篇一：路径分析怎么分析篇二：路径分析怎么分析篇三：路径分析怎么分析篇四：路径分析怎么分析篇五：路径分析怎么分析篇六：路径分析怎么分析
路径分析
1、作用
路径分析，一种基于线性回归方法、用于分析错综复杂变量之间路径关系的一种模型。
2、输入输出描述
输入：变量对应的路径关系，一般要求输入数据为定量数据。
输出：各变量作用的路径关系或是否成立。
3、案例示例
案例：研究“幸福感”的影响因素，有四个变量可能对幸福感有影响，他们分别是：经济水平、受教育程度、身体健康、情感支持。通过路径分析可以得到这四个变量如图所示路径关系作用于幸福感。
4、案例数据
模型要求为变量对应的路径关系，一般要求输入数据为定量数据（案例数据中为幸福度、经济水平、情感支持水平、身体健康水平、受教育程度），路径关系可以参考案例里的路径，这是由调查或者询问专家获得的。
5、案例操作
Step1：新建分析；
Step2：上传数据；
Step3：选择对应数据打开后进行预览，确认无误后点击开始分析；
Step4：选择【路径分析】；
Step5：查看对应的数据数据格式，【路径分析】要求按照初步假设出模型中各变量的相互关系，绘制成一张清晰的路径分析图；
Step6：点击【开始分析】，完成全部操作。
6、输出结果分析
输出结果1：模型路径图
图表说明：上表展示了带权路径图，主要包括模型的标准化系数，用于分析路径影响关系情况。
输出结果2：模型回归系数表
图表说明：
基于配对项经济水平->情感支持水平，显著性P值为0.000***，水平上呈现显著性，则拒绝原假设，因此此路径有效，其影响系数为0.489。
基于配对项受教育程度->情感支持水平，显著性P值为0.016**，水平上呈现显著性，则拒绝原假设，因此此路径有效，其影响系数为-0.132。
基于配对项情感支持水平->幸福度，显著性P值为0.025**，水平上呈现显著性，则拒绝原假设，因此此路径有效，其影响系数为0.233。
基于配对项身体健康水平->幸福度，显著性P值为0.000***，水平上呈现显著性，则拒绝原假设，因此此路径有效，其影响系数为-0.354。
基于配对项受教育程度->幸福度，显著性P值为0.000***，水平上呈现显著性，则拒绝原假设，因此此路径有效，其影响系数为-0.768。
输出结果3：模型拟合指标
图表说明：
上表展示了模型的拟合指标，可以适当选择一些指标进行评价，若所有指标均不满足，可以考虑根据输出1对路径进行删除或者重构
●
卡方和自由df度主要用于比较多个模型，卡方值越小越好，自由度反映了模型的复杂程度，模型越简单，自由度越多，反之，模型越复杂，自由度越少。
●GFI（拟合优度指数）：主要是运用判定系数和回归标准差，检验模型对样本观测值的拟合程度。其值在0-1之间，愈接近0表示拟合愈差。CFI≥0.9，认为模型拟合较好。
●RMSEA（近似误差均方根）：一般情况下，RMSEA在0.08以下（越小越好）。
●RMR（均方根残差）：该指标通过测量预测相关和实际观察相关的平均残差，衡量模型的拟合程度。如果RMR＜0.1，则认为模型拟合较好
●CFI（比较拟合指数）：该指数在对假设模型和独立模型比较时，其值在0-1之间，越接近0表示拟合越差，越接近1表示拟合越好。一般情况，CFI≥0.9，认为模型拟合较好。
●NNFI（非规范拟合系数）和CFI(比较拟合指数)：其值越大越好，所拟合的模型表现较好。
结果分析：由上表可知，大部分指标都满足要求，说明拟合的模型表现较好。
输出结果4：路径节点协方差关系表
图表说明：协方差表格分析了模型中没有入度的节点（即没有箭头指向它的节点），用于分析路径节点之间的关联性。
结果分析：由上表可知，经济水平与受教育程度的协方差关系呈现显著性，标准化系数为-0.236，有极低的关联性。
受教育程度与身体健康水平的协方差关系呈现显著性，标准化系数为0.26，有较低的关联性。
所以不用考虑从模型中加入该路径关系进行分析。
7、注意事项
路径分析可以用来反驳一个表明变量之间存在因果关系的模型;但是，它不能用来证明变量之间存在因果关系。