第13章結構方程模型13.1結構方程模型13.2結構方程的建立13.3結構方程的Amos實現12引入案例——國產辦公軟件公司案例背景習近平總書記強調，科技攻關要摒棄幻想靠自己，軟件國產化替代意義重大。某國產辦公軟件公司在產品開發迭代過程中收到了兩類用戶評價，一類用戶反映“目前的軟件操作繁瑣太難使用”，另一類用戶反映“目前的軟件能夠提高自己的辦公效率”。這給產品開發部門帶來了困擾：是繼續按照原有計劃進行開發，還是精簡功能呢? 本案例通過結構方程模型的分析，為該國產辦公軟件公司解決這一決策問題。數據說明

研究者通過問卷調研的形式，收集了用戶對該國產辦公軟件“感知易用性”、“感知有用性”、“使用意愿”的相關作答數據，所收集的數據如表13–1所示。通過結構方程模型分析方法，分析出國產辦公軟件使用意愿的影響機制。3引入案例——國產辦公軟件公司本案例的Amos具體分析步驟見13.3節。第1節結構方程概述13.1.1數據的適用范圍13.1.2結構方程模型基礎知識13.1.3結構方程原理45根據前面回歸分析和統計假設檢驗的內容，我們已經可以開始進行一些簡單實證模型的檢驗了。但是，在實際研究中，實證模型往往不那么簡單，主要體現在兩個方面：①需要同時進行多個回歸方程的檢驗（比如檢驗一個自變量通過幾個不同路徑產生的影響，而不是檢驗幾個自變量對一個因變量的影響)。②構念難以直接進行反應，或者需要進行開拓性的研究。結構方程模型便是檢驗一些復雜模型（一般的回歸分析和多元回歸分析不能解決的模型）的工具。6本章引例研究的問題是：消費者購買意愿的真正影響機制是什么？我們建立的理論模型是基于“技術接受模型(technologyacceptancemodel)”,用于研究個體對信息技術采納接受行為的影響因素，包括心理作用和主要外部影響因素，從而幫助管理者更好地制訂改進措施以促進個體對信息技術的使用行為。技術接受模型示意圖如圖13-1所示。13.1.1數據的適用范圍7本章結構方程模型主要采用定量數據中的定比數據，來源于五級問卷量表。除此之外，對于二分變量，也有其他的一些方式進行處理，詳見第13.2.4小節結構方程模型使用上的一些其他問題。13.1.2結構方程模型基礎知識8看不見的構念與看得見的測量項目之間關系如何測量呢？針對感知易用性(perceivedeaseofuse,PEOU)、感知有用性(perceivedusefulness,PU)、使用意圖(useintention,UI)這3個潛變量，分別使用3個項目來進行測量，稱為PEOU1、PEOU2、PEOU3、PU1、PU2、PU3、UI1、UI2、UI3。問卷如表13-2所示。13.1.2結構方程模型基礎知識9通常來說，結構方程模型都是從左到右進行描述的，也就是說箭頭總是傾向于從左指向右。構念在結構方程中用橢圓表示，它們對應的測量項目用長方形來表示。首先是單向箭頭和雙向箭頭。單向箭頭是前因后果關系的表達，箭頭由前因指向后果。因此X→Y在結構方程中代表著X是前因，Y是后果。雙向箭頭意味著兩者之間存在相關關系，這一點會在后面得以體現。13.1.2結構方程模型基礎知識10潛變量（構念）很多社會、心理研究中所涉及的變量，都不能準確、直接地測量，這種變量稱為潛變量（也稱為構念），如工作自主權、工作滿意度等。這時，只能退而求其次，用一些外顯指標去間接測量這些潛變量。在本章引入案例中有3個潛變量：感知易用性PEOU：使用者認為信息技術容易使用的程度。感知有用性PU：使用者認為信息技術可以在多大程度上提高其工作效率。使用意圖UI：使用者愿意使用信息技術的程度。傳統的統計分析方法不能妥善處理這些潛變量，而結構方程模型能夠檢驗這些看不見的構念與看得見的測量項目之間的關系。13.1.2結構方程模型基礎知識11內生變量與外生變量內生變量(endogenousvariables)與外生變量(exogenousvariables)是計量經濟學中的概念。在結構方程模型中，沒有前因的變量被稱為“外生變量”，除了外生變量外的其他變量都被稱為“內生變量”。例如，在上述結構方程模型中，“感知易用性”這個變量沒有其他的前因表現它了，因此它就是外生變量；“感知有用性”的前因是感知易用性；“使用意圖”的前因是感知易用性和感知有用性。由此可見，在此結構方程模型中，只有“感知易用性”是外生變量，“感知有用性”和“使用意圖”都是內生變量。13.1.3結構方程原理1213.1.3.1測量模型測量模型又稱為“驗證性因子分析”，另一種相似的分析稱為“探索性因子分析”。為了更好地介紹測量模型的特性，引入因子分析。首先介紹兩個內生潛變量感知有用性PU、使用意圖UI的測量模型。由前面的因子分析可知，“因子”其實是一組變量的一個線性組合。那么，因子和變量的概念遷移到結構方程模型中，便是“潛變量/構念”和“測量項目/問項”。同樣以兩個內生潛變量和其對應的測量項目為例，它們之間的關系如下：13.1.3結構方程原理13同樣地，各個變量也可以寫成由因子組成的一個線性函數：為何上述因子的表達式沒有誤差項，而測量項目的表達式有誤差項？因為因子的定義就是變量的線性組合，沒有增加誤差項的必要。但是，在測量項目的表達式中，由于只使用了兩個因子來代表4個變量，必然有信息減少，故存在誤差，所以需要添加誤差項

，假設其服從均值為0、方差為的正態分布。13.1.3結構方程原理14我們將方程組（13-2）稱為“探索性因子分析(exploratoryfactoranalysis,EFA)”。在方程組（13-2）中，假設我們并不清楚各個問題選項的變量、構念之間有沒有對應關系，6個變量都有可能反映任何一個構念，因此有12個待估計的因子載荷參數。通過因子分析估計出載荷，基于載荷判斷變量和構念的對應關系便是“探索”。我們希望出現的情況是PU1、PU2、PU3都在測量PU這一構念（意味著3個變量在這一構念上因子載荷較大），而不希望PU1、PU2、PU3測量其他的構念（意味著3個變量在其他構念（比如UI）上因子載荷較小），這樣的變量便是理想的變量，也意味著問卷設計合理。13.1.3結構方程原理15“驗證性因子分析”也即測量模型。驗證性因子分析驗證的是：變量和構念的對應關系如我們的假設——PU1、PU2、PU3對應PU這一構念、UI1、UI2、UI3對應UI這一構念。在這個假設下，我們發現有些因子載荷是不必要的了，于是有了新的方程組：式中，λij為測量因子i

中j

測量項目對應的因子載荷。13.1.3結構方程原理16我們將這個方程組稱為“驗證性因子分析(confinnatoryfactoranalysis,CFA)”，將這一方程組用結構方程模型的方式表示出來，便是測量模型（圖13-2a）。13.1.3結構方程原理17為了方便比較，我們將探索性因子分析方程組（13-3）也用結構方程模型的方式表現出來（圖13-2b），通過兩圖的對比可以發現，驗證性因子分析在探索性因子分析的基礎上，“預設”好了問題選項與構念之間的對應關系，是對這種“預設”的一種檢驗。13.1.3結構方程原理18方程組（13-3）中的6個公式本來可以分開6次，使用前面的方法進行估計；而更好的估計方法是把當中所有的參數同時估計出來，結構方程模型的參數估計方法便能夠做到這一點。引入案例中一共有3個潛變量（構念），這3個構念的測量模型如圖13-3所示。在實際操作時也是使用此測量模型。13.1.3結構方程原理1913.1.3.2結構模型前述的模型對應的是以下兩個回歸分析：我們當然可以分別進行回歸分析對參數進行估計，然而，結構方程模型可以以一種更好的方式同時估計它們。估計上述參數的過程被稱為“路徑分析(pathanalysis)”，而其對應的模型便是結構方程模型中的“結構模型(structuralmodel)”，如圖13-4所示。13.1.3結構方程原理2013.1.3.3全模型把“結構模型”和“測量模型(measurementmodel)”結合起來，就是整個“結構方程模型(stmctualequationmodel)”，又稱“全模型”，如圖13-5所示。13.1.3結構方程原理2113.1.3.4結構方程模型的估計方法結構方程模型的參數估計方法的核心是模擬估計(simulation)。當一個結構方程模型被建立起來時，我們假定變量之間是存在一定關系的，因此變量之間的方差-協方差矩陣（簡稱方差矩陣）應該存在一定的特征。同樣的，我們收集到的數據也可以通過一些方式計算岀一個方差矩陣，將兩個方差矩陣進行比較，就可以知道我們估計的參數是否可以接受。模擬的程序會一直改變估計的參數，直到估計的兩個方差矩陣最接近（意味著最可能按照我們設計的關系進行）的情況下，最終輸出的參數便是參數估計。13.1.3結構方程原理2213.1.3.4結構方程模型的估計方法如果兩個方差矩陣不需要經過太多次的迭代就已經十分接近，意味著結構方程的關系和數據實際反映出來的關系很接近，因此對應的p值也會很?。欢绻洑v過很多次的迭代后，兩個方差矩陣才能接近，意味著數據實際和模型有一定的出入，因此對應的p值會較大；更加極端的情況是，經歷過很多次的迭代后方差矩陣還不接近，說明模型是存在問題的，模型與數據實際出入較大。具體到估計方法，在結構方程模型中最常使用的方法是極大似然估計，除此之外還有未加權最小二乘估計、廣義最小二乘估計等。第2節結構方程的建立13.2.1模型構建13.2.2模型評價13.2.3模型修正13.2.4結構方程模型使用上的一些其他問題2324SEM分析的流程框圖如圖13-6所示。13.2.1結構模型25結構方程模型依托潛變量這一重要的基礎，需要依據已有的理論或者邏輯推導進行研究模型的確立。值得一提的是，模型的構建是在模型評價與構建之間反復橫跳的。此處的模型構建，即包括測量模型（問項的選擇），也包括結構模型（模型的結構）。13.2.1.1潛變量的構建及測量項目的選擇確立完研究模型后，我們著眼于潛變量的設立。潛變量可以依據相關理論或結合理論的實際問題分析確定，也可以依據探索性因子分析的結果構造。13.2.1結構模型26依據相關理論或者實際問題分析。要確定一個潛變量，首先需要界定該潛變量的含義、內容、界定范圍，而這一過程最好借助相關理論，使用公認的定義。依據探索性因子分析的結果構造。一個潛變量，尤其是一個全新的潛變量，很容易出現問項和潛變量不匹配的情況，具體體現為探索性因子分析的因子載荷分布并不理想，其中一種不合理情況便是出現嚴重的交叉載荷。在這種情況下，意味著構念與測量問項反映的問題不一致。測量項目數量的要求在13.2.4中詳細敘述。13.2.1結構模型2713.2.1.2結構模型的建立結構模型的建立是研究者研究的核心，我們根據理論或有關假設，提出一個或數個合理模型進行檢驗。下面的案例是對技術接受模型（TAM）的驗證，這是一個結合理論進行創新的例子：以熊焰《基于技術接受模型的電子商務信任實證研究》為例，其結合了Davis的技術接受模型和Gefen的信任模型思想，構建電子商務信任模型，如圖13-7所示。13.2.1結構模型28本研究的創新性主要有兩個方面：第一個方面是應用邊界的拓寬，技術接受模型運用于信息技術，而電子商務使用的網站本質上也是一種信息技術，由此將TAM利用到網絡購買行為的研究上；第二個方面則是結構模型的構建，其中對于H4的論述從多個角度引用文獻進行論證，而對于H5和H6假設的提出則是通過邏輯推理得到的，這啟發了我們結構模型建立的兩種主要思路——基于已有理論或基于邏輯推理。13.2.2模型評價2913.2.2.1驗證性因子分析與信度效度指標驗證性因子分析(confirmatoryfactoranalysis)往往指的是與旋轉因子載荷的方差分析相結合，通過觀察各問項在潛變量上的因子載荷是否合理來進行定性的分析。除此之外還有定性的指標，即信度和效度。信度(reliability)。即可靠度、一致性或者穩定性。目前最常用的衡量是克朗巴赫系數。一般情況下，我們主要考慮量表的內在信度——項目之間是否具有較高的內在一致性。通常認為：信度系數應該在0?1之間，如果量表的信度系數在0.9以上，表示量表的信度很好；如果量表的信度系數在0.8?0.9之間，表示量表的信度可以接受；如果量表的信度系數在0.7?0.8之間，表示量表有些項目需要修訂；如果量表的信度系數在0.7以下，表示量表有些項目需要拋棄。13.2.2模型評價30效度(validity)。是指測量工具能夠正確測量出所要測量問題的程度。那么，在結構方程模型中，效度便代表了收集到的數據（問題選項能否反映某一特定問題，潛變量的確定是否合理）。Amos可以較為方便地輸出區分效度指標，主要針對觀察變量間的區分效度。區分效度指潛變量之間的低相關性和顯著差異性，它可以通過比較平均方差抽取量平方根與變量間相關系數的大小來評估。根據Fornell和Larcker提出的標準，若以一個變量與其他變量的相關系數小于該變量的平均方差抽取量平方根，該數據基本大于其所在列的所有數值，則本研究的測量模型區分效度合適。具體的操作步驟將在第13.3.2小節測量模型的擬合部分介紹。13.2.2模型評價3113.2.2.2模型整體擬合優度擬合優度(goodnessoffit)是統計量的簡稱，通過各種各樣的統計量，衡量

的差距，比較協方差矩陣的差異，以此來評價和測量模型的擬合程度。模型的擬合優度主要分為絕對擬合優度和相對擬合優度。表13-3列舉了一些常用的擬合指數，主要可以分為兩個大類：絕對擬合指數和相對擬合指數。13.2.2模型評價32絕對擬合指數絕對擬合指數是直接比較理論模型和飽和模型得到的統計量。所謂飽和模型，是指模型當中的所有變量之間均具有相關關系，因此飽和模型也是最復雜的模型，其自由度為0。由于飽和模型完全真實地反映了原有變量之間的所有關系，因此，與飽和模型比較實際上就是與原有樣本進行比較，也即絕對擬合指數反映了理論模型和樣本數據之間的擬合程度。常用的絕對擬合指數有下面幾種：13.2.2模型評價33（1）χ2是常用的絕對擬合指數之一。我們利用常用的估計方法得到的χ2

近似服從于卡方分布，當χ2

越大時，的差距就越大。對于給定的顯著性水平，當χ2

大于對應臨界值時，說明

的差距達到了顯著水平，即模型和數據擬合得不好；當χ2

小于對應臨界值時，可以認為模型與數據擬合得很好。但χ2

的大小受到樣本容量N的影響，當N很大時，即使模型和真實模型差距較小，χ2

通常也會很大；反之，當N很小時，χ2

通常也會很小。此外，指標是否服從正態分布也會影響擬合的優度。因此，直接利用、判斷模型的擬合效果并不妥當。13.2.2模型評價34（2）χ2/df是另一個常用的絕對擬合指數。因為分母df是自由度，所以χ2/df能夠調節模型的復雜程度，從而相對合適地選擇一個參數數量在適合范圍內的模型。但是，該指數同樣易受樣本容量的影響，因此對于單個模型的評價價值不高，更多的是用于模型比較的情況。通常認為χ2/df<3.0時，模型可以接受。（3）GFI和AGFI統稱為擬合優度指數。其中，GFI是基于擬合函數值進行計算的指標；而AGFI是基于自由度，對GFI進行修正后的指標，這類指標的數值越高，證明其擬合優度越好，通常認為當GFI>0.8、AGFI>0.9時，模型的擬合程度較好。13.2.2模型評價35（4）StandardizedRMR指的是標準化殘差均方根。其中RMR是殘差均方根，是直接利用樣本差距，即模型的估計值和觀測樣本值的殘差進行計算的一個統計學指標。StandardizedRMR與RMR的不同之處在于，前者使用的是標準化指標——相關矩陣，因此，StandardizedRMR的值處于［0,1］之間。在通常情況下，SRMR由于具有標準化的特點，因此可以跨研究進行比較，比較容易解釋，不過實際上在模型比較時，RMR和SRMR對于模型的排序是一致的。一般認為StandardizedRMR小于0.05時，模型擬合得不錯。13.2.2模型評價36（5）REMEA：是最早提出的指數之一，稱為近似誤差均方根。在構建指標時，REMEA主要利用χ2

與df之間的差值和0做比較來評價擬合效果，并利用分母中的df懲罰復雜模型。相比于RMR，REMEA受到樣本容量N的影響更小，而且對于參數過少的誤設模型更加敏感，是理想的指數。一般認為REMEA位于0.05?0.08之間時，模型和數據的擬合效果較好。13.2.2模型評價372.相對擬合指數現考慮一系列模型Mn

…Mt

…Ms

，其中，Ms

為前面述及的飽和模型；Mn

為虛模型，指的是限制最多、擬合得最不好的模型；Mt

是理論模型，擬合程度介于Mn和Ms之間。相對擬合就是以虛模型Mt為基準，將理論模型與之比較，看看理論模型的擬合程度與之比較如何。相對擬合指數最小為0（即虛模型Mn），最大為1（即飽和模型Ms），而理論模型的相對擬合指數介于二者之間。當理論模型的相對擬合指數越大時，模型的擬合效果越好。一般認為，指數超過0.9時模型可以接受。13.2.2模型評價38常見的相對擬合指數如下：（1）NFI稱作賦范擬合指數，是最典型的相對擬合指數。虛模型是最復雜的模型，其χ2

一般而言也是最大的，因此，我們通過評價理論模型的χ2

與之相比減小的程度就可以評價其擬合優度。NFI是用虛模型和理論模型的χ2

之差除以虛模型的χ2

計算而得的。但由于NFI明顯會受到樣本容量的影響，因此受到的批評較多。（2）CFI是最常用的相對擬合指數之一。CFI稱作比較擬合指數，它使用χ2

與df差值這一指標的改進程度來衡量理論模型的擬合優度。CFI受到樣本容量的影響較小，且相比于其他指標，CFI的標準差明顯較小。其不足之處在于，CFI缺少對于復雜模型的校正，因此對于復雜模型的懲罰不足。13.2.2模型評價3913.2.2.3參數檢驗在Amos中，C.R.是參數顯著性檢驗的統計量，P是原假設成立的概率。在給定的置信度水平α

下，如果P<α，那么說明我們有足夠的理由在該置信度水平下拒絕原假設，也稱通過顯著性檢驗，下文簡稱為“顯著”。結構模型每條路徑上都基于一條假設，“顯著”與否便代表了模型在現有樣本數據下能否得到支持。完美的情況是：一切都與我們的假設一致，全部路徑系數都如我們想象中的那般“顯著”。但是，如果出現難以解釋的情況，便意味著模型的假設有問題。此時我們需要依據其他理論對現象進行解釋，或者重新調整模型并重新進行數據收集。13.2.3模型修正40結構方程模型的修正主要基于修正指數(modificationindices,MI)的使用，可以進行以下兩類的模型修正操作，問項剔除和模型路徑因果關系修正。1.問項剔除問項剔除方面，修正的依據有各項擬合優度。比如卡方值是否顯著，卡方值顯著表示研究模型中的協方差仍與數據中的協方差顯著不同。使用修正指數和因子載荷作為剔除選項的指導。（1）看回歸權重(regressionweights)，觀察有無相關性較高的問項。（2）剔除對潛變量的標準因子載荷(standardizedfactorloadings)較低的那個選項。13.2.3模型修正412.模型路徑因果關系修正模型路徑因果關系修正指的是修正（增加或刪除）一些相關或者因果關系，但是修正的參數關系不能違反SEM的假定。模型路徑因果關系修正方面，主要考慮以下標準：（1）外因潛變量與內因潛變量的指標變量間沒有直接關系。（2）內因潛變量與外因潛變量的指標變量間沒有直接關系。（3）外因潛變量的指標變量與內因潛變量的指標變量間沒有直接關系。（4）指標變量的殘差項與潛變量間無關（不能建立共變關系），指標變量的殘差項可以有共變關系，但是指標變量間的殘差項間不能建立路徑因果關系。13.2.4結構方程模型使用上的一些其他問題4213.2.4.1調節效應的檢驗調節效應可以用變量X、變量Y和變量M的關系圖（圖13-8）進行解釋。變量X指向Y，其中的因果關系可以表示為Y=，調節作用表示的是變量M對這一因果關系存在影響，調節變量又常常被稱為情境，另一個理解的角度是“不同情境下，這個因果關系存在不同”，影響的結果主要有兩種。13.2.4結構方程模型使用上的一些其他問題43第一種，調節變量影響這一因果關系是否成立，比如調節變量M是性別，如果該因果關系對男性成立，而對女性不成立，那么我們便可以說性別調節了X到Y的因果關系。第二種，調節變量影響這一因果關系的強度，也即是公式中的β1，比如調節變量M是性別，該因果關系對男性而言β1=1.1，而對女性而言β1=2.4，這便是性別對X到Y的因果關系強度的調節，性別便是調節變量。這是一個通俗化的理解，主要從分組調節的角度進行解釋，自變量為連續變量，調節變量為類別變量，便于讀者理解調節作用。更加規范的情況是，自變量和調節變量都是連續型變量，此時調節變量M應當包含在方程之中。13.2.4結構方程模型使用上的一些其他問題44Y=aX+bM+cMX+e其中，MX是交叉項，檢驗調節效應的關鍵問題是如何從M和X測量項計算M*X。Chin等提出了兩種算法——Standardizing標準化和Centering中心化。這兩種方法都比直接將X和Y的指標組合相乘要好，后者可能導致構念與測世項目之間的嚴重相關性，從而導致估計中的計算誤差。只有當交叉項MX前的系數參數c顯著時，才可以說M對X→Y這條因果路徑具有調節作用。實現方面，Amos對于連續型變量的調節效應檢驗的實現十分復雜，推薦使用SmartPLS進行調節效應的檢驗。13.2.4參數檢驗4513.2.4.2數據相關問題（樣本容量、非正態數據）在驗證性因子分析或結構方程分析中，樣本容量N的下限如何確定、以及每個潛變量對應的指標需要有多少個測量項目，這是研究者們最關心的問題。研究者們的觀點眾多，總結來看大多數模型需要至少200個被試才能使得模型穩定，若需要依靠某個變量進行分組分析，則N要更大。對于測量項目，每個潛變量最好有至少3個測量項目，但是2個測量項目也是可以接受的，Eisinga,R.2013年發表在InternationalJournalofPublicHealth（QI）上的文章，說明1個潛變量至少具備2個題項，但是，除非迫不得已（驗證性因子分析部分刪除了測量項目），建議盡量保持更多的測量項目，尤其是當N不夠大時，更應該使用更多項目來測量潛變量。總而言之，當模型潛變量個數并不多時，建議1個潛變量至少對應4個問項，以備調整所需。13.2.4參數檢驗46非正態數據問題在結構方程中并不嚴重。極大似然估計法（ML）是最常用的參數估計方法，需要滿足的前提假設中的一條便是“變量是多元正態分布”。然而該假設十分難以滿足，比如對400個大樣本的心理學測試，即便是一元正態分布假設也難以滿足。但是我們無需擔心，已有許多研究探索了非正態數據校正對擬合結果的影響，大多數的情形是校正與否差別不大?？偟膩碚f，面對許多非正態數據情況下，簡單地使用ML分析原始數據，各參數的估計仍然是具有參考價值的。13.2.4參數檢驗4713.2.4.3擬合相關問題（不收斂）由前文可知，結構方程模型的參數估計的主要形式是模擬估計，也就是以迭代方式進行。結構方程分析軟件中，都可以設置迭代次數的上限。當超過這一上限而模型的擬合參數值仍不收斂時，輸出結果將顯示模型不收斂（non-convergence）。對于變量較多的模型，一般需要較多迭代次數才能收斂，因此可以增加迭代次數的上限。第3節

結構方程的Amos實現4813.3.1Amos基礎操作13.3.2測量模型（驗證性因子分析）的建立13.3.3測量模型的擬合13.3.4測量模型的修正13.3.5全模型的建立13.3.6全模型結果的解讀13.3.1Amos基礎操作49SPSSAmos軟件初始界面如圖13-9所示，左方的工具欄，長方形是【測量變量】構建工具，橢圓形是【潛變量】構建工具。Amos最大的特點就是，移動任何變量（長方形、橢圓形等）都無法直接拖動，而需要使用【單選/全選工具】選中變量，再使用貨車【移動工具】進行拖動。同樣地，選中變量之后，也可使用復印機【復制工具】對已經選中的變量進行復制。下面通過測量模型建立、全模型建立、模型擬合、模型修正四個方面來介紹結構方程模型的Amos實現。13.3.1Amos基礎操作5013.3.2測量模型（驗證性因子分析）的建立51構建單個潛變量及其測量模型本案例一共具有3個潛變量，從左方工具欄中點選【潛變量】構建工具，進入潛變量繪制模式，在界面右方空白畫紙中點摁→拖動→松開完成潛變量的繪制。接下來點擊，進入快速添加測量項模式。本案例中每個潛變量有3個測量項目，因此我們單擊3次想要添加測量項的潛變量，為潛變量添加3個測量項目。13.3.2測量模型（驗證性因子分析）的建立52通過復制繪制其他的潛變量接下來我們通過復制的形式繪制另外兩個潛變量：點擊單只手指的手套【單選工具】，點擊繪制完畢的潛變量，可以看到橢圓形的邊框變成了藍色，說明該變量已被選中。此時如果我們直接點擊復印機【復制工具】，通過點摁選中的變量→拖動→松開，會發現僅僅復制了潛變量，而沒有將該潛變量的測量項目一同復制。我們此時需要點選進入【保持完整性模式】，點擊復印機【復制工具】，通過點摭選中的變量→拖動→松開來復制潛變量和對應的測量項目。13.3.2測量模型（驗證性因子分析）的建立53添加變量之間的相關雙箭頭測量模型中，所有潛變量之間都需要繪制雙箭頭。我們可以點選【雙箭頭】構建工具，通過點摁選中的變量→拖動到另一個變量位置→松開來繪制雙箭頭。但是，當潛變量數目很多時，這種方式將很難實行。我們可以采取另外一種方式：首先用【單選工具】點選所有潛變量，點擊上方菜單欄的【Plugins】→【

DrawCovariances】來主動繪制潛變量之間的相關雙箭頭。13.3.2測量模型（驗證性因子分析）的建立54調整模型方向/位置/布局繪制完雙箭頭后，可能會出現雙箭頭與模型交叉的現象。調整模型的布局主要有3種方式。（1）選中變量后使用貨車【移動工具】進行拖動，但是這種方式無法改變測量項目的位置。（2）選中變量后點擊【旋轉工具】進入旋轉模式，單擊【潛變量】可以順時針改變對應潛變量的布局。（3）選中變量后點擊【對稱工具】進入對稱調整模式，單擊【潛變量】可以鏡像改變對應潛變量的布局。13.3.2測量模型（驗證性因子分析）的建立55數據錄入點擊【選擇數據文件】按鈕，點擊【FileName】選擇文件并確定，點擊【OK】完成數據導入。數據集中存儲的是測量項目的數據，因此我們只需要導入測量項目（長方形）的數據。點擊柜子圖標【數據變量列表】，點摁變量條目→拖動到長方形測量項目上→松開，便完成了一個測量項目數據的錄入。以此類推完成全部的測量項目數據錄入。13.3.2測量模型（驗證性因子分析）的建立56變量命名測量項目數據錄入完畢后，我們需要進行潛變量和誤差項的命名。如圖13-10所示，兩類變量的命名方式一致，點擊單只手指的手套【單選工具】，雙擊變量便可打開命名窗口，在【Variablename】中進行命名。值得一提的是，Amos中無需重復打開變量命名窗口，命名完一個變量后，直接點選下一個變量便可以進行下一個命名。13.3.2測量模型（驗證性因子分析）的建立57除此之外，對于誤差項，還有更加方便的一種方式是，首先用【單選工具】點選所有誤差項，點擊上方菜單欄的【Plugins】→【

Nameunobservedvariables】來為誤差項命名，但是軟件自動生成的名字是按照變量建立先后順序進行命名的，因此具有一定的局限性。至此，我們完成了測量模型的全部構建過程，模型總覽如圖13-11所示。13.3.3測量模型的擬合58首先點擊【分析設置】，可以對Amos軟件的運行進行設置。Estimation參數估計部分默認選擇極大似然估計，點擊【output】子標題，建議勾選以下設置：①標準化參數估計(Standardizedestimates)：輸出標準化后的參數估計結果；②修正指標(Modificationindices)：輸出模型修正的依據。設置好Amos軟件的運行參數后，點擊黑白琴鍵【計算估計】開始運算，點擊【Viewtext】査看模型輸出結果報表。13.3.3測量模型的擬合59查看因子載荷打開【Estimates】査看因子載荷，也稱為標準化的回歸系數StandardizedRegressionWeights（β值），同時它也是路徑分析中的路徑系數。圖13-12所示為驗證性因子分析輸出的結果，由StandardizedRegressionWeights一項可以看到，各問題選項對潛變量的因子載荷中，最小的數值為UI1＜-UI的0.626，可以說明問卷信度、效度良好，也就是說驗證性因子分析結果較好。13.3.3測量模型的擬合6013.3.3測量模型的擬合61一般來說因子載荷有以下幾種不良情況：（1）某些問項因子載荷＜0.45：問卷設計不良，缺乏信度，此時觀察變量應該放到其他的潛變量。(Kline,2011)（2）某些問項因子載荷＞1：觀察變量之間存在多重共線性。（3）一個潛變量的幾個因子載荷符號不全相同：存在反向題忘記反向處理。（4）無法跑出結果：觀察變量之間相關性太低或為1。13.3.3測量模型的擬合62查看模型擬合優度打開【NotesforModel】(見圖13-13)，此處的P

值Probabilitylevel=0.348意味著沒有足夠的依據拒絕原假設，結構方程模型參數估計的原假設是數據的S矩陣和假設模型隱含的∑矩陣契合，也就是觀察數據(data)與假設模型(model)間是匹配的。Tanaka(1993)和Maruyama(1998)的研究都顯示，當樣本量大于200時，幾乎所有的研究都是具有顯著性的(P<0.05)，因此判斷模型匹適度的時候應該輔助以其他擬合優度指標。13.3.3測量模型的擬合63打開【ModelFit】查看模型各項擬合優度，如圖13-14所示。主要需要査看的擬合優度在前文有介紹。對照各項標準可見，模型擬合優度良好。13.3.3測量模型的擬合64輸出效度指標在經管領域，凡是運用量表型問卷進行的研究，期刊都會要求對測量模型的信度和效度進行描述。信度的指標主要有克隆巴赫alpha系數、組合信度、因子載荷等。這里主要介紹效度指標的輸出。1）收斂效度平均方差抽取量(averagevarianceextracted,AVE)，一般AVE>0.5可以認為收斂效度較好。AVE值的公式如下：式中，λ

為每個測量項目相對于潛在變量的因子載荷；n為測量項目個數。13.3.3測量模型的擬合652）區分效度具體操作方法如下：（1）計算測量項目的因子載荷，此步驟已在前面完成。（2）通過測量項目的因子載荷，計算潛變量的AVE。（3）AVE開方根。（4）計算各潛變量間的相關系數：可用AMOS進行。輸出結果中的【Estimates-Matrices】-【Implied(forallvariables)Correlations】，輸出的便是所有變量（包括全部潛變量和測量問項，測量問項也被稱為顯變量）的相關系數（見圖13-15），我們只需要截取潛變量的左上部分即可。13.3.3測量模型的擬合6613.3.3測量模型的擬合67（5）列出表格進行比較。（6）將相關系數表對角線上的“1”全部替換為AVE開方根的數值，便于比較。最終結果如表13-4所示。13.3.4測量模型的修正68修正前請再次檢査，是否在【分析設置】→【output】中勾選了輸出修正指標Modificationindices。點擊黑白琴鍵【計算估計】開始運算，點擊【Viewtext】査看模型輸岀結果報表，打開【ModificationIndices】査看修正指數。核心指標兩個核心的指標：①M.I.是修正指標卡方值(modificationindices)，代