on
->
perceiv equalit y
0.64 4
0.04 0.546 1.736 0.531
9
0.735
0.531 0.735
perceiv <-
equalit ->
y
0.33 impulse
3
0.06 0.203 0.739 0.212
5
0.458
0.205 0.457
<impulse
->
intenti 0.73
on
2
0.04 0.636 2.004 0.622
8
0.818
0.623 0.819
cogniti <-
on
->
0.59 impulse
5
0.05 0.477 1.549 0.478
9
0.707
0.477 0.706
cogniti <-
on
->
intenti 0.80 0.03
0.739 2.285 0.731
7
正确做法：
查看结果：结果显著，拒绝构面间无区分度的假设。
8
3、验证结构方程模型
3.1 先查看是否符合研究假设 3.2 查看指标：
1）先看模型拟合度， NPAR——估计参数个数，CMIN-卡方值，Pvalue 在样本领超过 200 时一般都会显著， 因此不报告
9
GFI AGFI，一般>0.9,0.8 可接受 TLI（NNFI）、CFI>0.9 RMSEA 一般建议<0.08 RMR 也有人报告，但是非标注化值，一般用 SRMR（<0.08）来代替，但 AMOS 并未涉 及，可用外挂程序来获得。Plugins-standard RMR-打开窗口，一直开着进行计算再看 3）报告标准化回归系数（一般要求>0.2,最好>0.3,系数越高贡献越大）
0.68
0.333
0.799
0.54
0.807
0.595
0.644
0.735
AVE 开跟号的值小于构面之间的相关 0.735<0.807。出现这种情况有 3 种处理方法。
2.5 区分效度不足的补救处理
违反处理：
1、大部分过了，可以接受(一句话带过)or 某一个违反，但仍在可接受范围 or 换一种
估计方法（见下）
2、置信区间法：bootstrap 计算置信区间
三个置信区间解释及来源:SE 计算，bias-cor(正态的中位数应=点估计值，不满足需移
动这个区间), percentile(相关系数的 5%,97.5%) 建议适用:因子与因子相关>0.7 时。
3、模型比较法：通过模型比较检测因子相关系数。
注意事项：绝大多数软件设定的都是非标准化估计值,即协方差，需进行标准化设定（其
on
7
4
0.87
0.74 0.872
perceiv <-
equalit ->
y
intenti 0.68
on
0.04 0.588 1.856 0.581
6
0.763
0.582 0.764
表格说明：第一列现实构面之间的相关关系，第二列点估计值是每个值的估计。左右区间
（(φ+-2б）均没有包含 1，说明有区别度。三种方式的值均没有包含 1，区分效度可以接
两倍的相关标准误，结果不包含 1，就认为区别效度可以接受。适用于当构面之间的相关大于
0.7 的时候，甚至 0.85
对于样本而言，标准差=样本的波动大小。标准误=样本均值波动大小（意味着多次抽样 求均值）
5
按照数据规律:当样本 n>30（有人建议 50）时，样本均值的分布服从正态分布。 bootstrap 估计方法思路： 1、指定抽样的总次数 N。 2、每次从样本中进行简单抽样（有返回抽），计算均值。 3、利用 N 个均值计算均值的标准差（标准误）计算置信区间。
实就是固定方差为 1） 建议适用:因子与因子相关>0.7 时
2.5.1 方法 1:不处理。，AVE 开跟号的值大于大部分的构面之间的相关。虽然发现有一
个值不符合，但是二者差异不大，仍在可接受的范围，说明区别效度仍存在。
2.5.2 方法 2：Boostrap 自助法，重复抽样 1000 次，计算相关的标准误。如果相关加减
受。
2.5.3 方法 3：设定构面之间的标准化相关系数为 1。但是模型中设定只能设定非标准化 估计（协方差），不能设定标准化估计。直接设定是设定的协方差矩阵为 1,因此需要先将模 型改为标准化估计模型，再设定。此方法同样是适用于构面相关系数大于 0.7 的情况。
在线上设定任何值等于 1 都是设定非标准化的值为 1，这是错误的。
10
11
如果有误差方差出现负值，可以给它一个非常小的正值，如 0.0005。
4 交叉验证 cross-validation
效度延展性与效度稳定性 将同一批样本随机分成两组，进行验证是进行效度稳定性的检验。用全新的样本进行验证才 称为效度的延展性。
Pair s of corr elat ion
Poin t
Esti mate
Boostrap for 1000 times 95% confidence
interval
SE
bias-correct
percentile
Lower Upper Lower Upper Lower Upper
6
cogniti <-
结构方程模型之 Amos 操作 1 设置模型模板 2 验证性因素分析 3 验证结构方程模型 4 交叉验证 cross-validation 5 中介效应分析 6 调节效应 7 中介的调节模型（调节的中介模型） 8 模型修正
注：Amos 算的是组成信度，一般认为，科隆巴赫系数是信度的下限，组成信度是信度的上限。 CFA（一般要求：CR>0.7，AVE>0.5）
1、设置模板
一个构面 3 个题目，选择数据档，选择输出的数据，进入 View 显示变量名。另存为模板。 步骤 1、选择数据库
1
步骤 2、设定分析属性，需要输出的内容
步骤 3、设定 View 显示变量名称
2、验证性因素分析
2.1、分析各个构面的因子负荷
2
因子负荷<0.5 必须删除，<0.6 在不影响信度的情况下可以保留。
2.2、查看分析文档（一般要求：CR>0.7，AVE>0.5） 2.3、制作 CFA 汇报表（一般要求：CR>0.7，AVE>0.5
3
2.4、分析区别效度
4
收敛效度
区别效度
AVE
intention impulse
perqual
cognition
0.574
0.758
0.555
0.732
0.745
0.639