失眠网 > 结构方程模型建模思路及Amos操作——初步建模篇

结构方程模型建模思路及Amos操作——初步建模篇

时间：2020-11-03 04:20:01

结构方程模型

建模思路及Amos操作

——初步建模篇

（多图）

书接上文，量表设计好以后就可以有计划地进行数据收集和初步建模了。接下来继续学习基本操作吧~

五、样本量确定

经验法则为每个预测变量用15个样本 (James Stevens, 1996)。

Bentler and Chou (1987) 提出样本数至少为估计参数的5倍(在服从正太，无遗漏变量值及极端值的情况下），否则要15倍的样本量。

Loehlin (1992)提出，一个有2至4个因素的模型，至少100个样本，200个更好，小样本容易导致收敛失败、不适当的解(违犯估计) 、低估参数值及错误的标准误等。

一般而言，大于200以上的样本，才可以称得上是一个中型的样本，若要追求稳定的SEM分析结果，受试样本量最好在200以上。

虽然SEM的分析以大样本数量较佳，但较新的统计检验方法允许SEM模型的估计可少于60个观察值（Tabachnick & Fidell,）。

讲真，样本量还是越大越好，除非你有正当理由说明你的样本量实在是特别非常之难收集的情况下，比如说敏感话题群体或者是某种稀少的患病人群，那么，最好还是400+，现在微信发问卷还是比较便捷快速的。

还有就是一般来说，如果题目越多那么样本数应该越大，如果一开始发现样本量不能太多，建议把indicator增加，以增加客观性。

六、选择参数估计方法

ML(极大似然法）：只有样本是大样本并且假设观察数据服从多元正太分布，卡方检验才可以合理使用，此时使用ML估计法最为合适。ML比ULS有效率，因为可以得到较小的标准误。

GLS（一般化最小平方法）：如果样本为大样本，但观察数据不服从多元正太分布，最好采用GLS估计法（周子敬，）。GLS和ULS均是全信息估计方法，但是ULS需要所需的观察尺度相同。GLS是WLS(ADF)的一条分支。

IV法（工具性变量法）、TSLS法（两阶段最小平方法）属于快速、非递归、有限信息技术的估计方法。

WLS法和DWLS法不像GLS法与ML法，受到数据须符合多元正太的假定限制，但为了使估计结果可以收敛，WLS法和DWLS法的运算需要非常大的样本量，一般在1000+。当数据非正太，无法使用ML法和GLS法估计参数时，才考虑WLS、DWLS法（Diamantopoulos& Siguaw,2000）。

贝叶斯估计：ML法较不适用于小样本，小样本使用贝叶斯估计（P27），贝叶斯估计需要在分析属性中选取估计平均数和截距。

ADF法：下图是Amos的估计，里面的ML估计是default，当样本量超过1000时，并且资料不服从正太分布时，可以选择标红的Asymptotically distribution-free

只有三种情况才需要选择估计均值和截距（estimate means and intercepts）:1.资料有缺失值；2.资料为时序型资料；3.进行anova分析或者manova分析。

七、开始数据分析

（以某个实操为例）

这次实例中使用的是2分类变量，如果条件允许的话一定要尽量避免使用这一类数据，因为效果不会太理想。

第一步：采用的是item parcel的方法，把好几个问题打包成为一个问题，这里还是很艰难，因为类似于5个原始问卷的题目才能凑成一个有用的SEM 题目，所以问卷的题量很不够用。所以一些维度肯定不服从正太了，这里就不能用ML进行分析了。

第二步：进行建模构建

这里强调，希望大家不要随意建模，当然探索性是鼓励的，最好还是要有前人的研究基础，有理论基础，证明你这样建立是有原因的，是可靠的，有依据的。本次根据作者的研究，采用了社会认知理论，见下图，只有三个变量，是最简单的了，也想用复杂一点、炫酷一点的模型，但是数据质量太差，不允许，刚好，样本里面的问卷也可以和社会认知理论进行一个很好的契合。

第三步：数据处理

因为此次样本量很大，所以可以把缺失值都给删了。

第四步：跑AMOS

打开amos，双击打开

导入数据

按照理论和问卷数量，设计模型，一个小方格代表一个问题。

导入问题

给潜变量命名，双击中间那三个圆圈就可以了，在variable name那里分别输入环境、主体和行为意图。

给残差命名，选择plugins-name unobserved variables，就可以一次性给残差命名啦。

命名完成以后，长这样，e1到e10自动命名的

给“主体”和“行为意图”添加unique variable，见下图，点击这个按钮，然后在“主体”变量和“行为意图”变量上各点击一次，再进行残差命名哈。

完成以后长这样，完整的模型就构建成功啦。