结构效度分析是结构方程模型（SEM）中评估测量模型是否准确反映理论构念的核心环节。在AMOS（Analysis of Moment Structures）软件中，通过一系列统计指标和验证步骤，研究者可以系统地检验模型的可靠性和有效性。本文将详细阐述在AMOS中进行结构效度分析的完整流程，包括关键指标解读、验证方法及实际操作示例。

一、结构效度分析的基本概念

结构效度（Construct Validity）是指测量工具能够准确测量理论构念的程度。在SEM中，结构效度主要通过验证性因子分析（CFA）来评估，包括两个核心维度：

  1. 收敛效度（Convergent Validity）：同一构念下的测量指标应高度相关
  2. 区分效度（Discriminant Validity）：不同构念的测量指标应相互区分

在AMOS中，结构效度分析通常遵循以下流程：

  • 建立测量模型
  • 运行模型拟合
  • 检查拟合指标
  • 评估参数估计
  • 验证收敛效度和区分效度

二、AMOS中结构效度分析的关键指标

1. 模型拟合指标

在AMOS中，模型拟合度是评估结构效度的基础。以下是必须检查的核心指标：

指标类型 指标名称 理想值范围 AMOS中的获取方式
绝对拟合指数 χ²/df (卡方自由度比) 1-3 输出窗口直接查看
绝对拟合指数 RMSEA (近似误差均方根) <0.08 (优秀<0.06) 模型拟合结果
绝对拟合指数 SRMR (标准化残差均方根) <0.08 模型拟合结果
相对拟合指数 CFI (比较拟合指数) >0.90 (优秀>0.95) 模型拟合结果
相对拟合指数 TLI (Tucker-Lewis指数) >0.90 (优秀>0.95) 模型拟合结果
信息准则 AIC (赤池信息准则) 越小越好 模型拟合结果

AMOS操作示例： 在AMOS中运行模型后，查看”Model Fit”窗口中的”Chi-square”部分。例如：

CMIN (χ²) = 125.67, df = 50, p = 0.000
CMIN/df = 2.51
RMSEA = 0.065 (90% CI: 0.048-0.082)
CFI = 0.942
TLI = 0.931
SRMR = 0.048

解读：χ²/df=2.51（良好），RMSEA=0.065（可接受），CFI=0.942（接近优秀），SRMR=0.048（优秀），表明模型拟合良好。

2. 参数估计指标

参数估计反映测量指标与构念之间的关系强度：

  • 因子载荷（Factor Loadings）：应>0.5，理想>0.7
  • 标准化因子载荷：在AMOS中通过”Estimates”查看
  • t值（CR值）：应>1.96（p<0.05）
  • R²（信度）：应>0.5

AMOS操作示例： 在AMOS输出中查看”Estimates” → “Regression Weights”：

Item1 ← 构念A: 标准化载荷=0.82, CR=12.34, p<0.001, R²=0.67
Item2 ← 构念A: 标准化载荷=0.76, CR=10.21, p<0.001, R²=0.58
Item3 ← 构念A: 标准化载荷=0.68, CR=8.45, p<0.001, R²=0.46

解读：所有载荷>0.68，CR>1.96，R²>0.46，表明测量指标能有效反映构念A。

三、收敛效度的AMOS验证方法

1. 平均方差提取量（AVE）

AVE衡量构念解释其指标变异的平均比例，应>0.5。

AMOS中计算AVE的步骤：

  1. 运行CFA模型
  2. 查看”Estimates” → “Squared Multiple Correlations”获取R²
  3. 手动计算：AVE = Σ(标准化载荷²) / n

示例计算： 假设构念A有3个指标，标准化载荷分别为0.82、0.76、0.68：

AVE = (0.82² + 0.76² + 0.68²) / 3
    = (0.6724 + 0.5776 + 0.4624) / 3
    = 1.7124 / 3
    = 0.5708 > 0.5 ✓

2. 组合信度（CR）

CR反映测量指标的一致性，应>0.7。

AMOS中计算CR的步骤： CR = (Σ标准化载荷)² / [(Σ标准化载荷)² + Σ(1-载荷²)]

示例计算： 使用上述载荷值：

CR = (0.82 + 0.76 + 0.68)² / [(0.82 + 0.76 + 0.68)² + (1-0.82² + 1-0.76² + 1-0.68²)]
    = (2.26)² / [(2.26)² + (0.3276 + 0.4224 + 0.5376)]
    = 5.1076 / [5.1076 + 1.2876]
    = 5.1076 / 6.3952
    = 0.7986 > 0.7 ✓

AMOS自动化计算： 虽然AMOS不直接输出AVE和CR，但可以通过以下方式获取：

  1. 使用AMOS的”Model Fit” → “Standardized Estimates”
  2. 导出数据到Excel进行计算
  3. 或使用AMOS插件（如”AMOS Graphics”中的计算功能）

3. 收敛效度验证示例

研究场景：验证”工作满意度”构念的收敛效度，包含5个测量指标。

AMOS操作：

  1. 绘制测量模型：1个潜变量（工作满意度）→ 5个观测变量
  2. 运行分析
  3. 检查结果：
标准化因子载荷：
Item1: 0.85 (p<0.001)
Item2: 0.82 (p<0.001)
Item3: 0.79 (p<0.001)
Item4: 0.76 (p<0.001)
Item5: 0.73 (p<0.001)

AVE计算：
(0.85² + 0.82² + 0.79² + 0.76² + 0.73²) / 5
= (0.7225 + 0.6724 + 0.6241 + 0.5776 + 0.5329) / 5
= 3.1295 / 5 = 0.6259 > 0.5 ✓

CR计算：
Σ载荷 = 0.85+0.82+0.79+0.76+0.73 = 3.95
Σ(1-载荷²) = 0.2775+0.3276+0.3759+0.4224+0.4671 = 1.8705
CR = 3.95² / (3.95² + 1.8705) = 15.6025 / 17.473 = 0.893 > 0.7 ✓

四、区分效度的AMOS验证方法

1. 相关矩阵法

在AMOS中，通过检查潜变量间的相关系数来评估区分效度：

  • 理想情况：相关系数<0.85（或<0.80）
  • AMOS操作：查看”Estimates” → “Correlations”

示例：

构念A与构念B的相关系数 = 0.65 (p<0.001)
构念A与构念C的相关系数 = 0.58 (p<0.001)
构念B与构念C的相关系数 = 0.72 (p<0.001)

解读：所有相关系数均<0.85，表明构念间有足够区分度。

2. 卡方差异检验法

通过比较约束模型与非约束模型的拟合差异来检验区分效度。

AMOS操作步骤：

  1. 建立非约束模型：允许所有潜变量自由相关
  2. 建立约束模型：将两个潜变量间的相关系数固定为1
  3. 运行两个模型，比较χ²差异

示例： 假设检验构念A与构念B的区分效度：

模型1（非约束）：

CMIN = 125.67, df = 50, p = 0.000

模型2（约束A与B相关=1）：

CMIN = 145.32, df = 51, p = 0.000

卡方差异检验：

Δχ² = 145.32 - 125.67 = 19.65
Δdf = 51 - 50 = 1
p值（查卡方表）< 0.001

解读：Δχ²显著（p<0.001），表明约束模型拟合显著变差，构念A与B有区分效度。

3. Fornell-Larcker准则

Fornell-Larcker准则要求：每个构念的AVE平方根应大于该构念与其他构念的相关系数。

AMOS中验证步骤：

  1. 计算各构念的AVE（如前所述）
  2. 获取各构念间的相关系数
  3. 比较AVE平方根与相关系数

示例： 假设三个构念（A、B、C）：

AVE(A) = 0.6259, √AVE(A) = 0.791
AVE(B) = 0.5800, √AVE(B) = 0.762
AVE(C) = 0.5500, √AVE(C) = 0.742

相关系数矩阵：
       A     B     C
A    1.00  0.65  0.58
B    0.65  1.00  0.72
C    0.58  0.72  1.00

验证：

  • √AVE(A)=0.791 > 0.65 (A-B) ✓
  • √AVE(A)=0.791 > 0.58 (A-C) ✓
  • √AVE(B)=0.762 > 0.65 (A-B) ✓
  • √AVE(B)=0.762 > 0.72 (B-C) ✓
  • √AVE©=0.742 > 0.58 (A-C) ✓
  • √AVE©=0.742 > 0.72 (B-C) ✓

所有条件满足，区分效度良好。

五、AMOS中结构效度分析的完整工作流程

步骤1：模型设定

在AMOS Graphics中绘制测量模型：

  1. 拖拽”椭圆”代表潜变量
  2. 拖拽”矩形”代表观测变量
  3. 使用”单箭头”连接潜变量到观测变量
  4. 设置误差项（AMOS自动添加）

示例代码（AMOS图形界面操作）：

1. 打开AMOS Graphics
2. 点击"Create a new model"
3. 拖拽椭圆（潜变量）到画布
4. 拖拽矩形（观测变量）到画布
5. 使用"Add a one-way arrow"工具连接
6. 保存模型为"measurement_model.amw"

步骤2：数据准备

确保数据格式正确：

  • 数据文件应为CSV、Excel或AMOS专用格式
  • 变量名与模型中的变量名一致
  • 无缺失值或已处理缺失值

AMOS数据导入：

1. 点击"File" → "Data Files"
2. 点击"File Name"选择数据文件
3. 确认变量名匹配
4. 点击"OK"

步骤3：运行分析

  1. 点击”Analyze” → “Calculate Estimates”
  2. 选择估计方法（通常为最大似然法ML）
  3. 等待分析完成

步骤4：结果解读

在”View” → “Text Output”中查看详细结果：

关键输出部分：

Model Fit Summary:
CMIN = 125.67, df = 50, p = 0.000
CMIN/df = 2.51
RMSEA = 0.065 (90% CI: 0.048-0.082)
CFI = 0.942
TLI = 0.931
SRMR = 0.048

Parameter Estimates:
Regression Weights:
Item1 ← 构念A: 标准化=0.82, CR=12.34, p<0.001
Item2 ← 构念A: 标准化=0.76, CR=10.21, p<0.001
...

Covariances:
构念A ↔ 构念B: 0.65, CR=8.45, p<0.001

步骤5：模型修正

如果模型拟合不佳，考虑以下修正：

AMOS修正工具：

  1. 查看修正指数（Modification Indices）：

    View → Text Output → Modification Indices

    修正指数>10的路径可考虑添加

  2. 删除低载荷指标：

    • 标准化载荷<0.5的指标
    • R²<0.25的指标

  3. 添加相关路径：

    • 误差项间的相关（需理论支持）
    • 潜变量间的相关（需理论支持）

修正示例：

原始模型：χ²/df=3.85, RMSEA=0.092
修正后：删除Item5（载荷=0.42），添加误差项e1与e2相关
结果：χ²/df=2.31, RMSEA=0.065

六、实际案例：员工敬业度量表的结构效度分析

研究背景

验证”员工敬业度”量表的结构效度，包含三个维度：情感敬业、认知敬业、行为敬业，每个维度3个指标。

AMOS操作流程

1. 模型设定：

潜变量：情感敬业（E）、认知敬业（C）、行为敬业（B）
观测变量：E1-E3, C1-C3, B1-B3
误差项：e1-e9

2. 数据准备：

  • 样本量：N=300
  • 数据格式：Excel文件，包含9个变量

3. 运行分析：

1. 打开AMOS Graphics
2. 绘制3个椭圆（E, C, B）
3. 每个椭圆连接3个矩形
4. 设置误差项
5. 连接数据文件
6. 运行分析

4. 结果输出：

模型拟合指标：
χ²/df = 2.18 (优秀)
RMSEA = 0.058 (优秀)
CFI = 0.965 (优秀)
TLI = 0.958 (优秀)
SRMR = 0.042 (优秀)

因子载荷：
情感敬业维度：
E1: 0.88 (p<0.001)
E2: 0.85 (p<0.001)
E3: 0.82 (p<0.001)

认知敬业维度：
C1: 0.83 (p<0.001)
C2: 0.79 (p<0.001)
C3: 0.76 (p<0.001)

行为敬业维度：
B1: 0.87 (p<0.001)
B2: 0.84 (p<0.001)
B3: 0.81 (p<0.001)

5. 收敛效度验证：

情感敬业：
AVE = (0.88² + 0.85² + 0.82²)/3 = 0.732 > 0.5 ✓
CR = (0.88+0.85+0.82)² / [(0.88+0.85+0.82)² + (1-0.88²+1-0.85²+1-0.82²)] = 0.901 > 0.7 ✓

认知敬业：
AVE = (0.83² + 0.79² + 0.76²)/3 = 0.628 > 0.5 ✓
CR = 0.876 > 0.7 ✓

行为敬业：
AVE = (0.87² + 0.84² + 0.81²)/3 = 0.704 > 0.5 ✓
CR = 0.890 > 0.7 ✓

6. 区分效度验证：

相关系数矩阵：
          情感  认知  行为
情感      1.00  0.68  0.62
认知      0.68  1.00  0.71
行为      0.62  0.71  1.00

Fornell-Larcker检验：
√AVE(情感)=0.856 > 0.68, 0.62 ✓
√AVE(认知)=0.792 > 0.68, 0.71 ✓
√AVE(行为)=0.839 > 0.62, 0.71 ✓

卡方差异检验：
约束模型（情感=认知）：Δχ²=24.32, Δdf=1, p<0.001 ✓
约束模型（情感=行为）：Δχ²=18.76, Δdf=1, p<0.001 ✓
约束模型（认知=行为）：Δχ²=22.15, Δdf=1, p<0.001 ✓

七、常见问题与解决方案

问题1：模型拟合不佳

可能原因：

  • 样本量不足（建议N>200）
  • 指标设计不合理
  • 数据分布异常

AMOS解决方案：

  1. 检查样本量：Analyze → Sample Size
  2. 查看修正指数：View → Text Output → Modification Indices
  3. 考虑删除低载荷指标
  4. 使用稳健估计方法：Analysis Properties → Bootstrap

问题2：因子载荷过低

可能原因：

  • 指标与构念关联弱
  • 测量误差大
  • 指标设计问题

AMOS解决方案：

  1. 删除标准化载荷<0.5的指标
  2. 检查误差方差是否过大
  3. 考虑合并相似指标

问题3：区分效度不足

可能原因：

  • 构念间概念重叠
  • 测量指标区分度不够
  • 样本特征导致构念相似

AMOS解决方案：

  1. 重新审视理论框架
  2. 检查指标设计
  3. 考虑使用多组分析检验跨样本稳定性

八、AMOS高级技巧

1. 多组分析验证跨样本效度

1. 创建多组模型：File → Manage Groups
2. 设置分组变量（如性别）
3. 运行多组分析
4. 比较各组的拟合指标和参数估计

2. 使用Bootstrap法处理非正态数据

1. Analysis Properties → Bootstrap
2. 设置Bootstrap样本数（通常5000）
3. 勾选"Bias-corrected confidence intervals"
4. 运行分析

3. 模型比较

1. 运行多个候选模型
2. 使用AIC/BIC比较：View → Text Output → Model Fit
3. 选择AIC/BIC最小的模型

九、报告结构效度分析结果

在论文中报告结构效度分析时，应包括：

  1. 模型拟合指标表格：

    | 指标 | 值 | 理想标准 | 是否达标 |
|------|----|----------|----------|
| χ²/df | 2.18 | <3 | 是 |
| RMSEA | 0.058 | <0.08 | 是 |
| CFI | 0.965 | >0.90 | 是 |
| TLI | 0.958 | >0.90 | 是 |
| SRMR | 0.042 | <0.08 | 是 |

  2. 因子载荷表格：

    | 指标 | 标准化载荷 | t值 | R² |
|------|------------|-----|----|
| E1 | 0.88 | 15.32 | 0.77 |
| E2 | 0.85 | 14.21 | 0.72 |
| ... | ... | ... | ... |

  3. 效度验证表格：

    | 构念 | AVE | CR | 区分效度验证 |
|------|-----|----|--------------|
| 情感敬业 | 0.732 | 0.901 | 通过 |
| 认知敬业 | 0.628 | 0.876 | 通过 |
| 行为敬业 | 0.704 | 0.890 | 通过 |

十、总结

在AMOS中进行结构效度分析是一个系统性的过程，需要综合考虑多个指标和验证方法。关键要点包括：

  1. 模型拟合是基础：确保χ²/df、RMSEA、CFI等指标达标
  2. 收敛效度是核心：通过因子载荷、AVE、CR验证
  3. 区分效度是保障：使用相关矩阵、卡方差异检验、Fornell-Larcker准则
  4. 理论指导是关键：所有修正必须有理论依据
  5. 报告要完整：清晰呈现所有验证步骤和结果

通过遵循上述流程和方法，研究者可以在AMOS中有效地评估和确保测量模型的结构效度，从而为后续的结构模型分析奠定坚实基础。记住，结构效度分析不是一次性任务，而是需要反复验证和修正的过程，最终目标是建立既符合理论又经得起数据检验的测量模型。