Amos是功能强大的结构方程建模(SEM)工具,通过对回归分析，因子分析，相关性分析和方差分析等传统多元数据分析方法的扩展，为您的理论研究提供更多的支持。在Amos中，您可以在直观的路径图中指定，评估，检验以及展现模型，进而验证路径图中各个变量之间的假设关系。



使用观测和潜在变量获得新的洞察力

Amos使您能够通过使用观测变量，比如调查数据或潜在变量，比如"满意度"来预测任意其他数值变量的能力来更加现实的构建反应复杂关系的模型。结构方程建模,有时也被称为路径分析，帮助您获得对于因果模型的额外的洞察力和变量关系的优势。


基于贝叶斯(Bayesian)估计扩展统计选择

通过Amos,您能够执行有序类别和删失数据的估计，使您能够：

基于非数值数据来创建模型，不必须分配数值记分(score)到数据
处理删失数据，不必须进行除了正态性以外的假设

您同样能够计算有序类别和删失数据的数值，因此只要需要您能够创建完整的数值数据集。或者在新的数据集中计算遗漏值的值。您同样有选项来估计后验预测分布，以用于决定在潜在变量模型中的遗漏或部分遗漏值的概率值。

找出拟合数据的最佳模型

Amos的探索技术和SEM的"界定搜索"功能，可以让您从大量候选模型中筛选出最佳模型。您可以利用之前的模式界定或通过在模型上设定参数值约束条件，或者利用贝叶斯估计指定参数的先验分布。利用验证性因子分析，您可以指定和验证因子模式，而不需依赖传统的探索性因子分析。

您也可以在多个分析中拟合多个模型，Amos会比较每一对模型，其中每对模型都可以通过更改模型参数的限制条件而得到。而且Amos会给出模型改进的建议，例如，通过在两个变量间添加箭头连接，Amos图形和统计量将会帮助您在模型的简约性和拟合优度间取得最佳平衡。

利用路径图分析意想不到的关联

在模型拟合后，Amos路径图还能够显示变量之间相关性的强弱。例如，在进行关于调味品产品的调查分析中，最初您也许会认为"对味道的满意度"是品牌忠诚度的最佳指示指标。然而，在Amos路径图中，您或许会发现品牌忠诚度的最佳指示指标却是"调味产品的包装尺寸"。



利用Amos在数据中探索"原因和程度"

在不同领域的研究人员，使用观测性/非实验性数据，借助Amos进行分析，说服领导或委员会，获取研究经费；或者使研究结果得以发表。例如：

心理学-建立模型来探索药物治疗，临床治疗和艺术治疗对情绪的影响
医疗和卫生保健-确定可信性，节省性或科研投入这三个因素中哪个最能预测医生是否支持开非专利药品
社会科学-研究社会经济学状态，组织结构关系和其他因素对投票行为和政治参与情况的影响
教育研究-评估培训项目的结果对教育绩效或者课堂有效性的研究
市场调研-研究客户的消费行为如何影响新产品的销售
结构研究-研究与工作相关的问题如何影响企业员工对工作的满意程度

LISREL用于：

标准结构方程建模
多层结构方程建模

这些方法适用下列数据类型：

基于连续变量的完整的和不完整的复杂调查数据
基于序数和连续变量的完整的和不完整的简单随机样本数据

LISREL用于：

标准结构方程建模
多层结构方程建模

这些方法适用下列数据类型：

基于连续变量的完整的和不完整的复杂调查数据
基于序数和连续变量的完整的和不完整的简单随机样本数据

3# sesame_oil
请问时间序列数据能用AMOS做路径分析吗？急！谢谢！

什么东东？