第十四章-結構方程模型與路徑分析

1、第十四章 結構方程模型與路徑分析第一節(jié) 結構方程模型的原理第二節(jié) 路徑分析原理第三節(jié) SPSS的AMOS系統(tǒng)第四節(jié) 路徑分析與結構方程模型范例學習目標認識結構方程模型的基本概念與特點。了解結構方程模型分析的五大步驟。了解如何建構具有潛在變量間因果關系的結構方程模型。探討結構方程模型的識別種類與對求解的影響。認識結構方程模型適合度的衡量及如何修正模型。認識路徑分析模型的直接效果與間接效果。探討路徑分析的兩種基本類型：遞歸模型與非遞歸模型。探討路徑分析模型與結構方程模型的異同。認識SPSS的AMOS軟件的接口操作與結果解釋。了解路徑分析模型與結構方程模型的各種應用實例。第一節(jié) 結構方程模型的原理一

2、、SEM基本概念二、模型的設定三、模型的識別四、模型估計五、模型評估六、模型的修正一、結構方程模型的原理一個包括一組自變量和一個或更多因變量的計量模型。當因果關系被包括進來時，此計量模型便稱為結構方程模型（Structural Equation Modeling， SEM），它可建立變量間的因果模型（Causal Model）。多元回歸、因素分析和路徑分析（path analysis）等方法都只是結構方程模型中的一種特例。其相應的統(tǒng)計分析軟件SPSS/AMOS與LISREL的應用，特別是AMOS的操作。SEM的基本概念許多研究構念（Construct），對于它們并不存在直接測量方法，可以找到一

3、些可觀測變量（observed variable，measured variable或稱顯性變量manifest variable）作為這些潛在變量（latent variable，或稱隱潛變量，或稱不可觀測變量unobserved variable）的替代指針（indicators）。這些潛在變量的替代指針總是包含了大量的衡量誤差（measurement errors）。單一指標且沒有衡量誤差的假設，即假設構念是可直接觀測的，在某些情況下可能是相當適合的。然而在大多數(shù)的情況下，這樣的假設是很不適當?shù)?，尤其是許多社會、心理和行為等科學的計量研究。SEM的特點結構方程模型所依賴的統(tǒng)計工具是變異數(shù)

4、分析、復回歸分析或聯(lián)立方程模型(Simultaneous Equation Model)，這些方法都存在著上述問題，而無法避免。其中聯(lián)立方程模型雖然能克服變量互為因果的問題，但對于衡量誤差仍無法加以測定。只有SEM模型既能夠使研究者在分析中處理衡量誤差，又可分析潛在變量之間的結構關系。SEM利用聯(lián)立方程組求解，但它沒有很嚴格的假設限制條件，同時允許自變量和因變量存在衡量誤差。LISREL模型早期是以共變異數(shù)結構分析(Analysis of Covariance Structures)這個名詞去稱呼現(xiàn)在的驗證性因素分析模型(Confirmatory Factor Analysis，CFA)或稱潛

5、在變量分析。從此許多學者開始增加此模型的復雜性和一般化，如LISREL Model，共變結構模型逐漸由CFA發(fā)展為共變矩陣，已能代表任何參數(shù)的任何函數(shù)。直到1966年，Joreskog首先為潛在變量與可觀測變量規(guī)劃了一般性架構，而開始有了突破性的發(fā)展，這就是著名且被廣泛應用的線性結構關系模型(Linear Structural Relations Model， LISREL Model)。LISREL Model 可在結構方程模型中使用潛在變量，故亦被稱為含潛在變量的結構方程模型。結構方程模型分析的五個步驟模型設定(model specification)：研究者先要根據(jù)理論或以往的研究成果來

6、設定假設的初始理論模型。模型識別(model identification)：此一步驟要決定所研究的模型是否能夠求出參數(shù)估計的唯一解。模型估計(model estimation)：模型參數(shù)可以采用幾種不同的方法來估計，最常使用的模型估計方法是最大概似法(maximum likelihood)。模型評估(model evaluation)：對模型與數(shù)據(jù)之間是否配合進行評估，并與替代模型的配合指針進行比較。模型修正(model modification)：如果模型不能很好地配合數(shù)據(jù)，就需要對模型進行修正和再次設定。二、模型的設定結構方程模型主要是一種驗證性(confirmatory)技術，而不是一

7、種探索性(exploratory)技術。其虛無假設與對立假設如下：H0：觀察數(shù)據(jù)=理論模型H1：觀察數(shù)據(jù)理論模型SEM模型的兩大功能：衡量模型(Measurement Model)：以CFA將可觀測變量連結到潛在變量：經(jīng)由CFA(驗證性因素分析模型)的衡量模型，探討可觀測變量與潛在變量間的因素分析模型是否成立，這是心理測定學(Physicmetrics)的領域。結構模型(Structural Model)：經(jīng)由SEM去確認潛在變量間關系是否成立：這是計量經(jīng)濟學(Econometrics)的領域。SEM模型路徑圖的繪制SEM的設定模型可以用不同的方法，其中最簡單直接的一種方法，就是透過路徑圖（p

8、ath diagram）將模型描述出來。路徑圖有助于研究者將其對于變量之間的關系得以清晰地表達。在圖中將可觀測變量用長方型框代表，對潛在變量或因素（factor）則用橢圓型框代表；變量間的關系用線條代表，如果變量間沒有聯(lián)機，則代表變量間沒有直接關聯(lián)。線條既可以加單箭頭，也可以加雙箭頭。驗證性因素分析模型的建構因素分析依其目的可分成EFA和CFA兩類；前者在于從一組雜亂無章的變量中找出共同因素，以建立新的假設或發(fā)展新的理論架構；后者的目的則在于驗證研究已有的因素結構。不論是EFA模型或CFA模型，其基本形式：其中，表可觀測變量向量， 表因素負荷矩陣， 表潛在變量（共同因素）向量， 表衡量誤差（獨

9、特因素）向量。圖14-1 CFA模型潛在變量間因果模型的構建在一因果關系模型中，原因變量會影響結果變量，且其本身的變異是來自于模型以外，故又被稱為外生變數(shù)(Exogenous Variable)；結果變量其變異可被外生變量所解釋，稱之為內(nèi)生變量(Endogenous Variable)。在SEM模型中，每個變量皆為下列情況中的一種：可觀測、外生變數(shù)可觀測、內(nèi)生變數(shù)隱藏、外生變數(shù)隱藏、內(nèi)生變數(shù)圖14-2 結構方程模型范例結構方程模型的方程式(1/2)SEM的三個基本方程式：對應圖14-2中，SEM的這三個方程式可以表示如下： 結構方程模型的方程式(2/2)三、模型的識別識別工作主要是考慮模型中每

10、一個未知的(自由)參數(shù)能否由觀測資料求得唯一解來作為估計值。對于某一個自由參數(shù)，如果不可能將這一參數(shù)以樣本變異數(shù)與共變量的代數(shù)函數(shù)表達，那么這個參數(shù)就不能識別(unidentified)。要是一個未知參數(shù)至少可以由觀測變量的變異數(shù)與共變量矩陣(一般用S來代表)中的一個或多個元素的代數(shù)函數(shù)來表達，就稱這個參數(shù)可以識別。參數(shù)識別模型的種類當一個模型中的每個參數(shù)都是可識別的，且沒有一個參數(shù)是過度識別的，這個模型就是恰好識別的(just-identified)。不可識別（under-identified）模型的識別 恰好識別（just-identified）可以識別（identifiable）過度識別

11、（over-identified）模型是否能夠識別并不是樣本規(guī)模的問題，SEM模型著重于過度識別的結構方程模型。在此況下，模型中的自由參數(shù)數(shù)目少于觀測變數(shù)中變異數(shù)和共變數(shù)的總數(shù)，即資料點(data points)。資料點與自由參數(shù)的數(shù)目之差，既是檢定模型配合所需的自由度，恰好識別模型總是完全配合觀測資料，其卡方檢定值和自由度永遠為0，對于恰好識別模型是無法檢定其配合度。參數(shù)識別的技巧第一：數(shù)據(jù)點的數(shù)目不能少于自由參數(shù)的數(shù)目：數(shù)據(jù)點的數(shù)目就是觀測變量的變異數(shù)和共變量的數(shù)目， 它等于(p+q)/(p+q+1)/2，其中p是觀測變量y的數(shù)目，q是觀測變數(shù)x的數(shù)目。第二：必須為模型中的每個潛在變量建立

12、一個測量尺度(measurement scale)：首先，可以將潛在變量的 變異數(shù)設定為1。這就是說，將潛在變量標準化， 其次，也是較常用的方法，是將潛在變量的觀測指針 中任何一個的因素負荷設定為一常數(shù)，通常為1。如何避免非識別模型的發(fā)生(1/2)解決識別問題最好的辦法是避免它的發(fā)生。通常，可對潛在變量加上更多的標識，因而有更多的數(shù)據(jù)點。模型識別實際上依賴于自由參數(shù)(free parameters)、固定參數(shù)(fixed parameters)和限制參數(shù)(restricted parameters)的設定。自由參數(shù)是未知并需要估計的參數(shù)，固定參數(shù)是不自由的并固定于設定的參數(shù)。比如，在測量模型中

13、，將每個潛在變量標識的因素負荷之一設定為1。限制參數(shù)是那些未知的，但被規(guī)定相等于另一個參數(shù)值的參數(shù)。如何避免非識別模型的發(fā)生(2/2)在多群體中，要是以前的研究表明男生與女生對于一個因變量值有同樣的影響作用，就可以在初始結構方程模型中將代表這兩個性別組的虛擬變量的路徑系數(shù)設定為相等。透過固定或限制一些參數(shù)，自由參數(shù)的數(shù)目就可以減少。循環(huán)的或稱之為非遞歸(nonrecursive)的結構方程模型也常常是識別問題發(fā)生的另一個來源。當在模型中設定變量之間有循環(huán)或雙向關系，以至兩個因變量之間存在反饋圈(feedback loops)時，這一結構模型就是非遞歸的。還可以在一開始建立模型時盡量削減自由參數(shù)

14、，只保留那些絕對必要的參數(shù)，使模型簡化。要是這個模型得到識別，再考慮在隨后修改的模型中加入其它感興趣的參數(shù)。四、模型估計SEM的估計過程是追求盡量縮小樣本的變異數(shù)和共變量值與模型估計的變異數(shù)與共變量值之間的差異。固定參數(shù)值和自由參數(shù)的估計將被代入結構方程，然后推導出一個變異數(shù)與共變量矩陣(稱SIGMA)，使矩陣中的每一個元素都盡可能地接近于樣本中觀測變量的變異數(shù)與共變量矩陣S中的相應元素。如果設定模型正確，將非常近似于S，它的估計過程采用特殊的配合函數(shù)使與S之間的差異最小化。其中最常用的估計方法還是最大概似法(maximum likelihood，標志為ML)和一般化最小平方法(general

15、ized least squares，GLS) 。五、模型評估LISREL程序的首要任務是用樣本數(shù)據(jù)對所設定的模型參數(shù)進行估計。再根據(jù)這些參數(shù)估計來重建（reproduce）變異數(shù)與共變量，然后盡可能地將重建的變異數(shù)與共變量矩陣（用表示）與觀察變異數(shù)與共變量矩陣S相匹配。當模型重建的變異數(shù)與共變數(shù)矩陣非常接近于觀測的變異數(shù)與共變數(shù)矩陣時，殘差矩陣各元素就接近于0，這樣，就可以認為模型配合數(shù)據(jù)了。卡方值衡量配合度檢定則希望接受 ，當卡方值愈大，表示適合的情形愈不好；卡方值愈小，表示適合的情形愈好。在SEM模型中，要得到合理的估計值需要大樣本，但當大樣本時，反而造成卡方值變大，使得模形的配合成度不

16、佳，即只要是小樣本，SEM模型反而會成立?？ǚ綑z定之假設為多元常態(tài)（Multinormality）和大樣本，在實務上很難符合此一假設，而且卡方值對樣本大小十分敏感，所以還有底下其它衡量指標。GFI與AGFIGFI（Goodness-of-Fit Index）此指針不受樣本的大小及樣本是否符合多元常態(tài)的困擾。其值在0與1之間，愈大表示適合度愈佳。AGFI（Adjusted Goodness-of-Fit Index），AGFI與GFI不同之處是后者經(jīng)自由度調(diào)整。AGFI1 （1GFI）p與q為外生與內(nèi)生觀測變數(shù)的總數(shù)，df是模型的自由度其它配合度指標RMR（Root-Mean-Square Re

17、sidual）是推估后所剩下的殘差，其值大于零，愈小表示適合度愈佳，RMR可以比較兩個不同模型對相同數(shù)據(jù)的適合度。此外，還有很多配合指數(shù)，如AIC、SBC與比較配合指數(shù)（comparative fit indexes）。NFI配合度指標的選擇雖然有這么多的模型配合指數(shù)可用，但沒有一個指標可以作為完全確定的標準。理想的配合指數(shù)實際上不存在，最好慎重地報告多項配合度指標的結果，而不要只依賴一種指標。要是所有的指數(shù)都得到類似的結論，那么就可相當肯定模型的配合度程度。即使一個模型配合了數(shù)據(jù)，也不意味著這個模型是正確的或最好的，如果簡單模型的配合與復雜模型的配合一樣好，就應該接受簡單模型。研究人員應該將

18、他們的結構方程模型建立在有說服力的理論之上。六、模型的修正模型修正有助于認識初始模型的缺陷，并且還能得到其它替代模型的啟示。要改進一個配合不好的模型，可以改變其測量模型、增加新的結構參數(shù)，或設定某些誤差項相關，或者限制某些結構。AMOS工具透過修正指數(shù)來找出如何重新設定模型，以增加模型的適合度。研究者的目標是探尋一個不僅在統(tǒng)計角度能很好地配合資料，而且每一個參數(shù)都能得到符合實際的理論模型解釋。第二節(jié) 路徑分析原理一、路徑分析模型二、路經(jīng)模型的分析三、路徑模型的修正與檢定四、路徑模型的檢定五、路徑模型的識別六、路徑分析與SEM的比較一、路徑分析原理路徑分析的主要目的是為了驗證變量之間是否有因果關

19、系？變量間直接因果關系與透過中介變量的間接因果關系大小如何？路徑分析可說是SEM的特例，其只有觀測變量而無潛在變量，故可將SEM視為是路徑模型的多變量型態(tài)路徑模型也可視為是SEM的單變量型態(tài)故在本節(jié)所討論的各種路徑分析的理論，同樣的理論當然也適用在SEM中。二、路徑分析模型路徑分析是對一組可觀測變量間線性系統(tǒng)方程組的因果關系式，也可看成是多組復回歸方程式組合而成。圖14-3可以利用下列三組線性回歸方程式表示之：路徑模型既可以用結構方程組的形式來表示，也可以用路徑圖來表示。圖14-3 六個變量的路徑分析假設模型路徑模型的假設路徑分析是建立一套假設性的因果關系模型，利用觀察到的數(shù)據(jù)與理論數(shù)值的比對

20、。虛無假設 為觀察數(shù)據(jù)=理論模型。路徑分析是一種探索因果關系的統(tǒng)計方法。因果關系模型中明確設置自變量和因變量，透過模型分析，檢查自變量對于因變量的作用方向、作用強度和解釋能力。因果關系模型還可以用來進行預測?；貧w導向的路徑分析整個因果結構模型便不能簡單地以因變量或自變量的概念來劃分變量類型。路徑分析的主要功能是研究變量間關系的不同形式。路徑分析著眼點，主要在變量間作用系數(shù)的分解上。比如，進行兩個變量間的簡單回歸就可以得到一個簡單回歸系數(shù)。如果可根據(jù)理論，在這兩個變量間加上許多中介變量(mediated variable)，形成復雜的因果結構，就有可能將這個簡單回歸系數(shù)分解為不同因果連結上的作用

21、。路徑模型的分析路徑分析可以分成直接效果(direct effect)、間接效果(indirect effect)與總效果(total effect)，總效果為直接效果與間接效果之和。表14-1 直接效果與間接效果的分解遞歸模型與非遞歸模型遞歸模型可以直接透過一般最小平方法回歸（OLS）來取得路徑系數(shù)估計值，而對于非遞歸模型則不能這樣做 ：遞歸路徑模型：若因果關系結構中全部為單向連結關系，無反饋作用的模型稱為遞歸模型(recursive model)非遞歸路徑模型：如模型中任何兩個變量之間存在雙向因果關系(如 )，或是某個變量存在自身反饋作用( )，在間接反饋作用(如 )。遞歸路徑分析的基本性

22、質(zhì)1. 所有遞歸模型多是可識別的，只有可以識別的模型， 才可能求解。2. 遞歸模型的假設條件允許采用最小平方法回歸法，來取得聯(lián)立方程組中各系數(shù)的無偏估計。3. 路徑系數(shù)既可以采用非標準化的回歸系數(shù)，也可以采用標準化的回歸系數(shù)：采用標準化回歸系數(shù)，將使得路徑分析的表達和分析變得比較簡明。遞歸路徑模型分析的假設條件1. 路徑模型中各變量間的關系為線性且可加的因果關系2. 每一內(nèi)生變量的誤差項與其前置變量不得相關，同時也不得與其它內(nèi)生變量的誤差項相關。3. 模型中因果關系必須為單向。4. 模型中各變量均為計量尺度 。5. 所有內(nèi)生變量的殘差項是獨立的。6. 各變量的測量不存在誤差 。三、路徑模型的修

23、正與檢定(1/2)飽和模型、獨立模型與預設模型：路徑模型的修正及分析往往是先從飽和模型的建立開始的。但是飽和模型(Saturated Model，即所有變量間都有單向或雙向箭頭弧線所連接，或任何兩個變量間皆有路徑線連結）往往并不是實際上想要的最終模型。飽和模型經(jīng)常只是作為一個起點或基準，最后還是要找出非飽和模型。除飽和模型外，還有獨立模型(Independent Model)，乃是指其路徑圖中，任何兩個變量皆沒有線連結。路徑模型的修正與檢定(2/2)在AMOS中，還有所謂的預設模型(Default Model)，乃指研究者設定欲分析的模型，飽和模型的適合度100%，而獨立模型的適合度最差，預設

24、模型通常介于兩者之間。路徑模型修正的目的：社會科學的觀察數(shù)據(jù)往往來自于調(diào)查數(shù)據(jù)，所以變量間的因果關系并不明確，其解決方案，一方面要依賴理論根據(jù)，一方面要根據(jù)統(tǒng)計結果的實際意義。比如，檢查回歸系數(shù)的符號是否符合原來的假設，還要考慮是否存在多重共線性問題，并考慮是否可以對變量進行某種加工或換用其它指標解決。四、路徑模型的檢定第一種情況為，事先沒有明確的理論假設，而是完全依賴統(tǒng)計得到一個較高配合程度的模型。這種檢定實質(zhì)上屬于探索性研究，其研究目的只是形成一個比較符合事實的統(tǒng)計模型。第二種情況為，事先已經(jīng)有根據(jù)理論假設所設置的模型，檢定經(jīng)過修正得到的模型與原假設模型是否有所不同，其統(tǒng)計檢定將說明現(xiàn)在這

25、個檢定模型與假設模型配合狀況的評估。如果統(tǒng)計檢定顯著，這代表模型修正中所做的修改，已經(jīng)脫離了原模型假設。路徑分析的模型檢定不是在檢定原模型假設是否符合觀測數(shù)據(jù)，而是在檢定修正以后的模型是否與原模型一致。關于模型修正的主要目的，是盡量保持原先根據(jù)理論構想形成的模型，使得模型檢定取得的理論假設檢定更有意義。五、路徑模型的識別因為路徑分析是SEM模型的特例，故模型識別的結果可以按以下情形分類，同樣包括不可識別與可以識別（又分為恰好識別與過度識別）。飽和的遞歸模型都是恰好識別的模型，由于恰好識別的模型能夠完全再現(xiàn)實際相關系數(shù)值，所以不存在模型檢定問題。真正能夠檢定的是過度識別模型，正是由于過度識別模型

26、是從恰好識別模型中刪除某些路徑所形成的，檢定的目的并不是在于尋找一種在統(tǒng)計上最能配合數(shù)據(jù)的模型，而是檢定模型背后的理論。六、SEM與路徑分析不同之處1. SEM可以先透過因素分析將可觀測的變量集結成幾個共同因素。反觀路徑分析，其外生變量之間必需相互獨立，未經(jīng)過因素分析處理。2. SEM的變量間可以有雙向因果關系，但路徑分析通常只可以有單向關系。3. SEM可以包含變量間的衡量誤差，但是路徑分析的外生變量需是定值。4. SEM可運用最大概似法(ML)來進行參數(shù)估計，但路徑分析是以一般最小平方法(OLS)來進行參數(shù)估計。第三節(jié) SPSS的AMOS系統(tǒng)一、操作步驟二、結果輸出三、結果制表與解釋SPS

27、S的AMOS系統(tǒng)目前可以執(zhí)行結構方程模型最有名的軟件，主要有LISREL模型，與SPSS的外掛軟件AMOS，SAS系統(tǒng)內(nèi)也包含SEM的功能。AMOS則提供相當友善的圖形接口，以圖形來直接建立結構方程模型，它可以讀取SPSS的數(shù)據(jù)文件，兩者可以相整合?？梢灾苯由暇W(wǎng)下載使用此試用的AMOS學生版，請上http:/下載學生版。 AMOS的特點是以圖形表達的形式來分析統(tǒng)計模型。表14-2 變量定義關系表AMOS操作步驟（一）開啟數(shù)據(jù)文件（Data Files）（二）繪制結構方程模型（三）輸入變量名稱（四）建立因果關系圖（五）設定輸出結果與執(zhí)行計算（六）顯示SEM運算結果圖14-4 Amos Graph

28、ics主窗口（一）開啟數(shù)據(jù)文件（Data Files）圖14-5 Data Files對話框（二）繪制結構方程模型在AMOS路徑圖中，潛在變量以橢圓 形框表示，而觀察變量則是 以長形方框 表示之。故在路徑分析中，因為沒有潛在變量，故千萬不要出現(xiàn)橢圓形框；透過工具窗口中的 圖標按鍵，可輕易的在模型繪制區(qū)中建立CFA模型。圖14-6 SEM模型的繪制圖14-7 SEM模型的旋轉(zhuǎn)按鍵后，可令其所屬的觀測變量及誤差變量順時鐘旋轉(zhuǎn)至使用者理想的位置，若覺得模型中有些圖框或路徑不符所需，則可用來加以消除，類似橡皮擦的功能 加以消除。至于復印機 當然就代表可復制各種圖樣。調(diào)整圖形可利用 圖標按鍵，配合 （卡

29、車）圖標按鍵，可作變量整組的移動；按鍵 可調(diào)整變量圖框的大小。圖14-8 SEM模型調(diào)整后的結果（三）輸入變量名稱點擊 圖標按鍵可得Variables in Dataset（數(shù)據(jù)組內(nèi)變量）窗口，此時該窗口中，將顯示出數(shù)據(jù)文件里的變量名稱及其標簽。圖14-9 Variables in Dataset窗口圖14-10 潛在變數(shù)命名與Object Properties對話框潛在變量由于是抽象構念，無法表示在Variables in Dataset窗口中，故潛在變量的命名必須點擊 圖標按鍵，再點擊欲命名的潛在變數(shù)圖框。（四）建立因果關系圖內(nèi)生變量須設定一誤差項，點選 圖示后，完成誤差項的設定。由潛在變

30、量指向觀測變量的單向箭頭中，系統(tǒng)會將最初指針的路徑系數(shù)固定為1，目的是以其作為衡量的基準。（五）設定輸出結果與執(zhí)行計算可透過 圖標按鍵，設定所需的輸出結果或估計值，點選該按鍵后會出現(xiàn)Analysis Properties（分析屬性）對話框，選擇Output窗體可勾選需要的輸出結果。路徑圖繪制完成并設定輸出結果后可執(zhí)行模型運算，點擊圖標按鍵即開始執(zhí)行估計值運算。 可將路徑圖復制到剪貼簿上。在按下估計值計算時，有時會出現(xiàn) n variable is unnamed，此時只要將未加上變量名稱的變數(shù)框加上變量名稱即可，但有時全部的變量名稱皆已設定變量名稱，但仍出現(xiàn)此訊息，此時，您可以按一下 鍵以縮小路

31、徑圖，可能就會發(fā)現(xiàn)在隱藏的地方出現(xiàn)未命名的變量框，將之加以刪除后再執(zhí)行估計值計算。圖14-12 完整的結構方程模型繪制完成圖圖14-13 Analysis Properties對話框（六）顯示SEM運算結果圖14-14 模型分析信息窗口圖14-15 估計值顯示窗口圖14-16 模型路徑圖與未標準化估計值圖14-17 模型路徑圖與標準化估計值此AMOS輸出可將它貼在Word上，此圖稍作修改即可變成告的一部份?？上葘⑺杏^測變量的衡量誤差加以刪除，留下衡量模型與因果模型的系數(shù)即可。此外，可將SAFE、CON、WILL等潛藏變量，直接在英文字上貼上中文，這可完成中文化工作。圖14-18 Amos O

32、utput窗口圖14-19 參數(shù)摘要表圖14-20 模型紀錄窗口圖14-21 未標準化的回歸系數(shù)估計值圖14-22 標準化的回歸系數(shù)估計值圖14-23 模型配合度指針摘要表14-3 行動加值服務的衡量模型分析表表14-4 行動加值服務的結構模型分析表除了圖14-17與表14-3與表14-4外，所有AMOS還需報告卡方值與其它配合度的指標，在本例中，卡方值為37.668，df為17，P為.003，亦即模型不成立，此外，GFI為.885，AGFI為.757，皆代表觀察數(shù)據(jù)與理論模型并不配合。從表14-3的CFA模型中，只有使用意愿的模型較佳。從表14-4的結構模型分析表中，可知兩個回歸系數(shù)皆未達顯著水平，故而造成整個SEM模型并不配合的現(xiàn)象。在SEM模型中，模型不成立的情形相當普遍，除非研究主題是相當成熟的主題。第四節(jié) 路徑分析與結構方程模型范例一、學生期末成績的路徑分析二、3G系統(tǒng)采用意愿的路徑分析三、CRM系統(tǒng)采用意愿的路徑分析四、其它范例五、孤立感的結構方程模型圖14-24 影響期末成績的飽和模型路徑圖(標準化估計)一、學生期末成績的路徑分析表14-5 學生期末成績的飽和模型路徑系數(shù)分析表圖14-25 影響期末成績的修正模型路徑圖(標準化估計)表14-6 學生期末成績的修正模型路徑