close

結構方程模式分析AMOS:製作結構方程模組

結構方程模式分析AMOS:製作結構方程模組網路好書牆構



絕對值得您購買熱門好書

博客來社會科學-總論分類網友推薦

  • 定價:400
  • 優惠價:85340
  • 優惠期限:2014年03月31日止

  • 結構方程模式分析AMOS:製作結構方程模組

    在網路上爬文好久 終於找到[結構方程模式分析AMOS:製作結構方程模組]的詳細介紹
    點圖即可看詳細介紹

    內容簡介

      本書是將稱為共變異數構造分析(CSA;Covariance Structure Analysis)或結構方程模式(SEM;Structural Equation Modeling)的數值統計手法,使用AMOS徹底有效活用的一本書。

      在畢業論文或報告中決定使用共變異數構造分析與急用的人,只要閱讀第一章即可。第一章的內容即可選用AMOS進行共變異數構造分析;

      第2章與第3章是為了想仔細活用AMOS的人而準備。第2章主要是說明AMOS的詳細機能,第3章說明共變異數構造分析的典型模式與應用例。至第3章為止已學習了標準的共變異數構造分析的實際技術。

      第4章到第6章是介紹發展中的模式。第4章是解說多母體分析,多母體分析是從利用性別、學年、人種或其他的名義變數所區別的數個母體,就所取得的數據同時進行分析的方法。第5章是解說平均共變異數構造分析。所謂平均共變異數構造分析是同時分析2次積率(2nd moment)的共變異數與1次積率(first moment)的平均值的手法(這些手法會與第10章加以結合,當作多母體的平均共變異數構造分析來討論)。第6章是介紹稱為潛在曲線模式的成長曲線的分析手法。

      第7章到第9章是介紹支援分析的主要工具。第7章主要是就多重代入法加以討論,於調查或實驗中,能收集完整的數據是很少的。多重代入法是處理遺漏值的方法。第8章是介紹Bootstrap(拔靴)法。Bootstrap法是調查統計量的安定度的有效手法。第9章是介紹模式的探索。共變異數構造模式對手中的數據可以建構各種的模式。模式探索機能是配合手中的數據對模式的建構提供協助。

      第11章到第13章是介紹MCMC(Markov Chain Monte Carlo),首先,第11章是討論利用事前資訊的貝氏估計。接著,第12章是處理中止數據。然後,第13章是說明使用者期待的順序類別數據(ordered-categorical data)的分析手法。

      第14章的Mplus是一套供研究者分析用的結構方程模式化軟體,用來處理廣範圍的模式。用來處理廣範圍的模式分析,包含單層次或多層次數據、隨機截距、隨機迴歸係數、潛在構造分析…等等。本章將簡單介紹Mplus該如何運用,將AMOS所無法處理的模式 ( 如類別變項 ),用Mplus將數據套用跟處理出來之路徑圖結果。(內文探討的模式如多項式Logistic、隨機迴歸係數、非線性因子、潛在構造分析…等如何運用mplus來處理。)

      第15章摘選出較貼近生活化之期刊發表、論文或報告,讓讀者能容易了解該篇所表達為何,並將原先之內文做簡單之摘錄,讓數據及路徑分析結果精簡化。使得解讀能更為清楚快速。附錄A是有關AMOS所求出的適合度指標,用於具體案例進行解說。

      鼎茂圖書研究方法課程推薦
      報名網址: spss999.tingmao.com.tw/
      (1)多變量分析(含SEM)之經常混淆的研究課題Seminar(2012/12/14)
      (2)輕鬆搞懂結構方程模型SEM研習營(2013/1/22 - 1/23)
      (3)輕鬆寫論文之「SPSS20.0統計分析工作坊」基礎班研習營(2013/1/24 - 1/25)
      (4) HLM7.0基礎班(軟體操作)(2013/1/28 - 1/29)

    作者簡介

    豊田秀樹(Toyoda Hideki)

      現任
      早稻田大學文學學術院教授

      曾任
      美國伊利諾大學心理學系訪問研究員

      研究專長
      心理統計、行銷科學

    譯者簡介

    陳耀茂

      現任
      東海大學企業管理系教授

      研究專長
      品質管理、商品企劃與開發、決策分析

      著作
      品質管理
      可靠度管理


    ...繼續閱讀



    arrow
    arrow
      全站熱搜
      創作者介紹
      創作者 社會科學 的頭像
      社會科學

      社會科學相關書籍零七

      社會科學 發表在 痞客邦 留言(0) 人氣()