amos-sem-workflow

# AMOS SEM 一条龙工作流 ## 核心姿态 大多数人做 AMOS 的顺序是错的：**先画图跑模型，跑不出来再回头查数据。** 正确的顺序是——**在进 AMOS 之前，先做一遍"达标预检验"。** 数据不达标就进 AMOS，你会遇到：模型不收敛、载荷是负的、拟合指标怎么修都不过、Heywood case（负误差方差）。然后你就会开始"修正指数疯狂加路径"——这是审稿人一眼就能看出来的数据操纵。 **这个 skill 的第一原则：把关口前移。** 不要承诺"跑一遍就能发表"。不要用修正指数把模型硬拗到拟合。**拟合好但没有理论支撑的模型，一文不值。** --- ## 五个阶段 ``` ① 数据清洗 ↓ ② 达标预检验 ← 关键关口。不达标不许进 AMOS ↓ ③ AMOS 自动绘图（Plugin）+ 自动分析（AmosEngine） ↓ ④ 模型评估与修正 · 中介/调节/多群组 ↓ ⑤ APA 格式结果撰写 ``` --- ## ① 数据清洗 | 步骤 | 做什么 | 判定 | |---|---|---| | 反向计分 | 先做，别忘了 | 反向题必须转换后再算 α | | 缺失值 | 检查缺失比例与模式 | < 5% 可处理；做 **Little's MCAR 检验** | | 单变量异常 | 标准化后 \|z\| > 3.29 | 逐个核查，不要无脑删 | | 多变量异常 | **Mahalanobis D²**，p < .001 | 删除需说明理由与数量 | | 无效样本 | 规律作答、极短作答时间、全选同一选项 | 事先定规则 | > 详见 `references/01-data-cleaning.md` --- ## ② 达标预检验（进 AMOS 前必过的关） **这是整个工作流最有价值的一步。** 逐项检查，任何一项不达标 → **回去修数据/修量表，不要进 AMOS。** | # | 检验 | 常用标准 | 不达标怎么办 | |---|---|---|---| | 1 | **样本量** | N ≥ 200；**N : 待估参数 ≥ 5:1（理想 10:1）** | 继续收数据 / 简化模型 | | 2 | **正态性** | \|偏度\| < 2~3，\|峰度\| < 7~8 | 严重偏离 → **Bootstrap ML** 或稳健估计 | | 3 | **共同方法偏差** | Harman 单因子：第一因子 < 40% | 加 CLF 潜在共同方法因子检验 | | 4 | **信度** | Cronbach's α ≥ .70 | 删题（看 CITC < .30） | | 5 | **EFA 适合性** | **KMO ≥ .70**，Bartlett **p < .001** | 不适合做因子分析 → 检查量表 | | 6 | **收敛效度** | 标准化载荷 ≥ .50（最好 ≥ .70）；**CR ≥ .70**；**AVE ≥ .50** | 删低载荷题项 | | 7 | **区分效度** | **√AVE > 该因子与其他因子的相关**；或 **HTMT < .85** | 合并因子 / 重新界定构念 | | 8 | **多重共线性** | VIF < 5；因子间相关 < .85 | 合并或删除 | > **关键认知**：CR 和 AVE 要在 **CFA 之后**用标准化载荷算，但载荷太低的题项在 EFA 阶段就该发现。 > **不要**把不达标的数据硬塞进 AMOS，然后用 MI 加路径去救——救不回来，还会被审稿人抓住。 > 详见 `references/02-readiness-checks.md`（含每个指标的公式与 SPSS/Python 操作） --- ## ③ AMOS 自动化 AMOS 支持 **.NET 编程接口**，有两条自动化路线： ### 路线 A：AmosEngine —— 脚本化建模与估计（不用画图） ```vb Dim Sem As New AmosEngineLib.AmosEngine Sem.TextOutput() Sem.Standardized() ' 标准化解 Sem.Smc() ' R² Sem.Bootstrap(2000) ' Bootstrap Sem.ConfidenceBC(90) ' 偏差校正置信区间（中介必备） Sem.BeginGroup("data.sav") Sem.AStructure("X1 = (1) F1 + (1) e1") Sem.AStructure("X2 = F1 + (1) e2") Sem.AStructure("Y = F1 + (1) e3") Sem.Dispose() ``` - 适合：**批量跑模型、可复现、写进论文附录** - 语法核心：`AStructure("因变量 = 自变量 + 误差")`，`(1)` 表示固定载荷为 1 ### 路线 B：Amos Graphics Plugin —— 自动绘制路径图 **这是"自动绘图"的实现方式。** AMOS 插件用 VB.NET 写，`pd` 对象即路径图。 已验证可用的核心 API： | 方法 | 作用 | |---|---| | `pd.DiagramDrawUnobserved(x, y, w, h)` | 画一个潜变量（椭圆），返回 `PDElement` | | `pd.DiagramDrawIndicatorVariable(F)` | 给潜变量 F **加一个观测指标 + 误差项 + 载荷路径**（一行搞定） | | `pd.DiagramDrawUniqueVariable(E)` | 加误差/唯一变量 | | `pd.DiagramDrawCovariance(A, B)` | 画双向箭头（因子间协方差） | | `pd.PDElements` | 遍历全部图元 | | `E.NameOrCaption` | 读写变量名（用于自动命名） | | `E.IsUnobservedVariable` / `.IsUniqueVariable` / `.IsExogenousVariable` | 判断图元类型 | | `pd.EditTouchUp(E)` / `pd.EditFitToPage()` / `pd.Refresh()` | 自动排版 | **一个能跑的 CFA 自动绘图插件骨架**： ```vb Imports Amos <System.ComponentModel.Composition.Export(GetType(Amos.IPlugin))> Public Class CPlugin Implements Amos.IPlugin Public Function MainSub() As Integer Implements Amos.IPlugin.MainSub pd.ViewPathDiagram() Dim F(3) As PDElement Dim i As Integer ' 画 3 个潜变量，每个带 4 个指标 For i = 1 To 3 F(i) = pd.DiagramDrawUnobserved(200 * i, 100, 60, 40) F(i).NameOrCaption = "F" & i pd.DiagramDrawIndicatorVariable(F(i)) pd.DiagramDrawIndicatorVariable(F(i)) pd.DiagramDrawIndicatorVariable(F(i)) pd.DiagramDrawIndicatorVariable(F(i)) Next ' 因子间两两画协方差 For i = 1 To 3 For j = i + 1 To 3 pd.DiagramDrawCovariance(F(i), F(j)) Next Next pd.EditFitToPage() pd.Refresh() End Function Public Function Name1() As String Implements Amos.IPlugin.Name Return "Auto CFA" End Function Public Function Description() As String Implements Amos.IPlugin.Description Return "Auto-draw a CFA path diagram" End Function End Class ``` **安装插件**：编译为 DLL → 放入 AMOS 的 `Plugins` 目录 → 在 AMOS 中 `Plugins` 菜单调用。 > 完整可用模板（CFA 生成器、误差项自动命名、结构模型自动连线）见 `templates/` > 详见 `references/03-amos-automation.md` --- ## ④ 模型评估 ### 拟合指标（报告这一组即可） | 指标 | 可接受 | 良好 | |---|---|---| | **χ²/df** | < 5 | **< 3** | | **CFI** | ≥ .90 | **≥ .95** | | **TLI** (NNFI) | ≥ .90 | ≥ .95 | | **RMSEA** | ≤ .08 | **≤ .06** | | **SRMR** | ≤ .08 | ≤ .05 | | GFI / AGFI | ≥ .90 / ≥ .85 | 受样本量影响大，可不作为主要依据 | - **χ² 本身几乎必然显著**（样本大就显著），不要因为 p < .05 就说模型不好。 - **别只报好看的那几个**。CFI + TLI + RMSEA + SRMR + χ²/df 是标配组合。 ### 修正指数 MI —— 最容易翻车的地方 **规则：只在有理论依据时使用，且只加"同一因子内部的误差相关"。** - ❌ 不要跨因子加误差相关（等于承认构念不干净） - ❌ 不要为了拟合而反复加路径（这是数据操纵） - ✅ 每加一条，都要能说出"为什么这两个题项的误差会相关"（如题项措辞相似、位置相邻） - ✅ 在论文中**如实报告**你做了哪些修正、为什么 > 一个拟合完美但靠十几条 MI 拗出来的模型，审稿人一眼看穿。 ### 中介效应 **必须用 Bootstrap**，不要用 Sobel 检验（已过时）。 - Bootstrap 抽样 **≥ 2000**（推荐 5000） - 报告 **偏差校正置信区间（Bias-corrected CI）** - **判定：95% CI 不包含 0 → 中介效应显著** - 同时报告：总效应、直接效应、间接效应及其 CI ### 调节效应 / 多群组 - **多群组分析**：先做测量不变性检验（形态 → 弱 → 强 → 严格），ΔCFI < .01 视为不变性成立 - **潜变量交互**：可用乘积指标法，或改用 PLS-SEM / Mplus > 详见 `references/04-model-fit-analysis.md` --- ## ⑤ 结果撰写 结果段落必须包含： 1. 数据清洗与样本描述 2. 达标预检验的全部结果（信度、效度、共同方法偏差） 3. 测量模型（CFA）：拟合指标 + 标准化载荷 + CR + AVE + 区分效度表 4. 结构模型：拟合指标 + 路径系数（β、S.E.、C.R.、p）+ R² 5. 中介/调节：Bootstrap CI 表 6. 修正情况（如有）：改了什么、为什么 > 可套用的 APA 段落模板见 `references/05-write-up.md` --- ## 全流程检查清单 - [ ] 反向计分已完成 - [ ] 缺失值处理并报告（含 Little's MCAR） - [ ] Mahalanobis 多变量异常值已检查 - [ ] 样本量满足 N:p ≥ 5:1 - [ ] 偏度峰度在可接受范围（否则用 Bootstrap ML） - [ ] Harman 单因子 < 40% - [ ] 各维度 α ≥ .70 - [ ] KMO ≥ .70，Bartlett 显著 - [ ] 标准化载荷 ≥ .50，CR ≥ .70，AVE ≥ .50 - [ ] √AVE > 因子间相关（或 HTMT < .85） - [ ] CFA 拟合达标后，才做结构模型 - [ ] 中介用 Bootstrap ≥ 2000 + 偏差校正 CI - [ ] MI 修正有理论依据且如实报告 - [ ] 拟合指标报告完整组合（不挑好看的） --- ## 边界与诚信 - 所有阈值都是**领域经验标准**，不是铁律。使用时应引用文献（见 `references/06-bibliography.md`），并结合你的领域惯例。 - **不得**为了拟合而反复加 MI 路径、删题、删样本。 - **不得**只报告好看的拟合指标。 - **不得**在多个模型中挑选结果最好的那个报告，而不说明你试过多个。 - 数据不达标时，正确的做法是**回去修数据或修理论**，不是修模型。