我都忘了我的PDF教程是从哪里搜罗来的了，现在找教程似乎也挺困难，所以把找到的一点资源贡献出来与大家分享。具体内容我已经看完一大部分了，等看完后我再写一个简略介绍。稍微有点长，真正想学AMOS的就耐心点看吧：）
网页版：http://www.utexas.edu/its/rc/tutorials/stat/amos/
PDF版：点击下载AMOS的PDF版本教程
安装程序：详见我的FTP“统计软件”文件夹
多嘴一句，如果是CRT显示器，最好还是不要盯着屏幕看了，我觉得眼睛太累……
今天抽时间把简略介绍补在下面，其中我觉得尤其在样本量和缺失值的问题上讲得不错：
第一部分：介绍
第二部分：结构方程模型（SEM）基础
- SEM概述（是GLM的延伸，使研究者可以同时检验一个回归方程集；注意其特点——可以研究更为复杂的关系和模型例如确定性因子分析和时间序列分析）
- SEM术语（注意这四种概念——外生变量、内生变量、显变量、隐变量：exogenous or upstream variables; endogenous or downstream variables; manifest or observed variables; latent or unobserved variables）
- 为什么使用SEM（为研究提供了一个统一的框架）
第三部分：SEM假设条件
- 合理的样本量（James Stevens的Applied Multivariate Statistics for the Social Sciences一书中说平均一个自变量大约需要15个case；Bentler and Chou (1987)说平均一个估计参数需要5个case就差不多了，但前提是数据质量非常好；这两种说法基本上是等价的；而Loehlin (1992)在进行蒙特卡罗模拟之后发现对于包含2~4个因子的模型，至少需要100个case，当然200更好；小样本量容易导致模型计算时收敛的失败进而影响到参数估计；特别要注意的是当数据质量不好比如不服从正态分布或者受到污染时，更需要大的样本量）
- 连续的正态内生变量（注意一种表面不连续的特例：underlying continuous；对于内生变量的分布，理想情况是联合多元正态分布即JMVN）
- 模型识别（识别方程）（比较有多少可用的输入和有多少需估计的参数；模型不可识别会带来参数估计的失败，我就吃过这个亏）
- 完整的数据或者对不完整数据的适当处理（对于缺失值的处理，一般的统计软件给出的删除方式选项是pairwise和listwise，然而这又是一对普遍矛盾：pairwise式的删除虽然估计到尽量减少数据的损失，但会导致协方差阵或者相关系数阵的阶数n参差不齐从而为模型拟合带来巨大困难，甚至导致无法得出参数估计；listwise不会有pairwise的问题，因为凡是遇到case中有缺失值那么该case直接被全部删除，但是又带来了数据信息量利用不足的问题——全杀了吧，难免有冤枉的；不杀吧，又难免影响整体局势）
- 模型的说明和因果关系的理论基础（实际上就是假设检验的逻辑——你只能说你的模型不能拒绝，而不能下定论说你的模型可以被接受）
第四部分：用AMOS Graphics建立和检验模型
- SEM-Multiple回归关系的图示
- 用AMOS Graphics画出模型（椭圆：隐变量/因子；长方形：显变量；单向箭头：因果关系；双向箭头：相关关系；我还花了好半天功夫学画图，ft）
- 读入数据到AMOS（从File菜单打开数据文件，然后就是简单的拖拽，把变量拖进相应的框框中）
- 选择AMOS分析选项并运行模型（设置好一些选项之后，点Calculate Estimates，基本就大功告成了）
第五部分：解释AMOS输出结果（实际上就是统计工作者最常做的工作：查看统计软件放的“屁”，我是说“P值”的那个“P”）
- 评估总体模型拟合度
- 绝对拟合度的检验
- 相对拟合度的检验
- 修改模型以获得更好的拟合优度（看着不爽的变量就杀掉）
- 查看路径图输出（这大概是我们最关心的了）
- 单个参数的显著性检验
第六部分：综述——对于结果的实际解释（这才是最重要的工作——联系实际）
最后啰嗦一句，谁要是实在闲得无聊可以在Visual Basic中加载Amos Engine玩玩儿，可以自己编程的，我是没那个精力了。如果感兴趣我可以私下提供教程：D