SPSS AMOS 28 结构方程模型：从问卷信效度到模型适配的 7 步完整流程
结构方程模型（SEM）已成为社会科学和商科研究中不可或缺的分析工具。对于刚接触SEM的研究者来说，从数据准备到最终模型适配的完整流程往往令人望而生畏。本文将基于SPSS AMOS 28，系统介绍一个标准化的7步分析流程，帮助您避开常见陷阱，获得可靠的研究结论。
1. 数据准备与预处理
在开始SEM分析前，数据质量直接决定最终结果的可靠性。对于使用Likert五级量表的问卷数据（1=非常不同意，5=非常同意），需要重点关注以下预处理步骤：
异常值检测与处理
* SPSS异常值检测示例代码 FREQUENCIES VARIABLES=Q1_1 TO Q5_5 /STATISTICS=STDDEV MINIMUM MAXIMUM MEAN /HISTOGRAM NORMAL.- 检查每个题项的均值是否在合理范围内（通常1.5-4.5）
- 标准差小于0.5的题项可能需要重新评估
- 使用箱线图识别极端值（超过3个标准差）
缺失值处理策略对比
| 处理方法 | 适用场景 | AMOS实现方式 |
|---|---|---|
| 列表删除 | 缺失率<5% | 分析前直接删除 |
| 均值替换 | 连续变量 | Transform > Replace Missing Values |
| 多重插补 | 缺失率>10% | Analyze > Multiple Imputation |
提示：AMOS默认使用全信息最大似然估计（FIML），能有效处理随机缺失数据，但系统性缺失仍需人工处理。
2. 信效度检验体系构建
信效度是SEM模型的基石，需要建立完整的检验体系：
信度检验三层次
- 单项信度：删除修正后题项-总分相关系数<0.4的题目
- 内部一致性：克隆巴赫系数（α>0.7）
RELIABILITY /VARIABLES=Q1_1 Q1_2 Q1_3 Q1_4 /SCALE('维度1') ALL /MODEL=ALPHA. - 组合信度（CR）：AMOS中通过计算获得（>0.6可接受）
效度检验矩阵
| 效度类型 | 检验方法 | 标准阈值 |
|---|---|---|
| 内容效度 | 专家评估 | CVI>0.78 |
| 结构效度 | KMO检验 | >0.7 |
| Bartlett's检验 | p<0.05 | |
| 区分效度 | AVE平方根>相关系数 | Fornell-Larcker标准 |
| 收敛效度 | AVE>0.5 | 标准化因子载荷>0.7 |
3. 探索性因子分析（EFA）先行
虽然AMOS主要用于验证性分析，但建议先进行EFA：
EFA关键操作步骤
- 选择主成分分析与Promax斜交旋转
- 根据特征值>1和碎石图确定因子数量
- 删除跨载荷>0.4或主要载荷<0.5的题项
AMOS与SPSS的协同工作流
graph LR A[SPSS数据清洗] --> B[SPSS EFA] B --> C[删除问题题项] C --> D[AMOS CFA] D --> E[模型修正]注意：当EFA与理论构念严重不符时，需重新考虑测量模型设计。
4. AMOS模型构建技巧
图形化建模三大核心要素
- 测量模型：明确潜变量与观测变量关系
- 每个潜变量至少3个指标变量
- 固定每个潜变量的一个路径系数为1
- 结构模型：设定潜变量间因果关系
- 避免出现"因果环"（A→B→C→A）
- 模型识别：确保t-规则达标
- t ≤ 1/2(p+q)(p+q+1) （p+q=观测变量数）
AMOS操作快捷键备忘表
| 功能 | 快捷键 | 说明 |
|---|---|---|
| 绘制潜变量 | F2 | 椭圆图标 |
| 绘制观测变量 | F3 | 矩形图标 |
| 绘制路径 | F4 | 单箭头 |
| 绘制协方差 | F5 | 双箭头 |
| 模型拟合 | F7 | 运行分析 |
5. 模型拟合度评估体系
绝对拟合指标与临界值
| 指标 | 优秀标准 | 可接受范围 | AMOS输出位置 |
|---|---|---|---|
| χ²/df | <2 | <5 | CMIN/DF |
| GFI | >0.95 | >0.90 | Goodness of Fit |
| RMSEA | <0.05 | <0.08 | RMSEA |
| SRMR | <0.05 | <0.08 | Standardized RMR |
增值拟合指标对比
# 模拟拟合指标计算 def check_fit(cfi, tli): if cfi > 0.95 and tli > 0.95: return "Excellent fit" elif cfi > 0.90 and tli > 0.90: return "Acceptable fit" else: return "Poor fit"特别提示：不要机械套用指标阈值，需结合理论意义综合判断。某些指标（如NFI）对样本量敏感，N>500时容易拒绝合理模型。
6. 模型修正策略
当初始模型拟合不佳时，可采用系统化修正方法：
修正指标决策树
- 检查MI（Modification Indices）值
- 仅考虑MI>10的修正建议
- 优先释放误差项间的协方差
- 评估理论合理性
- 每项修正都应有理论支持
- 避免纯粹数据驱动的修正
- 交叉验证
- 将样本随机分为两组
- 在一组中修正的模型需在另一组验证
常见修正类型对比
| 修正类型 | 操作 | 风险等级 |
|---|---|---|
| 添加路径 | 增加结构路径 | 高 |
| 释放协方差 | 允许误差相关 | 中 |
| 删除题项 | 移除低载荷项 | 低 |
7. 结果解读与报告呈现
标准化结果报告三要素
- 测量模型部分
- 报告标准化因子载荷及其显著性
- 呈现CR、AVE等信效度指标
- 结构模型部分
- 路径系数及其p值
- 效应量（直接/间接/总效应）
- 整体拟合指标
- 选择3-4个关键指标报告
AMOS结果导出技巧
- 使用"Figure Caption"功能自动生成统计标注
- 通过"Copy Special"导出高分辨率图像
- 利用"Text Output"中的结构化结果表格
在实际研究中，我曾遇到一个消费者行为模型的适配问题。通过系统化应用这7个步骤，发现原始问卷中两个题项的表述存在歧义，导致测量模型拟合不佳。修正后不仅统计指标改善，模型的理论解释力也显著提升。这提醒我们，SEM不仅是统计工具，更是理论检验的精密仪器。