当前位置：文档库 › 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)。

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”。

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。

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。问卷内容包括7个潜变量因子，24项可测指标，

3正向的，采用Likert10级量度从“非常低”到“非常高”

本次调查共发放问卷500份，收回有效样本436份。

四、缺失值的处理

采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。

五、数据的的信度和效度检验

1．数据的信度检验

信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。

折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部一致性。在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。

图7-1 信度分析的选择

图7-2 信度分析变量及方法的选择

另外，7-4所示4。从表7-4可以看到，除顾客抱怨量表Cronbaca’s Alpha系数为0.255，比较低以外，其它分量表的Alpha系数均在0.7以上，且总量表的Cronbach’s Alpha系数达到了0.891，表明此量表的可靠性较高。由信度检验的结果可知顾客抱怨的测量指标的信度远低于0.7，因此在路径图中去掉顾客抱怨因子，即初始模型中包括6个潜变量、21个可测变量。

表7-4 潜变量的信度检验

质量期望 5 0.889

质量感知 5 0.862

感知价格 2 0.929

顾客满意 3 0.948

顾客抱怨 3 0.255

顾客忠诚 3 0.738

2．数据的效度检验

效度（validity）指测量工具能够正确测量出所要测量的特质的程度，分为内容效度（content validity）、效标效度（criterion validity）和结构效度（construct validity）三个主要类型。

内容效度也称表面效度或逻辑效度，是指测量目标与测量内容之间的适合性与相符性。对内容效度常采用逻辑分析与统计分析相结合的方法进行评价。逻辑

4操作过程同前，不同的是在图7-14中选入右边方框items中是相应潜变量对应的题目。如对超市形象潜变量，只需要把a1、a2和a3题目选入到右边方框items中即可。

分析一般由研究者或专家评判所选题项是否“看上去”符合测量的目的和要求。

准则效度又称效标效度、实证效度、统计效度、预测效度或标准关联效度，是指用不同的几种测量方式或不同的指标对同一变量进行测量，并将其中的一种方式作为准则（效标），用其他的方式或指标与这个准则作比较，如果其他方式或指标也有效，那么这个测量即具备效标效度。例如，X 是一个变量，我们使用1X 、2X 两种工具进行测量。如果使用1X 作为准则，并且1X 和2X 高度相关，我们就

说2X 也是具有很高的效度。当然，使用这种方法的关键在于作为准则的测量方式

或指标一定要是有效的，否则越比越差。现实中，我们评价效标效度的方法是相关分析或差异显著性检验，但是在调查问卷的效度分析中，选择一个合适的准则往往十分困难，也使这种方法的应用受到一定限制。

结构效度也称构想效度、建构效度或理论效度，是指测量工具反映概念和命题的内部结构的程度，也就是说如果问卷调查结果能够测量其理论特征，使调查结果与理论预期一致，就认为数据是具有结构效度的。它一般是通过测量结果与理论假设相比较来检验的。确定结构效度的基本步骤是，首先从某一理论出发，提出关于特质的假设，然后设计和编制测量并进行施测，最后对测量的结果采用相关分析或因子分析等方法进行分析，验证其与理论假设的相符程度。

在实际操作的过程中，前面两种效度（内容效度和准则效度）往往要求专家定性研究或具有公认的效标测量，因而难以实现的，而结构效度便于可以采用多种方法来实现：

第一种方法是通过模型系数评价结构效度。如果模型假设的潜变量之间的关系以及潜变量与可测变量之间的关系合理，非标准化系数应当具有显著的统计意

义。特别地，通过标准化系数5可以比较不同指标间的效度。从表7-17可以看出

在99%的置信度下所有非标准化系数具有统计显著性，这说明修正模型的整体结构效度较好。

第二种方法是通过相关系数评价结构效度。如果在理论模型中潜变量之间存在相关关系，可以通过潜变量的相关系数来评价结构效度：显著的相关系数说明理论模型假设成立，具有较好的结构效度。

第三种方法是先构建理论模型，通过验证性因子分析的模型拟合情况来对量表的结构效度进行考评。因此数据的效度检验就转化为结构方程模型评价中的模型拟合指数评价。对于本案例，从表7-16可知理论模型与数据拟合较好，结构效度较好。

六、结构方程模型建模

构建如图7.3的初始模型。

5关于标准化系数的解释见本章第五节。

图7-3 初始模型结构

图7-4 Amos Graphics 初始界面图

第二节 Amos 实现6

6 这部分的操作说明也可参看书上第七章第二节:Amos 实现。

一、Amos基本界面与工具

打开Amos Graphics，初始界面如图7-4。其中第一部分是建模区域，默认是竖版格式。如果要建立的模型在横向上占用较大空间，只需选择View菜单中的Interface Properties选项下的Landscape（如图7.5），即可将建模区域调整为横板格式。

图7-2中的第二部分是工具栏，用于模型的设定、运算与修正。相关工具的具体功能参见书后附录二。

图7-5 建模区域的版式调整

图7-6 建立潜变量

二、Amos模型设定操作

1．模型的绘制

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。相关软件操作如下：

第一步，使用建模区域绘制模型中的七个潜变量（如图7-6）。为了保持图形的美观，可以使用先绘制一个潜变量，再使用复制工具绘制其他潜变量，以保证潜变量大小一致。在潜变量上点击右键选择Object Properties，为潜变量命名（如图7-7）。绘制好的潜变量图形如图7-8。

第二步设置潜变量之间的关系。使用来设置变量间的因果关系，使用

来设置变量间的相关关系。绘制好的潜变量关系图如图7-9。

图7-7 潜变量命名

图7-8 命名后的潜变量

图7-9 设定潜变量关系

第三步为潜变量设置可测变量及相应的残差变量，可以使用绘制，也可

以使用和自行绘制（绘制结果如图7-10）。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一项对应的是数据中的变量名（如图7-11），在残差变量上右键选择Object Properties为残差变量命名。

最终绘制完成模型结果如图7-12。

图7-10 设定可测变量及残差变量

图7-11 可测变量指定与命名

图7-12 初始模型设置完成

2．数据文件的配置

Amos可以处理多种数据格式，如文本文档（*.txt），表格文档（*.xls、*.wk1），数据库文档（*.dbf、*.mdb），SPSS文档（*.sav）等。

为了配置数据文件，选择File菜单中的Data Files（如图7-13），出现如图7-14左边的对话框，然后点击File name按钮，出现如图7-14右边的对话框，找到需要读入的数据文件“处理后的数据.sav”,双击文件名或点击下面的“打开”按钮，最后点击图7-14左边的对话框中“ok”按钮，这样就读入数据了。

图7-13 数据配置

图7-14 数据读入

第三节模型拟合

一、参数估计方法选择

模型运算是使用软件进行模型参数估计的过程。Amos提供了多种模型运算方法供选择7。可以通过点击View菜单在Analysis Properties（或点击工具栏的

）中的Estimation项选择相应的估计方法。

本案例使用最大似然估计（Maximum Likelihood）进行模型运算，相关设置如图7-15。

图7-15 参数估计选择

二、标准化系数

如果不做选择，输出结果默认的路径系数（或载荷系数）没有经过标准化，7详细方法列表参见书后附录一。

称作非标准化系数。非标准化系数中存在依赖于有关变量的尺度单位，所以在比较路径系数（或载荷系数）时无法直接使用，因此需要进行标准化。在Analysis Properties 中的Output 项中选择Standardized Estimates 项（如图7-26），即可输出测量模型的因子载荷标准化系数如表7-5最后一列。

图7.16 标准化系数计算

标准化系数是将各变量原始分数转换为Z 分数8后得到的估计结果，用以度量变量间的相对变化水平。

因此不同变量间的标准化路径系数（或标准化载荷系数）可以直接比较。从表7-17最后一列中可以看出：受“质量期望”潜变量影响的是“质量感知”潜变量和“感知价格”潜变量；标准化路径系数分别为0.434和0.244，这说明“质量期望”潜变量对“质量感知”潜变量的影响程度大于其对“感知价格”潜变量的影响程度。

三、参数估计结果的展示

8Z 分数转换公式为：i i X X Z s -

-=。

图7-17 模型运算完成图

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。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（）查看参数估计结果图（图

7-18）。

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9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。

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10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。

表7-5 系数估计结果

未标准化路径系数标准化路径系

望<--- 象0.301 0.045 6.68 *** par_16 0.358

质量感

知<--- 质量期

望0.434 0.057 7.633 *** par_17 0.434

感知价

格<--- 质量期

望0.329 0.089 3.722 *** par_18 0.244

感知价

格<--- 质量感

知-0.121 0.082 -1.467 0.142 par_19 -0.089

感知价

格<--- 超市形

象-0.005 0.065 -0.07 0.944 par_20 -0.004

顾客满

意<--- 超市形

象0.912 0.043 21.389 *** par_21 0.878

顾客满

意<--- 感知价

格-0.029 0.028 -1.036 0.3 par_23 -0.032

顾客忠

诚<--- 超市形

象0.167 0.101 1.653 0.098 par_22 0.183

顾客忠

诚<--- 顾客满

意0.5 0.1 4.988 *** par_24 0.569

a111<--- 超市形 1 0.927

9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。

10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。

11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。

象

a2 <--- 超市形

象 1.008 0.036 27.991 *** par_1 0.899

a3 <--- 超市形

象0.701 0.048 14.667 *** par_2 0.629

a5 <--- 质量期

望 1 0.79

a4 <--- 质量期

望0.79 0.061 12.852 *** par_3 0.626

a6 <--- 质量期

望0.891 0.053 16.906 *** par_4 0.786

a7 <--- 质量期

望 1.159 0.059 19.628 *** par_5 0.891

a8 <--- 质量期

望 1.024 0.058 17.713 *** par_6 0.816

a10 <--- 质量感

知 1 0.768

a9 <--- 质量感

知 1.16 0.065 17.911 *** par_7 0.882

a11 <--- 质量感

知0.758 0.068 11.075 *** par_8 0.563

a12 <--- 质量感

知 1.101 0.069 15.973 *** par_9 0.784

a13 <--- 质量感

知0.983 0.067 14.777 *** par_10 0.732

a18 <--- 顾客满

意 1 0.886

a17 <--- 顾客满

意 1.039 0.034 30.171 *** par_11 0.939

a15 <--- 感知价

格 1 0.963

a14 <--- 感知价

格0.972 0.127 7.67 *** par_12 0.904

a16 <--- 顾客满

意 1.009 0.033 31.024 *** par_13 0.95

a24 <--- 顾客忠

诚 1 0.682

a23 <--- 顾客忠

诚 1.208 0.092 13.079 *** par_14 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

方差估计S.E. C.R.P Label 超市形象 3.5740.29911.958***par_25 z2 2.2080.2439.08***par_26

z1 2.060.2418.54***par_27

z3 4.4050.668 6.596***par_28

z40.8940.1078.352***par_29

z5 1.3730.214 6.404***par_30

e10.5840.0797.363***par_31

e20.8610.0939.288***par_32

e3 2.6750.19913.467***par_33

e5 1.5260.1311.733***par_34

e4 2.4590.18613.232***par_35

e6 1.2450.10511.799***par_36

e70.8870.1038.583***par_37

e8 1.3350.11911.228***par_38

e10 1.7590.15211.565***par_39

e90.9760.1227.976***par_40

e11 3.1380.23513.343***par_41

e12 1.9260.17111.272***par_42

e13 2.1280.17612.11***par_43

e18 1.0560.08911.832***par_44

e160.420.0528.007***par_45

e170.5540.0619.103***par_46

e150.3640.5910.6160.538par_47

e24 3.4130.29511.55***par_48

e22 3.3810.28112.051***par_49

e23 1.730.252 6.874***par_50

e140.9810.562 1.7450.081par_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

12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

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。

第四节模型修正14

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15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16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）17用于模型限制。

二、模型修正指标18

1. 修正指数（Modification Index）

13详细请参考Amos 6.0 User’s Guide 489项。

14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。

15如模型不可识别，或拟合指数结果很差。

16譬如可以删除初始模型中不存在显著意义的路径。

17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。

18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。

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

条路径），整个模型改良时将会减少的最小卡方值19。

使用修正指数修改模型时，原则上每次只修改一个参数，从最大值开始估算。但在实际中，也要考虑让该参数自由估计是否有理论根据。

若要使用修正指数，需要在Analysis Properties中的Output项选择Modification Indices项（如图7-19）。其后面的Threshold for Modification Indices 指的是输出的开始值20。

19即当模型释放某个模型参数时，卡方统计量的减少量将大于等于相应的修正指数值。

20只有修正指数值大于开始值的路径才会被输出，一般默认开始值为4。

图7-20 临界比率计算

2. 临界比率（Critical Ratio ）

临界比率用于模型限制，是计算模型中的每一对待估参数（路径系数或载荷系数）之差，并除以相应参数之差的标准差所构造出的统计量。在模型假设下，CR 统计量服从正态分布，所以可以根据CR 值判断两个待估参数间是否存在显著性差异。若两个待估参数间不存在显著性差异，则可以限定模型在估计时对这两个参数赋以相同的值。

若要使用临界比率，需要在Analysis Properties 中的Output 项选择Critical Ratio for Difference 项（如图7-20）。

三、案例修正

对本章所研究案例，初始模型运算结果如表7-8，各项拟合指数尚可。但从

模型参数的显著性检验（如

表7-5）中可发现可以看出，无论是关于感知价格的测量方程部分还是关于结构方程部分（除与质量期望的路径外），系数都是不显著的。关于感知价格的结构方程部分的平方复相关系数为0.048，非常小。另外，从实际的角度考虑，通过自身的感受，某超市商品价格同校内外其它主要超市的商品价格的差别不明显，因此，首先考虑将该因子在本文的结构方程模型中去除，并且增加质量期望和质量感知到顾客满意的路径。超市形象对顾客忠诚的路径先保留。修改的模型如图7-21。

表7-8 常用拟合指数计算结果

拟合指数卡方值(自CFI NFI IFI RMSEA AIC BCC

EVCI (180)

图7-21 修正的模型二

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

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：

Amos_验证性因子分析步步教程

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

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。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对四、缺失值的处理采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。五、数据的的信度和效度检验 1．数据的信度检验 4正向的，采用Likert10级量度从“非常低”到“非常高”

AMOS结构方程模型分析

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。

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。

AMOS操作

Amos软件操作 1.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Amos软件进行计算，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。 2.模型构建的思路根据构建的理论模型，通过设计问卷对留学生学习汉语的学习动机、学习策略和焦虑调查得到实际数据，然后利用对缺失值进行处理后的数据进行分析，并对文中提出的模型进行拟合、修正和解释。 3.潜变量和可测变量的设定模型中共包含2个因素(潜变量)：学习动机、学习策略，7个可测变量：融入型动机、工具型动机、焦虑、记忆策略、认知策略、情感策略和社交策略。 4.关于调查数据的收集本次问卷调研的对象为不同国家的留学生 5.缺失值的处理采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。数据的的信度和效度检验 1）．数据的信度检验信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。 Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表进行内部一致性估计。

Amos实现一、Amos模型设定操作 1．模型的绘制在使用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。相关软件操作如下：第一步，使用建模区域绘制模型中的2个潜变量。为了保持图形的美观，可以使用先绘制一个潜变量，再使用复制工具绘制其他潜变量，以保证潜变量大小一致。在潜变量上点击右键选择Object Properties，为潜变量命名。绘制好的潜变量图形。第二步设置潜变量之间的关系。使用来设置变量间的因果关系，使用来设置变量间的相关关系。绘制好的潜变量关系图。第三步为潜变量设置可测变量及相应的残差变量(一定要设置残差)，可以使用绘制，也可以使用和自行绘制。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一项对应的是数据中的变量名，在残差变量上右键选择Object Properties为残差变量命名。最终绘制完成模型结果。 2．数据文件的配置 Amos可以处理多种数据格式，如文本文档（*.txt），表格文档（*.xls、*.wk1），数据库文档（*.dbf、*.mdb），SPSS文档（*.sav）等。为了配置数据文件，选择File菜单中的Data Files，出现对话框，然后点击File name按钮，会再出现一个对话框，找到需要读入的数据文件“处理后的数据.sav”,双击文件名或点击下面的“打开”按钮，最后点击对话框中“ok”按钮就读入数据了。二、模型拟合 1.参数估计方法选择模型运算是使用软件进行模型参数估计的过程。Amos提供了多种模型运算方法供选择。可以通过点击View菜单在Analysis Properties（或点击工具栏的）中的Estimation项选择相应的估计方法。

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”。

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

amos结构方程模型分析

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。

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”。

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”。

结构方程模型(SEM)及其应用举例

结构方程模型（SEM）及其应用举例该分公司有三类业务：无线业务、宽带业务以及综合业务。围绕着这三类业务产品的销售，该通信分公司还提供了售前、售中和售后三个环节多方面的服务。结合该通信分公司的主要产品情况，从顾客满意度着手，重点分析并找出影响顾客满意的关键因素，从而为制定有效的顾客满意度提升方案提供数据支持。 1．设计满意度模型根据该公司的业务具体情况，设计出了顾客满意度模型，如下图：图:某通信分公司顾客满意度SEM模型上图显示，该公司重点要考察的是产品满意度和服务满意度对顾客满意度的影响。图中的Xn是待构建的测量指标，λ值表示各指标对上级指标的影响大小，ζn和δn表示误差，是受模型外因素影响的部分，如价格满意度等其他因素。结构方程模型 - 结构方程模型的优点（一）同时处理多个因变量结构方程分析可同时考虑并处理多个因变量。在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，仍是对每个因变量逐一计算。所以图表看似对多个因变量同时考虑，但在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。

（二）容许自变量和因变量含测量误差态度、行为等变量，往往含有误差，也不能简单地用单一指标测量。结构方程分析容许自变量和因变量均含测量误差。变量也可用多个指标测量。用传统方法计算的潜变量间相关系数，与用结构议程分析计算的潜变量间相关系数，可能相差很大。（三）同时估计因子结构和因子关系假设要了解潜变量之间的相关，每个潜变量者用我个指标或题目测量，一个常用的做法是对每个潜变量先用因子分析计算潜变量（即因子）与题目的关系（即因子负荷），进而得到因子得分，作为潜变量的观测值，然后再计算因子得分，作为潜变量之间的相关系数。这是两个独立的步骤。在结构方程中，这两步同时进行，即因子与题目之间的关系和因子与因子之间的关系同时考虑。（四）容许更大弹性的测量模型传统上，我们只容许每一题目（指标）从属于单一因子，但结构方程分析容许更加复杂的模型。例如，我们用英语书写的数学试题，去测量学生的数学能力，则测验得分（指标）既从属于数学因子，也从属于英语因子（因为得分也反映英语能力）。传统因子分析难以处理一个指标从属多个因子或者考虑高阶因子等有比较复杂的从属关系的模型。（五）估计整个模型的拟合程度在传统路径分析中，我们只估计每一路径（变量间关系）的强弱。在结构方程分析中，除了上述参数的估计外，我们还可以计算不同模型对同一个样本数据的整体拟合程度，从而判断哪一个模型更接近数据所呈现的关系。结构方程模型 - 三种分析方法对比线性相关分析 :线性相关分析指出两个随机变量之间的统计联系。两个变量地位平等，没有因变量和自变量之分。因此相关系数不能反映单指标与总体之间的因果关系。线性回归分析 :线性回归是比线性相关更复杂的方法，它在模型中定义了因变量和自变量。但它只能提供变量间的直接效应而不能显示可能存在的间接效应。而且会因为共线性的原因，导致出现单项指标与总体出现负相关等无法解释的数据分析结果。结构方程模型分析:结构方程模型是一种建立、估计和检验因果关系模型的方法。也可能包含无法直接观测的潜在变量。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.

IBM SPSS AMOS 结构方程模型教程

表

一、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。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对 1正向的，采用Likert10级量度从“非常低”到“非常高”

二、缺失值的处理采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。三、数据的的信度和效度检验 1．数据的信度检验信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部一致性。在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha 模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。图7-1 信度分析的选择

结构方程模型案例汇总

结构方程模型案例汇总 Last revised by LE LE in 2021

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着差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus.

结构方程模型估计案例

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。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 o 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（Euge ne W. An derson & 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 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。彳本案例是在Amos7中完成的。

超市形象对质量期望有超市、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 o 表7-2 模型变量对应表形象顾客期望顾客价值满意、顾客感知忠诚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

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H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。真：Object Properties 2.为潜变量设置可测变量及相应的残差变量使用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。 "J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 | Visitulity | Font size Font style Farajietcis | Colors | Fornat Text Variable label

File Edit View Dia^r^m A.n? lyz^ Taols Pkrginw Help New New wi th Template— Open,.. Retrieve Backup... Ctrl+S Gave As... Sa^e As Template,.. P K.st imat e Jieans :and int ercepnts 标准化系数 An alysis Properties---- Output ----- Sta ndardized Estimate—因子载荷标准化系数。 3. 险abj#rt Proom rrX Tmrt |Parsji?^6r3 Cclois || Fsntal | Visibility F^ozit size fon^ style 3 Rogulir □01 label 為t gfauLt A—— 耳3D旣响 Undo □a 配置数据文件，读入数据 File Data Files ---- File Name OK。 Save Ill D心td Fil亡父Ctrl+D 4. 模型拟合 View ----- An alysis Properties----- Estimati on Maximum Likelihood 钿Interne Properties.., HR Rrtjptrtie^■■“ Ctrl-hl Ctrl+A NumeriLcal Bias | Output Boot strap Peraurt at ions |R^iidoin #Title r+irun ■ 匸包lA khia/—I" Dmnqr+；a￡ Discr&pEuacy Est liRsrt: ion 5.

AMOS结构方程模型修正经典案例

结构方程sem模型案例分析

AMOS结构方程模型分析

结构方程模型案例

Amos_验证性因子分析步步教程

AMOS结构方程模型分析

AMOS解释结构方程模型

AMOS操作

结构方程模型案例汇总-共18页

最新★结构方程模型要点资料

AMOS结构方程模型修正经典案例

手把手教AMOS结构方程模型

amos结构方程模型分析

结构方程模型估计案例

结构方程Amos操作Word案例

结构方程模型(SEM)及其应用举例

IBM SPSS AMOS 结构方程模型教程

结构方程模型案例汇总

结构方程模型估计案例

AMOS-结构方程模型分析