amos实务上的要求、模型识别与适配度
一，样本
小样本容易导致收敛失败，不恰当的解，低估参数值，因此样本量规定如下：
Loehlin(1992)提出，一个有2-4个因素的模型，至少100个样本，200个更好 ,因此小于100个样本也就不适合使用Amos
Bentle and Chou (1987)提出样本数至少为估计参数的5倍（根据经验法则估计参数为观察变数的2倍）
 二，参数估计方法
在SEM分析中，提供5种模型估计的方法如图：
一般化最小平方法（generalized least squares）未加权最小平方法（unweighted least squa
res）尺度自由最小二乘法（scale-free least squares）渐进分布自由法（asymptotically distrubution-free）
      最广泛使用的估计模型为ML估计法。（kelloway, 1998）只有是大样本并且假设观察数据符合多变量正态性，卡方检验才可以合理使用,但是当观察变量是次序性变量，且严重地呈现偏度或高狭峰等非正态性分布情形时，ML的估计值，标准误和卡方值检验的结果，都是不适当，不可信的，最好使用WLS法（余民宁，2006）或者使用bootstrap。WLS法不像GLS法与ML法，受到数据须符合多变量正态性的假定限制，但需要很大样本量，一般要1000以上（Diamantopoulos&Siguaw, 2000)。,GLS与ML法一样。
     在估计方法与样本大小关系方面， Hu（1992）与其同事发现，若是样本数据符合正态性假定，则使用ML法的样本数最好大于500，如果样本数少于500，则使用GLS法来估计会获得较佳结果，Boomsma(1987,P.4)建议使用极大似然法估计结构方程模型时，最少样本为200，少于100会得出错误结果。
ADF法样本数要大于1000（Introduction Lisrel-estimation）
三，模型
模型中潜在因素至少应为2个（Bollen,1989,）
量表最好为7点尺度（Lubke&Muthen, 2004）
每个潜在构面至少要3个题目，5~7题为佳（Bollen,1989）
每一个指标不得横跨到其他潜在因素上（cross-loading<0.4）(Hair et al., 1998)
问卷最好引用知名学者，尽量不要自己创造
理论框架要根据学者提出的理论作修正
模型主要构面维持在5个以内，不要超过7个
综上问卷问题题数设置一般在20左右

amos模型识别与适配度
一，模型基本适配指标
在模型基本适配指标验证方面，Bogozzi和Yi（1988）提出以下几个准则
（1）估计参数中不能有负的误差方差
正则化参数的自适应估计
（2）所有误差变异必须达到显著水平（t值>1.96）
（3）估计参数统计量彼此相关的绝对值不能太接近1.
（4）潜在变量与其测量指标之间的因素负荷量，最好大于0.6
（5）不能有很大的标准误
（6）标准化参数<1
二，整体模型适配指标（模型外在质量的评估）
检验模型参数是否有违规估计现象之后在检验整体模型适配，在AMOS中极大似然比卡方值，其报表会出现3个模型的卡方值，此3个模型为预设模型，饱和模型，独立模型，要检验理论模型与实际数据是否适配或契合，应查看预设模型的CMIN值，若是一个假设模型达到
适配，最好能进行模型简约的估计。一个适配度加的假设模型较多自由度，表示此假设模型是简约与精简模型，反之不是。
（一）绝对适配统计量 
卡方值 卡方自由度比 RMSEA GFI&AGFI
（二）增值适配统计量
（三）简约适配统计量
实务上卡方值不是个很实用的适配度指标，p值在200个样本以上，几乎所有的研究都是显著的，很容易得到P<0.05的假设，因此佐以其他的适配度指标协助判断Tanaka(1993)，Maruyama(1998)。
IFI，TLI，CFI为最常报告的配适度指标，理想值>0.9，甚至>0.95,CMIN/DF,GFI,AGFI,RMSEA比较常用

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。