📢 SPSS&SEM一次搞懂! 全攻略~邱允文📊

 

📢 SPSS&SEM一次搞懂!  從基礎操作到進階建模的全攻略~邱允文

一、SPSS 迴歸分析（Regression Analysis）詳細操作步驟與解讀

操作步驟：

1. 開啟數據檔案
   在SPSS中載入需分析的數據檔案，確認變數定義（如「遊戲化促銷」「品牌依戀」等）。

2. 進入迴歸分析功能
   點選「分析」→「迴歸」→「線性」，開啟迴歸分析設定視窗。

3. 設定變數

   • 依變數（Y）：選擇目標變數（如「品牌共鳴」）。
   • 自變數（X）：選擇預測變數（如「遊戲化促銷」「服務氣候」「體驗創新」）。
   • 方法選擇：常用「進入（Enter）」法（一次性納入所有自變數），或逐步法（Stepwise）篩選顯著變數。

4. 設定統計量
   點選「統計量」按鈕，勾選：

   • 「歸回係數解析」：提供非標準化/標準化係數。
   • 「模型擬合度」：顯示R方、調整R方。
   • 「共線性診斷」：檢測變數間多重共線性（VIF值需<10）。

5. 執行分析
   點選「確定」執行，SPSS輸出結果。

---

結果解讀：

1. 模型擬合度（Model Fit）
   • R方：解釋變異量比例（如R²=0.6，表示自變數解釋60%的依變數變異）。
   • 調整R方：糾正變數數量影響後的擬合度。
2. ANOVA表
   • F值與顯著性：若p<0.05，模型具統計顯著性，拒絕「所有迴歸係數為0」的假設。
3. 迴歸係數表
   • 非標準化係數（B）：用於預測公式（如Y = B0 + B1X1 + B2X2）。
   • 標準化係數（Beta）：比較各變數影響力大小。
   • p值：若<0.05，該變數對依變數有顯著預測力。

---

二、SPSS 變異數分析（ANOVA）詳細操作步驟與解讀

操作步驟：

1. 開啟數據檔案
   確認分類變數（如實驗組/對照組）與連續變數（如測量值）定義。

2. 進入ANOVA功能
   點選「分析」→「比較平均值」→「單因子ANOVA」。

3. 設定變數

   • 依變數列表：選擇連續變數（如「品牌依戀程度」）。
   • 因子：選擇分類變數（如「促銷方式分組」）。

4. 選項設定

   • 勾選「描述統計」顯示各組平均值、標準差。
   • 勾選「方差齊性檢驗」（Levene檢定）。
   • 選擇「事後多重比較」方法（如Tukey、Bonferroni）。

5. 執行分析
   點選「確定」輸出結果。

---

結果解讀：

1. 方差齊性檢驗
   • 若Levene檢驗p>0.05，滿足方差齊性假設，可信任ANOVA結果。
2. ANOVA表
   • F值與顯著性：若p<0.05，拒絕「各組平均值相等」的假設，表示至少兩組存在顯著差異。
3. 事後比較
   • 根據Tukey等結果，具體指出哪些組別間有顯著差異（如實驗組A的平均值顯著高於對照組）。

---

三、AMOS 中介與調節效果建模步驟與解讀

操作步驟（以圖示模型為例）：

1. 繪製變數與路徑
   • 在AMOS畫布上繪製潛在變數（如「品牌依戀」）與觀察變數（如「遊戲化促銷」）。
   • 連接自變數（X1~X3）→中介變數（M）→依變數（Y）的路徑。
   • 加入調節變數（W）與自變數的交互作用（如X1×W），連接到M或Y。
2. 設定調節效果
   • 調節變數通常以「乘積項」（如X1×W）表示，需在AMOS中手動建立新變數並連接路徑。
3. 載入數據與執行計算
   • 載入SPSS數據檔案，點選「Calculate Estimates」執行模型估計。

---

結果解讀：

1. 中介效果檢驗
   • 檢查「間接效果」（Indirect Effect）：若X→M→Y的路徑係數均顯著，且Bootstrap 95% CI不包含0，中介效果成立。
   • 若X對Y的直接效果（Direct Effect）不顯著，為完全中介；若顯著則為部分中介。
2. 調節效果檢驗
   • 
     
     
     
     
   • 
     
   • 觀察調節路徑（如X1×W→M）的標準化係數是否顯著（p<0.05）。
   • 若顯著，表示調節變數W會影響X1與M的關係強度或方向。
3. 模型適配度指標
   • CMIN/DF：<3為良好。
   • RMSEA：<0.08可接受，<0.05為佳。
   • CFI、TLI：>0.9為理想。

---

總結

• SPSS迴歸：適用於驗證自變數對依變數的直接預測關係。
• SPSS ANOVA：用於比較多組間平均值差異。
• AMOS SEM：可同時檢驗複雜的中介、調節效果，適合驗證理論模型（如「遊戲化促銷→品牌依戀→品牌共鳴」的鏈式關係）。

以下是使用 AMOS SEM 驗證「遊戲化促銷→品牌依戀→品牌共鳴」模型（含中介與調節效果）的詳細操作步驟，以條列式說明每個細節：

一、模型設定與變數繪製

1. 開啟AMOS軟體
   • 啟動AMOS Graphics，選擇「File」→「New」建立新模型。
2. 繪製潛在變數（Latent Variables）
   • 使用工具列的「橢圓形」工具，繪製以下潛在變數：
     • 自變數：遊戲化促銷（X1）、服務氣候（X2）、體驗創新（X3）。
     • 調節變數：人機互動（W）。
     • 中介變數：品牌依�戀（M）。
     • 依變數：品牌共鳴（Y）。
3. 繪製觀察變數（Optional）
   • 若使用「顯變數」（如問卷題項），可用「矩形」表示，並連接至對應的潛在變數（每題一條單向箭頭）。
4. 設定變數關係
   • 用「單向箭頭」連接：
     • 自變數→中介變數：X1、X2、X3 → M。
     • 調節變數交互作用：X1×W、X2×W、X3×W → M（需手動建立交互項）。
     • 中介變數→依變數：M → Y。
5. 添加誤差項

   • 為每個潛在變數（除純觀察變數外）新增「殘差項」（用「e」開頭的橢圓形，默認名稱如e1、e2）。

二、調節效果設定（以「人機互動W」為例）

1. 建立交互項
   • 在SPSS中預先計算「自變數×調節變數」（如X1×W），並將結果儲存為新變數。
   • 在AMOS中，將此新變數作為「觀察變數」加入模型，並連接到中介變數（M）或依變數（Y）。
2. 替代方法（AMOS內計算）
   • 使用「Calculate on the fly」功能：

     • 點選「Plugins」→「Calculate on the fly」。

     • 輸入公式（如X1*W），生成新變數並連接至模型。

三、數據載入與模型執行

1. 載入數據檔案
   • 點選「File」→「Data Files」，選擇SPSS格式的數據檔案（需包含所有變數：X1~X3、W、M、Y及交互項）。
2. 設定變數對應
   • 確認AMOS畫布上的變數名稱與數據檔案中的變數名稱一致。
   • 若使用潛在變數，需指定「觀察指標」（如品牌依戀的問卷題項）。
3. 執行模型估計

   • 點選「Calculate Estimates」（計算估計值），AMOS自動進行參數估計。

四、結果解讀重點

1. 路徑係數顯著性
   • 檢查「迴歸權重」表格：
     • 若X1→M、M→Y的路徑係數顯著（p<0.05），表示關係成立。
     • 調節效果：檢視交互項（如X1×W→M）的係數是否顯著。
2. 中介效果檢驗
   • 使用「Bootstrap法」驗證間接效果：
     • 點選「Analysis Properties」→「Bootstrap」，設定抽樣次數（如5000次）。
     • 若「間接效果」的95%置信區間不包含0，中介效果成立。
3. 模型適配度評估

   • CMIN/DF：卡方自由度比，<3為可接受。

   • RMSEA：<0.08為合理，<0.05為優異。

   • CFI、TLI：>0.9為理想。

   • 若適配度不佳，需修正模型（如添加共變關係或刪除不顯著路徑）。

五、常見問題與調整

1. 路徑不顯著
   • 刪除p值>0.05的路徑，重新估計模型。
2. 模型識別問題
   • 確保每個潛在變數至少有2個觀察指標，避免「識別不足」。
3. 調節效果不顯著

   • 檢查交互項是否正確計算，或考慮調節變數是否適合其他連接位置（如直接影響Y）。

六、報告結果

• 列出顯著路徑（如「遊戲化促銷→品牌依戀」的標準化係數）。

• 說明中介效果（如「品牌依戀完全中介遊戲化促銷對品牌共鳴的影響」）。

• 強調調節效果（如「人機互動增強了服務氣候對品牌依戀的影響」）。

總結

AMOS SEM可同時檢驗多變數關係，適合驗證複雜的理論模型。操作重點在於：

1. 正確繪製變數與路徑。
2. 妥善處理調節變數的交互項。
3. 結合Bootstrap法檢驗中介效果。
4. 透過適配度指標評估模型合理性。

詳細解說 SPSS 的迴歸分析、SPSS 的變異數分析 (ANOVA)，以及 AMOS 的中介與調節效果這三個進階統計分析的每一個指令步驟，並以條列式方式呈現細節，全程使用繁體中文。

---

📊 統計分析進階實戰詳解

壹、SPSS 迴歸分析 (Regression Analysis)

迴歸分析用於檢定自變項 (Independent Variable, IV) 是否能預測或解釋依變項 (Dependent Variable, DV) 的變異。

案例：檢驗「廣告預算」和「促銷次數」對「銷售額」的預測效果。

• 依變項 (DV)： 銷售額 (Sales) (連續變項)

• 自變項 (IV)： 廣告預算 (Budget) (連續變項)、促銷次數 (Promotion) (連續變項)

1. 指令步驟：執行多元線性迴歸

1. 點擊功能表列的 「分析 (Analyze)」。

2. 選擇 「迴歸 (Regression)」。

3. 選擇 「線性 (Linear)」。

4. 「線性迴歸 (Linear Regression)」 對話框操作：

   • 將依變項 Sales 移至 「依變數 (Dependent)」 框中。

   • 將自變項 Budget 和 Promotion 移至 「自變數 (Independent(s))」 框中。

   • 「方法 (Method)」 選擇：

     • 維持預設的 「進入 (Enter)」，表示所有自變項一次進入模型。

2. 選項設定：統計量 (Statistics)

1. 點擊 「統計量 (Statistics)」 按鈕。

2. 「迴歸係數 (Regression Coefficients)」 部分：

   • 勾選 「估計值 (Estimates)」 (預設已勾選)。

   • 勾選 「信賴區間 (Confidence intervals)」 (用於更嚴謹的推論)。

   • 勾選 「模型配適度 (Model fit)」 (預設已勾選)。

3. 勾選 「描述性統計 (Descriptives)」 (可額外輸出變項的基本統計量)。

4. 勾選 「共線性診斷 (Collinearity diagnostics)」 (用於檢測自變項之間是否存在高度相關，即共線性問題)。

3. 結果解讀細節

• 模型摘要 (Model Summary)：

  • R 方 ($R^2$)： 表示自變項能解釋依變項總變異的百分比。例如 $R^2=0.65$，表示廣告預算和促銷次數能解釋銷售額 65% 的變異。

  • 調整 R 方 (Adjusted $R^2$)： 修正了樣本數和自變項數量對 R2 的高估，在大樣本中與 R2 相近。

• ANOVA (變異數分析) 表：

  • $F$ 檢定值 (F-value)： 用於檢驗整個迴歸模型是否具有統計顯著性。

  • $Sig.$ (或 $P$ 值)： 若 $P<0.05$，則表示整個模型是顯著的，即至少有一個自變項能有效預測依變項。

• 係數 (Coefficients) 表：

  • 非標準化係數 ($B$)：

    • 代表自變項每改變一個單位，依變項平均改變的量。例如 Budget 的 $B=1.5$，表示廣告預算每增加 1 萬元，銷售額平均增加 1.5 萬元。

  • 標準化係數 ($\beta$)：

    • 用於比較不同自變項對依變項的相對影響強度。β 的絕對值越大，影響力越強。

  • $t$ 檢定值 (t-value) 與 $Sig.$：

    • 檢驗單一自變項對依變項的獨特預測效果。

    • 若 $P<0.05$，表示該自變項對依變項有顯著的獨立預測力。

  • 共線性統計 (Collinearity Statistics)：

    • 容忍度 (Tolerance)： 應大於 $0.1$。

    • VIF (Variance Inflation Factor)： 應小於 $10$ (嚴格時要求小於 5)。若不符合，表示存在嚴重的共線性問題，需要處理。

---

貳、SPSS 變異數分析 (ANOVA)

變異數分析用於比較兩組或兩組以上的群體在某個連續變項的平均數上是否有差異。

案例：比較「不同教育程度」的群體在「產品滿意度」上的平均差異。

• 依變項 (DV)： 產品滿意度 (Satisfaction) (連續變項)

• 自變項 (IV) / 因子 (Factor)： 教育程度 (Education) (類別變項，分為：1=小學、2=中學、3=大學)

1. 指令步驟：執行單因子變異數分析 (One-Way ANOVA)

1. 點擊功能表列的 「分析 (Analyze)」。

2. 選擇 「比較平均數 (Compare Means)」。

3. 選擇 「單因子 ANOVA (One-Way ANOVA)」。

4. 「單因子 ANOVA (One-Way ANOVA)」 對話框操作：

   • 將依變項 Satisfaction 移至 「依變數清單 (Dependent List)」 框中。

   • 將類別自變項 Education 移至 「因子 (Factor)」 框中。

2. 選項設定：事後多重比較 (Post Hoc)

當 F 檢定結果顯著時，需要進一步知道是哪兩組或哪幾組之間有差異。

1. 點擊 「事後檢定 (Post Hoc)」 按鈕。

2. 「同質性變異數假設 (Equal Variances Assumed)」 區塊：

   • 一般最常勾選 「LSD (Least Significant Difference)」 或 「Scheffé」 或 「Tukey」。 (LSD 最為寬鬆，Tukey 常用，Scheffé 最為保守)。

3. 點擊 「繼續 (Continue)」。

3. 結果解讀細節

• ANOVA 表：

  • 組間平方和 (Between Groups Sum of Squares)： 反映不同群體間的差異程度。

  • 組內平方和 (Within Groups Sum of Squares)： 反映群體內的隨機誤差。

  • $F$ 檢定值 (F-value)： 檢驗所有群體平均數是否相等。

  • $Sig.$ (或 $P$ 值)：

    • 若 $P<0.05$，則表示不同教育程度群體在產品滿意度上有顯著差異。此時需進一步看事後多重比較。

    • 若 $P\ge 0.05$，則表示各群體間無顯著差異，分析到此結束。

• 事後多重比較 (Post Hoc Tests) 表 (以 Tukey 為例)：

  • 此表列出所有兩兩群體配對的平均數差異。

  • 查看 「顯著性 (Sig.)」 欄位。

  • 若某兩組（例如「大學」與「小學」）的 Sig. 小於 $0.05$，則表示這兩組之間的滿意度平均數有顯著差異。

  • 同時觀察「平均數差異 (Mean Difference)」的數值和正負號，以確定哪一組的滿意度更高。

---

參、AMOS 中介與調節效果 (Mediation & Moderation)

在 AMOS 中，中介與調節是更為複雜的結構模型。中介效果常用於 SEM/AMOS 進行檢定，而調節效果在 AMOS 中雖然能做，但學術上更推薦使用 PROCESS 等巨集進行多元迴歸的調節分析，但在 AMOS 中進行中介分析更為強大。

我們將重點講解 AMOS 的中介效果，並簡要提及調節。

1. 案例：中介效果 (Mediation)

• 自變項 (IV)： 員工訓練 (Training)

• 中介變項 (Mediator, M)： 組織承諾 (Commitment)

• 依變項 (DV)： 工作績效 (Performance)

假設路徑： $\text{Training}\to \text{Commitment}\to \text{Performance}$，同時 $\text{Training}\to \text{Performance}$。

2. AMOS 中介模型繪製與檢定步驟

1. 繪製測量模型：

   • 像前面 CFA 步驟一樣，為 Training、Commitment、Performance 繪製三個潛在構面，並將其觀察變項拖曳上去。

   • 所有觀察變項都需要加上誤差項。

2. 繪製結構路徑：

   • 使用 「繪製路徑 (Draw paths)」 工具。

   • 繪製中介模型的三條核心路徑：

     • 路徑 a： 從 Training 指向 Commitment ($\text{IV}\to \text{M}$)

     • 路徑 b： 從 Commitment 指向 Performance ($\text{M}\to \text{DV}$)

     • 路徑 c'： 從 Training 指向 Performance ($\text{IV}\to \text{DV}$ 的直接效果路徑)

   • 為依變項和中介變項加上誤差項：

     • 中介變項 (Commitment) 和依變項 (Performance) 均需要加上一個殘差/誤差變項 (Error/Residual)（一個小圓圈連著箭頭的圖示）。自變項 (Training) 不加。

3. 設定間接效果 (Indirect Effect) 輸出：

   • 點擊 「分析屬性 (Analysis Properties)」 圖示。

   • 在 「輸出 (Output)」 標籤中，勾選 「間接、直接與總效果 (Indirect, direct, and total effects)」。

   • 在 「拔靴法 (Bootstrap)」 標籤中：

     • 勾選 「執行拔靴法 (Perform bootstrap)」。

     • 「拔靴法抽樣次數 (Number of bootstrap samples)」 建議設定為 5000。

     • 勾選 「偏誤校正信賴區間 (Bias-corrected confidence intervals)」 (這是檢定中介效果的黃金標準)。

3. 中介效果解讀細節 (使用拔靴法結果)

1. 模型配適度： 首先確認整個中介模型配適良好 (CFI/TLI $>0.90$, RMSEA $<0.08$ 等)。

2. 路徑顯著性 (直接效果)：

   • 查看**「估計值 (Estimates)」**中的 $\text{Training}\to \text{Performance}$ 路徑（即 c′ 路徑）。

   • 確認路徑 $a$ ($\text{Training}\to \text{Commitment}$) 和路徑 $b$ ($\text{Commitment}\to \text{Performance}$) 是否顯著 ($P<0.05$)。

3. 間接效果顯著性 (中介效果)：

   • 查看 「間接效果 (Indirect Effects)」 報表。

   • 找到 Training 對 Performance 的**「間接效果 (Indirect Effect)」**。

   • 檢驗其偏誤校正信賴區間 (Bias-corrected confidence interval, BCI)。

   • 中介效果顯著的判斷： 如果這個 BCI 不包含 $0$（即區間上下限同為正數或同為負數），則表示間接效果顯著，中介效果成立。

4. 關於調節效果 (Moderation) 簡述

調節效果表示調節變項 (Moderator) 會改變自變項與依變項之間關係的強度或方向。

• 調節效果在 AMOS 中的複雜性： 在 AMOS 中執行調節需要計算乘積項 (Interaction Term) 的指標，這會使得模型非常複雜且難以配適。

• 建議做法 (SPSS/PROCESS)：

  • 在學術研究中，通常會使用 SPSS 的 PROCESS 巨集，以多元迴歸的方式進行調節效果分析，步驟會比 AMOS 簡潔且結果直接。

  • 基本原理： 檢驗 $Y={\beta }_0+{\beta }_{1}X+{\beta }_{2}M+{\beta }_{3}X\times M+ϵ$ 中，$X\times M$ 乘積項的係數 (β3​) 是否顯著。

好的，您上傳了三張圖片，這三張圖片共同展示了一個複雜的潛在變項結構模型 (Latent Variable Structural Model)，其中包含了：

1. 測量模型 (Measurement Model)/驗證性因素分析 (CFA) 的基本架構。

2. 中介 (Mediation) 效果。

3. 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)：

    1. 點擊 「分析 (Analyze)」 $\to$ 「描述性統計 (Descriptive Statistics)」 $\to$ 「描述性 (Descriptives)」。

    2. 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)」。

    3. 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)：

    1. 點擊 「轉換 (Transform)」 $\to$ 「計算變數 (Compute Variable)」。

    2. 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$

    3. 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：

  1. 開啟 AMOS Graphics 軟體。

  2. 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：$\text{X1}$、$\text{X2}$、$\text{X3}$、$\text{W}$、$\text{M}$、$\text{Y}$。

  3. 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)。

  4. 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)。

  5. 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：

  1. 使用 「繪製路徑 (Draw paths)」 工具 (箭頭圖示)。

  2. 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。

  3. 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：

  1. 繪製 $\text{X1}$、$\text{X2}$、$\text{X3}$ 和 $\text{W}$ 到中介變項 $\text{M}$ 的直接路徑。

  2. 繪製三個潛在乘積項構面： $\text{X1}\times \text{W}$、$\text{X2}\times \text{W}$、$\text{X3}\times \text{W}$。

  3. 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）。

  4. 為乘積項構面的指標加上誤差項。

  5. 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：

  1. 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)。

  2. 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 $1$。

  3. 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：

  1. 點擊 「分析屬性 (Analysis Properties)」 圖示。

  2. 「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)。

  3. 「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：

  1. 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：

  1. 間接效果 (Indirect Effect)： 檢視 $\text{X1}/\text{X2}/\text{X3}$ 對 $\text{Y}$ 的間接效果。

  2. 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。

  1. 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。

  2. 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？