Analysis of Moment Structures (AMOS) (skripsi, tesis, disertasi)

AMOS digunakan untuk analisis data dalam Model Persamaan Struktural (Structural Equation Model) atau yang dikenal dengan SEM. AMOS memiliki kelebihan karena user-friendly graphical interface, dengan begitu akan mempercepat dalam membuat spesifikasi, melihat serta melakukan modifikasi model secara grafik dengan menggunakan tools yang sederhana. AMOS mempunyai beberapa keunggulan dibandingkan dengan perangkat lunak lainnya, diantaranya adalah :
a. AMOS dapat menangani missing data secara baik, yaitu dengan membuat estimasi yang didasarkan pada informasi maximum likelihood yang sempurna dan tidak hanya berdasar pada metode yang sudah ada, yaitu listwise, pairwise deletion, atau mean imputation.
b. AMOS dapat membuat bootstrapped standard errors dan confidence intervals yang ada dalam semua estimasi parameter, rata-rata sampel, varian, kovarian dan korelasi.
c. AMOS dapat melakukan pemeriksaan setiap pasangan model dimana satu model diperoleh dengan membatasi parameter-parameter model lainnya.
d. AMOS dapat memahami diagram jalur sebagai spesifikasi model dan memperlihatkan estimasi-estimasi parameter secara grafis dalam model diagram jalur.
AMOS telah dikembangkan menjadi beberapa versi. AMOS diambil alih oleh Microsoft untuk disesuaikan dengan versi SPSS saat ini. Dalam melakukan analisis model, ada beberapa hal yang harus diperhatikan, seperti :
(i) Dalam persamaan struktural, model harus memiliki nilai unik agar model tersebut dapat diestimasi. Jika model tidak dapat diidentifikasi, maka tidak mungkin dapat menentukan nilai yang unik untuk koefisien model. Sebaliknya, jika suatu model dapat memiliki beberapa estimasi yang  mungkin fit, maka estimasi parameter akan abitrer. Jadi, model structural bisa dikatakan baik jika memiliki satu solusi yang unik untuk estimasi parameter. Masalah identifikasi model juga terjadi pada SEM dikarenakan informasi yang terdapat pada data empiris (varians dan kovarians variabel manifest) tidak cukup menghasilkan solusi yang unik. Ada tiga kemungkinan yang terjadi terhadap model SEM, yaitu :
a. Model unidentified
b. Model just identified
c. Model overidentified
Ket : t = jumlah parameter yang diestimasi
s = jumlah varian dan kovarian antara variabel manifest
(p+q)(p+q+1)
p = jumlah variabel y (indikator variabel laten endogen)
q = jumlah variabel x (indikator variabel laten eksogen)
Masalah unidentified dapat diatasi dengan mengkonstrain model. Konstrain model dapat dilakukan dengan menambah indikator (variabel manifest) ke dalam model, menentukan (fix) parameter tambahan menjadi 0 atau mengasumsikan bahwa parameter yang satu dengan parameter yang lain memiliki nilai yang sama.
(ii) Dalam melakukan analisis, ukuran sampel memegang peranan penting dalam estimasi dan interpretasi hasil-hasil SEM. Setelah model dikembangkan dan input data dipilih, selanjutnya dipilih program  komputer yang dapat digunakan untuk mengestimasi modelnya. Teknik-teknik estimasi yang tersedia adalah :
a. Maximum Likelihood Estimation (ML)
b. Generalized Least Square Estimation (GLS)
c. Unweighted Least Square Estimation (ULS)
d. Scale Free Least Square Estimation (SLS)
e. Asymtotically Distribution-Free Estimation (ADF)
Apabila model yang akan dianalisis berupa regresi berganda atau atau regresi bivariate, maka untuk melakukan analisisnya diperlukan estimasi means dan intercept, terlebih lagi jika ada incomplete data  (iii) Dalam penentuan output yang akan ditampilkan tergantung pada keperluan pengguna dalam memperoleh informasi dalam hasil analisis model yang diinginkan serta model yang akan dianalisis, misalnya, jika model termasuk regresi bivariate maka output yang menujukkan adanya hubungan antara variabel (indirect, direct, total effects) perlu digunakan.