📊SEM 一次搞懂! 從基礎操作到進階建模的全攻略~邱允文
📊SEM 一次搞懂! 從基礎操作到進階建模的全攻略~邱允文
提供一個從基礎到進階，涵蓋 SPSS 基礎操作、常用統計分析，以及 AMOS (最常見的 SEM 軟體) 的結構方程模型全攻略。
由於內容非常龐大，我會將每個步驟都拆解成條列式的指令和細節，並避免使用表格。
📊 SPSS & SEM 一次搞懂：從基礎操作到進階建模全攻略
💡 第一部：SPSS 基礎操作與資料準備
SPSS 的介面主要分為兩個視窗：資料編輯器 (Data Editor) 和 輸出視窗 (Output Viewer)。
1. 資料編輯器：變數檢視 (Variable View) 設定
變數檢視是用來定義資料集中每個變項的屬性。
指令步驟：
開啟 SPSS 軟體。
點擊視窗左下角的 「變數檢視 (Variable View)」 標籤。
設定細節：
名稱 (Name)： 輸入變項的簡短英文或拼音名稱（例如：
Age,Gender,Attitude_Q1）。細節： 必須以字母開頭，不能包含空格或特殊符號。
類型 (Type)： 選擇變項的資料類型。
細節： 最常見的是**「數值 (Numeric)」。若為文字則選「字串 (String)」**。
標籤 (Label)： 輸入變項的完整中文名稱或描述（例如：「受訪者年齡」、「對產品的態度-題項一」）。
細節： 這將會顯示在輸出結果中，建議使用中文完整描述。
值 (Values)： 定義類別變項的數值代表意義。
細節：
點擊欄位旁的 「...」 按鈕。
輸入數值 (Value) (例如：
1)。輸入標籤 (Label) (例如：「男性」)。
點擊 「新增 (Add)」。
重複此步驟定義所有類別（例如：
2= 「女性」）。
量尺 (Measure)： 選擇變項的測量尺度。
細節：
尺度 (Scale)： 用於連續資料（如年齡、分數、李克特量表的平均值）。
次序 (Ordinal)： 用於有順序性的類別資料（如教育程度、滿意度等級）。
名義 (Nominal)： 用於無順序性的類別資料（如性別、居住地區）。
2. 資料編輯器：資料檢視 (Data View) 輸入
資料檢視是用來輸入或貼上實際的資料值。
指令步驟：
點擊視窗左下角的 「資料檢視 (Data View)」 標籤。
將資料從 Excel 或其他來源貼上，或手動輸入。
操作細節：
欄 (Column) 代表一個變項。
行 (Row) 代表一個個案/受訪者。
輸入時，請輸入在「變數檢視」中定義的數值（例如，性別輸入
1或2）。
💡 第二部：SPSS 常用統計分析指令步驟
範例一：描述性統計分析 (Descriptive Statistics)
用於瞭解資料的集中趨勢、分散程度和分佈形狀。
指令步驟：
點擊功能表列的 「分析 (Analyze)」。
選擇 「描述性統計 (Descriptive Statistics)」。
選擇 「次數 (Frequencies)」 或 「敘述統計 (Descriptives)」。
細節解說 (以 Frequencies 為例)：
目的： 主要用於名義/次序變項（例如：性別、教育程度）。
操作： 將欲分析的變項（如：
Gender）移至 「變數 (Variable(s))」 框中。「統計量 (Statistics)」 選項：
勾選集中量數 (Central Tendency)：平均數 (Mean)、中位數 (Median)、眾數 (Mode)。
勾選離散量數 (Dispersion)：標準差 (Std. Deviation)、全距 (Range)。
「圖表 (Charts)」 選項：可選擇長條圖 (Bar Charts) 或圓形圖 (Pie Charts)。
解讀： 輸出結果會顯示每個類別的人數 (
Frequency)、百分比 (Percent)，以及所選的統計量數。
範例二：信度分析 (Reliability Analysis)
主要用於評估李克特量表等測量工具的內部一致性，最常用的是 Cronbach's $\alpha$ 係數。
指令步驟：
點擊功能表列的 「分析 (Analyze)」。
選擇 「量尺 (Scale)」。
選擇 「信度分析 (Reliability Analysis)」。
細節解說：
操作： 將構成同一構面的所有題項（例如：
Attitude_Q1、Attitude_Q2、Attitude_Q3）移入 「項目 (Items)」 框中。「模型 (Model)」 選項：確認選取 「Alpha」。
「統計量 (Statistics)」 選項：
勾選 「項目 (Item)」、「量尺 (Scale)」、「如果項目被刪除的量尺 (Scale if item deleted)」。
解讀：
信度統計量 (Reliability Statistics)：查看 Cronbach's $\alpha$ 值。一般認為 $\alpha$ 係數在 0.70 以上表示信度可接受。
如果項目被刪除的量尺統計量 (Item-Total Statistics)：查看 「如果項目被刪除的 Cronbach's $\alpha$ (Cronbach's Alpha if Item Deleted)」。如果刪除某題項能顯著提升 $\alpha$ 值，則應考慮刪除該題。
範例三：t 檢定 (T-Test)
用於比較兩組之間在某個連續變項上的平均數差異。
指令步驟：
點擊功能表列的 「分析 (Analyze)」。
選擇 「比較平均數 (Compare Means)」。
選擇 「獨立樣本 T 檢定 (Independent-Samples T Test)」（比較兩個獨立組別，如男性 vs. 女性）。
細節解說：
操作：
將連續變項（例如：
Satisfaction_Score）移入 「檢定變數 (Test Variable(s))」 框。將兩組的類別變項（例如：
Gender）移入 「分組變數 (Grouping Variable)」 框。
「定義組別 (Define Groups)」 按鈕：
輸入兩組在「變數檢視」中定義的數值（例如：Group 1 輸入
1，Group 2 輸入2）。
解讀：
Levene's 檢定： 檢驗兩組的變異數是否相等。
若 $Sig. \ge 0.05$，則假設變異數相等 (Equal variances assumed)。
若 $Sig. < 0.05$，則假設變異數不相等 (Equal variances not assumed)。
t 檢定： 查看所選列的 $Sig. (2-tailed)$ 值（即 $p$ 值）。
若 $p < 0.05$，則表示兩組的平均數有顯著差異。
💡 第三部：結構方程模型 (SEM) 建模全攻略 (使用 AMOS)
AMOS (Analysis of Moment Structures) 是 IBM SPSS 旗下的軟體，專門用於執行 SEM。
1. 概念理解：SEM 的兩大步驟
在 AMOS 中進行 SEM 分析通常分為兩個主要步驟：
第一步：測量模型檢定 (Measurement Model/CFA)：評估潛在構面與其測量指標之間的關係，即驗證性因素分析 (Confirmatory Factor Analysis, CFA)，確定模型的信度與效度。
第二步：結構模型檢定 (Structural Model)：評估潛在構面彼此間的因果關係，即路徑分析 (Path Analysis)，檢定研究假設。
2. 測量模型 (CFA) 步驟詳解
假設： 我們有「態度 (Attitude)」、「滿意度 (Satisfaction)」兩個潛在構面，各自有三個測量指標。
指令步驟：
開啟 AMOS Graphics 軟體。
使用左側工具列的 「繪製潛在變項 (Draw latent variable)」 工具 (一個橢圓形的圖示)。
點擊畫布，然後點擊三次，為潛在變項 (如：態度) 繪製三個測量指標 (觀察變項)。
使用 「移動 (Move)」 和 「複製物件 (Duplicate object)」 工具，繪製第二個潛在變項 (如：滿意度)。
使用 「加入獨特變異數 (Add a unique variable to an existing variable)」 工具 (一個小圓圈連著箭頭的圖示)，為每個測量指標加上誤差項（所有觀察變項都需要誤差項）。
使用左側工具列的 「將資料集中的變數移到圖表 (List variables in data set)」 工具 (一個資料表圖示)。
將您在 SPSS 中準備好的觀察變項（例如：
Attitude_Q1）拖曳到畫布中相對應的矩形指標上。
分析設定與執行：
點擊功能表列的 「分析屬性 (Analysis Properties)」 圖示 (一個像九宮格或計算機的圖示)。
在 「輸出 (Output)」 標籤中，勾選：「標準化估計 (Standardized estimates)」、「平方複相關 (Squared multiple correlations)」、「模型配適度 (Fit measures)」。
點擊功能表列的 「計算估計值 (Calculate estimates)」 圖示 (一個有 $\Sigma$ 的圖示)。
配適度 (Fit Measures) 解讀細節：
卡方值 ($\chi^2$): $p$ 值應大於 $0.05$ (表示模型與資料無顯著差異)，但在大樣本中通常難以達成。
相對卡方值 ($\chi^2/df$): 應小於 $3$ 或 $5$ (越小越好)。
GFI (Goodness of Fit Index): 應大於 $0.90$ (越接近 $1$ 越好)。
CFI (Comparative Fit Index) / TLI (Tucker-Lewis Index): 應大於 $0.90$ 或 $0.95$ (越接近 $1$ 越好)。
RMSEA (Root Mean Square Error of Approximation): 應小於 $0.08$ (越小越好)。
3. 結構模型 (Structural Model) 步驟詳解
在測量模型配適良好後，我們進一步檢定構面間的關係。
指令步驟：
回到 CFA 模型畫布。
使用左側工具列的 「繪製共變數 (Draw covariances)」 圖示，將所有潛在變項之間的共變數箭頭刪除。
使用左側工具列的 「繪製路徑 (Draw paths)」 圖示 (一個有箭頭的直線圖示)。
根據您的研究假設，繪製潛在構面之間的單向箭頭（例如：從「態度」指向「滿意度」，表示「態度」影響「滿意度」）。
重新執行 「計算估計值 (Calculate estimates)」。
解讀細節：
配適度： 結構模型也必須滿足上述的配適度指標。
路徑係數 (Path Coefficients)：
在輸出視窗中，點擊 「估計值 (Estimates)」。
查看 「路徑 (Path)」 下的結果。
標準化迴歸權重 (Standardized Regression Weights)： 數值代表影響強度，通常介於 $-1$ 到 $1$ 之間。
顯著性 (P-value)： 找到 $P$ 值欄位。
若 $P < 0.05$，則表示潛在構面之間的影響關係顯著成立，支持研究假設。
結論與下一步
SPSS 負責資料的清理、描述以及基本的單變量或雙變量分析 (如 t 檢定、ANOVA、迴歸分析)。AMOS/SEM 則負責處理更複雜的結構關係，特別是當您有潛在變項 (無法直接觀測的抽象概念，如：品牌忠誠度、工作壓力) 時。
SPSS 著重於「已知」變項的比較。
SEM 著重於「隱藏」構面的因果推論與驗證。
潛在變項結構模型 (Latent Variable Structural Model)，其中包含了：
測量模型 (Measurement Model)/驗證性因素分析 (CFA) 的基本架構。
中介 (Mediation) 效果。
調節 (Moderation) 效果 (使用潛在變項乘積項方法)。
這是一個非常進階且完整的 SEM 應用案例。我將結合這些圖片，為您詳細解說如何使用 AMOS 軟體，從零開始建構並檢定這個複雜的 調節式中介模型 (Moderated Mediation Model)。
📈 AMOS 進階建模：調節式中介模型全攻略
💡 模型架構總覽 (結合圖檔 A_02.jpg & A_02.000.jpg)
這個模型是一個經典的 調節式中介 架構：
自變項 (IV)： X1 (遊戲化促銷)、X2 (服務氣候)、X3 (體驗創新)
中介變項 (Mediator, M)： 品牌依戀
依變項 (DV)： 品牌共鳴
調節變項 (Moderator, W)： 人機互動
步驟一：準備資料與預處理 (在 SPSS 中執行)
在 AMOS 中進行潛在變項調節分析，最複雜的部分是乘積項 (Interaction Term) 的建立。
1. 資料處理細節
集中化 (Centering)： 在建立乘積項之前，為了降低共線性 (Collinearity) 問題，通常需要將所有連續潛在變項 (IV 和 Moderator) 的指標變項進行中心化。
指令步驟 (SPSS)：
點擊 「分析 (Analyze)」 $\to$ 「描述性統計 (Descriptive Statistics)」 $\to$ 「描述性 (Descriptives)」。
將 $\text{X1}$、$\text{X2}$、$\text{X3}$、$\text{W}$ 的所有指標變項移入，並勾選 「儲存標準化值為變數 (Save standardized values as variables)」。
這會在資料中生成 Z 分數的變項（已中心化，平均數為 0）。在 AMOS 中，建議使用這些 Z 分數或您手動計算的原始中心化分數。
注意： 潛在變項的指標應使用其平均值或加總值來代表，而非個別指標。但對於 SEM 潛在變項乘積項，我們需要對個別指標進行中心化。
計算乘積項指標 (Product Term Indicators)：
指令步驟 (SPSS)：
點擊 「轉換 (Transform)」 $\to$ 「計算變數 (Compute Variable)」。
為 $\text{X1} \times \text{W}$ 乘積項的潛在構面建立指標。例如，如果 $\text{X1}$ 有 $\text{x1\_1}, \text{x1\_2}$ 兩個指標，$\text{W}$ 有 $\text{w\_1}, \text{w\_2}$ 兩個指標，則 $\text{X1} \times \text{W}$ 的指標為：
指標 1：
Z_x1_1$\times$Z_w_1(中心化後的 $\text{x1\_1}$ 乘以 $\text{w\_1}$)指標 2：
Z_x1_1$\times$Z_w_2指標 3：
Z_x1_2$\times$Z_w_1指標 4：
Z_x1_2$\times$ `Z_w_2$
對於 $\text{X2} \times \text{W}$ 和 $\text{X3} \times \text{W}$ 也重複此步驟。
步驟二：AMOS 模型繪製與設定
基於圖片 A_02.001.jpg 的基本架構，我們加入中介、調節和乘積項。
1. 繪製測量模型 (CFA)
指令步驟：
開啟 AMOS Graphics 軟體。
使用 「繪製潛在變項 (Draw latent variable)」 工具 (橢圓圖示)，繪製所有潛在構面：$\text{X1}$、$\text{X2}$、$\text{X3}$、$\text{W}$、$\text{M}$、$\text{Y}$。
根據圖片 A_02.001.jpg 所示，為每個構面繪製其對應的觀察變項 (矩形)。
使用 「加入獨特變異數 (Add a unique variable...)」 工具，為所有觀察變項加上誤差項 (e1, e2, e3...等)。
將資料集中的變數（例如 $\text{x1\_1}$、$\text{y1}$、$\text{M\_1}$）拖曳至對應的觀察變項矩形上。
2. 加入中介與直接效果路徑
指令步驟：
使用 「繪製路徑 (Draw paths)」 工具 (箭頭圖示)。
中介路徑： 繪製 $\text{M}$ ($\text{品牌依戀}$) 到 $\text{Y}$ ($\text{品牌共鳴}$) 的單向箭頭。
為 M 和 Y 加上殘差項： 使用 「加入獨特變異數 (Add a unique variable...)」 工具，為 $\text{M}$ ($\text{品牌依戀}$) 和 $\text{Y}$ ($\text{品牌共鳴}$) 兩個潛在變項加上殘差項（殘差項是圓形的，代表模型未解釋的部分）。
3. 加入調節變項與乘積項構面
指令步驟：
繪製 $\text{X1}$、$\text{X2}$、$\text{X3}$ 和 $\text{W}$ 到中介變項 $\text{M}$ 的直接路徑。
繪製三個潛在乘積項構面： $\text{X1} \times \text{W}$、$\text{X2} \times \text{W}$、$\text{X3} \times \text{W}$。
為這三個乘積項構面繪製在步驟一中計算的指標（每個構面 4 個指標，如 $\text{Z\_x1\_1} \times \text{Z\_w\_1}$ 等）。
為乘積項構面的指標加上誤差項。
從這三個潛在乘積項構面，繪製單向箭頭指向 $\text{M}$ ($\text{品牌依戀}$)。
細節： 這些箭頭的係數檢定結果，就是調節效果是否顯著的證據。
4. 固定測量模型參數 (Scaling Constraints)
指令步驟：
為每個潛在構面（包含 $\text{X}$、$\text{W}$、$\text{M}$、$\text{Y}$ 和所有乘積項）設定量尺 (Scale)。
在每個潛在構面上：
選項 A (通常用於 CFA)： 固定該構面第一個指標的路徑係數 (Regression Weight) 為 $1$。
選項 B (通常用於複雜模型)： 固定該構面本身的變異數 (Variance) 為 $1$。
潛在乘積項的處理： 潛在乘積項構面 $\text{X} \times \text{W}$ 的平均數 (Mean) 應固定為 $0$，變異數 (Variance) 應固定為 $1$。
步驟三：AMOS 分析設定與執行
1. 設定分析屬性 (Analysis Properties)
指令步驟：
點擊 「分析屬性 (Analysis Properties)」 圖示。
「輸出 (Output)」 標籤：
勾選：「標準化估計 (Standardized estimates)」、「模型配適度 (Fit measures)」、「殘差 (Residuals)」。
勾選：「間接、直接與總效果 (Indirect, direct, and total effects)」 (用於中介分析)。
「拔靴法 (Bootstrap)」 標籤 (用於中介分析顯著性檢定)：
勾選 「執行拔靴法 (Perform bootstrap)」。
抽樣次數建議設定為 $5000$。
勾選 「偏誤校正信賴區間 (Bias-corrected confidence intervals)」。
2. 執行計算
指令步驟：
點擊功能表列的 「計算估計值 (Calculate estimates)」 圖示 ($\Sigma$ 圖示)。
步驟四：結果解讀細節
1. 測量模型與配適度檢定
細節： 首先檢視模型的整體配適度。
相對卡方 ($\chi^2/df$): 應 $< 3$ (或 $< 5$)。
CFI/TLI: 應 $> 0.90$ (最好 $> 0.95$)。
RMSEA: 應 $< 0.08$ (最好 $< 0.05$)。
確認測量模型的效度與信度：
查看 因素負荷量 (Factor Loadings) (標準化迴歸權重)，應顯著 ($P < 0.05$) 且數值通常 $> 0.5$ (最好 $> 0.7$)。
2. 中介效果解讀 (品牌依戀 $\to$ 品牌共鳴)
細節：
間接效果 (Indirect Effect)： 檢視 $\text{X1} / \text{X2} / \text{X3}$ 對 $\text{Y}$ 的間接效果。
顯著性判斷： 檢查拔靴法輸出的 偏誤校正信賴區間 (BCI)。
如果 BCI 不包含 $0$，則表示間接效果顯著，中介效果成立。
3. 調節效果解讀 (人機互動 W)
細節： 檢驗 $\text{X} \times \text{W}$ 乘積項的路徑係數是否顯著。
檢視路徑： 找到 $\text{X1} \times \text{W} \to \text{M}$、$\text{X2} \times \text{W} \to \text{M}$、$\text{X3} \times \text{W} \to \text{M}$ 的標準化迴歸權重與 $P$ 值。
顯著性判斷：
若 $P < 0.05$，則表示 $\text{W}$ (人機互動) 對 $\text{X}$ ($\text{遊戲化促銷}$ 等) 與 $\text{M}$ ($\text{品牌依戀}$) 之間的關係具有顯著的調節作用。
結論與下一步
您的模型是一個結合了中介和調節的複雜架構，需要精確的資料前置處理 (中心化與乘積項計算) 才能在 AMOS 中執行。
中介效果 檢定自變項是否透過中介變項來影響依變項。
調節效果 檢定調節變項是否改變自變項到中介變項（或依變項）的影響強度。
由於調節效果顯著時，需要進一步繪製簡單斜率圖 (Simple Slope Analysis) 來解釋關係。
您是否希望我進一步說明如何使用迴歸分析的結果（通常需要輸出非標準化係數 $B$ 和 $P$ 值）來繪製簡單斜率圖，以視覺化解釋調節效果？
留言
張貼留言