889
AMOS的使用之輸出結果分析(4)
AMOS的使用之輸出結果分析
通過檢查AG 繪圖區域左邊能查看模型運行的是否成功。Wheaton 模型運行後考慮下列彈出的屏幕：
輸出的底部顯示卡方值為76.10 ，自由度為6。檢驗整體擬合的數據模型的統計檢驗。這個檢驗統計量檢驗數據的總體模型擬合，檢驗下的原假設是模型擬和數據，所以這個檢驗希望發現較小的，非顯著的卡方值。卡方模型擬合統計量的顯著性檢驗在下一部分描述。
評估整體擬合模型
到目前為止，看見的輸出結果都不包含統計顯著性檢驗。AMOS產生這樣的檢驗。它們存儲在數據表文件中。通過選擇View Table Output 工具能訪問這個輸出。
出現的表在窗體的左邊包含一欄輸出分類，窗體的右邊是空白區。當為呈現選擇一個特殊的輸出子集時，它在右邊的空間內出現。考慮輸出的Notes for Model 部分。
每 次AMOS分析完成後，應該總是檢查AMOS輸出的Notes for Model 部分，因為AMOS呈現這部分輸出中的大部分錯誤和告警信息。在上麵的輸出顯示中，AMOS報告取得最小值，沒有錯誤或告警。報告絕對模型擬合的卡方檢 驗，及自由度和概值。這些結果的解釋細節在下麵進一步的討論。
這部分輸出結果沒有錯誤或告警意味著進入下一個感興趣的輸出部分，Fit Measures，是安全的。
Fit Measures輸出包含五列。第一列顯示擬合測量的名稱。第二列為默認模式，包含AG路徑圖中定義的模型擬合統計量。
接 下來兩列為飽和模型和獨立模型，參考兩個基線或由AMOS作為部分分析自動擬合比較模型。飽和模型包含與可利用的自由度或輸入到分析中一樣多的參數估計。 這樣，飽和模型是由AMOS擬合限製最少的模型。相反，獨立模型是能被擬合的限製最多模型之一：它隻包含觀測變量方差的估計。換句話說，獨立模型假設觀測 變量間所有關係是零 。
絕對擬合檢驗
整體擬合模型的卡方檢驗在輸出窗口中用Discrepancy 表示。它的值是 76.102 帶6個自由度，如果模型擬合數據的原假設是真實的，偶爾獲得大的或較大卡方值，返回的概率小於 0.001。
自 由度為6表示模型過度識別的水平。由前麵的公式，有6個觀測變量，所以有 [6(6+1)]/2 = 21可利用的自由度。有6個殘差估計，3個因子方差，3條路徑係數和3個因子載荷共有15個估計參數。21個自由度-15個估計參數＝整體擬合模型的卡方 檢驗的6個可利用的自由度。
因為卡方檢驗的概值小於平常使用的0.05水平，應該拒絕模型擬合數據的原假設。這個結論對希望使用本例數據擬合模型的研究者來講不是一個好消息。
相對擬合檢驗
因 為絕對模型擬合的卡方檢驗對樣本量和輸入變量分布的非正態性敏感，研究者常常求助於各種描述擬合統計量評估整體擬合模型的數據。在這個框架中，模型可能在 一個絕對的基礎上被拒絕，然而研究者還是主張一個規定的模型以一定量勝過一些其它基本模型。換句話說，研究者在本文中做的爭論是他們選擇的模型實際上不如 一個基本模型，有代表性是獨立模型。然而，與其它模型相比，執行良好的簡約模型可能具有實質性的影響。
例如，塔克-劉易斯指數 (TLI) 和比較擬合指數(CFI) 把獨立模型的絕對擬合與定義模型的絕對擬合進行比較。兩個模型的整體擬合差距越大，這些描述統計量的值越大。
輸出窗口有一個單獨區域顯示過渡節儉調整擬合統計量（parsimony adjusted）。這些擬合統計量類似於多重回歸分析中的調整R2 ：過渡節儉擬合統計量用很多的估計參數和少量的剩餘自由度懲罰大模型。
擬 合輸出包含一大係列模型擬合統計量。都是設計為檢驗或描述整體模型擬合。研究者根據他或她偏愛來選擇報告的擬合統計量。常用的報告擬合統計量是卡方 (Discrepancy)，自由度 (DF), 概值(P), 塔克-劉易斯指數 (TLI), 和近似均方根誤差 (RMSEA)和置信區間的上下界。通過Tools, Macro 菜單也有標準殘差均方根(Standardized RMR)，但是重要的一點是擬合指數隻是比較數據時才可用 (它不會顯示包含缺失數據的數據)。
這些擬合統計量都有各種經驗法則存在。這 些經驗法則隨統計學家新公布的模擬研究而改變。它是各種擬合測量行為的更深一步的文檔。卡方檢驗是模型擬合的絕對檢驗：如果概值 (P) 低於0.05，模型被拒絕。其它擬合測量用於描述。Hu和Bentler (1999) 推薦RMSEA 值低於0.06 ，TLI值為0.95 或更高。因為這個模型的RMSEA是0.11，TLI是0.92，按照描述的擬合測量標準，模型擬合的不是很好。
Fit Measures表的最後一欄為宏（Macro ），包含Fit Measures表中由AMOS報告的各種擬合統計量對應的宏變量名。如果想顯示擬合指數作為AMOS路徑圖輸出的一部分，這些宏變量可以定義為路徑圖的 一部分。例如，使用CMIN 宏變量在路徑圖中顯示擬合模型的卡方 。通過從AMOS工具欄中選擇Title按鈕，宏變量可用於路徑圖的標題。
用於產生整體模型擬合的卡方檢驗的差異擬合函數的公式和描述模型擬合的統計量可以在AMOS手冊中找到，也可以在AMOS程序幫助文件中找到。
修正模型獲得較好的擬合優度
擬 合模型與原模型一樣是很少見的。有時要獲得較好的擬合模型，必須要修改模型。AMOS允許在總體模型擬合中對增加到模型的每個可能的路徑使用修正指數產生 期望減少的卡方。 需要輸出修正指數，在Analysis Properties窗口的Output項中選擇Modification Indices複選框。
View/Set
Analysis Properties
Output
Threshold for Modification Indices （修正指數門檻）允許指定卡方水平的改變需要包含在修正指數輸出中的路徑。預設值是4.00 ，因為稍微超過一個自由度卡方分布的臨界值3.84。增加一個參數估計應導致模型卡方至少減少3.84。修正指數出現在下麵。
所有可能的方差都被估計，所以在修正或修訂模型中沒有被估計的非模型方差。這樣，方差部分不包含模型修正信息。然而，合並到重新定義模型中的可能的回歸權重和協方差可能導致模型擬合卡方檢驗統計量的實質改變。
最大修正指數出現在殘差協方差的前四對中。例如，如果想用增加協方差辦法重新定義模型然後再擬合模型，e4 和 e6 的協方差為0.901。再擬合模型的整體擬合卡方檢驗應該大約是30.127 ，小於前一個模型的76.102。
在修正模型中允許四對誤差協方差被估計嗎？從修正模型指數結果的來看，答案是“可以的”，但在進一步處理前，重新考慮模型修正固有的概念是明智的。理解什麼時候基於修正指數的輸出修正模型是重要的。您是:
1.重新定義模型
2.基於樣本—因變量的結果重新定義模型
任 何時候重新定義或修改模型，都會在某種程度上間接地改變它的意義。在許多情況下， 界定模型的改變導致替選模型的真實含義的變更是微不足道或不重要，但在另一些情況下，從理論觀點來看界定模型預示模型的含義必須轉換。所以，思考被提議的 模型和詢問自己改變的模型是否與研究目的一直是非常重要的。
當修改模型時另一個考諒是重點考慮依靠經驗數據而不是理論數據幫助定義模型。基於經驗修正合並到最終模型越多，模型複製新樣本數據越少。為此，應該基於理論及經驗結果提出修正指數修改模型。
從實際考慮，值得一提的是隻有當完整數據輸入到程序中時，AMOS才提供輸出的修正指數。換句話說， 當AMOS使用缺失數據時不能獲得修正指數信息。
能 將這些原理用於當前例子的模型嗎？可以。檢查模型，能看見有兩種重複測量的手段：測量1967和1971年的無價值感和無力感。因為這些數據來自相同的研 究參與者，得出1967年無價值感和1971年無價值感有共享方差似乎是可信的，它不是由當前模型獲取的。類似地，也可以共享1967年無力感 和 1971年無力感方差，它也不是當前模型考慮的。
能關聯這兩組變量的殘差合並這些共享方差到模型中。要關聯殘差，返回AG窗口選擇由雙箭頭表示的Draw Covariances工具。
在1967年無價值感的誤差項e3和1971年無價值感的誤差項e5間拖動相關係數。對無力感殘差重複這個過程。
提示：通過使用形狀改變工具改變相關線條中曲線的大小
修正模型顯示如下。
當模型運行時AMOS 顯示這個結果：
包 含兩個相關殘差導致模型擬合卡方從76.1 到7.8實質性地下降。注意卡方檢驗的自由度從6個自由度降為4個自由度。有兩個自由度的改變，因為模型的每個參數估計消費了一個自由度；因為在修正模型 中包含兩個新參數 (兩個殘差相關係數)，新模型保留兩個較少的自由度。
由AMOS產生的模型擬合表現是如下：
4 個自由度的卡方7.817 在0.05水平下是不顯著的：它的p-值是0.099。 這一發現表明模型擬合接受Wheaton 等提取的總體樣本中數據。確鑿的證據由RMSEA擬合統計量提供——所獲得的0.032明顯地低於分界點0.06。類似地，0.993 的塔克-劉易斯指數是大大高於表示模型擬合滿意的極限值0.95。
一旦獲得擬合良好與理論上一致的模型，就可以解釋參數估計和每個參數估計的獨立顯著性檢驗。AMOS提供兩種方法檢驗參數估計。一種方法使用路徑圖輸出可視化參數估計，而另一個途徑使用類似包含總體模型擬合統計量的表格。
瀏覽路徑圖輸出
在AG窗口的頂端有個緊挨著向下箭頭的向上箭頭。
點擊向上箭頭使AMOS顯示參數估計。 非標準化和標準化估計可通過點擊適當的選項選擇。標準估計顯示在下麵的圖中。
點擊向下箭頭返回AG 畫麵，在這裏能修改現存模型然後再次運行它，或能打開一個新模型或預存的模型文件。當點擊向下箭頭時，下列參數顯示為輸出的一部分。
與每個路徑相關聯的值是標準化的回歸係數。這些值表示X改變一個標準差時Y 的改變量。(對應的非標準化係數表示X 改變一個單位時Y的改變量 )。
在 變量上部，AMOS也輸出表示因變量或中間變量的R2 。例如，Anomia67的是0.62。雖然在預設顯示中AMOS非常有序地將係數布置好，但移動特殊的參數估計以便出現較少的堆積和更容易解釋有時也是 必須的。在輸出圖中要移動參數，使用Move Parameter工具。
在 不需要的變量上選擇工具和移動鼠標直到變量出現紅色。然後在希望的地方點擊並拖動鼠標以便參數顯示的更適當。在現在的路徑圖中一個較好的選擇是潛變量 Alienation 1967的R2 為0 .39 。通常，它被SES到Alienation 1967的路徑覆蓋。通過路徑對象的右邊稍微拖動參數估計對象， 能看見0.39 沒有被阻擋。
AMOS的一個優良特征是它的高質量的繪圖輸出。複製它到剪貼板上，能得到這個輸出。然後把它插入到字處理器中，例如微軟Word 或PowerPoint。
模 型有幾個感興趣的特征值得注意。首先包含潛在（非觀測）變量和顯在（觀測）變量。其次，包括用單項箭頭表示潛在變量間的因果關係，和相關係數或幾個殘差間 雙向關係。雙向箭頭分別表示連接e3 ， e5和 e4 ， e6。如上討論，因為兩個無價值感和無力感測量是一樣的，是相同的研究參與者不同時間的測量。殘差間相關係數說明附加的共享方差。
獨立參數的顯著性檢驗
AMOS輸出也顯示非標準和標準回歸係數。非標準係數和相關檢驗統計量出現在下麵。非標準回歸係數表示自變量改變一個單位因變量或中間變量的改變量。例如，圖中數據顯示在SES中每增加1個單位， 1967年的疏離感下降-0.726。
這張表顯示非標準估計，標準誤 (簡寫為 S.E.), 和估計除以標準誤 (臨界比率，簡寫為 C.R. )。與檢驗是零的原假設關聯的概值顯示在P列。模型中的所有回歸係數在0.01水平下與零有顯著性差別。
標準估計允許評估結果變量對預測變量的相對貢獻。擬合模型的標準估計顯示如下。
在這個例子中標準和非標準係數沒有太大的差別，可能是因為單位是由調查測量項而來。相反，錄入到相同模型不同測量尺度的變量輸出的標準和非標準回歸係數有明顯的差別。
最後更新：2017-04-03 05:40:02