结构方程模型与AMOS使用ppt课件.ppt

结构方程模型与AMOS使用StructuralEquationModel AnalysisofMomentStructures 什么是结构方程模型 是分析多个原因和多个结果之间关系 能处理潜在变量的多元统计方法 从而进行因果模型设定 模型参数估计和模型评价 内容路径分析探索性因子分析验证性因子分析结构方程模型分析 1 路径分析 X SocialeconomicalstatusofparentY1 MotivitioninterestY2 ReputationofuniversiyY3 Achievementofchildinuniversity 图15 3父母的社会经济地位对孩子今后大学学习成绩的影响 标准结构回归系数与确定系数R2 探索性因子分析 潜在因子 1表示了孩子的学习状况潜在因子 2表示了家长的知识水平 验证性因子分析 只需估计特定因子载荷 其余因子载荷均假定为0 因子之间的相关系数 2 验证性因子分析 结构方程模型 3 结构方程模型 包括单指标因子 结构方程模型的分析步骤 模型设定模型拟合模型评价模型修正模型解释 内容 路径分析探索性因子分析验证性因子分析结构方程模型分析AMOS使用 第一节路径分析 问题的引出路径分析的数学模型路径分析模型的基本要素路径分析的方法直接影响 间接影响和总体影响路径分析模型的可鉴别性和自由度非递归式模型路径分析在医学中的应用 一 问题的引出 多元线性回归 一组自变量如何影响一个因变量 当第一个变量影响第二个变量 而第二个变量又影响第三个变量 第一个变量就间接地影响第三个变量 二 路径分析的数学模型 变量之间的关系 直接 间接 全部 直接和间接 模型中的变量 有的变量不受模型内任何变量的影响 只影响其他变量有的变量既受其它变量影响 又影响其它变量 1 路径图 在进行路径分析之前 先根据变量之间可能存在的或理论上的各种线性关系 作出路径图 对于任意两个变量A和B 有四种可能的基本结构关系 递归式模型 A B A可能影响B 但反过来不影响A B B可能影响A 但反过来不影响A B A和B之间无假定的结构关系 但可能是相关联的 非递归式模型 AB A可能影响B B也可能影响A 2 变量之间的关系分为两类 独立变量与非独立变量之间的关系 回归系数用 表示 只有箭头出 非独立变量之间的关系 回归系数用 表示 箭头有进 或有进有出 3 路径分析模型 i ij和 j是待估的回归系数 i是残差 表示了变量yi的随机误差或模型外的其它变量对yi的总体影响 外来变量和内在变量 外来变量 也称外生变量 exogenous 只受模型以外其它变量影响 外来变量中的观察变量也称为独立变量 用x表示 误差变量也是外来变量 仅有朝外的箭头 内在变量 也称内生变量 endogenous 受模型内部变量影响的变量 一定有朝内的箭头 但也有可能有朝外的箭头 路径分析的数学模型 矩阵 和 是路径分析模型中待估的结构系数矩阵 是残差项矩阵 将变量减去它的均值不会改变变量之间的线性关系 变换后消去常数项 4 路径分析的假设条件 所有y变量为服从多元正态分布的随机变量 所有x变量为固定变量 无度量误差 相互独立 所有残差变量是随机变量 服从均值为0 方差为常数的多元正态分布 每一个y变量的残差项之间独立 残差变量与x变量不相关 三 路径分析的计算方法 1 基本思想 给参数 一组初始估计值 计算出非独立变量y的预测值以及残差 令S是yi的实测值的方差协方差矩阵 是yi的预测值的方差协方差矩阵 如果S和 没有接近到一定程度 那么再给出参数的另一组估计值 直到满足精度要求为止 2 估计方法 最大似然估计法 maximumlikelihoodestimation 广义最小二乘法 generalizedleast squaresestimation 非加权最小二乘法 unweightedleast squaresestimation 1 最大似然估计法 要求可测变量为连续变量且服从多元正态分布 在大样本 n 200 情况下 该估计的分布近似正态分布 该估计不受量纲影响 S和 越接近 则最大似然函数FML越小 使得达到最小值的估计称为 的最大似然值估计 该方法稳健 是最常用的方法 是结构方程统计软件AMOS和LISREL LinearStructuralRelationship 的默认方法 2 广义最小二乘法 要求可测变量服从正态分布大样本情况下 与最大似然估计法的结果很接近 不受量纲影响 3 非加权最小二乘法 不要求可测变量总体服从正态分布 试图使 中的每个元素与S中对应的元素差距最小 受量纲影响不能对参数进行假设检验 3 计算标准化回归系数 将观察变量标准化用观察变量的相关系数矩阵用公式消除了量纲的影响 可以用来比较自变量对因变量的相对重要性 绝对值越大 对因变量的贡献越大 4 模型的整体检验 评价S和 的接近程度 等价于评价样本观察值与模型预测值的差异 方法很多 初学者可使用 2拟合优度检验法 评价每个结构方程的确定系数R2 5 例题 例15 2 为了研究父母的社会经济地位 x1 对孩子今后大学学习成绩的影响 y3 调查了4个变量 父母的社会经济地位 x1 孩子的学习动机与兴趣 y1 孩子所在学校的质量或声望 y2 孩子在大学学习成绩 y3 共调查3094名学生 SPSS数据文件 1 SPSS数据文件 2 该内容的计算不用 mean 非标准结构回归系数与方差 图15 3父母的社会经济地位对孩子今后大学学习成绩的影响 图15 3父母的社会经济地位对孩子今后大学学习成绩的影响 标准结构回归系数与确定系数R2 Amos17 0可以显示中文 图15 3父母的社会经济地位对孩子今后大学学习成绩的影响 EstimatesCriticalRatio临界比 SquaredMultipleCorrelations 结果解释 和线性回归分析一样 非标准系数估计值给出一个变量变化一个单位时 另一个单位变化的单位数 标准回归系数估计值给出了一个变量变化一个标准单位时 另一个变量变化的标准单位数 非标准系数有量纲单位 在同一个模型中不能相互比较大小 但可以作为实际意义的解释 标准系数无量纲单位 没有实际意义 但在同一个模型中可以相互比较大小 绝对值大的系数对应的变量之间的相关程度强于绝对值小的 本例说明学习动机y1和学校声誉y2对学习成绩y3的影响大于父母的社会地位x1 确定系数R2 父母的社会经济状况 学习动机兴趣和学校的知名度仅能解释子女大学学习成绩变异的10 四 直接影响 间接影响和总体影响 总体影响 直接影响 间接影响如变量x1对y3的总体影响的标准系数等于路径图中各通道的标准回归系数乘积之和 总体影响标准系数 x1 y3 0 05 0 11 0 19 0 11 0 17 0 20 0 28 0 20 0 13总体影响标准系数 y1 y3 0 19 0 17 0 20 0 22总体影响标准系数 y2 y3 0 20 总体影响标准系数 五 路径分析模型的可鉴别性和自由度 可鉴别性 模型是否有足够观察变量的方差和协方差信息去估计未知参数正好可鉴别的模型 有恰好合适的观察变量的方差和协方差矩阵信息 使所有未知参数的解都唯一 过分可鉴别的模型 有过多的观察变量的方差和协方差矩阵信息 使未知参数的方程组有不唯一的解 不足鉴别的模型 没有足够的观察变量的方差和协方差矩阵信息 使得模型中未知参数的方程组无解 可鉴别模型的必要条件 c表示模型中观察变量的方差协方差矩阵的信息 c k k 1 2 k表示模型中观察变量的个数 p表示模型中待估计的未知参数的个数 c p 可鉴别模型的必要条件c p 模型一定不可鉴别本例c 4 4 1 2 10 p 10 c p 自由度df c p 本例df c p 10 10 0当自由度为负数 模型一定不可鉴别 自由度大于或等于0 模型有可能被鉴别 也有可能不被鉴别 六 非递归式模型NonrecursiveModel AB A可能影响B B也可能影响A SPSS数据文件 七 路径分析在医学中的应用 路径分析的最大优点是可以发现间接影响问题可以解释一个因素如何通过另一个因素影响反应变量多元线性回归的缺点是要求自变量独立不存在因素之间的相互影响 第二节探索性因子分析 估计因子载荷确定潜在因子的个数解释潜在因子的实际意义计算因子得分每个潜在因子至少支配两个指标变量 但是某些特殊情况中 某个潜在因子只影响唯一一个指标变量 称之为单指标因子 两个因子的因子分析路径图 第三节验证性因子分析 确定性因子分析在探索性因子分析基础之上进行进一步分析潜在因子和指标之间已经确定的关系分析潜在因子之间的关联程度是结构方程模型分析的关键一步 一 验证性因子分析的基本原理 确定性因子分析在探索性因子分析的基础之上进行不需估计所有因子载荷只需估计特定因子载荷 其余因子载荷均假定为0例如 孩子的数学 x1 成绩 孩子的语文成绩 x2 父亲的学历 x3 和母亲的学历 x4 探索性因子分析路径图 潜在因子 1表示了孩子的学习状况潜在因子 2表示了家长的知识水平 验证性因子分析路径图 只需估计特定因子载荷 其余因子载荷均假定为0 因子之间的相关系数 二 验证性因子分析的数学模型 指标变量因子载荷潜在因子度量误差 假设条件 三 验证性因子分析模型的基本要素 因子载荷矩阵 潜在变量之间的方差协方差矩阵 误差项的方差协方差矩阵 四 潜在因子的尺度问题 任何一个观察变量都有尺度 scales 即有原点 origin 和单位 unit 解决潜在因子的单位问题有两个方法 假定所有潜在因子的方差为1 在每一个潜在因子所支配的几个观察变量中 选择一个作为参照变量 并假定该潜在因子对这个参照变量的影响是1 即参照变量在这个因子上的因子载荷是1 参照变量可以任选 也可以选择代表性最强的指标 五 验证性因子分析模型的可鉴别度和自由度 自由度df c p当自由度为负数时 模型一定是不可鉴别的 c p 模型可能是可鉴别的 也可能是不可鉴别的 六 验证性因子分析的方法步骤 未知参数的估计和检验计算标准因子载荷模型的总体评价模型的修正和再估计 七 应用举例 研究者调查了3094个学生的四个指标 x1是母亲的学历等级 1 6 x2是父亲的学历等级 1 6 x3是父母亲的工资收入等级 1 10 x4是学生的大学学分等级 1 4 x5是学生的毕业5年后的工资等级 1 4 试进行确定性因子分析 数据文件 家庭环境与学生表现 标准估计值 AmosOutput 参数估计 非标准估计值 标准估计值 潜在变量间的相关系数0 406 残差的方差 模型拟合 2 1 30 P 0 862 第四节结构方程模型 结构方程模型的基本原理 将因子分析引入路径分析中 路径分析的缺陷 独立观察观察变量没有度量误差 不易达到各结构方程的残差变量之间互不相关 要求严格分析停留在原始变量中 当观察变量较多 变量之间因果关系复杂时 不易正确分析 一 结构方程模型的组成 是含有潜在因子的路径分析模型 structuralequationmodel SEM 模型由两部分组成 1 测量模型 显示观察变量与潜在因子的关联 2 结构模型 显示潜在因子之间的关系验证性因子分析 只考虑因子间的相关结构方程模型 考虑因子间的因果关系 二 结构方程模型的可鉴别性和自由度 c表示模型中观察变量的方差协方差矩阵的信息 c k k 1 2 p表示模型中待估计的未知参数的个数 c p模型中所有的潜在因子都有度量单位单变量潜在因子无度量误差 三 结构方程模型分析的方法步骤 初始模型的确定未知参数的估计和检验计算结构方程模型的标准解结构方程模型的整体评价结构方程模型的修正和再估计 一 初始模型的确定 确定模型法 事先设计一个假定的理论模型选择模型法 事先设计若干个假定的理论模型 选出拟合数据最好的一个 导出模型法 将初始模型逐步修改 变成一个拟合数据最好的模型 常用 二 未知参数的估计和检验 最大似然估计法 MaximumLikelihood 三 结构方程模型的标准化解 在结构方程分析时 一般是用指标的协方差矩阵 得到的系数不是标准化系数 其大小依赖有关变量的尺度单位 标准化解指的是潜在变量标准化的解 四 结构方程模型的评价 参数检验模型的拟合程度评价模型的解释能力评价 1 参数检验 参数检验是模型评价的第一步 只有该检验通过 才能进行另外两项的评价 主要进行参数的假设检验和参数的合理性检验 参数的假设检验 与直线回归中的t检验一样 检验模型中的参数是否与0有差别 如果无统计学意义 可以从模型中剔除 参数的合理性检验 参数估计值有合理的实际意义 包括参数的符号是否符合理论假设 2 模型的拟合程度评价 评价指标很多 其中最重要的两个是 2检验 度量了样本的方差协方差与拟合的方差协方差之间的距离 样本的大小影响统计量的大小 模型的自由度与模型中未知参数的个数有关 希望P值越大越好 一般至少大于0 10 RMSEA指标 近似误差均方根 rootmeansquareerrorofapproximation 它可以用来度量在每一个自由度上模型与总体的近似程度和模型与数据的拟合程度 最大容许上限是0 08 3 模型解释能力的评价 可以根据测量方程和结构方程的决定系数大小 评价方程对数据的拟合程度 五 结构方程模型的修正和再估计 模型总体上很好地拟合了原始数据 主要拟合指标都满足要求所有因子载荷和结构系数的估计值在统计意义上不等于0 具有实际解释意义 正确的符号和数值大小 每一个潜在因子的结构方程以及观察变量的度量方程的确定系数R2应足够大 第五节AMOS的应用 AMOS的安装与主要菜单AMOS的操作与结果解释 一 AMOS的安装与主要菜单 AMOS AnalysisofMomentStructures AMOS4 0AMOS5 0AMOS7 0AMOS17 0 介绍 一 AMOS安装与运行 AMOS17 02安装方法 点击运行 NETFrameWork1 0点击运行 Amos17 02点击运行 Amos17 02crack 运行Amos17 02后 单击Cancel Yes 运行 Amos17 02crack 运行AmosGraphics AMOS界面 重新启动计算机会出现 原来没有 如何删除 控制面板 用户账户 出现一个陌生账户 单击 删除 删除账户 正常 二 AMOS的工具栏和主要菜单 1 Amos工具栏功能表 Amos工具栏功能表 续 详细内容 Help如 Touchupavariable 2 AMOS的主要菜单和对话框 Files DataFilesView Set AnalysisPropertiesView Set VariablesinDataset 1 DataFiles 调入数据 SPSS或Excel数据库 可以是原始数据样本例数 协方差或相关系数矩阵 2 AnalysisProperties 分析属性 选择要分析的内容 3 VariablesinDataset 变量清单 将观察变量拖拽到路径图中 AnalysisProperties中的Estimation窗口 默认 AnalysisProperties中的Output窗口 VariablesinDataset变量清单 可从以下文件目录打开练习文件 二 AMOS的操作与结果解释 路径分析确定性因子分析结构方程模型缺失数据 一 路径分析 例15 2 为了研究父母的社会经济地位 SES Socialeconomicalstatus 对孩子今后大学学习成绩的影响 调查了四个变量 父母的SES x1 孩子的学习动机与兴趣 y1 孩子所在学校的质量或声望 y2 孩子在大学学习成绩 y3 共调查3094名学生 SPSS数据文件 1 SPSS数据文件 2 该内容的计算不用 mean 非标准结构回归系数与方差 图15 3父母的社会经济地位对孩子今后大学学习成绩的影响 图15 3父母的社会经济地位对孩子今后大学学习成绩的影响 标准结构回归系数与确定系数R2 File New File DataFiles 单击 对每个数据文件建立1个目录 运算后自动生成的文件将保存在该目录下 便于文件管理 打开已经建立的SPSS文件 返回了DataFiles 可ViewData 也可直接单击OK关闭该窗口 绘制路径图 先绘制1个观察变量 然后复制另外3个 Duplicateobjects 可用Moveobject调整位置 绘制路径 添加残差项 单击方框1次 残差项右旋转90度 View Set VariablesinDataset 将变量拖拽到相应的路径图框中 调整框内字体 光标移至需要编辑处 单击右键 选择ObjectProperties 调整或编辑标签label 给残差项命名 光标移至需要编辑处 单击右键 选择ObjectProperties View Set AnalysisProperties Estimation Maximumlikelihood Output 选择了标准估计和R2 单击 算盘 图标 保留路径图 扩展名amw 单击图标显示路径回归系数 非标准系数 标准系数 调整回归系数的位置 查看输出结果的文本部分 输出结果的文本部分 将图形复制到粘贴板 可以显示中文吗 返回到Modelspecification 光标移至需要编辑处 单击右键 选择ObjectProperties 将变量标签 Motivationinterest 改为中文 编辑完毕后 将光标移至其他需要编辑之处 关闭ObjectProperties 再次运行 图15 3父母的社会经济地位对子女大学学习成绩的影响 二 验证性因子分析 研究者调查了3094个学生的四个指标 x1是母亲的学历等级 1 6 x2是父亲的学历等级 1 6 x3是父母亲的工资收入等级 1 10 x4是学生的大学学分等级 1 4 x5是学生的毕业5年后的工资等级 1 4 试进行确定性因子分析 数据文件 Example17 1 家庭环境与学生表现 标准估计值 1 绘制路径图 绘制椭圆后 单击3次 向右旋转270度 单击 复制 图标 向下拖拽 双箭头连线 将变量拖拽到相应方框中 命名潜在变量和残差项 将路径图的大小调整到合适 路径图的大小合适 单击 算盘 图标 运行 标准估计值 三 结构方程模型 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 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 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 使用1971年对应的两个量表的得分 SES 社会经济地位 由教育 上学年数 和SEI 邓肯的社会经济指数 确定 1 导入数据 Excel数据 SPSS数据文件也可直接用原始数据 AMOS界面 椭圆 潜在变量圆 残差方框 观察变量内生变量外生变量独立观察变量非独立观察变量 2 模型识别 在每个因子中选择一个载荷固定为1 或其他常数 简称固定载荷法或固定负荷法 Output选择 Modificationindices可提供修正模型方面的信息 如果有缺失值 则不能选择修正模型 如果有缺失值 在Estimation中 则必须要选择 Estimatemeansandintercepts 本例无缺失值 SelectEstimatemeansandintercepts acheckmarkappearsnexttoit Thiswillgiveyouanestimateoftheinterceptineachofthenineregressionequationsforpredictingthemeasuredvariables Maximumlikelihoodestimationwithmissingvaluesworksonlywhenyouestimatemeansandintercepts soyouhavetoestimatethemevenifyouarenotinterestedintheestimates 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运行分析 点击浏览文本按钮 浏览文本 解释 Groupnumber1是模型内定的模型名称 因为没有给模型取名 模型为递归模型 样本量为932 变量汇总 对模型中的变量作一些概括 内生观测变量 67无力感 67无价值感 71无力感 71无价值感 教育和SEI 内生非观测变量 67疏离感 71疏离感 外生非观测变量 各种误差和社会经济地位 注释 观测变量与非观测变量的区别 一个用方形表示 一个用椭圆表示 内生和外生的区别 箭头指向自己的就是内生 发送箭头的就是外生 注意区分测量模式和结构模式 变量计数 模型中的变量 变量总数为17 其中观测变量有6个 非观测变量有11个 外生变量有9个 内生变量有8个 模型的参数概括 固定系数11个 就是模型识别中固定的11个1 还有6个自由的系数 9个方差对应着前面外生非观测变量 用户定义的模型 的自由度计算 样本矩21 6 6 1 2 6为观察变量个数 15个参数是 模型中6个回归系数和9个被估计的方差 自由度为6 是样本矩与估计参数的差值 卡方拟合指数 这是所有软件都使用的最普通的拟和检验 AMOS和LISREL把它称为卡方统计量 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 H0是模型协方差阵等于样本协方差阵 如果模型拟合的好 卡方值应该较小 P值应大于0 10 卡方检验的问题是样本越大 越可能拒绝模型 越可能犯第一类错误 卡方拟和指数对违反多变量正态假设也非常敏感 样本量很小时 几乎不拒绝所有拟合较差的模型 而样本量很大时 又几乎拒绝所有拟合较优的模型 由卡方拟和指数的计算公式可以看出 卡方统计量 n 1 Fn是样本量 F是模型协方差阵和样本协方差阵的最小适配函数 从卡方统计量的计算中可以看出 如果适配函数减少的速度没有样本量增加的速度快 即使模型协方差阵与样本协方差阵拟和的很好 但样本量的增加也会导致拒绝原假设 这种拒绝正确建议的行为就是犯了第一类错误 如果不服从正态分布 卡方统计量会更多地拒绝真实模型 不过好在ML估计比较稳健 回归系数 非标准化 回归系数 是模型中带箭头的路径系数 为了识别模型 部分系数在模型识别中已固定为1 路径系数的标准误 C R 是临界比率 它是回归系数的估计值除以它的标准误 0 614 0 056 10 876 临界比 该案例中对67疏离感和社会经济地位的无效假设是回归系数为0 标准回归系数 残差 方差的估计 标准误和临界比和P值的解释同上 修正指数 MI 如果该参数由固定改为自由估计 卡方会减少的数值 注意单双箭头 最大的MI是40 911 位于eps1 67无力感误差项 和eps3 71无力感误差项 间 建议去掉两个误差项相关系数为0的约束 即 允许相关将使卡方统计量的估计至少减少40 911 该数据是纵向数据 在时间序列中 两个不同时间点 1967和1971 相同测量 无力感 的自相关很相似 所以去掉这个约束在理论上有一个合理的理由 相同的逻辑用于去掉eps2和eps4 分别为1967和1971无价值感的误差变量 间零相关的约束 它使卡方统计量的估计减少26 545 模型拟合汇总 模型拟合汇总 对所有变量分别按3种模型进行拟合 理论模型 Defaultmodel 根据实际意义设定的模型 饱和模型 Saturatedmodel 是对参数间关系最无限制的模型 各个变量间都假设相关或者有因果关系 独立模型 Independencemodel 指模型中所有变量完全的独立 所以 如果 理论模型 拟合的比 独立模式 还差 就应该拒绝理论模型 通常理论模型的拟合度量在独立模型和饱和模型之间 NPAR是模型中被估计的参数个数 P CMIN 如果P CMIN 小于0 05 拒绝H0 模型拟合不好 对大样本 H0很可能被拒绝 本例理论模型 Defaultmodel 拟合不好 2 71 54 P 0 001 理论模型的CMIN DF为11 92 明显低于独立模型的142 12 故理论模型比独立模型相对拟合地好些 CMIN DF被称之为相对卡方值 有些人允许这个值达到5作为适当的拟合 但是当相对卡方大于2或3时 保守的使用就需要拒绝模型 按照此标准 这个模型应被拒绝 20 05 1 3 84 AGFI 调整拟合优度指数 adjustedgoodness of fitindex 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 估计假定内定模型是正确的 RMR越小 拟合越好 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 按照此标准 这个模型可接受 AGFI是调整拟合优度指数 利用自由度和变量个数的比例来调整GFI 它的变化范围也是0和1间 但理论上能产生没有意义的负数 AGFI也应该至少大于0 90 按照此标准 这个模型可接受 PGFI是简效拟合优度指数 它是独立模型的自由度与理论模型的自由度的比率乘以GFI TLI NNFI non normedfitindex CFI Comparativefitindex 比较拟合指数 这是比较理论模型与独立模型拟合的一组拟合优度测量 因为独立模型通常拟合效果很差 理论模式与它做比较将使理论模式看起来良