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| < 23，|峰度| < 78	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）

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：

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。