结构方程模型中的AMOS应用与自助法分析-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_33660045/article/details/146990720

结构方程模型中的AMOS应用与自助法分析

背景简介

在结构方程模型（SEM）的分析中，数据的正态性是一个重要考量。本文基于《结构方程模型与AMOS 2nd edition》一书中的内容，探讨了如何使用AMOS软件处理数据非正态性，以及自助法分析在这一过程中的应用。

统计证据的非正态性

在分析数据前，首先需要检验数据的偏度和峰度。AMOS提供了详细的统计信息来评估数据的正态性。通过查看偏度和峰度值，可以判断数据是否符合正态分布的要求。偏度和峰度的临界比率（Critical Ratio, C.R.）是评估其统计显著性的关键指标。

偏度和峰度的统计证据

偏度（Skew）和峰度（Kurtosis）值通过多变量值和Mardia的多变量峰度系数来衡量。表12.1中展示了各个变量的偏度和峰度值，帮助研究者识别数据中的非正态性问题。

异常值的统计证据

除了偏度和峰度之外，AMOS还提供了识别数据中可能存在的异常值的信息。异常值的识别基于马氏距离（Mahalanobis distance）和其对应的概率值p1、p2。异常值是指与数据集整体分布显著不同的观测点。表12.2列出了离数据质心最远的观测案例，例如案例#886，其马氏d2值远高于其他案例，表明这是一个异常值，应考虑从分析中排除。

自助法分析的应用

当数据不满足正态分布的假设时，自助法分析（Bootstrapping）可以作为一种有效的统计方法来增强模型的稳定性和准确性。自助法通过从原始数据集中重复抽取样本来估计模型参数的标准误差。

参数估计和标准误差

当请求自助法时，AMOS提供了两组信息：常规的ML参数估计及其标准误差，以及自助法标准误差。标准误差是确定参数估计统计显著性的基础，自助法标准误差则提供了对原始样本估计的补充信息。

自助法迭代过程的总结

自助法迭代过程的总结包括了迭代次数和过程的成功程度。图12.6和图12.7展示了自助法迭代过程的细节，以及迭代次数和最小化方法之间的关系。例如，迭代次数和方法1、方法2的最小化过程，以及成功的引导样本数量。

总结与启发

本文详细介绍了使用AMOS软件进行结构方程模型分析时，如何处理数据的非正态性问题，并着重阐述了自助法分析在这一过程中的应用。通过自助法分析，可以有效识别异常值和偏度、峰度问题，从而提高模型估计的准确性和稳定性。启发读者在进行SEM分析时，应当重视数据的正态性检验，并且在数据不满足正态分布时，考虑使用自助法分析来增强研究的可靠性。