??本文介紹基于Amos軟件進(jìn)行路徑分析的基本流程，及其中涉及的模型參數(shù)的含義等。
??系列文章共有四篇，本文為第一篇，主要關(guān)注相關(guān)流程的操作方法。
??博客2（https://blog.csdn.net/zhebushibiaoshifu/article/details/114365640）：基于Amos路徑分析的輸出結(jié)果參數(shù)詳解
??博客3（https://blog.csdn.net/zhebushibiaoshifu/article/details/114377622）：基于Amos路徑分析的模型擬合參數(shù)詳解
??博客4（https://blog.csdn.net/zhebushibiaoshifu/article/details/114385378）：基于Amos路徑分析的模型修正與調(diào)整
1 數(shù)據(jù)準(zhǔn)備
??本文所用數(shù)據(jù)包括某地百余個(gè)土壤采樣點(diǎn)對應(yīng)的一種土壤屬性含量變量（BC）及與其有關(guān)的5種環(huán)境變量（Temp，Slope，Roden，POI，GAIA），存儲(chǔ)于“xlsx”文件內(nèi)。由于本文所用的土壤采樣點(diǎn)空間數(shù)據(jù)集并不是我的，因此遺憾不能將這一數(shù)據(jù)一并提供給大家；但是依據(jù)本篇博客的思想與對操作步驟的詳細(xì)解釋，大家用自己手頭的數(shù)據(jù)，可以將相關(guān)操作與分析過程加以完整重現(xiàn)。
1.1 數(shù)據(jù)格式轉(zhuǎn)換
??首先，為了Amos軟件可以更方便地讀取數(shù)據(jù)，我們首先將Excel格式的數(shù)據(jù)轉(zhuǎn)為SPSS的.sav格式文件。
??打開SPSS Statistics軟件，選擇“文件”→“打開”→“數(shù)據(jù)”。
??選擇存儲(chǔ)初始數(shù)據(jù)的Excel文件并打開。
??隨后，將其保存并配置文件名、路徑等。
??即可看到新保存的.sav文件。
2 結(jié)構(gòu)方程模型建立
2.1 變量相互關(guān)系確定
??首先確定每一個(gè)變量之間的相互關(guān)系。本文就針對上述土壤屬性數(shù)據(jù)，判斷得到變量之間的相互關(guān)系。
RoDen影響POI
RoDen影響Temp
POI影響Temp
GAIA影響POI
GAIA影響Temp
GAIA影響Roden
Temp影響B(tài)C
GAIA影響B(tài)C
2.2 路徑圖繪制
??隨后，依據(jù)上述關(guān)系在Amos中繪制路徑圖。其中，由于AMOS路徑圖表示的為線性回歸模型，因此所有因變量（即有箭頭指向的變量）都需加上一個(gè)殘差項(xiàng)（就是下圖中這個(gè)圓圓的東西）。在這里關(guān)于繪圖的具體操作，大家可以參考這里，本文就不再贅述啦。
??上面繪制的路徑圖有點(diǎn)丑，可以用軟件左側(cè)的“魔術(shù)棒”（Touch up a variable按鈕）加以調(diào)整。
2.3 數(shù)據(jù)導(dǎo)入
??路徑圖結(jié)構(gòu)繪制完成后，我們將第一部分處理好的數(shù)據(jù)導(dǎo)入模型。點(diǎn)擊Amos左側(cè)“Select data files”按鈕。
??選中Group Name后，點(diǎn)擊“File Name”，選中需要的“.sav”數(shù)據(jù)。在“N”中看到數(shù)據(jù)的樣本個(gè)數(shù)正確，即說明數(shù)據(jù)導(dǎo)入成功。
??隨后，點(diǎn)擊軟件左側(cè)“List variables in data set”按鈕，將對應(yīng)的數(shù)據(jù)放入矩形框中。
??可以看到“List variables in model”中已經(jīng)有了我們需要探究的5種變量。
??隨后對殘差項(xiàng)加以命名。點(diǎn)擊軟件上方的“Plugins”→“Name Unobserved Variables”，即可實(shí)現(xiàn)對圖中的全部殘差項(xiàng)加以命名。
??如下圖所示。
??至此，即完成了路徑圖的繪制（上圖BC忘記加殘差項(xiàng)了，到了后面運(yùn)行模型時(shí)才發(fā)現(xiàn)）?？上葘⒛Ｐ捅４妫奖愫笃诘氖褂?。
3 模型運(yùn)行與結(jié)果
3.1 模型方法參數(shù)選擇
??點(diǎn)擊軟件左側(cè)“Analysis properties”，打開“Estimation”，即可對模型的相關(guān)方法加以選擇。
??其中，左上角“Discrepancy”（誤差）方框內(nèi)為模型擬合參數(shù)的估計(jì)方法。我們需要做的是，尋求合適的模型參數(shù)，使得模型隱含的協(xié)方差矩陣（即再生矩陣）與樣本自身的協(xié)方差矩陣的“Discrepancy”（誤差）盡可能小。那么左上角這些方法，便是使得誤差盡可能小的不同方法。
??在這里，模型擬合參數(shù)的估計(jì)方法默認(rèn)為第一個(gè)“Maximum likelihood”（最大似然法），其適合于樣本數(shù)量較多、所得觀測數(shù)據(jù)符合多元正態(tài)分布的情況（這一方法最為常用）。第二個(gè)為“一般最小化平方法”，其適合于樣本數(shù)量較多、所得觀測數(shù)據(jù)不符合多元正態(tài)分布的情況。第三個(gè)為“無加權(quán)最小二乘法”，其與第二個(gè)均位全信息估計(jì)方法，但“無加權(quán)最小二乘法”需要數(shù)據(jù)的觀察尺度相同。第四個(gè)為“自由度量最小二乘法”。第五個(gè)為“任意分布法”，若樣本數(shù)量超過1000，且數(shù)據(jù)不服從正太分布時(shí)可以用此方法。
??右上角第一個(gè)為“Estimate means and intercepts”，即是否計(jì)算平均值與截距。在以下三種情況中，我們可以勾選此項(xiàng)：
- 數(shù)據(jù)有缺失。
- 數(shù)據(jù)為時(shí)序性數(shù)據(jù)。
- 需要進(jìn)行Anova分析或Manova分析。
??右上角第二個(gè)為“Emulisrel6”，若勾選此項(xiàng)，模型會(huì)得到與“LISREL”軟件（另一款與Amos類似的軟件，個(gè)人認(rèn)為可以將“Emulisrel6”理解為其內(nèi)核）一致的結(jié)果。
??右側(cè)第三個(gè)為“Chicorrect”，其作用為指定常數(shù)r的值。若此框?yàn)榭瞻?，r的值將以組數(shù)為準(zhǔn)。需要注意的是，當(dāng)均值和截距是高度約束的模型參數(shù)時(shí)，應(yīng)考慮在此框中填寫0。
??下方為“For the purpose of computing fit measures with incomplete data”選項(xiàng)，即確定在數(shù)據(jù)包含缺失值時(shí)，是否需要調(diào)整從而適合飽和模型和/或獨(dú)立模型。其中，飽和模型是指各觀測變量之間均允許相關(guān)的最復(fù)雜模型，其自由度為0。換句話說，飽和模型就是人為設(shè)定約束條件最少、純粹按照數(shù)據(jù)相互關(guān)系來構(gòu)建的最優(yōu)、理想狀態(tài)下的模型。對于飽和模型而言，其隱藏協(xié)方差應(yīng)當(dāng)和樣本協(xié)方差一致（而對于過度限定的模型而言并非如此，在此情況下，若保證模型正確，其隱藏協(xié)方差較之樣本協(xié)方差更接近總體協(xié)方差）。此處三個(gè)選項(xiàng)分別為“適合飽和的獨(dú)立模型”“僅適合飽和模型”與“均不適合”。
3.2 模型輸出參數(shù)選擇
??點(diǎn)擊軟件左側(cè)“Analysis properties”，打開“Output”，即可對輸出的結(jié)果加以選擇。這里均位各種模型情況評估指標(biāo)，例如模型整體擬合度評估指標(biāo)、測量模型評估指標(biāo)和結(jié)構(gòu)模型評估指標(biāo)等。一般的，我們按照如下的設(shè)置即可。此處參數(shù)更為細(xì)致的介紹可以查看這篇博客（https://blog.csdn.net/zhebushibiaoshifu/article/details/114365640），此處參數(shù)的具體分析方法可以查看這篇博客（https://blog.csdn.net/zhebushibiaoshifu/article/details/114377622）。
3.3 模型運(yùn)行
??點(diǎn)擊軟件左側(cè)“Calculate estimaters”，即可對模型加以運(yùn)行。但是第一次運(yùn)行報(bào)錯(cuò)如下：
??這就是上述提到的，BC忘記加殘差項(xiàng)。修改后便可以正常運(yùn)行模型。
3.4 模型結(jié)果
??運(yùn)行模型，完成后如下圖：
??其中，左側(cè)紅色區(qū)域表明了本次模型的執(zhí)行結(jié)果。我們看第二段內(nèi)容即可，其中，其含義分別如下：
Scanning AllData5Factor：掃描初始數(shù)據(jù)
Reading data：讀取數(shù)據(jù)
106 cases：數(shù)據(jù)共有106個(gè)樣本
Default model：模型運(yùn)用了默認(rèn)的方法獲取差異值，即下圖的ML方法（最大似然法）
Minimization：模型運(yùn)用了最小化方法進(jìn)行迭代
Minimum was achieved：取得了差異最小值
Writing output：輸出結(jié)果
Chi-square = 8.3, df= 2：卡方為8.3，自由度為2
??此外，在模型上方的視圖調(diào)整按鈕，我們可以選擇在右圖中顯示輸出非標(biāo)準(zhǔn)化結(jié)果或標(biāo)準(zhǔn)化結(jié)果圖像。其中，若為非標(biāo)準(zhǔn)化結(jié)果，自變量、殘差旁的數(shù)字代表其方差；而對于標(biāo)準(zhǔn)化結(jié)果，箭頭旁的數(shù)字代表對應(yīng)回歸方程的R方。
??此外，點(diǎn)擊軟件左側(cè)“View Text”按鈕，可以查看更為詳細(xì)的模型結(jié)果。
??關(guān)于模型運(yùn)行后所得結(jié)果更為細(xì)致的介紹可以查看這篇博客（https://blog.csdn.net/zhebushibiaoshifu/article/details/114365640），以及這篇博客（https://blog.csdn.net/zhebushibiaoshifu/article/details/114377622）。
