結構方程模型課件

結構方程模型一、結構方程模型簡介二、結構方程模型程序介紹三、驗證性因子分析和二階因子分析四、全模型分析結構方程模型一、結構方程模型簡介1一、結構方程模型簡介1、什么是結構方程模型2、為什么使用結構方程模型3、結構方程模型的結構4、結構方程模型的優(yōu)點5、結構方程模型中的變量6、結構方程模型常用圖標一、結構方程模型簡介21、什么是結構方程模型結構方程模型（StructuralEquationModel）是基于變量的協(xié)方差矩陣來分析變量之間關系的一種統(tǒng)計方法。所以，有時候也叫協(xié)方差結構分析。我們的課程只考慮線性結構方程模型。結構方程模型常用于：驗證性因子分析、高階因子分析、路徑及因果分析、多時段(multiwave)設計、單形模型(SimpleModel)、及多組比較等。常用的分析軟件有：LISREL、Amos、EQS、MPlus1、什么是結構方程模型32、為什么使用結構方程模型很多心理、教育、社會等概念，均難以直接準確測量，這種變量稱為潛變量（latentvariable），如智力、學習動機、家庭社會經濟地位等等。我們只能求其次，用一些外顯指標（observableindicators），去間接測量這些潛變量。

如：以語文、數學、英語三科成績（外顯變量），作為學業(yè)成就（潛變量）的指標。傳統(tǒng)的統(tǒng)計方法不能有效處理這些潛變量，而結構方程模型則能同時處理潛變量及其指標。傳統(tǒng)的線性回歸分析容許因變量存在測量誤差，但是要假設自變量是沒有誤差的。如：在y=bx+e的模型中，x和y如都不能被準確測量的時候，變量之間的關系是不能估計的。2、為什么使用結構方程模型4如：分析自信(X)與外向(Y)之間的關系：用4個題目測量自信，4個題目測量外向。傳統(tǒng)上先計算外向題目的總分（或者平均分）和自信題目的總分（或者平均分），再計算兩個總分（或者平均分）的相關，這種計算所得的兩個潛變量（外向和自信）的關系，不一定恰當，但是結構方程模型能提供更佳的答案（如典型相關分析等）。自信外向x1x2x3x4y1y2y3y4如：分析自信(X)與外向(Y)之間的關系：自信外向x1x25模型舉例模型舉例63、結構方程模型的結構結構方程模型可分為：測量模型和結構模型(1)測量模型：指標和潛變量之間的關系說明：x,y是外源(如:六項社經指標)及內生(如:中、英、數成績)指標。δ,ε是X，Y測量上的誤差。Λx是x指標與ξ潛伏變項的關系(如:六項社經地位指標與潛伏社經地位的關系)。Λy是y指標與η潛伏變項的關系(如:中、英、數成績與學業(yè)成就間關系)。3、結構方程模型的結構說明：7(2)結構模型：潛變量之間的關系η——內生(依變)(endogenous,dependent)潛伏變項(如:學業(yè)成就)ξ——外源(自變)(exogenous,independent)潛伏變項(如:社經地位)β——內生潛伏變項間的關系(如:學業(yè)成績與其他內生潛伏變項的關系)г——外源變項對內生變項的影響(如:社經地位對學業(yè)成就)ζ——模式內未能解釋部份(即模式內所包含的變項及變項間關系所未能解釋部分)(2)結構模型：潛變量之間的關系η——內生(依變)(endo81X1X2X3X41234413121111y1y2y3y41234413121112y5y6y7y8567882726252112121ζ1ζ21X1X2X3X41234413121194、結構方程模型的優(yōu)點Bollen和Long(1993)指出SEM有以下優(yōu)點：(1)可同時考慮及處理多個依變項(endogenous/dependentvariable);(2)容許自變及依變(exogenous/endogenous)項含測量誤差;(3)與因素分析類同，SEM容許潛伏變項(如:社經地位)由多個觀察指標變項(如:父母職業(yè)、收入)構成,并可同時估計指標變項的信度及效度(reliabilityandvalidity);(4)SEM可采用比傳統(tǒng)方法更有彈性的測量模型(measurementmodel),如某一指標變項/題目從屬于兩潛伏因子;在傳統(tǒng)方法,項目多依附單一因子;(5)研究者可構劃出潛伏變項間的關系,并估計整個模式是否與數據擬合。4、結構方程模型的優(yōu)點105、結構方程模型中的變量潛變量顯變量內生變量外源變量變量指標自變量因變量5、結構方程模型中的變量潛變量內生變量變量自變量11潛變量：不可以直接觀察的變量，或叫因子。如自信、成就等。顯變量：可以直接觀察的變量，如收入、成績等。因子荷載潛變量：不可以直接觀察的變量，或叫因子。如自12變量：具有多個值的概念。指標：測量某個變量的項目（item）,或者叫條目。變量：具有多個值的概念。13內生變量：被影響的變量。外源變量：作用于其它變量的變量。路徑系數內生變量：被影響的變量。路徑系數14自變量：僅有單向箭頭指出的變量。因變量：只要有單向箭頭指入的變量。自變量：僅有單向箭頭指出的變量。15思考：顯變量和指標是什么關系？變量與指標有什么區(qū)別？內生變量與因變量有什么區(qū)別？外源變量與自變量有什么區(qū)別？思考：顯變量和指標是什么關系？166、結構方程模型常用圖標潛變量（因子）圓橢圓6、結構方程模型常用圖標潛變量（因子）圓橢圓17正方形矩形觀測變量（或者指標）正方形矩形觀測變量（或者指標）18單向箭頭單向影響或者效應（因果關系？）單向箭頭單向影響或者效應（因果關系？）19表示相關（不是因果關系）雙向弧線箭頭表示相關（不是因果關系）雙向弧線箭頭20單向箭頭表示內生潛變量未被解釋的部分單向箭頭表示內生潛變量未被解釋的部分21單向箭頭表示指標未被解釋的部分單向箭頭表示指標未被解釋的部分22二、結構方程模型程序介紹1、程序結構2、常用指令3、模型修正4、模型擬合5、結果解讀6、結構方程模型的數據二、結構方程模型程序介紹231、程序結構程序由三個部分組成：（1）數據輸入——從DA指令開始（2）模型建構——從MO指令開始（3）結果輸出——從OU指令開始1、程序結構242.常用指令（1）數據輸入格式DA-----數據輸入NI-----顯變量數目（或者叫Item數目）NO----樣本容量MA-----分析所用矩陣RA-----原始數據（原始數據或者協(xié)方差矩陣）CM-----協(xié)方差矩陣注意：所有指令名稱均使用大寫字母及其組合。每句指令語句長度至127列，一行語句末尾用大寫字母“C”表示續(xù)下一行。！或者/*表示說明、解釋語句，直到遇到指令為止。2.常用指令25（2）模型構建MO-----開始輸入模型NY-----y顯變量數目NX-----x顯變量數目NE-----eta潛變量數目（y部分）NK-----ksi潛變量部分（x部分）FI-----固定矩陣FR-----矩陣自由計算LY-----y變量的因子荷載LX-----x變量的因子荷載BE-----y潛變量之間的效應GA-----x潛變量對y潛變量的效應（2）模型構建26（3）結果輸出PD-----路徑系圖的輸出。SC-----列出完全標準化的參數估計。ALL-----列出所有可能的輸出。ND-----輸出結果的小數位數（可選0—8，缺省為ND=2）EP-----收斂標準，缺省EP=0.000001，越小表示收斂的標準越高。IT-----迭代次數上限，缺省IT=5倍自由估計參數。MI-----輸出修正指數。SS-----輸出參數的標準化解。AD-----容許性檢查時的迭代次數，缺省AD=20，AD=OFF表示遏止此檢查（3）結果輸出27!E-ServiceSTRUCTURALEQUATIONMODELDANI=28NO=204MA=CMRA=TEST1.TXTMONY=12NE=3NX=16NK=3LY=FU,FILX=FU,FIGA=FU,FRBE=FU,FRCPS=DI,FRPH=SY,FRLKUserInterResponsiReliablityLETrustRepurchaseRecommendFRLY21LY31LY41LY62LY72LY82LY103LY113LY123FRLX21LX31LX41LX51LX61LX82LX92LX102LX112CLX133LX143LX153LX163VA1.0LY11LY52LY93VA1.0LX11LX72LX123FIGA21GA22GA23GA31GA32GA33FIBE11BE12BE13BE23BE22BE33PDOUSSAD=OFF數據輸入模型建構結果輸出!E-ServiceSTRUCTURALEQUATIO28信任1X1X2X3X41234413121111y1y2y3y41234413121112y5y6y7y8567882726252112121ζ1ζ2交易意愿成本假設：樣本容量是208信任1X1X2X3X4123441312129!網上購物意愿DANI=12NO=208MA=CMRA=數據1.txtMONY=8NE=2NX=4NK=1LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FICPS=DI,FRPH=SY,FRLK成本LE信任交易意愿FRLY21LY31LY41LY62LY72LY82FRLX21LX31LX41VA1.0LY11LY52VA1.0LX11FRGA11GA21FRBE12PDOUSSAD=OFF!網上購物意愿303、模型修正模型自由度=協(xié)方差矩陣中不重復的元素個數-要估計的參數個數。要估計的參數越少，自由度越多，模型就越簡單；要估計的參數越多，自由度越少，模型就越復雜。模型修正原則：（1）增加自由參數（模型變復雜），模型的卡方會減少；減少自由參數（模型變簡單），模型的卡方會增加。如果增加參數后，卡方沒有明顯的減少，說明增加只有參數是值得的；如果減少自由參數后，卡方沒有顯著的增加，說明減少參數是值得的。（2）模型必須符合邏輯，不能盲目跟著數據走而只追求統(tǒng)計上的好模型。（3）模型越簡單越好3、模型修正31結構方程模型課件32結構方程模型課件33結構方程模型課件344、模型擬合MinimumFitFunctionChi-Square=1083.23(P=0.0)NormalTheoryWeightedLeastSquaresChi-Square=1186.28(P=0.0)EstimatedNon-centralityParameter(NCP)=860.2890PercentConfidenceIntervalforNCP=(758.79;969.33)MinimumFitFunctionValue=2.05PopulationDiscrepancyFunctionValue(F0)=1.6390PercentConfidenceIntervalforF0=(1.44;1.84)RootMeanSquareErrorofApproximation(RMSEA)=0.07190PercentConfidenceIntervalforRMSEA=(0.066;0.075)P-ValueforTestofCloseFit(RMSEA<0.05)=0.00ExpectedCross-ValidationIndex(ECVI)=2.5590PercentConfidenceIntervalforECVI=(2.36;2.76)ECVIforSaturatedModel=1.54ECVIforIndependenceModel=42.72

4、模型擬合35Chi-SquareforIndependenceModelwith378DegreesofFreedom=22500.79IndependenceAIC=22556.79ModelAIC=1346.28SaturatedAIC=812.00IndependenceCAIC=22704.38ModelCAIC=1767.96SaturatedCAIC=2952.02NormedFitIndex(NFI)=0.95Non-NormedFitIndex(NNFI)=0.96ParsimonyNormedFitIndex(PNFI)=0.82ComparativeFitIndex(CFI)=0.97IncrementalFitIndex(IFI)=0.97RelativeFitIndex(RFI)=0.94CriticalN(CN)=190.28RootMeanSquareResidual(RMR)=0.080StandardizedRMR=0.059GoodnessofFitIndex(GFI)=0.86AdjustedGoodnessofFitIndex(AGFI)=0.83ParsimonyGoodnessofFitIndex(PGFI)=0.69Chi-SquareforIndependenceMo36（1）絕對擬合指數如：基于擬合函數的指數、基于離中參數的指數、近似誤差指數、擬合優(yōu)度指數、信息指數等。(2)相對擬合指數如：非范擬合指數（NNFI）、comparativefitindes(CFI)等。(3)簡約擬合指數如：PRNI、PGFI、PNFI、PGFI等。常用的擬合指數：Chi-Square（卡方，）——越小越好RMSEA（近似誤差均方根）——小于0.1AIC——越小越好SRMR——小于0.08GFI及AGFI——大于0.9（0—1）NNFI、CFI、IFI——大于0.9（0—1）NFI——大于0.5：2-5之間。（1）絕對擬合指數GFI及AGFI——大于0.9（0—1375、結果解讀系數5、結果解讀系數38t值（參數顯著性檢驗）t值（參數顯著性檢驗）39Chi-Square=1186.28,df=326,P-value=0.00000,RMSEA=0.071NormedFitIndex(NFI)=0.95Non-NormedFitIndex(NNFI)=0.96IncrementalFitIndex(IFI)=0.97StandardizedRMR=0.059GoodnessofFitIndex(GFI)=0.86AdjustedGoodnessofFitIndex(AGFI)=0.83擬合指數（模型顯著性檢驗）Chi-Square=1186.28,df=326,P-406、結構方程模型的數據（1）樣本大小從理論上講：樣本容量越大越好。Boomsma（1982）建議，樣本容量最少大于100，最好大于200以上。對于不同的模型，要求有所不一樣。一般要求如下：N/P〉10N/t〉5N——樣本容量t——自由估計參數的數目p——指標數目6、結構方程模型的數據41（2）指標數目一般要求因子的指標數目至少為3個。在探索性研究或者設計問卷的初期，因子指標的數目可以適當多一些，預試結果可以根據需要刪除不好的指標。當少于3個或者只有1個（因子本身是顯變量的時候，如收入）的時候，有專門的處理辦法。（2）指標數目42（3）數據類型絕大部分結構方程模型是基于定距、定比、定序數據計算的。但是新發(fā)展的軟件（如Mplus）可以處理定類數據。數據要求要有足夠的變異量，相關系數才能顯而易見。如樣本中的數學成績非常接近（如都是95分左右），則數學成績差異大部分是測量誤差引起的，則數學成績與其它變量之間的相關就不顯著。（3）數據類型43（4）數據的正態(tài)性極大似然估計法（ML）是結構方程分析最常用的方法，ML方法的前提條件是：變量是多元正態(tài)分布的。數據的費正態(tài)性可以通過偏度（skew）和峰度（kurtosis）來表示。偏度表示數據的對稱性，峰度表示數據平坦性的。LISREL中包含的估計方法有：ML（極大似然）、GLS（廣義最小二乘法）、WLS（一般加權最小二乘法）等，WLS并不要求數據是正態(tài)的。（5）異常數據的處理。（略）（6）缺失數據的處理。（略）（4）數據的正態(tài)性44三、驗證性因子分析1、驗證性因子分析關注的只是因子與指標之間的關系和變量之間的相關關系（而不是因果關系）探索性因子分析？三、驗證性因子分析關注的只是因子與指標之間的關系和變量之間的45DANI=

NO=208MA=CMRA=數據1.txtMONY=

NE=

NX=

NK=

LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FIPS=DI,FRPH=SY,FRLK

LE

FRLYFRLXPDOUSSAD=OFFDANI=NO=208MA=CM46公司管理一階因子二階因子測量指標12345公司管理一階因子二階因子測量指標1234547DANI=

NO=208MA=CMRA=數據1.txtMONY=

NE=

NX=

NK=

LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FIPS=DI,FRPH=SY,FRLK

LE

FRLYFRLXPDOUSSAD=OFFDANI=NO=208MA=CM48四、全模型分析一個模型中，既有因子模型（測量模型），又有結構模型，則該模型就叫全模型。12312345四、全模型分析1231234549DANI=

NO=208MA=CMRA=數據1.txtMONY=

NE=

NX=

NK=

LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FIPS=DI,FRPH=SY,FRLK

LE

FRLYFRLXPDOUSSAD=OFFDANI=NO=208MA=CM50結構方程模型課件51結構方程模型課件52結構方程模型分析過程模型界定模型修正模型評估解釋模型識別選擇測量變量及收集資料參數估計未達到可接受程度達到可接受程度模型建構：確定變量之間的相互關系，確定模型是否可被識別。估計與評估：用觀察資料來估計參數和評估模型。理論結構方程模型分析過程模型界定模型修正模型評估解釋模型識別選53項目低識別(Under-Identified)恰好識別(just-Identified)過度識別(Over-Identified)模型自由度df<0df=0df>0原因未知參數個數多余方程個數未知參數個數多余方程個數未知參數個數少余方程個數解無窮多解唯一解唯一解模型成立不可可可解決方法制定參數值，以減少未知參數個數----df=協(xié)方差矩陣中不重復的元素個數-要估計的參數個數項目低識別(Under-Identified)恰好識別(ju54結構方程模型一、結構方程模型簡介二、結構方程模型程序介紹三、驗證性因子分析和二階因子分析四、全模型分析結構方程模型一、結構方程模型簡介55一、結構方程模型簡介1、什么是結構方程模型2、為什么使用結構方程模型3、結構方程模型的結構4、結構方程模型的優(yōu)點5、結構方程模型中的變量6、結構方程模型常用圖標一、結構方程模型簡介561、什么是結構方程模型結構方程模型（StructuralEquationModel）是基于變量的協(xié)方差矩陣來分析變量之間關系的一種統(tǒng)計方法。所以，有時候也叫協(xié)方差結構分析。我們的課程只考慮線性結構方程模型。結構方程模型常用于：驗證性因子分析、高階因子分析、路徑及因果分析、多時段(multiwave)設計、單形模型(SimpleModel)、及多組比較等。常用的分析軟件有：LISREL、Amos、EQS、MPlus1、什么是結構方程模型572、為什么使用結構方程模型很多心理、教育、社會等概念，均難以直接準確測量，這種變量稱為潛變量（latentvariable），如智力、學習動機、家庭社會經濟地位等等。我們只能求其次，用一些外顯指標（observableindicators），去間接測量這些潛變量。

如：以語文、數學、英語三科成績（外顯變量），作為學業(yè)成就（潛變量）的指標。傳統(tǒng)的統(tǒng)計方法不能有效處理這些潛變量，而結構方程模型則能同時處理潛變量及其指標。傳統(tǒng)的線性回歸分析容許因變量存在測量誤差，但是要假設自變量是沒有誤差的。如：在y=bx+e的模型中，x和y如都不能被準確測量的時候，變量之間的關系是不能估計的。2、為什么使用結構方程模型58如：分析自信(X)與外向(Y)之間的關系：用4個題目測量自信，4個題目測量外向。傳統(tǒng)上先計算外向題目的總分（或者平均分）和自信題目的總分（或者平均分），再計算兩個總分（或者平均分）的相關，這種計算所得的兩個潛變量（外向和自信）的關系，不一定恰當，但是結構方程模型能提供更佳的答案（如典型相關分析等）。自信外向x1x2x3x4y1y2y3y4如：分析自信(X)與外向(Y)之間的關系：自信外向x1x259模型舉例模型舉例603、結構方程模型的結構結構方程模型可分為：測量模型和結構模型(1)測量模型：指標和潛變量之間的關系說明：x,y是外源(如:六項社經指標)及內生(如:中、英、數成績)指標。δ,ε是X，Y測量上的誤差。Λx是x指標與ξ潛伏變項的關系(如:六項社經地位指標與潛伏社經地位的關系)。Λy是y指標與η潛伏變項的關系(如:中、英、數成績與學業(yè)成就間關系)。3、結構方程模型的結構說明：61(2)結構模型：潛變量之間的關系η——內生(依變)(endogenous,dependent)潛伏變項(如:學業(yè)成就)ξ——外源(自變)(exogenous,independent)潛伏變項(如:社經地位)β——內生潛伏變項間的關系(如:學業(yè)成績與其他內生潛伏變項的關系)г——外源變項對內生變項的影響(如:社經地位對學業(yè)成就)ζ——模式內未能解釋部份(即模式內所包含的變項及變項間關系所未能解釋部分)(2)結構模型：潛變量之間的關系η——內生(依變)(endo621X1X2X3X41234413121111y1y2y3y41234413121112y5y6y7y8567882726252112121ζ1ζ21X1X2X3X412344131211634、結構方程模型的優(yōu)點Bollen和Long(1993)指出SEM有以下優(yōu)點：(1)可同時考慮及處理多個依變項(endogenous/dependentvariable);(2)容許自變及依變(exogenous/endogenous)項含測量誤差;(3)與因素分析類同，SEM容許潛伏變項(如:社經地位)由多個觀察指標變項(如:父母職業(yè)、收入)構成,并可同時估計指標變項的信度及效度(reliabilityandvalidity);(4)SEM可采用比傳統(tǒng)方法更有彈性的測量模型(measurementmodel),如某一指標變項/題目從屬于兩潛伏因子;在傳統(tǒng)方法,項目多依附單一因子;(5)研究者可構劃出潛伏變項間的關系,并估計整個模式是否與數據擬合。4、結構方程模型的優(yōu)點645、結構方程模型中的變量潛變量顯變量內生變量外源變量變量指標自變量因變量5、結構方程模型中的變量潛變量內生變量變量自變量65潛變量：不可以直接觀察的變量，或叫因子。如自信、成就等。顯變量：可以直接觀察的變量，如收入、成績等。因子荷載潛變量：不可以直接觀察的變量，或叫因子。如自66變量：具有多個值的概念。指標：測量某個變量的項目（item）,或者叫條目。變量：具有多個值的概念。67內生變量：被影響的變量。外源變量：作用于其它變量的變量。路徑系數內生變量：被影響的變量。路徑系數68自變量：僅有單向箭頭指出的變量。因變量：只要有單向箭頭指入的變量。自變量：僅有單向箭頭指出的變量。69思考：顯變量和指標是什么關系？變量與指標有什么區(qū)別？內生變量與因變量有什么區(qū)別？外源變量與自變量有什么區(qū)別？思考：顯變量和指標是什么關系？706、結構方程模型常用圖標潛變量（因子）圓橢圓6、結構方程模型常用圖標潛變量（因子）圓橢圓71正方形矩形觀測變量（或者指標）正方形矩形觀測變量（或者指標）72單向箭頭單向影響或者效應（因果關系？）單向箭頭單向影響或者效應（因果關系？）73表示相關（不是因果關系）雙向弧線箭頭表示相關（不是因果關系）雙向弧線箭頭74單向箭頭表示內生潛變量未被解釋的部分單向箭頭表示內生潛變量未被解釋的部分75單向箭頭表示指標未被解釋的部分單向箭頭表示指標未被解釋的部分76二、結構方程模型程序介紹1、程序結構2、常用指令3、模型修正4、模型擬合5、結果解讀6、結構方程模型的數據二、結構方程模型程序介紹771、程序結構程序由三個部分組成：（1）數據輸入——從DA指令開始（2）模型建構——從MO指令開始（3）結果輸出——從OU指令開始1、程序結構782.常用指令（1）數據輸入格式DA-----數據輸入NI-----顯變量數目（或者叫Item數目）NO----樣本容量MA-----分析所用矩陣RA-----原始數據（原始數據或者協(xié)方差矩陣）CM-----協(xié)方差矩陣注意：所有指令名稱均使用大寫字母及其組合。每句指令語句長度至127列，一行語句末尾用大寫字母“C”表示續(xù)下一行。！或者/*表示說明、解釋語句，直到遇到指令為止。2.常用指令79（2）模型構建MO-----開始輸入模型NY-----y顯變量數目NX-----x顯變量數目NE-----eta潛變量數目（y部分）NK-----ksi潛變量部分（x部分）FI-----固定矩陣FR-----矩陣自由計算LY-----y變量的因子荷載LX-----x變量的因子荷載BE-----y潛變量之間的效應GA-----x潛變量對y潛變量的效應（2）模型構建80（3）結果輸出PD-----路徑系圖的輸出。SC-----列出完全標準化的參數估計。ALL-----列出所有可能的輸出。ND-----輸出結果的小數位數（可選0—8，缺省為ND=2）EP-----收斂標準，缺省EP=0.000001，越小表示收斂的標準越高。IT-----迭代次數上限，缺省IT=5倍自由估計參數。MI-----輸出修正指數。SS-----輸出參數的標準化解。AD-----容許性檢查時的迭代次數，缺省AD=20，AD=OFF表示遏止此檢查（3）結果輸出81!E-ServiceSTRUCTURALEQUATIONMODELDANI=28NO=204MA=CMRA=TEST1.TXTMONY=12NE=3NX=16NK=3LY=FU,FILX=FU,FIGA=FU,FRBE=FU,FRCPS=DI,FRPH=SY,FRLKUserInterResponsiReliablityLETrustRepurchaseRecommendFRLY21LY31LY41LY62LY72LY82LY103LY113LY123FRLX21LX31LX41LX51LX61LX82LX92LX102LX112CLX133LX143LX153LX163VA1.0LY11LY52LY93VA1.0LX11LX72LX123FIGA21GA22GA23GA31GA32GA33FIBE11BE12BE13BE23BE22BE33PDOUSSAD=OFF數據輸入模型建構結果輸出!E-ServiceSTRUCTURALEQUATIO82信任1X1X2X3X41234413121111y1y2y3y41234413121112y5y6y7y8567882726252112121ζ1ζ2交易意愿成本假設：樣本容量是208信任1X1X2X3X4123441312183!網上購物意愿DANI=12NO=208MA=CMRA=數據1.txtMONY=8NE=2NX=4NK=1LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FICPS=DI,FRPH=SY,FRLK成本LE信任交易意愿FRLY21LY31LY41LY62LY72LY82FRLX21LX31LX41VA1.0LY11LY52VA1.0LX11FRGA11GA21FRBE12PDOUSSAD=OFF!網上購物意愿843、模型修正模型自由度=協(xié)方差矩陣中不重復的元素個數-要估計的參數個數。要估計的參數越少，自由度越多，模型就越簡單；要估計的參數越多，自由度越少，模型就越復雜。模型修正原則：（1）增加自由參數（模型變復雜），模型的卡方會減少；減少自由參數（模型變簡單），模型的卡方會增加。如果增加參數后，卡方沒有明顯的減少，說明增加只有參數是值得的；如果減少自由參數后，卡方沒有顯著的增加，說明減少參數是值得的。（2）模型必須符合邏輯，不能盲目跟著數據走而只追求統(tǒng)計上的好模型。（3）模型越簡單越好3、模型修正85結構方程模型課件86結構方程模型課件87結構方程模型課件884、模型擬合MinimumFitFunctionChi-Square=1083.23(P=0.0)NormalTheoryWeightedLeastSquaresChi-Square=1186.28(P=0.0)EstimatedNon-centralityParameter(NCP)=860.2890PercentConfidenceIntervalforNCP=(758.79;969.33)MinimumFitFunctionValue=2.05PopulationDiscrepancyFunctionValue(F0)=1.6390PercentConfidenceIntervalforF0=(1.44;1.84)RootMeanSquareErrorofApproximation(RMSEA)=0.07190PercentConfidenceIntervalforRMSEA=(0.066;0.075)P-ValueforTestofCloseFit(RMSEA<0.05)=0.00ExpectedCross-ValidationIndex(ECVI)=2.5590PercentConfidenceIntervalforECVI=(2.36;2.76)ECVIforSaturatedModel=1.54ECVIforIndependenceModel=42.72

4、模型擬合89Chi-SquareforIndependenceModelwith378DegreesofFreedom=22500.79IndependenceAIC=22556.79ModelAIC=1346.28SaturatedAIC=812.00IndependenceCAIC=22704.38ModelCAIC=1767.96SaturatedCAIC=2952.02NormedFitIndex(NFI)=0.95Non-NormedFitIndex(NNFI)=0.96ParsimonyNormedFitIndex(PNFI)=0.82ComparativeFitIndex(CFI)=0.97IncrementalFitIndex(IFI)=0.97RelativeFitIndex(RFI)=0.94CriticalN(CN)=190.28RootMeanSquareResidual(RMR)=0.080StandardizedRMR=0.059GoodnessofFitIndex(GFI)=0.86AdjustedGoodnessofFitIndex(AGFI)=0.83ParsimonyGoodnessofFitIndex(PGFI)=0.69Chi-SquareforIndependenceMo90（1）絕對擬合指數如：基于擬合函數的指數、基于離中參數的指數、近似誤差指數、擬合優(yōu)度指數、信息指數等。(2)相對擬合指數如：非范擬合指數（NNFI）、comparativefitindes(CFI)等。(3)簡約擬合指數如：PRNI、PGFI、PNFI、PGFI等。常用的擬合指數：Chi-Square（卡方，）——越小越好RMSEA（近似誤差均方根）——小于0.1AIC——越小越好SRMR——小于0.08GFI及AGFI——大于0.9（0—1）NNFI、CFI、IFI——大于0.9（0—1）NFI——大于0.5：2-5之間。（1）絕對擬合指數GFI及AGFI——大于0.9（0—1915、結果解讀系數5、結果解讀系數92t值（參數顯著性檢驗）t值（參數顯著性檢驗）93Chi-Square=1186.28,df=326,P-value=0.00000,RMSEA=0.071NormedFitIndex(NFI)=0.95Non-NormedFitIndex(NNFI)=0.96IncrementalFitIndex(IFI)=0.97StandardizedRMR=0.059GoodnessofFitIndex(GFI)=0.86AdjustedGoodnessofFitIndex(AGFI)=0.83擬合指數（模型顯著性檢驗）Chi-Square=1186.28,df=326,P-946、結構方程模型的數據（1）樣本大小從理論上講：樣本容量越大越好。Boomsma（1982）建議，樣本容量最少大于100，最好大于200以上。對于不同的模型，要求有所不一樣。一般要求如下：N/P〉10N/t〉