Както се вижда на Фигура 7, файлът с данни, наречен "Emotion Regulation", се състои от 332 данни.
Една от най-широко използваните програми за анализ на структурното моделиране на уравненията е AMOS. AMOS е съкратена форма на "Анализ на моментови структури". Поради обширното си меню от инструменти за чертане, които са внимателно разработени с оглед на насоките на СЕМ, както и поради удобството и бързината, с които може да бъде създадена диаграма на маршрута с качество, годно за публикуване, AMOS е програмата, която повечето изследователи избират при провеждането на своите проучвания (Byrne, 2001). Следователно тя е една от програмите, които изследователите трябва да знаят как да използват. В този раздел са обяснени стъпките, необходими за провеждане на моделиране на структурните уравнения (SEM) чрез AMOS, с примери. Примерните модели, използвани за обяснение на стъпките, трябва да се разглеждат самостоятелно. В примерните модели "Осъзнатост" е използвана като независима променлива, "Регулация на емоциите" - като зависима променлива, а "Осъзнатост в брака" и "Осъзнатост в родителството" - като зависими и медиаторни променливи.
Първо се отваря главният прозорец на AMOS Graphics с помощта на Start → Programs → AMOS 26.0 → AMOS Graphics commands. Екранната снимка на главния прозорец на AMOS Graphics е показана по-долу.
Както може да се види на Фигура 6, най-често използваните икони са разположени в крайния ляв ъгъл на главния прозорец на AMOS Graphics. Средният раздел предоставя информация за процеса на моделиране, а в дясната част е разположено работното пространство за изчертаване на структурния модел. Функциите на иконите в лявата част на екрана са дадени, когато е необходимо при описанието на стъпките.
Както се вижда на Фигура 7, файлът с данни, наречен "Emotion Regulation", се състои от 332 данни.
По-долу е представено примерно изходно изображение с индекси за добро съответствие.
В сравнение с критериите за гранични стойности на индексите на пригодност в таблица 1, GFI=.978, AGFI=.944, NFI=.975 и TLI=.973 се оценяват като критерии за "добро приспособяване". Очаква се индексите за добро съответствие на модела за измерване да бъдат в рамките на критериите за добро съответствие или приемливо съответствие. Структурният модел следва да бъде тестван след оценка на индексите за добро съответствие на модела на измерване.
Една от хипотезите на модела на структурното уравнение, представен на фигура 11, е "Връзката между осъзнатостта на родителите и регулирането на емоциите на техните деца се опосредства от осъзнатостта в брака". Въз основа на тази хипотеза осъзнатостта на родителите предсказва осъзнатостта в брака, а осъзнатостта в брака предсказва регулирането на емоциите на техните деца. По този начин може да се каже, че осъзнатостта на родителите предсказва регулацията на емоциите на техните деца чрез осъзнатостта в брака. Ако се опитате да анализирате структурния модел на фигурата, ще видите предупреждение за невключване на термините за грешка. Следователно добавянето на член за грешка към ендогенните (зависимите) променливи е важно.
След като структурният модел е завършен, се преминава към етапите на тестване на модела на измерване, описани в предходния раздел. Първо, трябва да се провери дали оценките на параметрите са статистически значими. В прозореца "Output" (Изход) изберете "Estimates" (Оценки) от списъка вляво. На екрана, който се отваря след избора, могат да се видят преките, непреките и общите ефекти. Значимите коефициенти на пътя са важни за цялостното съответствие на модела (Baron & Kenny, 1986). Регресионният коефициент трябва да се провери за значимостта на коефициентите на пътя. За да се провери дали тези стойности са значими или не, трябва да се изследва стойността p на всеки от тях. Ако тази стойност е по-малка от 0,05, може да се каже, че коефициентът на пътя е значим. По-долу е представена примерна изходна картина, показваща коефициентите на регресия и стандартизираните коефициенти на регресия.
На фигура 12 първо трябва да се провери дали коефициентите на пътя са значими или не в таблицата "Регресионни тегла". Трябва да се провери дали коефициентите на пътя са значими в таблицата "Стандартизирани регресионни тегла". Въпреки че за модела е желателно всички пътища да са значими, незначимостта на пътя между зависимата и независимата променлива не се разглежда като проблем, тъй като отразява силата на променливата посредник във връзката. След като се прецени дали коефициентите на пътя са значими или не, индексите за добро съответствие, дадени под заглавието "Model Fit" (Съответствие на модела) в изходния файл, се разглеждат и оценяват в съответствие с критериите за прекъсване на индексите за съответствие. Моделите с най-добро съответствие с данните се посочват от индексите за добро съответствие (Smith & McMillan, 2001). Индексите за добро съответствие се оценяват в рамките на критериите за прекъсване на индексите за съответствие, препоръчани от Schermelleh-Engel et al. (2003) и представени в таблица 1. В резултат на тези оценки структурният модел се приема, отхвърля или модифицира.
След като се изследват индексите на прилягане, могат да се направят модификации на модела, за да се получи по-добре прилягащ модел. Индексите на модификацията подсказват, че тези промени трябва да бъдат направени. Въпреки това трябва да се внимава, когато се правят модификации, и всяка модификация на модела трябва да се основава на теоретична основа. В резултат на това изследователят трябва да обясни защо е направена промяната и дали тя е теоретично значима за модела (Schreiber et al., 2006).
Като се има предвид, че стойността на хи-квадрат таблицата за една степен на свобода е 3,84 (Whittaker, 2012), за гранична стойност на индексите на модификация се използва 4. Ако в резултат на анализа няма индекси на модификация, няма стойност, която да надвишава граничната стойност. По-долу е представено изходно изображение с предложените индекси на модификация след тестването на модела.
Последната стъпка от моделирането на структурни уравнения е да се определи валидността на модела. Един от най-разпространените методи, използвани за определяне на валидността на структурния модел, е методът "Bootstrapping". Процесът на bootstrapping се състои в повторна извадка на оригиналните данни (Scharkow, 2017). Използвайки тази стратегия, можем да установим валидността на модела в по-големи извадки. За бутстрапирането се отваря елемент от менюто "Analysis Properties" (Свойства на анализа) и се избира разделът "Indirect, direct, and total effects" (Косвени, преки и общи ефекти). В раздела "Bootstrap" се избират опциите "Perform Bootstrap", "Bias-Corrected Confidence Intervals" и "Bootstrap ML". Въведете число между 500 и 1000 за опцията "Number of bootstrap samples" (Брой на извадките за bootstrap) (Cheung & Lau, 2008). Това число представлява броят на повторните извадки на вашия модел. Напишете 95 за опцията "BC Confidence Level" (Ниво на доверие на BC). По този начин анализът се извършва с 95% доверителен интервал. След като всичко е направено дотук, щракнете върху бутона "Calculate Estimates" (Изчисляване на оценките) и получете резултатите. Примерна екранна снимка на менюто "Analysis Properties" (Свойства на анализа) е дадена по-долу.
Табът "Стандартизиран непряк ефект" в "Изход" показва непрекия ефект на независимата променлива върху зависимата променлива. Дали този ефект е значим, се определя чрез разглеждане на долната и горната граница на доверителния интервал. За тази цел числото между независимата променлива и зависимата променлива трябва да се провери в таблиците "Lower Bounds" (Долни граници) и "Upper Bounds" (Горни граници) в раздела "Standardized Indirect Effect" (Стандартизиран косвен ефект). Тези числа представляват долната и горната граница на доверителния интервал. Hayes (2022 г.) заявява, че косвеният ефект е значим, ако няма нула между долната и горната граница на доверителния интервал (например долната граница е -,470, а горната -,102). Снимката на екрана, показваща долната и горната граница в таблицата, е дадена по-долу.
Тъй като на фигура 15 независимата променлива е "Осъзнатост", а зависимата - "Регулиране на емоциите", когато разгледаме долната граница (-,470) и горната граница (-,102) между тези две променливи, виждаме, че между тях няма нула. Така, в резултат на bootstrapping, индиректният ефект в структурния модел е значим при 95% доверителен интервал. В крайна сметка всички анализи, проведени в рамките на структурното моделиране на уравненията, следва да бъдат отчетени.