结构方程模型Amos
建模分析工具
1. 简介
2. 测量模型
测量模型由潜在变量（latent variable）和观察变量（observed variable）组成。
- 观察变量是用量表或问卷等的测量工具得到的数据；
- 潜在变量是观察变量间所形成的特质或抽象概念。
在结构方程模型（structural equation modeling，SEM）中，
- 观察变量通常以长方形符号表示；潜在变量（构念construct）通常以椭圆形符号表示；
- 一个潜在变量必须以 ≥3个 的观察变量来估计，称为多元指标原则。
- 观察变量是潜在变量的反应性指标，也就是果指标（effect indicators）。
核心区别
反应性指标（Reflective Indicators）：是被潜在变量影响的结果，指标变化反映变量变化（如“满意度”是变量，“推荐意愿”“重复购买”是其反应性指标，满意度高则指标表现好，指标可以少，不影响潜变量的内涵，指标间高度正相关）。
形成性指标（Formative Indicators）：是构成潜在变量的原因，指标组合定义变量（如“生活质量”是变量，“收入”“健康”“社交”是其形成性指标，这些指标共同决定生活质量高低,不能少指标，要不潜变量的内涵就变了，指标间可以不相关甚至负相关）。
测量模型在SEM的模型中就是一般所谓的验证性因子分析（confirmatory factor analysis，CFA），用于检验模型中各指标和构念的聚合效度以及区别效度。
初始假定误差项之间是独立无关的，cfa分析中会提供修正指标值，提示相关关系。
聚合效度和区别效度均为验证性因子分析（CFA） 中评估量表结构效度的核心指标，用于检验测量工具是否能准确测量目标概念。
- 聚合效度（Convergent Validity）
- 核心定义：同一概念（潜变量）下的不同测量题项（观测变量），应高度相关并共同指向该概念，即“同属一个概念的题项应聚合在一起”。
- 判断标准：通常通过平均方差提取值（AVE） 评估，一般要求AVE值≥0.5，表明该潜变量能解释其观测变量至少50%的方差，聚合效果良好。
- 示例：测量“客户满意度”的3个题项（如“我对服务很满意”“我愿意再次选择该服务”“我认为服务超出预期”），若它们的AVE≥0.5，说明这3个题项有效聚合，共同测量了“客户满意度”。
- 区别效度（Discriminant Validity）
- 核心定义：不同概念（潜变量）的测量题项之间，应呈现较低的相关性，即“不同概念的题项应相互区分开”，避免测量重叠。
- 判断标准：常用两种方法：
1. 一个潜变量的AVE平方根，应大于该潜变量与其他所有潜变量的相关系数（最常用标准）。
2. 两个不同潜变量的测量题项，其组内相关系数（ICC）应显著低于组间相关系数。 - 示例：同时测量“客户满意度”和“品牌忠诚度”，若“客户满意度”的AVE平方根（如0.75）大于它与“品牌忠诚度”的相关系数（如0.60），则说明两者测量边界清晰，区别效度达标。