前面的SPSS分析方法-因子分析中，也提到因子分析的前提条件 ： KMO检验和巴特利特检验： 用于检查变量间的偏相关性，取值在0-1之间。KMO值越接近于1，因子分析效果就好。一般KMO值0.9以上极适合做因子分析，0.8以上适合做因子分析，0.7以上尚可，0.6以上勉强度可以，0.5以上不适合，0.5以下非常不适合。实际运用中，在0.7以上，效果比较好；在0.5以下时，不适合应用因子分析。
Bartlett 球形检验： P<0.05,不服从球形检验，应拒绝各权变量独立的假设，即变量间有较强相关；P>0.05时，服从球形检验，各变量相互独立，不能做因子分析。
接下来我们建立SEM模型。
一、画好路径图
打开AMOS，按照我们做EFA分好的题项或者根据理论分好的题项设计路径图。
二、读取数据文件
因为SPSS14.0版本以后已经将AMOS整合到SPSS内，所以一般我们数据以SPSS存储来分析比较兼容，不容易出问题。当然，在读取数据之前，我们要对数据的完整性问题做处理。
步骤：1、在工具箱中选择“Select data file(s)”图示，或者点菜单栏File-Data Files
2、勾选【Files Name】，然后选择分析的后缀名.sav数据文件读入
3、可以看到读入文件成功，数据样本145个
4、点击OK，结束数据读入，也可点击View Data阅览数据
二、命名变量名称
前面我们建立了路径图，但其中的潜在变量和观察变量以及相关误差都还没命名，和关联数据。
步骤：
[if !supportLists]1. [endif]命名观察变量。点击工具箱中”List Variablles in data set”,按住鼠标左键把观察变量拖入方形框中。
2.命名潜在变量。双击椭圆框框，打开Object Properties，在Variables Name窗口中输入潜在变量名。
3.命名误差变量。自动命名：点击菜单Plugins-Name Unobserved Variables。手动命名，可以双击打开Object Properties，保持视窗开启，逐个命名。
4.我们可以点击，调整一下观察变量的方框，美化路径图
5.最后我们就得出一个完整模型了。
三、在路径中显示重要的参数。
步骤：1、点击Title图示，在绘图区点一下，输入参数的宏函数
2、常见的参数宏函数命令如下
四、存档，点击，保存文件
五、估算分析，输出结果
步骤：
[if !supportLists]1. [endif]点击Analysis properties图示，选择Output，勾选需要分析的系数、输入的模型拟合度和需报告的相关值。
2、点击Calculate estimates图示，产生估计值。
六、分析验证输出结果
1.点击工具箱View Test图示，浏览输出估计值，输出报表内容。
2.报表解读
3.模型的总体
4.非标准化回归系数
5.标准化回归系数
6.相关系数
7.方差 ：检查是否有违反估计
原文来自https://mp.weixin.qq.com/s/ORu4ez12YoB036tuN5KuuQ
想要学习更多知识,欢迎关注wx公z号程式科技。
结构方程模型可以用SPSSAU。操作非常简单很容易上手，输出标准格式结果和结构图，针对每一步分析还会提供智能分析建议。
结构方程模型-spssau
结构图-spssau
在之前的回答中我们已经了解了这种分析是用来对测量模型进行验证的。这个地方有点绕，因为在国内的教材也好，老师讲课也好，使用CFA虽然是针对测量模型进行的分析，但是其具体指向的是结构效度这一概念。在SEM里，我们是对测量模型（常见为CFA）和结构模型（常见为路径分析、中介效应分析等）二者进行拟合的判断。
这里又是测量又是结构的，很容易让人产生混乱，以至于在分析选择及处理上总是纠缠不清，同样另一位答主也在这点上有些搅。这里我们再明确一下CFA的用法：验证性因素分析是通过SEM的方法（仅仅是通过方法，其实和SEM本质上还是有区别的）对测量模型的拟合进行验证，以确认测量的结构效度的分析方法。
题目中的两种做法区别到底在哪？我们可以发现其实题目中的方法，即潜变量共变的方法是标准的CFA的做法。我们之前提到，CFA只对测量模型进行验证，那么在测量模型中，维度/因素间的关系我们是假设其相互对立的，或者不假设关系。基于此，通过前人研究做的假设放到一个CFA中进行关系的拟合判断事实上是并不符合CFA仅针对测量模型进行分析的条件的。
除了在方法1的基础上进行了维度潜变量拟合的验证外，又验证了一个假设的结构模型。这是典型的潜变量SEM的做法，或者说是进行结构模型分析。这是SEM的标准做法，但并不是CFA的标准做法。
欢迎分享，转载请注明来源：夏雨云
微信扫一扫
支付宝扫一扫
评论列表（0条）