amos模型修正.ppt

模型修正 近似误差的平方根 RMSEA 近似误差的平方根 rootmeansquareerrorofapproximation 习惯上 RMSEA取值小于0 05 表明相对于自由度模型拟合了数据 另外 建议在90 的置信度下 如果RMSEA取值小于0 08 则可认为近似误差是合理的 或者说在置信水平0 01下不能拒绝这一假设 RMSEA评价指标近年来越来越受到重视 数据与观测变量 这是以预测变量的标准差及相关系数读入 Amos会自动将之转换为协方差矩阵 以便进一步分析 所建立的模型A如图所示 执行之后 所产生的输出报表如下 模型A 模型A输出报表 ChiSquare 71 544 P 0 000 应拒绝此模型 同时 RMSEA 0 11 0 05 换句话说 此模型不能配合数据 因此我们必须加以修正 我们修正的目标是 ChiSquare减少 p值增加 在Amos中 点选View AnalysisProperties 在对话框中点选Output 并勾选修正指标 执行后 产生的修正指标如下 ParChange是指当模型改变时 对应变量间关系的变化情况 从上表中 可看到M I 值 其中以40 91为最大 这是指 如果建立eps1与eps3的关联 将使ChiSquare减少40 91 如前述 使减少增加 是我们修正模型的主要目标 M I 的含义 基于以上的了解 我们可以再建立一个模型 称为模型B 模型B的输出报表如下 我们可以看出 ChiSquare 6 383 比原先的模型A减少了65 16 Probabilitylevel 0 271已经不在拒绝区域之内 同时 RMSEA 0 02 0 05 所以我们可以了解 经过修正之后的模型B是合理的可用于分析的模型 同时 在修正指标的输出报表中 M I ParChange也没有数据显示 表示没有再调整的必要 值得提醒的是 我们在建立eps1与eps3的关联时 会使ChiSquare大幅减少 这是统计上的意义 在理论上 实物上要注意此二者的关系是合乎逻辑的 现在我们再举一个 不顺的例子 说明如何以M I 来逐步判断模型拟合度的情形 点击Analyze CalculateEstimates Amos提出警告 点击Proceedwiththeanalysis 之后如图所示 在输出的系数值方面 ChiSquare为956 207 p 0 0000 05 更证实了模型与数据拟合度非常低 在ModificationIndices中 我们看到M i 值最大的是225 06 这是指 如果建立e6与e7的关联 将使ChiSquare减少225 06 在输出的报表中 M I 值最大的是e8与服务质量的关系29 5 但是要注意的是我们不能在误差与潜在变量之间建立关系 因为如果在其建立关系就会违反SEM假设 残差与现在变量无关 所以要选第二大的数据 我们如果建立e4与e11之间的关系 将使ChiSquare减少15 95 我们在e6和e7之间建立关系之后 所得到的的输出如下 RMSEA 0 11 显然有进步 但是仍然 0 05 在e4与e11建立关系后 所输出的报表如下 RMSEA仍然维持在0 11