潜在变量

你的自变量有哪些？我替别人做这类的数据分析蛮多的

出不来结果不是因为外因潜变量态度，主要问题可能是模型设计问题以及数据问题。可以帮您诊断。南心网。

潜变量之间的系数就是相关系数，干嘛要设置为1呢？？

小于1的这个是标准化模型的结果，你这是非标准化的结果。（南心网 Amos结构方程模型分析）

测量指标的载荷是软件根据数据自动运行出来的结果，而不是人为赋值的，你不用担心这个问题，也没有必要做这个赋值。（南心网 Amos 统计分析）

主要问题在于你的各个潜变量之间可能存在高度相关。你做一下标准化结果模型看看，很可能会出现部分因果路径的系数绝对值大于1。

出不来结果不是因为外因潜变量态度，主要问题可能是模型设计问题以及数据问题。可以帮您诊断。南心网。

潜变量的测量指标中需要有一个固定系数为1.（潜变量结构方程模型Amos 统计分析 专业人士 南心网）

最后一列的概率值，如果概率值小于指定的检验水平(通常用0，X3是显著的。否则是不显著的.05)，X和X2是不显著的，这个系数就是显著的。 例如X1

指标变量的残差项不得与潜变量相关。

数据有很大的问题，误差项的方差都成负的了，这是很不合理的，你可以把误差项设置为大于0的正数，比如0.0001试试，或者把误差项的那项直接删除。另外，你的模型不够精简，不符合简约型原则，建议好好的休整模型。小于1的这个是标准化模型的结果，你这是非标准化的结果。选中那条路径，右键选第一个Object Properties...第二个选项卡Parameters，下面Covariance处设为1就好了。

点击添加残差项的按钮，第一次点击是添加残差项，第二次点击就是旋转，可以多点几次试一下

1、优点：验证性因子分析有利于对潜在变量的测量，潜在变量会通过多个观察变量进行测量，确定性地描述了观察变量与潜在因子的关系，具有有效实际意义。2、缺点：计算难度大，需要统计检验，结果容易出现错误。

R平方：决定系数，反应因变量的全部变异能通过回归关系被自变量解释的比例。如R平方为0.8，则表示回归关系可以解释因变量80%的变异。换句话说，如果我们能控制自变量不变，则因变量的变异程度会减少80%　　1，在统计学中，R平方值的计算方法如下：　　R平方值=回归平方和(ssreg)/总平方和(sstotal)　　其中回归平方和=总平方和-残差平方和(ssresid)　　2，以上几个名词解释如下：　　总平方和：Const参数为True的情况下，总平方和=y的实际值与平均值的平方差之和；Const参数为False的情况下，总平方和=y的实际值的平方和。　　残差平方和：残差平方和=y的估计值与y的实际值的平方差之和。　　3，在线性回归分析中，可以使用RSQ函数计算R平方值。　　RSQ函数语法为RSQ(known_y"s,known_x"s)　　将源数据中的y轴数据和x轴数据分别代入，就可以求得其“线性”趋势线的R平方值。　　4，R^2的特点：　　（1）可决系数是非负的统计量　　（2）可决系数的取值范围：0<=R^2<=1　　（3）可决系数是样本观测值的函数，可决系数R^2是随机抽样而变动的随机变量。为此，对可决系数的统计可靠性也应进行检验。

这里他没有残差，有可能是因为这个潜在变量可能是在结构方程组作为另外一个潜在变量的外因变量，如上图中，模型中的外因潜在变量为F1、F2，内因潜在变量为F3、F4。这里的潜在变量F1、F2作为F3、F4的外因变量，相当于F1、F2、F3、F4构成的结构方程中的自变量，是没有残差的。

当进行量表编制时，很多结构（constructs）都无法直接被测量。通过评估各个测量之间的关系，我们可以直接推导出结构之间的关系。潜在变量（latent variable）：一个量表要反映的潜在现象或结构通常被称为潜在变量。它主要反映了两个主要特征：一，它是潜在的不是显现的。例如，父母对子女的成就期望是不可以被直接观察到的；二，结构是可变的，而不是恒定的。潜在变量在强度或大小（magnitude）上出现变化。**更多详细内容可以参照Devellis, R. F (2003). Scale development: Theory and applications. SAGA Publications.

SPSS本体无法进行潜变量分析，可以考虑使用下属的AMOS进行建模。根据你的描述，比较像是常用问卷统计分析的领域，如果使用的是量表题项，则量表题项一般默认题项分数可加性。因此，对于心理学和管理学领域的大部分量表题项，都是直接计算维度（潜变量）总分，并对计算后的变量进行描述统计。