Amos 22 最新版

Amos 22可以说是一款十分专业的图形化建模工具，功能也是非常全面的，可以解决我们编程相关的一些问题。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。有需要的就来看看吧。

Amos 22特色

1、检验行为态度模型中的关系
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。
2、使用观测和潜在变量获得新的洞察力
Amos 22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。
3、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。
4、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。
5、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"。
6、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
7、充分利用您已有的SPSS产品
除了可以单独使用AMOS以为，还可以利用它来扩展PASW Statistics的分析功能。此外，如果使用PASW Advanced Statistics或者PASW Regression模块，AMOS能够进一步完善您的分析，因为SEM进一步扩展了这些模块中包含的算法。

Amos 22优势

1、图形化用户界面
（1）通过路径图浏览器，可以显示路径模型以及当前文件夹下所有路径模型的描述以及小图标
（2）通过简单的点击来选择程序的选项
（3）通过单击鼠标在路径图上直接创建新的变量
（4）一次点击查看不同的组或模型
（5）浏览数据文件内容
（6）直接从数据集中把变量名字拖拽到路径图上
2、建模能力
（1）创建具有观测变量和潜变量的结构方程模型(包括路径分析和纵向数据模型)
（2）利用两种方法指定候选模型：
为每个候选模型设置一组参数相等的约束
探索性方式应用SEM。AMOS会尝试很多模型，同时基于AIC及BIC统计量比较模型，并给出最佳模型的建议
（3）拟合验证性因子模型，方差成分模型，变量中含有误差的模型，以及一般的潜变量模型
（4）分析均值结构以及多组数据：
3、利用自动化设置迅速地制定并检验多组数据
（1）同时分析来自多个总体的数据
（2）把因子及回归分析合并到一个模型中同时拟合来节省时间
（3）同时分析多组模型：AMOS能够确定哪些模型是嵌套的并能够自动计算校验统计量
（4）将路径图转化为VB程序
（5）用自动生成的参数限制来拟合线性增长曲线模型
4、潜在类别分析(混合模型)
（1）进行市场细分研究
（2）估计每个类群或划分的大小
（3）进行混合回归分析和混合建模
（4）进行混合因子分析
（5）估计个体属于某类群的概率
（6）训练分类模型。预先指定一些个体属于某个组，再利用模型对剩余的个体分类
（7）在多组模型中，限定一些模型参数在各族相等，同时其它参数可随不同组而变化
5、贝叶斯估计
（1）Amos 22通过指定内容丰富的先验分布，改进估算。
（2）利用可自动调整的底层“马尔可夫链蒙特卡尔理论 (Markov chain Monte Carlo, MCMC)”计算方法。
（3）以有序的分类数据和审查数据执行估算。
（4）基于非数字数据创建模型，而无需将数字分数分配给数据。
（5）使用审查数据，而无需进行除正常情况之外的假定。
6、处理海量计算模型
（1）无论数据是否为正态，您都可以利用功能强大的bootstrapping方法取得估计值。AMOS中的蒙特卡洛和bootstrapping方法，可以让您简单轻松地获得任意参数估计的偏差和标准误差，包括标准化系数和效应估计
（2）检验多元正态并进行离群值分析
7、模型创建
（1）利用路径图设定模型
（2）借助图形工具通过路径图直接修改模型
（3）在路径图上显示模型自由度
（4）将部分单步路径图拷贝粘贴到其他路径图中
8、分析能力及统计功能
（1）在存在缺失数据的情况下，利用全部信息的最大似然方法，获得更有效，更小偏差的估计
（2）利用快速bootstrap模拟方法获得任意检验分布下任意参数的近似置信区间，包括标准化系数：
利用Bollen和Stine bootstrap方法评估模型
计算百分位数置信区间以及修正偏差的百分位数置信区间
（3）通过随机置换检验探查是否存在等价的或拟合更好的模型
（4）通过路径图上给两个或以上参数设置相同标签实现在同一个组或者不同组间参数相等的约束，包括均值，截距，回归权重，协方差
（5）估计外生变量均值
（6）估计回归方程的截距
（7）对任意参数执行bootstrapping,以给出在正态分布的假定下任意模型参数的近似置信区间，包括利用蒙特卡洛模拟估计的标准化系数
（8）多种估计方法，包括最大似然估计，未加权最小二乘，广义最小二乘，Browne的渐进自由分布标准以及自由尺度最小二乘
（9）二十多个用于模型评价的拟合统计量，包括卡方统计量，AIC，BIC准则；Browne-Cudeck准则(BCC);ECVI,RMSEA以及PCLOSE准则；均方根残差值；Hoelter的关键样本指标；以及Bentler-Bonett和Tucker-Lewis指数
（10）利用bootstrapping或蒙特卡洛方法获得任意参数的偏差和标准误差的估计值及其它派生统计量
可选择利用观测的信息矩阵估计标准误差
（11）查看每个参数的P值及临界值
（12）缺失数据填充
（13）为序次分类变量及删失数据填充之
（14）填补缺失数据及潜变量得分
（15）三种填充方法：回归，随机回归，贝叶斯方法
（16）个别填充：
利用线性回归填补缺失值
（17）个别或多重填补：
利用最大似然方法(ML)进行随机回归填补-基于由观测数据得到的参数估计；假定参数与它们的ML估计相等
贝叶斯估计与随机回归填补方法类似；然而，这种方法假定参数是通过估计得到的，并不知道其确切的取值
9、制图及其它工具
（1）创建具有演示质量的路径图：
便捷地在路径图上展示/隐藏全部变量名字
（2）打印或粘贴路径图到其它应用程序中
（3）使用工具箱按钮，包括形状调整，复制，适合页面显示，以及对齐等来绘制模型
（4）自定义工具条：
为菜单项或AMOS宏的热键(包括自定义宏)创建工具条按钮
给工具条按钮创建图标
创建快捷键执行宏
通过选择工具条上按钮拟合模型
直接利用您指定的变量名进行分析，不必使用任何希腊字母
在路径图上添加标题和备注
利用工具条，菜单和热键处理要经常执行的任务
使用弹出式菜单显示路径图上每个元素的有用选项
利用反射和旋转按钮重新整理排列测量模型
使用嵌入程序扩展模型功能

Amos 22亮点

（1）丰富的具有交叉对照的在线帮助系统，并具有对输出结果的说明或解释
（2）含有36个完整实例的用户手册
11、数据和文件管理
Amos 22支持的文件类型包括：dBase(.dbf),Microsoft Excel(.xls),FoxPro(.dbf),Lotus(.wk1,.wk3,.wk4),Microsoft Access(.mdb),IBM SPSS Statistics(.sav)，以及文本(.txt,.csv)