amos 结构方程模型拟合度怎么看
好，今天呢我们来讲一下 imos 的这个模型的检验，我们在论文当中经常会看到像类似于测量模型检验， 那么以及拟和度检验，那么其实都是一类的意思，你看这个也是概念模型的检验，所以今天的话呢，我们就是来看一下论文当中的这一部分模型检验部分，我们所要到的这些值是怎么计算出来的？然后呢怎么样形成我们想在论文当中所形成的这个表格？好，那么我们现在开始说一下 模型检验，那么 imos 模型检验，礼盒度检验，它为什么要在论文当中要报告呢？首先我们说在设置 imos 的前变量的时候，我们就会去查阅文献资料，去找他们相关之间的这个变量之间的关系，那么我们所建出来的这个理论模型， 我们可以说就是称之为理论级发生矩阵，但是当我们根据所建的模型去进行问卷发放回收回来的数据，那么这个实际回收回来的数据，我们把它称之为样本级发生矩阵。而 而模型拟合度的目的就是要将我们回收回来的样本数据带入模型中计算，让他这个样本斜方向矩阵与我们所见的理论斜方向矩阵之间，他的差音越小，说明这个模型与实际的这个样本斜方向矩阵未来的数据拟合度越好。因此我们就要进行这样的表格 的一个制作，那制作完成之后呢，这个四点二概念模型检验，他就是针对这个表格所进行解说的表格怎么看呢？首先我们在表格当中第一行指标里面 会有一系列的这个指标，需要你去在模型当中计算出来，那么理想值就是这个参考值。第二栏，第三栏是我们实际回来的样本数据所计算出来的这个指标与我们上面的这一个栏标准指标做对比啊，然后形成我们这个你额度评价是否理想。 好，然后这里的话就是将我们上面的啊卡方值与自由度除出来的这个数值啊，还有这个 hf 这些等等这些指标进行的一个呃，说明好。接下来的话呢，我们将进行对这一列的数据在模型当中是怎么把这些指标数据是操作出来计算出来。
粉丝400获赞5713
相关视频
02:08查看AI文稿AI文稿那么接下来就是我们要对这个计算模型进行一个数据的导入，来做他的这个模型拟合度指标的三线表，那么三线表里面的这个所有的指标的数据如何出来？我们就是要进行这一步的工作了， 首先呢，我们现在左侧来找到这个这个 select data 这个图标点进去，然后呢我们要导入我们的 ug， 这里已经有一个我原先已经导好的这个数据啊，我们重新操作一下，再 feel name 中稿数据，我先提前把你的指定的这个数据包，我们先找好放到哪的位置，然后打开，点击打开，然后呢我们再点， ok， 好，这个数据就导进来了。导进来之后呢，我们再继续操作第二个图标，要勾选 output 下面的这两个图标，这是我已经勾选过了，你们打开的时候这两个是没被勾选的，所以我们要勾上，勾上之后我们把它关掉，关掉。然后呢我们先保存一下，先保存一下， 保存一下，这里给一个重命名吧。呃，计算模型二，因为我原来有个计算模型一了啊，然后呢我们在这个 title 这个 我们要把我们计算的这个模型拟合度指标的公式要导进去，复制进去，所以呢我们提前呃要复制一个公式，这个公式呢我在文件夹当中呢已经有了，就是这个打开 s m 拟合度指标的公式啊，在这里好，我们把它 control or 全选，然后 control c 重新复制。复制过来啊，复制过来之后呢，我们再来点到我们 imos 的这个左侧图标的 title， 点完它之后呢，在空白处点一下，然后出来一个对话框，然后把刚刚的这个 公式导进去，然后点击， ok， 好，这个时候呢，他就出来了这么一个，呃，叫做指标的一个公式，你看 gfihfi 等式，就是我们刚刚的那个图表当中看 hfigfi 这些指标当中要用到的公式是不是？好，然后现在呢，我们要对这个公式进行操作计算了。好，我们导进来之后，接下来我们要在 最右侧栏的这个 calculates， 就是计算的估计的这个图标，点击一下，好，这时候他就在运行了，当他运行完毕之后呢，他上面这个图标这里会显示红色，那说明你 操作成功了，我们点击一点击他，我们这边的指标就会出来了，好看，所有的这个图形上就会出来我们的素质，同时呢这个图上也就出来了，我们所有指标都会把这些指标零点九零八，零点八七八，我们全部把它抄到我们的，哎，对应下来的这个指标就可以形成我们这个表格，同时再配上论文当中的这段话去做解说，那这个图就做完了。好在这个时候 还要讲的最后一点，就是这个图标这个图标里面的数值，我们应该怎么样导到我们的啊？一笑表里面，再等一会，我打开一个一笑来给大家操作。
148shelly
01:32查看AI文稿AI文稿我们说模型礼盒度的这些， a g f i g f i， 然后 i f i c f i t l i 这些模型的这个相似性指标呢，我们都可以在这个这个公式里面跑出来，同时呢，相应性指指标 r m s e a 等于零点零八一，这个相应性指标也能跑出来，但是没发现，我在我们做模型模型礼盒度的论文当中的这个三星表格当中，除了这些指标之外， 我们还需要看到的就是这个 s r m r 指，这个相应性指标在我们刚刚的这个公式当中是并没有出现的，这里并没有 s r m r。 所以现在的话呢，我要讲告诉大家如何在这个界面之中去把 s r m r 给操作出来。那么首先呢，我们进入这个 dragons， 点击， 然后在这下面呢找到 standardize rmr， 然后出来一个框框，我们这个框框不要关闭，然后我们在左侧的这个界面当中再用这个 calculate 再跑一次数据， ok， 跑完之后你就会发现在这个框框当中出来了一个值，那么这个 standardize rmr 等于零点零 九八零，那就是我们的相应性指标。那注意哦，这个相应性指标的值并不理想，他应该是低于零点零八才是理想的。我们说这个相应性指标 s r m r 和 r m s e a 它们都得低于零点零八才是比较符合标准的，而我们刚刚计算出来是零点零九八，那这其实是不太好的数据啊，所以呢，还得要重新再去检查一下自己的数据包的问题啊。这个表格我们也答题讲完了，嗯，在整个表格当中包括这个自由度啊，还有后面的这些值当中我们的这个模型都已经体现出来了。自由度在哪里呢？自由度就是 这个区杠 square 除以 d f 啊，这个就是我们的自由度。你看，跑出来是我们的自由度，先跑出来是三点七。 yes， 那这个指标其实也是不合格的，而是要低于三，低于三，自由度一定要低于三，看小于三，我们这个指标才是比较符合规范的啊。好，那今天就讲到这。
30shelly
14:37查看AI文稿AI文稿各位同学大家好，很高兴今天我们能够相遇在二幺幺统计网络课堂，我们来接着学习俄罗斯入门教程的后续章节。在前面的课程中，我们已经介绍了俄罗斯如何来绘制结构方程模型的一个理论图， 同时呢，上节课我们也对模型的估计方法进行了一个讲解，那么今天呢，我们来看一下结构方程模型第四节的内容，模型修正 做出来的模型呢，一开始呢做出来的肯定不会就是我们想要的那么完美的一个状态，那么呢我们就有必要来对模型进行一个修正， 那么模型修正是有一个严格的一个理论基础的，我们需要按照严格的一个理论来指导我们来一步步的来进行修正，不能自己主观的异策，主观的来根据自己的主观意愿来进行相应的修正， 那样的话你所修正出来的模型是没有任何理论保证的，同时呢，你也不会可能不会得到一个预期的满意的一个结果。那么我们今天来正式学习模型修正部分 模型的修正呢，就是说我们所提出的理论假设模型，然后我们用我们所得到的一个数据进行验证之后，我们发现我们的这个模型图经过匹配度检验之后，无法与官司数据适配， 那么就说我们的模型有进一步的修正的一个必要，因为如果我们不修正的话，我们现在得到的一个结论无法满足我们理论上的一个需要， 那么这时候呢，我们就需要对模型来进行修正，修正的话呢，它是有一个理论或者说经验的一个依据，第一个呢就是说我们将不显著的一些路径删除，就是我们在绘制模型图的过程中，我们不是添加了浅边量 哥哥之间的一个影响关系，比如说我们的模型图就有 a 到 a 到 c， 然后 c 到 c 到 e， 然后 b 到 d， d 到 e， 有这样一些路径的关系。如果说我们这些不显著的话，我们就需要将可以将这些不显著的一个路径进行一个删除， 那么这样的话呢，就说我们少验证了一个假设，那么这个要想删除路径的话，必然也要和理论上找到一个相应的依据，就是我们不研究这个路径了，或者说有一些其他的方面的一个解释，这个大家在删除的时候一定要进行一个慎重，然后同时呢将不合理的路径也删掉， 就比如说我们得到的我们想要验证的他是一个正向的影响关系，但是呢我们最终得到的他是一个负向的影响关系，或者说呢，呃，我们影响程度两个大小的影响程度，我们 我们想研究 a 和 b 都对 c 有影响，我们我们的理论假定呢是 a 对 a 对 c 的影响更大于一点， b 对 c 呢相对来说小一点， 但是呢如果说我们验证出来的结论是 a 对 b 的影响路径反而小， b 对 c 的影响路径反而大的话，那么这时候我们就出现了一个不合理情况，那么针对这种不合理的情况，我们应该如何处理呢？我们就会根据我们的经验或者理论，我们会进行将这些不合理的路径进行一个删除， 那么删除得到之后的呢？那么就符合我们的预期了，但是这样也存在一个问题，我们就是我们将不合理的路径进行了删除之后，可能就会导致我们研究的问题 已经不再是我们最初所要设定的那样一个假设来进行一个研究的了。所以说大家在删除不合理的路径或者不显 的路径的时候，一定要慎之又慎，不能主观的自己随意的进行一个删除。那么还有就是说我们这里今天要着重要讲的就是说我们可以根据我们的修正指数来对模型进行一个修正， 修正指数是一个什么呢？就是说根据 amose， 根据根据我们模型现有的数据和模型的一个匹配情况，我们算出来了最有可能去改进模型的一个方向， 我们通过修正指数呢，我们就能够看出来我们去往哪个方向来进行一个努力，可以使得我们的你魔性的你和指标更加的好。然后关于修正指数的曲值呢？不同的学者提出的一个不同的一个意见， 这两个学者呢，在一九八八年，他们认为只要修正指数大于三点八四，那么我们这个模型就有必要来进行修正。 邱浩正呢，他认为啊，就是说只有说只有说这个呃，修正指数大于五的时候，我们才有必要来进行修正， 究竟是大于三点八四还是大于五呢？这个标准呢？选择呢，需要根据我们的研究问题来来进行一个确定，因为根据我们不同的研究问题，如果说我们选择把五的把大于五的进行修正之后呢，我们最终修正得到的一个结果 啊，非常符合我们的预期，也非常符合我们的理论，我们能够根据修正后得到的结果给出一个合理的解释，那么这时呢，我们就没有必要再按照三点八这个标准来了。 如果说呢，我们在大于五的，我们再把大于五的修正指数全部进行修正之后呢，模型依然无法得到一个满意的结果，那么呢，我们这时候还可以再考虑将再小一点的 修正指数再进行一个相应的修正，看看是否会得到一个更加满意的结果。当然呢，也有就是说我们将所有的路径，我们将大于三点八四的路径也都修正指数的也都进行了修正之后呢，可能我们也是无法得到一个 呃满意的一个结果，这种情况是一个客观存在的一个事实，大家一定要进行注意。不是说修正指数我们 按照修正指数来就一定能得到满意的结果，修正指数呢，只是给我们提供了一个一个大的方向，当然也要结合其他一些具体的情况。然后修正指数呢，只是作为一个呃最主要的一个参考，当然他也不是全部的， 在使用修正指数的时候，我们需要注意哪些哪些点呢？就说修正指数仅仅只用来作为一个参考，我们在进行调整模型图调整的时候，仍然需要结合 我们所研究问题的一个结论，才能进行一个相应的修正。最终呢，就算我们如果我们说没有按照我们的结论来进行修正的话，那么我们最终修正出来一个模型，我们可能没法在理论上给出一个合理的解释， 没法给出合理的解释的话，那我们这个模型呢也就不具有太多的这个现实意义。因此呢，我们在做修正指数的时候，一定要结合现有的理论的基础之上来进行一个参考。 同时呢就说如果有多个修正指标较大时，应该逐步的放宽，比如说这里有修正指数做出来之后有一个五七八九十，有这么几个修正指数都是大于五的，我们有必要来进行修正。 那么我们首先呢就是说我们逐步的来进行修正，首先呢我们把食的最大的食的先进行修正，食的修正完之后，我们重新跑一遍 之后呢，可能得到的修正指数就不再是剩下的五七八九了，可能就会有一些相应的变化。然后呢我们再根据放宽之后的，我们再根据把实的已经修正之后得到的这个新的修正指数，我们再来逐步的把最大的一个 来进行一个呃修正。如果修正完成之后呢，我们再来看一下我们得到的模型能否得到一个合理的解释，如果能够得到一个合理的解释的话，那么我们就可以进行停止了，如果还是不行的话，我们就可以逐步的将大的修正指数 逐个来进行一个放宽，那么这样的话呢，才能保证我们最终得到的一个结论是不至于太过。呃，我们如果说严格按照修正指数来的话，可能我们得到最终的结论就没法进行一个合理的解释。因此呢，我们通过这样逐步放宽之后，每放宽一步，我们就根据我们的理论去进 一个检验，如果说我们能够得到一个很好的解释的话，那我们就可以考虑放弃这个修正指数了，因为我们如果说我们已经在理论上得到一个很好的解释的话，那我们就没必要再对模型进行逐步进行更进一步的修正了，因为现有的模型已经能够 解释我们所有的问题的，所以说呢，这是在使用纠正指数的时候，大家一定要注意的两点。那么讲完这些之后呢，我们通过我们上节课绘制的模型图实际来给大家进行一个演示。 那么我们首先来看一下，这是上节课老师绘制好的一个模型图，我们绘制的 abcde 四个，前五个前面量，各自的前面量，先用的测量题目也都给他加上了， 同时我们还命名了这个残渣象，每个残渣象都进行命名，保证不冲不漏，那么这样之后呢，我们这个模型就已经成型了。然后呢我们 再接着做什么呢？我们把数据选择进来，我们我们先选择数据对不对？我们把数据选择进来之后呢，就说我们选择这个，呃，第五章，第五章的一个配套数据， 让我们点击， ok， 这样的话数据就已经进来了，我们我们相应的把边上列表进行拖拽，因为这个是老师重新打开了一遍模型，所以他可能链接的数据老师当时没有保存，所以说呢就是 呃，老师需要重新连接一遍数据，如果说大家接着上节课的内容来进行演示的话，就没有必要再打重新打开数据了，因为我们能够把前面能够把测量面料拖进相应的框中，就说明我们的数据已经进到我们的俄罗斯模型里边去了，我们直接运行即可。 那么做完这个之后呢，我们就点击分析属性里边的一些设置，我们在输出设置里边呢，我们选择上标准化的同时，我们要选择上这个修正 指数的，因为只有选择的修正指数模型才会最终给我们输出一个修正指数的一个结果，同时呢我们可以选择这个直接效应，尖尖效应一些情况，一些值，其他的属性值呢，大家也可以进行相应的一些设置，设置完之后大家可以运行一下，看看最终输出来是一个什么样的一个结果。 然后我们设置分析，设置完这些分期属性之后呢，我们直接点击运行模型，我们就能得到一个结果，那么我们来看一下 这是非标准化的，然后这个呢是标准化的一个结果，标准化的结果就是说我们的 a 对 b 呢是零点七四， a 对 c 呢是零点七四的影响，然后 c 对 e 呢是零点八零， d 对 d 呢是零点九七， d 对 e 呢是零点一六。那么我们就能看出来这个各个模各个潜面量之间的一个影响系数的一个大小，同时呢也能看出来一个方向 负影响关系，同时呢我们也能够看出来各个测量变量和浅变量之间的一个呃权重的一个系数，这些我们都是可以看到的。那么我们今天来主要来给大家看一下我们的修正指数是一个什么样的？ 大家现在大家现在记一下我们的卡方值是呃，我们的卡方值是三百一十六点六零四，自由度是一百六十五。那么我们来看一下我们这个分析的一个结果，我们直接来看一下分析，来看一下这个修正指数，我们看一下修正指数有非常大的，对不对？ 呃，最大的是最大的是一十和一十七，他是二二十一，不对？最大的是一六和一十七，他是三十一，对不对？如果说呢？我们现在根据我们的理论，一六和一三十一，不对，一六和一 e 十七， e 六对， e 六和 e 十七是最大的，对不对？那么我们这样的话，我们来看一下如果我们的 e 六和 e 十七，如果我们在理论上有一个， 他们两个确实是有一个相关关系的话，那么这时候呢，我们就点击回，我们现在刚开始是切换的是这个结果变量图，因为我们这些现在按钮都不没法选择，我们切换为模型图之后，然后我们加一个这个 e 六到 e 十七， 我们加一个供电，这个线不是出去的吗？那么我们来对他进行一个调整，大家还都记得这些操作是一个， 大家还都记得这些操作吗？是一个什么样子的吗？看到没？我们进行拖拽，他就可以进行一个方向的一个转换，那么我们还记得吗？我们是逐步进行修正，对不对？我们刚开始 看到这个三十一比较大，除了三十一比较大之外，还有二十一也比较大，对不对？那我们这时候呢，我们就需要逐步的来进行放宽，大家来 我们我们现在已经相当于我们放宽了一个这个，呃，我们把一个修正指数进行了一个修正，对吧？我们修正之后呢，我们重新运行一面模型，我们发现我们的卡方值进行了改变，对不对？这些指标也都进行了一个改变，指标明显都变好了，对不对？ 我们现在再来看一下我们的分析结果，然后我们直接来点击分析属性，我们来看一下现在刚开始还有一个二十一点几，对不对？那么我们将 e 六和 e 十七进行修正之后， 那么这时候呢，二十一点多的已经不见了，现在最大的呢变成了十五，如果说呢，我们对现在这个结论还是不太满意的话，那么还可以对他再进行一步修正， 发现一十和一十七还是不太好，对不对？我们将一十和一十七也给他加上，我们还是单击回模型图的列表，点击这个箭头，一十和一十七 我们给他加上好了，加上之后呢，我们再来跑一遍模型，看看会出现一个什么样的一个结果。 模型运行完成之后呢，我们点击这个 vo test， 我们就可以看到，我们还是直接到分析属性里面去，我们看这时候呢修正指数已经没有大于失误的，对不对？通过我们的两步修正呢，相信一般这样这种情况的话，我们的这个呃最终得到的这个模型呢就非常符合我们的预期了。 再接着呢，我们进行完修正者生之后，我们就可以来看一下模型的这些整体指标是否符合我们的预期，如果整体指标符合我们的预期通过的检验，同时呢我们最终 的理论上能够有一个合理的解释，那么这时候就可以直接来进行一个相应的结论的分析了，就没有必要再把这些大于十大于五的，或者或者说按照另外一个学者的大于三点八四的修正指数都进行一个修正，我们就没有那个必要了，我们只要得到一个满意的解释就可以了。 那么以上就是呢，我们今天所讲解的关于修正指数的一个内容，然后大家记得修正指数的使用呢，一定要呃是一个，只是一个参考，所有的修正呢都需依，都需依赖于我们的一个理论的一个基础， 同时呢多有多个修正指标较大时候，我们一定要逐步来进行放宽，因为我们在进行第一步修正之后，可能后面的修正指数的情况就会进行个改变，那么我们需要根据改变后的一个情况重新来进行新一步的修正，因此我们一定要做到逐步 放宽，不能一次把所有的都进行了放宽，那样的话我们就没有必没有没能保证我们放宽的是我们呃按照逐步的来保证的这个结果，呃可能就会得到一个不太满意，不太理想的一个结果。那么以上就是我们今天所讲解的关于呃修正指数的一些内容， 下节课呢，我们将会对模型的结果进行一个详细的解释，谢谢大家，我们今天这节课就到这里，谢谢大家，我们下节课见。
267贰壹壹项目数据分析服务
01:07查看AI文稿AI文稿amos 软件是一个常用的结构方程建模软件，他只在帮助研究者更好地理解、观察数据之间的关系。通过将多个因素相互作用的影响量化为数学公式， amos 软件提供了一种有效的方法来验证、假设和检验数据。 amos 软件具有丰富的功能，包括可视化建模、实用、简单而强大的图形用户界面，可以快速轻松地构建复杂的结构方程模型。模型礼盒 amos 软件具有先进的计算机算法， 可根据给定的数据和模型来拟合模型并生成相应的统计结果。多组比较该软件不仅支持单个模型的拟合和比较，还可用于进行多群体多组里面的比较，使其成为一种非常适用于快文化研究的工具。 无论您是研究职业发展、社会科学、教育或心理学等领域，使用 amos 软件都能让结构方程模型的建立变得更加容易和直观。如果您正在进行相关研究，那么 amos 软件是您不可或缺的工具。
15:00查看AI文稿AI文稿各位同学，大家好，很高兴今天我们能够相遇在二幺幺统计网络课堂，我们来接着学习俄罗斯入门教程。在前面的各个章节之中，我们已经对俄罗斯软件进行了一个相应的介绍，同时呢我们也介绍了验证性的因子分析和路径分析。 今天呢，我们来开始新的一章的学习，我们来学习一下结构方程模型。结构方程模型是俄罗斯处理的一个非常重要的一个模型， 也是我们学习这个课程的最终的一个目的。我们在实际生活中，在科研活动中，也就是应用结构方程模型来解决我们自己专业领域的一些相关问题的。 那么我们今天来看一下这一章的第一节结构方程模型的介绍。我们首先来看一下结构方程模型的一些理论知识。首先我们 说一下结构方程是什么呢？结构方程就是说我们在做结构方程模型的时候，我们需要进行一些问卷，有浅变量，有测量变量，如果说只有测量变量放在一起，同时只有一个浅变量的话，那么他这个就是一个测量模型， 就是说我们这一个浅边量，通过相应的这几个测量变量来进行一个测量，我们呢那么我们就得到的呢是一个测量模型。 然后如果说呢，我们将几个测量模型都放在一起，那么我们做的是什么呢？我们就会发现，如果将 几个测量模型单独摆在一起之后，我们进行只进行前面量之间的一个相互影响关系的一个叠加，也就是都给他放上这个斜方叉，那么这样的话呢，我们做的是什么呢？就是验证性的分析，对不对？大家回想一下， 我们在做验证性因子分析的时候，是不是就是只有几个测量模型，一个逐个摆在这里，然后给他两两之间呢都加上一个斜方叉，那么这个就是一个验证性的因子分析。 如果说呢，我们只有各个浅边量，各个测量边量之间的一个相互关系的话，那么这个是一个什么呢？这个是一个 p a 杠 ov， 对吧？叫 观测变量的一个路径分析的一个模型，如果说呢，既有浅变量又有测量变量的话，那么呢放在一起呢，他可以是一个 浅边量的一个路径分析的一个模型图。那么我们今天介绍的结构方式模型图呢，就是说既有浅边量，又有测量变量，又有测量边，又有浅边量之间的一个相互的一个影响关系， 然后这个呢就构成了我们今天所要分析的一个东西，叫结构方程模型。结构方程模型又有什么优缺点呢？ 结构方程模型凭借其独特的一个优点呢？近年来就是在管理学、心理学，尤其是心理学领域得到非常广泛的应用。那么我们来说一下结构方程模型他有哪些优缺点？ 首先我们来讲一下它的优点，结构方正模型呢，它可以用来测量一些浅边量对不对？浅边量呢，就是我们无法直接的通过一些量表或者什么来测量的一些变量， 比如说我们要来研究品牌忠诚，那么品牌忠诚是什么呢？我们没有办法说通过一个单独的量表给他来进行一个测量，那么这时候呢，我们就需要通过品牌忠诚的一些维度， 一些其他的一些表现方面来进行一个量表的一个开发。通过量表呢里边的测量题目来对他进行测量，我们就间接的达到了我们来测量这个浅变量的一个目的。那么这就是结构方程模型呢，非常独特的一个优点， 那么他的缺点呢，就是他对数据要求比较严格，我们的数据量呢要求都会比较大。呃，在以往的研究过程中呢，大家如果要进行一个回归分析，大家记得需要多少样本量就够了呢？一般可能几十、几百、几十就够了，因为根据我们的这个自变量和应变量的一个数量关系， 我们可能几十个样本就够了，但是呢结构方程模型呢，我们通常一般情况下都需要我们测量题目的十倍，然后这个数据量呢要求有点大，同时呢他的这个 呃一般呢要求也要在两百个数据以上，才能具有一个很好的一个说服力，才能说明呢你做出来的模型具有足够的一个可信度，那么这就是他的一个呃缺点，就是说数据要求呢比较严格，数据量呢比较大，这就是他的这一个缺点。 结果方程模型的应用是一个什么样的情况呢？大家还记得老师在第一节课的时候，就对大家在 sci 上， sci 和那个 cnk i 上进行那个检索，当时我们检索词是 omose， 但是 omose 软件呢？他写的 omose 出的文章呢，基本都是用来处理结构方式模型的，当时我们就记得 我们在 cnka 里边检索到了非常非常几千多篇的这个呃关于结构方程模型的一个研究文献，然后同时呢，在 ybox sense 里边 也检索到了有上百多篇的呃在 sci 中的关于结构方程模型的一个研究。由此我们就可以看出呢，无论是在国内还是在国外，大家对于结构方程模型的研究都非常的一个火热， 不管是什么学科，大家都喜欢用结构方式模型来处理自己专业领域的一些问题。呃，所以说呢，结构方式模型在一些交叉学科的应用呢，也会非常的广泛。 讲了这么多，我们首先就来结合文献上来看一下，我们这个结构方程模型的一个整体的行文思路和一个步骤是什么样的呢？ 我们通过这个邓爱民等学者发表在中国管理科学上的一个文献，我们来给大家看一下我们的结构方程模型是如何来进行一个行文思路的。 首先呢，我们打开这个文线， 然后呢，我们先来看一下作者研究的是一个什么样的问题。作者研究的是顾客忠诚度的一个重要性， 那么顾客忠诚度的影响因素有哪些呢？呃，以前就是在网，在实际购物中，实体购物环境下他可能是一个情况，那么现在作者研究的是一个网络购物环境下，他的一个创，一个对品牌忠诚的一个影响的情况。 首先呢，他就会介绍一些基本的前沿的理论知识，就说在传统的实体行业，顾客忠诚度是一个什么样的。但是呢，随着互联网的发展进入到网络环境下之后，我们的品牌顾客忠诚呢，又变成了一个什么样的一个情况？同时呢提出一些品牌忠诚的一个呃经典的理论概念作为 支撑，然后再提出这个引，接受完引严之后呢，作者就需要对作者就需要对研究模型节假设进行一个相应的提出了 啊，研究模型的提出呢，就说他首先提出的购物过程前的信任，购物过程前有信任购物，购物的过程中呢，你能让顾客得到一个满意，满意之后呢，才会对顾客的忠诚产生一个影响， 这样就是一个作者所构建的一个理论模型图。当然理论模型图的建立都是基于所有的文献基础之上的，也就是我们假设的提出都是基于前人研究文献的基础之上，我们才能提出这样一个假设。 如果说我们提出的一个，比如说我们提出的一个在线品牌网络特征，比如说作者作者文章中所设计的这样一个在线网网站特征，他能够 直接对顾客中温度产生影响的话，那么前任因为没有这样的研究，所以说你在提出这样的假设之后，你的这个假设的理论基础就会显得非常的单薄，不具有很好的说服力。 所以说呢，大家在构建相应的理论模型的时候，在提出假设时一定要基于前人研究的文献， 不管是中文的、外文的，一定要找一些靠谱的期刊上的一些文献，这样的话才能使得你提出的理论假设能够符合我们前任研究的一个习惯，能够被大家更好的一个信服。 那么在提出完这些假设之后呢，他先用的提出了不同的假设，假设一、假设二、假设三、假设四、假设五，同时呢还有假设六，最终呢我们就构建出了一个，呃，作者所提出的一个这样的一个模型。呃， 勾践完模型之后呢，我们现在要做的就是说勾践完模型之后，我们就要开始一个数据的数据的收集与分析了， 数据的收集呢，我们就需要依赖一个量表，我们可以根据我们研究的问题呢，借鉴前人研究的一量表，同时呢我们也可以自行开发量表，我们一般都是用理科特七点或者理科特五点量表，七点的话就说七代表非常同意，一代表非常不同意。 呃，五点量表的话就是五代表非常同意，一代表非常不同意。当然呢这个也不是一个绝对的，就是大家在进行数据收集的时候，为了避免大家 呃在售房者在填写填写的过程中可能会随机的进行一些填写，因此呢我们可能会对一些题目进行一个反向记分。呃，比如说就是我们第一 一道题问大家，呃，你对这个品牌信任吗？感兴趣吗？大家可能会填非常感兴趣，比如说我们现在用的五点量表，大家就会选择五， 那么我们在后一题，在后面的一个题中，我们可能会对这个相似的题目再进行一个提问，那么这时候呢，我们进行一个反向记分，就说你不喜欢这个产品是不是？ 那么这样的话，他要是选择五的话，那么他很有可能就是因为他对这个题目没有足够的一个了解，他只是呃根据自己的一个潜意识的默潜移默化的一个东西，觉得五都是好的，他也没有读这个题目，他也就相应的去选择了一个五， 那么这样的话呢，就能很好的避免一些人为因素对我们的调查所产生的一个影响。所以说呢，我们这个反向记分处理呢，这这里啊，大家可以在自己的调查问题中也可以进行相应的处理， 但是呢，反向记分处理大家在调查过程中处进行处理之后，一定要记得在后面的数据分析过程中，一定要对反向记分的题目再进行一个反向记分，使得呃书值越大还是代表越好的一个状态， 这样才能跟我们其他的数据匹配起来，才能保证我们最终调查得到的一个问卷呢，最终调查得到的一个数据，最终根据这个数据所得出的一个理论结果是符合我们的预期的， 然后数据收集的过程中呢，一定要保证这个回收率足够的高。同时呢，他还要看就是现在作者中所提出的这样有规律的问卷， 同时呢，出现了前后矛盾的情况，都要对这些问卷呢进行一些筛除，最终呢得到的问卷才是符合我们这个呃 要求的一个问卷。同时呢，你看作者所提出的有效问卷的数目大于问卷中的数目的十倍，当然呢，十倍不是一个呃硬性的一个标准，但是呢，越多数据呢越大越好，就说大于十倍同时也能大于两百的话，就基本就有足够的可信度了。 然后呢，同时呢，我们在进行完数据收集之后，我们现在要做的就是说信度检验，笑度检验。信度检验的话呢，我们是在呃 spss 中直接进行的，我们选择呃分析分析之后有一个 信度，信度之后呢我们就可以选择相用的信度有克隆巴赫阿拉法系数，我们一般就选择的是克隆巴赫阿拉法系数，他的系数呢只要大于零点六，且整体的就是每个量表的要做一个克隆巴哈阿拉法系数，同时呢，呃整个量表所有 的题目也需要做一个克隆巴和阿拉巴系数，那么这个就是我们的信度检验这个结果。信度检验完之后呢，我们还需要做一个笑度分析，笑度分析呢，一般我们是用的是呃验证性的一个因子分析，验证性因子分析呢就会给出我们的一个笑度分析的结果， 就是 kmo 和巴黎特球星检验，我们就可以给出一个呃笑度分析的结果，同时呢验证性因探索性因子分析呢，还可以给出一个我们的旋转的因子在贺，然后，但是呢，我们所有的量表的题目呢，所归属的这样就都是一个确定的结果。还记得上次所讲解的 啊，验证性因子分析和探索性因子分析的不同吗？探索性因子分析条目没有固定的规，属于某个测量题目某个前面量，但是呢，我们在做验证性因子分析的时候， 我们所有的题目确定归属于某一个变量都已经是有一个很好的理论保证的，因此呢，我们要记得回顾一下，简单回顾一下，就是说验证性因子分析和探索性因子分析的一同，这两点大家一定要注意。 做完新度分析和笑度分析之后呢，我们就可以进行下一步的分析了。下一步的分析的话，我们就需要做对各个模型的假设进行一个检验，我们前文提出的假设我们需要进行一个呃，每一个 像每一个假设都需要给出一个检验的一个结果，我们的检验呢就是通过我们的 omose 来实现的， omose 呢可以直接进行相应的操作，这个在后期的课程中会对大家进行讲解。 魔仙你和完之后呢，我们会把新的指标列在这里，就是呃这些所讲解的一些包括咖方值，自由度，包括一些你和度的一些 指标，整体礼盒度，还有一些其他的简单礼盒度，还有这个 pngi， pgfi 这些指标呢，都是有一个相应的一个标准的，都可以在我们的求解结果中一个得到。 那么还有就是说我们需要对呃内在的评价指标进行一个检验的话，我们就需要做一个构建效度和平均方差变异萃取量， 那么这个的话呢，都是通过我们在分析完各个测量题目所对应的浅边量所对应的这个路径系数之后， 影响系数大小之后，我们可以根据系数利用理论公式就可以进行一个求解。当然呢软件也可以帮我们进行求解，我们只需要在设求解的过程中进行相应的软件设置即可。呃，进行完这些之后呢，我们就需要对对我们得到的结果进行一个实际的分析， 给出一个实际的一个结论，实证结论。那么以上呢就是我们所讲解的关于这个 结构方程模型文献的一个行文思路，就是我们首先呢要根据理论构建一个模型，同时提出相应的假设， 同时呢我们要收集数据，采用合适的量表来收集数据，收集完数据之后，我们先要对数据进行一个信效度的分析，信效度分析通过之后呢，我们才需我们才可以对 模型来进行一个检验，我们主要就是对我们所提出的各个假设来进行一个检验，通过结构方式模型，我们可以给出各个假设检验的一个检验的一个结果。 最终呢我们还会给出呢，我们所构建模型求解得到结果的一个合理的解释，用于完善我们的数据分析的一个结论部分。我们的行文的思路就是这样一个过程。
491贰壹壹项目数据分析服务
26:47237王雷老师数据分析
00:56查看AI文稿AI文稿大家好，这是我们一个学员构建的结构方程模型，它构建了三个字变量，两个音变量。我们来计算一下，这是他自己通过调查问卷收集到的数据， 那么这是计算结果，我们来具体看一下。我们首先来看一下皮值，皮值显示有四条路径的皮值都大于零点零五，那么总共有一二三四五六六条路径，那么四条都不显著， 很显然这个结果是非常不理想的，那么在我们的帮助之下，经过调整，最后模型变得非常理想。 下期视频我们来展示一下我们调整之后的模型结果。点击关注，每天学习统计知识。
291孟老师结构方程模型
04:04查看AI文稿AI文稿amos 操作步骤讲解系列结构方程模型结构方程模型和线性回归分析一样，都是研究变亮间的影响关系的方法。结构方程模型采用极大自然法进行系数的估计， 结构方程模型可以同时进行多组变量间的影响关系研究，但结构方程模型对数据的要求更高。 在 excel 表格中对数据进行预处理后，导入 spss 中并保存好数据后，打开 imas 软件进行变亮间的影响关系的检验。 调整界面，打开界面后点击 real interface properties 界面，选择横向最大 前变量的构建，点击椭圆，在右侧白色画布中画出对应的前变量个数。 显变量的构建，选中显变量，添加图标后在前变量上添加对应题像数的显变量框。变量整体调整，选中旋转图标，点击前变量框旋转到合适的位置， 变量整体移动，同时选中保持整体和移动图标，然后将所有的变量移动到对应的位置。 导入数据，点击。导入数据后点击 file name， 找到对应数据保存位置，并选择对应的数据后点击 ok。 显变量放入显变量框中， 点击数据展示，将对应的题像拖入显变量框中。变量名称修改，点击变量设置，在名称框中填入变量名。 路径关系构建，选中单箭头从自变量框指向应变量残差项的添加。箭头指向的变量均需要添加残差项。 添加未命名的变量长指残差，点击 plugins name an absurd variables， 添加未命名的变量名称。 选项勾选，点击选项设置后勾选标准化系数模型修正，按差异临界笔直结果运行，点击运 行，跳出提示后选择继续分析模型保存，点击运行后选择保存的地点，按保存名点击保存。 运行完成，在运行过程中未出现报错情况及图中红色箭头变红，按红色方框中显示结果，表明结果运行完成。 结果查看，点击结果查看。模型是配度模型是配度结果重要的指标性命，处于 d f ramiza based land comparisons 里的指标等 路径关系。路径关系显示性及标准化的路径系数 模型图，将标准的因子在荷系数含标准化的路径关系系数添加到模型图中。首先选中标准化，然后点击上方红色箭头 结果整理，将结果复制粘贴到 excel 表格中。首先整理的是模型适配度、 c 命、 d f vcr 等指标，整理路径关系系数，即显着性情况。最后可以展示模型图后，将整理好的结果复制粘贴到 word 档中，进行三线表的制作。看文字解释 学会了么？记得一箭三连呦，可以代作指导。
762艾吖法数据
05:46查看AI文稿AI文稿好了，我们再介绍完这个宏观的操作界面的介绍之后呢，下面我们来逐个来分菜单栏，对大家进行一个讲解。首先我们来看一下文件的菜单栏，文件菜单栏我们点击之后呢 就会出现如下的按钮，如下的菜单的分别是，第一个是新建，第二个是从模板新建，第三个是打开就是打开新的文件，第四个是检索备份，第五个是另存保存，第六个是另存为，第七个是另存为模板， 第八个是数据文档，我们可以点击数据文档，选择相应的数据，为模型的求解提供一个数据的支持。 然后下面一个是打印在下面，一个是查看文档浏览路径图，就说浏览当前的目录下所有 路径图的一个情况，然后这个是文件管理，这个是文件浏览，这个是退出，这个就是非有菜单栏，文件菜单栏下的所有的一个介绍。 介绍完文件菜单栏之后，我们接着来来看一下这个编辑菜单栏是一个什么样的编辑菜单栏呢？将主要就是用来绘制模型图时候， 来对相应的模型图进行一些操作，进行一些调整使用的。我们来逐个来看一下，这个是撤销，就是我们做了一步之后，我们可以进行撤销，这个是蕊杜，蕊杜就重新做， 这个是粘贴到复制版，然后粘贴选择，选择所有取消，选择所有链接移动复制删除，呃，移动电量， 这个是映射，然后这个是旋转，这个是对象的形状，这个是他的水平距离，垂直距离，这个是拖拽 属性，拖拽属性呢是一个非常重要的一个一个按钮，我们在后续的章节中呢会有一些详细的应用，就说通过点击拖拽属性，我们可以实现不同图形之间的属性上的一个相似性的一个对照，使得我们的图形更加的好看，更加的直观。 然后在下面一个是适合页面，在下面一个是最适接触，点击最适接触之后，模型就会软件就会根据我们现在绘制的模型给出一个最好的一个呈现，让图 户型更加的美观。看完编辑菜单栏之后，我们接着来看浏览菜单栏，浏览菜单栏呢将主要有这个页面属性， 然后分析属性对象属性，模型中的变量，呃变量中的数据中的变量，然后参数切换到另一视图，然后这个这个就刚才说那个文字结果输出，就所有的输出结果都可以通过这里来查看，然后下一个就是全屏 浏览完了之后呢我们看一下绘图，绘图的话就是绘制图形的一些基本的操作，对吧？绘制图形的基，绘制图形的基本操作的话，我们就是说他主要包括以下几个，第一个是呃观绘制，观察变量，绘制浅变量，呃路径， 然后斜方叉标题，呃绘制指标变亮，绘制误差变亮，然后这个是缩放，这个是放大，这个是缩小，这个是放大到整页，这个是滚动条放大镜重新绘制，这些都 比较简单，在后续的操作过程中，我们都会进行一个细致的进行一个讲解，然后分析，这里呢主要是一些分析属性的一些设置，主要包括呢计算估计值，就是求解，就是就是我们模型绘制完之后，所有的参数都设定好之后，我们直接点这个就可以来进行求解了， 然后如果出现问题的话，我们可以点击这个中指计算。还有就是群组的管理，模型的管理，然后模型实验室，然后改变观察潜在变量， 然后自由度，然后模型界定的搜寻多群组分析，贝叶斯估计缺失值，数据替换，然后地分离的预览。 再紧接着我们来看下一个工具菜单栏，工具菜单栏下呢，将主要有数据的重新编码，字体对称性，线条， 方形比例图形，黄金比例图形种子管理，写一个程序，然后输出到再看倒数第二个呢就是一个增列的功能，增列功能里边我们用的最多的呢就是这些 命名，因为有些命名比较多的话，画的图形比较复杂，之后我们逐个去点击进行命名的话会长比较复杂，所以我们就可以通过点击增列菜单栏下的命名，使得所有的命名软件会自动给我们排序，生成我们的命名的一个结果。我们来再来 竹竹条看一下，第一个是增裂，这个是绘制斜方差，这个是绘制增长曲线模型，这个是命名参数，命名浅变量，重新调整观察变量的大小，然后标准化的 rm r 值，这些在后续都会对 给大家进行一些或多或少的一些介绍。最后一个呢就是帮助按钮，帮助的话就是说他，你通过这里呢，可以点击目录，然后可以点击哦 boss 官网也可以点击关于哦 boss， 就 这里你可以查到一些帮助的信息，当然帮助的信息呢，大家也可以通过百度去进行相应的一个搜索，最终呢我们都会得到一个自己想要的一个结果。 以上就是呢，我们这节课所介绍的 emos 简单的一些操作界面的一个介绍，希望大家能够对 emos 的操作界面有一个 详细的了解，大家在学习完这个课程之后，自己能够在对这个操作界面进行一定的熟悉，使得后面的学习能够更加方便，更加简单。以上就是本节课程的内容，谢谢大家，我们下节课。
249贰壹壹项目数据分析服务
11:16查看AI文稿AI文稿各位同学，大家好，很高兴今天我们能够相遇在二幺幺统计网络课堂，我们来接着学习俄罗斯入门教程，我是本课程的主讲老师阿 sir。 在前面的课程中，我们介绍了结构方程模型处理的一些方法，同时呢介绍了呃如何绘制结构方式模型图。今天呢，我们来看一下俄罗斯在求解结构方程模型中过程中所需要依赖的一个模型的一个估计方法。 这节课呢，我们将主要介绍俄罗斯给出的几种方法之间的一个异同，同时呢给大家讲解一下自己根据自己的研究方法，根据自己的研究理论，根据自己的数据， 如何来正确的选择模型估计方法使得我们最终呈现出的模型呢，符合我们的预期，是我们最终想要的一个模型。那么 我们首先来看一下俄姆斯呢，给我们提供了五种数模型的分析方法，估计方法，他们分别是呢，极大自然估计，还有就是一般的最小而成估计，未加权的最小而成估计，还有就是尺度自由的最小而成法。同时呢，最后一个是渐进分布的自由法， 我们现在和莫斯软件默认的估计方法呢，就是吉他自然估计法，当然还有就上次给大家讲那个几乎可以和结构方程模型画等号的那个类似的软件，就最早研发的一个处理结构方程模型的一个软件，但是呢，它是属于一个编程的软件，入门槛呢有些高。 然后呃， mose 呢，也是就是跟在他基础之上开发出的一个呃，无需编程的用户只需要操，只需要通过简单的菜单栏的点击就可以完成我们最终 模型的求解的过程的，因此呢，就是我们这个模型呢， omess 软件里边呢，默认的和类似里边默认的是一样的，默认的也都是极大自然估计法作为我们默认的一个分析方法， 吉他自然估计法呢，目前也是处理结构方程模型软件中结构方程模型中应用比较非常广泛的一个主流的一个估计方法， 那么他的假设呢，就是说我们他假设我们所选取的样本呢，总体是服从一个正态分布的，这样的话，模型的参数最终所求解得到的一个结果才能够符合我们的一个预期。 同时呢，就说如果说我们的数据不符合正在分布的话，那么我们就需要考虑这个加权的一个你一般画的最小二乘法就不能用呃吉他四人估计法来进行求解了，因为如果他不 符合正态分布的话，那么吉他自然估计法所产生的一个误差反而会相对的一些扩大。因此呢，我们在处理数据之前呢，一定要做一下正态性的检验， 看看我们所要做的一个数据是否符合正态性的一个假设，如果不符合的话，我们就不能选用吉他自然估计法来作为我们估计和 mose 模型的一个一个估计方法，我们就需要选择其他的一些方法来进来对数据呢进行一个估计。 如果说我们的数据呢是符合正态分布的话，那么吉他自然估计法和一般的最小二乘估计法是非常接近的，他们两个得到的结果呢是非常的相似的， 如果说数据不符合正态分布的话，一般性一般的最小二乘法将会非常的优越，在这时候的表现呢会非常的好。 所以说呢，一般用它来处理非正太时候的数据才能得到一个呃满意的一个结果， 一般最。然后我们现在来介绍一下非加权的最小而成估计法，就说我们在处理数据的过程中，不会对我们所要估计的参数进行一个权重上的一个一个加成， 所有的参数呢，都用统一的权重来进行一个估计，最终得到的结果呢，呃，才能是一个我们想要的一个理论上的一个结果。 当然尺度自尺度自由最小，而乘法和间接分布自由法这两个呢，我们一般的应用都比较少，我们主要应用的就是这三个，那么我们将重点呢主要放在前面三个的一个讲解上， 一般我们再来着重的讲解一下一般的最小二乘法，一般的最小二乘法呢，它的基本原理就是说它使用的是差异 平方和的一个概念，在计算每一个差值时，用特定的权重来加权各个的比较值，这样的话呢，在处理最后得到的我们整体的一个模型才是最优的一个结果，他在处理非标准化的非正态分布的数据时，表现非常优异。 所以大家如果在进行正态性检验之后，发现我们的数据不符合一个正态分布，那么这时候呢，我们就可以考虑采用一般的最小而成估计法来对我们的数据呢进行一个很好的估计。 第二点需要注意的呢，就是模型估计方法的选择非常受样本量的一个影响，如果说样本量符合，样本符合正在分布，那么极大自然估计法就非常比较好了，这时候呢，极大自然估计法得到的结果就是较佳的一个结果。如果说 样本量足够大的时候，那么我们得到这个一般的最小二乘法，也是可以得到一个非常理想的一个结果的。同时呢，如果说样本量非常少的话怎么办呢？就说对于结构方程模型的估计方法而言， 这两个学者呢，在在他们最新的一版的书中呢，他就提到呢，就说估计方法的选择跟样本那样的大小，正态性、独立性等因素都是具有一个关系的。 那么如果样本量呢是中等或者偏大的话，同时呢，你所选取的数据也是符合正态性及独立性的一个假定的话，那么我们就可以选择其他四人估计和一般的最小而成估计， 这时候呢，吉他自然估计和一般的最小二乘估计法，他们得到的结果几乎是相似的，因为他符合 正态分布，同时样本量也足够的大，如果样本量足够的大，或者说足够的大或者中等的时候，但是呢，这时候呢，他不符合正态分布数据呢，我们进行检验之后，发现我们的数据不符合正态分布，可能是风度偏度有些问题，或者说其他的一些问题， 反正就是数据的最终的这个正态性检验没发通过，同时呢，我们也不确定因素与无差相之间呢，是否独立，这是我们没有办法保证的， 那么这时候呢，为了稳妥起见呢，大家最好还是选用吉他自然估计法。大家可以看到这个这个人给的建议说，如果不符合正态分布的话，我们还是最好选择吉他自然估计法， 但是呢，现在的学者研究的结论给出呢，如果说不符合正态分布的话，我们最好还是选用一 一般的最小二乘法，每个人他给出的不同，这两个就是一个相背的结论，对不对？就说大家所给出的一个 所给出的这个选择的标准呢，都是基于自己的一个一套理论的基础上所给出的。因此呢，大家在进行计算的过程中，可以根据自己数据的实际情况 进行呃，用其他私人估计法来进行下模拟，同时呢，再用一个一般的最小儿童估计法再同时进行一个模拟，大家可以来比较一下两个模型拟合的一个差异，同时最终呢，再来确定自己的数据究竟要选择哪一种拟合方法来进行拟合。 如果是小样本的时候，这是大家非常不愿意看到的一个情况，就说由于种种原因吧，可能是我们样本量没有足够的大，也可能是我们虽然调查了好多数据，但是呢，最终我们在对数进行筛 险之后，发现好多的样本都不符合我们的研究的需要，就是明显于现实情况相背的，比如说呢，他没有填写完整，比如说呢，他前后自相矛盾，以及呢信息不全等一些情况，我们会舍弃掉一些样本，这时候呢，如果出现小样本时呢？ 呃，学者们给出的建议就是我们最好通过另外一种检验的统计方法。呃，俄罗斯自带的统计方法呢，就不太能够对针对小样本给出一个合理的一个解释，所以这时候呢，我们就需要选择其他的一个样本来进行一个求解。 小样本的估计方法呢，俄罗斯也给出了一个另外的一种估计方法，就说俄罗斯默认的估计方法就是吉他四人估计法，大家也可以选择那五种之中的另外任外任何一种来进行一个估计。同时呢， 对于小样这这五种估计方法呢，对于小样本来说，都是他都是不适用的，不太适合于对小样本的数据来进行分析。那么俄罗斯呢，也提供了一种适合于小样本的分析方法，他叫贝耶斯估计法。 贝耶斯估计法在估计的同时呢，同时还会估计得到均值和洁具项。因此呢，我们在进行贝耶斯估计法的估计时候呢，我们首先要在输出选项里边选择上估计均值和拮据项， 同时然后呢，在分析属性分析菜单栏下面的贝叶斯估计里边进行选择，然后将相应的参数进行设置之后，我们就可以求解得到小样本时候我们的一个估计的一个结果。那么以上就是呢，今天我们所讲解的关于这个呃， 关于结构方程模型估计方法的一个介绍，我们主要介绍的呢，呃，吉他私人估计法，一般的最小二乘法，非加权的最小二乘法，尺度自由最小二乘法以及渐进分布自由法。 同时呢，我们讲解了模型估计方法选择所依依赖的一个依据，就说会依赖于样本量的大小，正态性以及独立性等因素给出了结合现有学者最新的一本书中的一个给出的一个呃标准，我们来给大家进行一个讲解， 同时呢我们还讲解了 mos 自带的处理小样本时候的贝也思故技法，贝也思故技法呢，在应用贝也思故技法的话，就显然会比另外五种方法在针对小样本时，在处理结构方程模型上会得到一个更优的一个结果。那么以上就是今天所讲解的关 关于呃结构方式模型估计模型估计方法的一个介绍。模型估计方法呢，只作为大家的一个了解，大家在知道在什么时候我应该选择什么样的一个合适的一个估计方法来保证我能得到一个满意的结论，这样就可以了。 呃，至于至于模型估计方法背后，比如说吉他四人估计，至于他的吉他自然函数，自然函数究竟是怎么估计的，他的吉他法究竟是怎么求解的， 拉格朗承受法什么之类的究竟是怎么求解的？我们不用做过太太多的了解，大家只要知道我们能够怎样来应用，我们能够符合我们最终的一个目目的就是说我们能够应用 omes 来处理结构方式模型 来对我们实际理论研究领域的一个问题给出一个合理的解释，我们能够用就行了。如果说大家想要来学习这个方法的话，大家可以去首先先学一些 基础的一些数学的理论知识，有了这个理论知识之后呢，再来学习这个理论方法的时候就会有一个事半功倍的一个效果， 那么以上就是今天所讲解的关于模型估计方法的一个选择的一个问题，那么下节课中呢，我们将会对 mos 的其他的一些处理结构方式，模型过程中其他的一些事情进行一个详细的讲解，我们真今天的讲解就到这里，谢谢大家，我们下节课见。
