多组验证性因子分析 三、多组分析：均值结构模型 四、回归模型
AMOS解释结构方程模型
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 。输出如下。蓝色字体用于注解，不是AMOS输出的一部分。 Title 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。 Notes for Group (Group number 1) The model is recursive. Sample size = 932 各组注释：它告诉你模型为递归模型，样本量为932。
结构方程模型的研究进展与应用
结构方程模型的研究进展与应用 结构方程模型是一种融合了因素分析和路径分析的多元统计技术，是社会科学研究中的一个非常好的方法，下面是搜集的一篇研究结构方程模型应用的，供大家阅读参考。 引言 从大量事件样本进行统计分析，由事件的表象获得本质性的事件规律，是科研人员特别是管理工作者常见的研究工作方法，也是很有效的科学研究方法。 统计分析方法众多，深浅不一，效果各异。对于复杂事件而言，其牵涉的层面复杂，影响和制约因子众多，这些影响或制约因子往往又非孤立，而是相互牵涉、相互影响。故需要剖析事件的内在层面结构关系，分析事件的影响显在因子，并构建一定的结构方程模型，进而挖掘出事件的影响潜在因子，综合分析并构建一个或若干个事件发展的判断指标，且设定某一程度的判断标准，判断事件的发展动态。这样的统计分析方法就是结构方程模型。结构方程模型因其优越性得到飞快的发展和广泛的应用。 1 结构方程模型的研究 1.1 基本概念、思想及本质阐述 人们对于结构方程模型(StructuralEquationModeling简称为 SEM)的概念的阐述也是 变化的，有从含糊到明确、由片面到全面、由肤浅到不断深入、由定格到扩充和发展的过程。 20 世纪二三十年代，结构方程模型思想刚刚起源、萌芽时，起初确定为由 Sewll Wright[1]最初提出了路径分析的概念，这种路径分析当时还没有定义为结构方程模型。 之后的数十年中，对于路径分析的方法和内涵不断扩充与展开。直到 20 世纪 70 年代， 一些学者以 Joreskog 和 Wiley 为代表，将因子分析和路径分析等统计方法加以整合，明 确提出结构方程模型的概念[2],结构方程模型的概念明确提出后，立即得到迅猛发展，内 容进一步充实，方法扩充，针对实际研究对象的具体模式不断涌现，应用的范围迅速扩展。早期的结构方程模型跟数学中的数理统计方法不是很融合，结合不大，也没有注重数理统计方法的重要性和运用的实效性。结构方程模型所包含的内容也很少，结构较为简单，方法较为单一，所列出的影响因子较少，全为显性因子，对于潜在因子的重视和提出要求是在 21 世纪初的事情了。 进入 21 世纪后，人们对于结构方程模型的内在本质进一步明确，对其内涵进一步加 以扩充，其模型结构图的构建越来越复杂，因子越列越多，潜在因子被明确提出并作为结构方程模型必须要求的内容。如今明确阐述结构方程模型为当代行为和社会领域量化研究
结构方程模型案例汇总-共18页
结构方程模型( Structural Equation ，SEM) Modeling 20 世纪——主流统计方法技术：因素分析回归分析 20 世纪70 年代：结构方程模型时代正式来临结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/ 因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程
AMOS结构方程模型修正经典案例
AMOS结构方程模型修正经典案例 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2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 设计的结构路径图基本路径假设 超市形象 顾客抱怨质量期望 感知价值 顾客满意 质量感知 顾客忠诚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路径影响 超市形象对顾客忠诚有路径影响 2.1 、顾客满意模型中各因素的具体范畴 1本案例是在Amos7 中完成的。 2见 spss数据文件“处理后的数据 .sav”。
最新★结构方程模型要点资料
★结构方程模型要点 一、结构方程模型的模型构成 1、变量 观测变量：能够观测到的变量(路径图中以长方形表示) 潜在变量：难以直接观测到的抽象概念，由观测变量推估出来的变量（路径图中以椭圆形表示） 内生变量：模型总会受到任何一个其他变量影响的变量（因变量；路径图会受 外生变量：模型中不受任何其他变量影响但影响其他变量的变量（自变量；路 中介变量：当内生变量同时做因变量和自变量时，表示该变量不仅被其他变量影响，还可能对其他变量产生影响。 内生潜在变量：潜变量作为内生变量 内生观测变量：内生潜在变量的观测变量 外生潜在变量：潜变量作为外生变量 外生观测变量：外生潜在变量的观测变量 中介潜变量：潜变量作为中介变量 中介观测变量：中介潜在变量的观测变量 2、参数（“未知”和“估计”） 潜在变量自身：总体的平均数或方差 变量之间关系：因素载荷，路径系数，协方差 参数类型：自由参数、固定参数 自由参数：参数大小必须通过统计程序加以估计 固定参数：模型拟合过程中无须估计 （1）为潜在变量设定的测量尺度 ①将潜在变量下的各观测变量的残差项方差设置为1 ②将潜在变量下的各观测变量的因子负荷固定为1 （2）为提高模型识别度人为设定 限定参数：多样本间比较（半自由参数） 3、路径图 （1）含义：路径分析的最有用的一个工具，用图形形式表示变量之间的各种线性关系，包括直接的和间接的关系。 （2）常用记号： ①矩形框表示观测变量 ②圆或椭圆表示潜在变量 ③小的圆或椭圆，或无任何框，表示方程或测量的误差 单向箭头指向指标或观测变量，表示测量误差 单向箭头指向因子或潜在变量，表示内生变量未能被外生潜在变量解释的部分，是方程的误差 ④单向箭头连接的两个变量表示假定有因果关系，箭头由原因（外生）变量指向结果（内生）变量
amos结构方程模型分析
Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。其中Variable Name对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。
3.配置数据文件，读入数据 File——Data Files——File Name——OK。 4.模型拟合 View——Analysis Properties——Estimation——Maximum Likelihood。 5.标准化系数 Analysis Properties——Output——Standardized Estimates——因子载荷标准化系数。
6.参数估计结果 Analyze——Calculate Estimates。红色框架部分是模型运算基本结果信息，点击View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看AMOS路径系数或载荷系数以及拟合指标评价。 路径系数/载荷系数的显着性 模型评价首先需要对路径系数或载荷系数进行统计显着性检验。 模型拟合指数 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。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。
手把手教AMOS结构方程模型
宋锋华编辑制作——更多内容请访问“统计之都”
AMOS 的使用
?
第一部分: 介绍
o o o o
关于文挡 访问 AMOS 文挡 获得 AMOS 帮助 SEM 概述 SEM 术语 为什么使用 SEM? 合理的样本量 连续和正态内生变量 模型识别（识别方程） 完整数据或缺失数据的适当处理 模型规范和因果关系的理论基础 结构方程——多重回归关系的说明 使用 AG 绘制模型 将数据读入到 AMOS 中 选择 AMOS 分析选项和运行模型 评估整体模型拟合 绝对拟合检验 相对拟合检验 修改模型获得较好的拟合优度 浏览路径图 独立参数的显著性检验
?
第二部分 : SEM 基础
o o o
?
第三部分: SEM 假设
o o o o o
?
第四部分: 使用 AG 建立和检验模型
o o o o
?
第五部分: AMOS 输出解释
o o o o o o
?
第六部分:摘要：结论的实质性解释
1
第一部分:介绍
关于文档
SEM=Structural Equation Modeling Amos=Analysis of Moment Structures
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。
You must do it
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。最后连接服务器，通过双击位于 STATS 终端服务组中 AMOS 程序肖像登陆 AMOS。如何获得 ITS 计算机账号的细节，账号使用的变更，下载客 户端软件和配置指导可以在 General FAQ #30: Connecting to published statistical applications on the ITS Windows Terminal Server. 中找到。 3. 从 AMOS development website 网站下载免费 AMOS 学生版到个人计算机上。 如果模型比较小，免费演示版能充分满足需求。对大型模型，需要购买 AMOS 软件 或通过校园网络访问 ITS 共享的软件副本。特别是如果决定利用服务器访问其它程 序软件（例如，SAS，SPSS，HLM，Mplus 等等） ，后一项选择最有效。
文档
2
结构方程模型估计案例
结构方程模型估计案例 Prepared on 22 November 2020
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(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 、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。 表7-2 模型变量对应表 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”。
1什么是结构方程模型
1什么是结构方程模型？ 结构方程模型是应用线性方程表示观测变量与潜变量之间，以及潜在变量之间关系的一种多元统计方法，其实质是一种广义的一般线性模型。 ?結構方程模式(Structural Equation Models，簡稱SEM)，早期稱為線性結構方程模式(Linear Structural Relationships，簡稱LISREL)或稱為共變數結構分析(Covariance Structure Analysis)。 ?主要目的在於考驗潛在變項(Latent variables)與外顯變項(Manifest variable, 又稱觀察變項)之關係，此種關係猶如古典測驗理論中真分數(true score)與實得分數(observed score)之關係。它結合了因素分析(factor analysis)與路徑分析(path analysis)，包涵測量與結構模式。 ? 1.1介绍潜在变量与观察变量的概念 ?（1）很多社会、心理研究中所涉及到的变量，都不能准确、直接地测量，这种变量称为潜变量，如工作自主权、工作满意度等。 ?（2）这时，只能退而求其次，用一些外显指标，去间接测量这些潜变量。如用工作方式选择、工作目标调整作为工作自主权（潜变量）的指标，以目前工作满意度、工作兴趣、工作乐趣、工作厌恶程度（外显指标）作为工作满意度的指标。 ?（3）传统的统计分析方法不能妥善处理这些潜变量，而结构方程模型则能同时处理潜变量及其指标。 （4）书上第7页 观测变量：能够观测到的变量(路径图中以长方形表示) 潜在变量：难以直接观测到的抽象概念，由测量变量推估出来的变量（路 径图中以椭圆形表示） 内生变量：模型总会受到任何一个其他变量影响的变量（因变量；路径图 会受到任何一个其他变量以单箭头指涉的变量 外生变量：模型中不受任何其他变量影响但影响其他变量的变量（自变量； 路径图中会指向任何一个其他变量，但不受任何变量以单箭头指涉的变量） 中介变量：当内生变量同时做因变量和自变量时，表示该变量不仅被其他 变量影响，还可能对其他变量产生影响。 内生潜在变量：潜变量作为内生变量 外生观测变量：外生潜在变量的观测变量 外生潜在变量：潜变量作为外生变量 外生观测变量：外生潜在变量的观测变量 中介潜变量：潜变量作为中介变量 中介观测变量：中介潜在变量的观测变量 1.2介绍测量模型与结构模型的概念（书上第9页）
结构方程Amos操作Word案例
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 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 设计的结构路径图基本路径假设 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路径影响 超市形象对顾客忠诚有路径影响 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”。