结构方程模型_SEM_的原理及操作
结构方程模型原理及其应用
一、结构方程模型简介
结构方程模型由一种因素模型和一种结构方程式模型组 成，将心理测量学和经济计量学有效的结合起来。
一个包括一组自变量和一组或更多因变量的计量模型。
模型由两部分组成：测量模型（即验证性因素分析模型， Confirmatory Factor Analysis ， CFA）和结构模型 （又称潜变量的因果关系模型，Causal Model ）。测量 模型主要是用于表示观测变量和潜变量之间的关系；而 结构方程模型主要是用于来表示潜变量之间的关系。 其相应的统计分析软件：SPSS/AMOS与LISREL的应用，特 别是AMOS的操作与应用。
?1 ?2 ?3
情商
ξ1
? 21
? 21 外部潜在变量
? 11
智商
ξ2
?4 ?5 ?6
?12
η ? Βη ? Γξ ? ζ
?10 ?11 ?12
η2 ζ2 人际
关系
? 21 内部潜在变量
η1
ζ1 学业
成绩
?7 ?8 ?9
x4
x5
x6
y1
y2
y3
δ4 δ5 δ6
ε1 ε2 ε3
测量模型（验证性因素分析模型，如社会经济指
一、结构方程模型简介
结构方程模型是基于变量的协方差矩阵来分析变量之间关系的 一种统计方法，是路径分析和因素分析的有机结合。
对于那些不能准确、直接测量的潜变量（ latent variable ， 如家庭的社会经济地位、学业成就等），可以用一些外显指标 （ observed variable ，如学生父母的教育程度和父母职业及 收入作为家庭社会经济地位的指标，以学生的语文、数学英语 三科成绩作为学业成就的指标 ）去间接测量。结构方程模型 可以同时处理潜变量及指标。
结构方程模型与实证研究中的因果推断
结构方程模型与实证研究中的因果推断结构方程模型（Structural Equation Modeling, SEM）是一种常用的统计分析方法，主要用于验证理论模型、检验假设以及进行因果推断。
在实证研究中，因果推断是一个重要的目标，而结构方程模型提供了一种有效的工具来实现这个目标。
一、结构方程模型的基本原理和步骤结构方程模型是一种结合了路径模型（Path Model）和因子分析（Factor Analysis）的统计技术，主要用于建立变量之间的因果关系。
其基本原理是通过观察数据，估计变量之间的关系，并进行因果推断。
在实施结构方程模型之前，需要明确研究对象、构建模型和收集数据。
然后，按照以下步骤进行分析：1. 变量测量模型的建立：首先，需要对所研究的变量进行测量，选择合适的测量工具，并进行信度和效度分析，确保测量模型的可靠性和有效性。
2. 结构模型的建立：基于理论框架和研究假设，建立结构模型，确定变量之间的关系，并设置路径系数。
3. 模型拟合度检验：通过适度性指标（如卡方检验、RMSEA、CFI 等）来评估模型的拟合度，判断模型是否符合数据。
4. 参数估计和显著性检验：利用最大似然估计或加权最小二乘估计等方法，对模型参数进行估计，并进行显著性检验，判断变量之间的关系是否显著。
5. 因果推断：基于模型估计结果，进行因果推断，确定变量之间的因果关系。
二、结构方程模型中的因果推断在结构方程模型中进行因果推断是研究者们常常关注的问题。
在进行因果推断时，需要注意以下几点：1. 强调理论依据：结构方程模型中的因果推断需要基于充分的理论依据，只有在研究问题和变量之间存在明确的理论假设时，才能进行有意义的因果推断。
2. 优先考虑时间序列：为了进行因果推断，首先需要明确变量之间的时间先后关系，确保研究设计中的时间顺序符合因果推断的要求。
3. 控制混杂因素：在进行因果推断时，需要尽可能控制混杂因素的影响，以确定变量之间的真实因果关系。
结构方程模型
01 概念介绍
3.应用领域 SEM在心理学、社会学、行为科学等领域均得到广泛使用 ①在心理学领域，SEM可以应用于检验心理测量的信度、效度及解释测量中的一些问题， 为检验观察数据与基木行为结构之间的关系提供了一种有效的方法。 ②在社会科学及管理学等领域，许多变量是人们为了理解和研究问题而建立的假设概念， 是不能直接测量的，也不存在直接的测量方法。利用一些可观测变量作为潜在变量的 “标识”时，又往往包含大量的测量误差。运用SEM能够使研究人员在分析中处理测量 误差，探求潜在变量之间的结构关系。 ③在市场研究领域，SEM可以用于消费者满意度研究、对产品或服务的偏好以及购买行 为研究、行为和态度动机的探索、生活方式研究等。 ④新的应用：多重样本分析、交互作用效应的检验、均数差异检验、纵向设计
02 基本原理
1。.模型构建——参数 “未知”和“估计” ① 潜在变量自身：总体的平均数或方差。 ② 变量之间关系：因素载荷，路径系数，协方差。 参数类型： ① 自由参数：参数大小必须通过统计程序加以估计。 ② 固定参数：模型拟合过程中无须估计。
02 基本原理
1.模型构建——路径图
路径分析的最有用的一个工具，用图形形式表示变量之间的各种线性关系，包括直 接的和间接的关系。
② 当原始资料违反常态性假设时，样本 比例应提升为估计参数的15倍。
③ 以最大似然法（Maximum Likelihood， ML）评估，Loehlin (1992)建议样本数 至少为100 ， 200较为适当。
结构方程模型_SEM_的原理及操作
结构方程模型_SEM_的原理及操作
一、结构方程模型SEM介绍
结构方程模型（Structural Equation Model，简称SEM）是一种统计分析工具，被广泛应用在社会科学和心理学等领域用来描述复杂的变量之间的关系。
它可以探索变量之间直接的因果关系，也可以测量变量之间的因变关系。
结构方程模型的主要组成部分有：潜变量、表征变量和解释变量。
潜变量是不能被观测到的抽象变量，它是变量与变量之间关系的本质。
表征变量是潜变量的表达形式，它可以被定量测量，从而与其他变量形成因果关系。
解释变量是潜变量和表征变量之间的链接，它是表征变量和潜变量之间的中介变量。
结构方程模型的一般结构包括：（1）因变量，指潜在因素对表征变量的影响；（2）表征变量，指潜在因素和解释变量的表达形式；（3）解释变量，指变量和变量之间的关系；（4）内部关系，指表征变量和解释变量之间的关系。
二、结构方程模型的原理
结构方程模型的原理是基于概率理论和统计学的统计方法，它可以根据样本数据和一定的模型假设拟合出变量之间的因果关系结构。
结构方程模型的目标是根据数据估计出变量之间的系统内因果关系，从而把变量之间的关系模型化。
报告中的结构方程模型和路径分析
报告中的结构方程模型和路径分析一、结构方程模型的概念与意义结构方程模型（Structural Equation Modeling，简称SEM）是一种统计分析方法，用来研究多个变量之间的关系。
它能够同时考虑测量变量和潜在变量之间的关系，并且允许分析者验证多个假设模型。
结构方程模型的应用广泛，可以在社会科学、管理学、医学等领域中发挥重要作用。
二、结构方程模型的基本构成1.指标测量模型在结构方程模型中，指标测量模型用来描述潜在变量和观测变量之间的关系。
通过观测变量测量潜在变量，可以确保潜在变量得到有效的测量。
2.结构模型结构模型是结构方程模型的核心部分，用来描述变量之间的因果关系。
结构模型通过路径系数来表示变量之间的直接和间接影响。
三、路径分析的基本原理与步骤路径分析是结构方程模型的一种具体应用，用来研究变量之间的直接和间接关系。
它基于协方差矩阵，通过估计路径系数和误差项来构建结构模型。
1.确定变量及其关系在进行路径分析之前，需要明确所研究的变量及其之间的关系。
可以通过前期的文献研究和专家访谈来确定需要考虑的变量。
2.收集数据路径分析需要收集样本数据，包括各个变量的取值和相关性。
通常采用问卷调查或实验方法来收集数据。
3.构建模型根据所研究的变量及其关系，构建结构方程模型。
可以使用专业的统计分析软件来进行模型构建。
4.参数估计与模型拟合度检验通过最大似然估计等方法，估计模型中的路径系数和其他参数。
然后使用结构方程模型的拟合度检验指标来评估模型的拟合程度，如度量模型的可信度和效度。
5.路径系数解读与结论根据路径系数的估计结果，分析变量之间的直接和间接关系。
并结合领域知识和研究目的，得出相关的结论。
四、结构方程模型的优势与局限1.优势结构方程模型能够同时考虑测量误差和观测变量之间的关系，从而提高模型的准确性。
它还允许研究者验证多个假设模型，并能够进行模型比较和优选。
2.局限结构方程模型对样本数据的要求较高，需要大样本量和可靠的测量工具。
毕业论文写作中的结构方程模型
毕业论文写作中的结构方程模型在毕业论文写作中，结构方程模型（Structural Equation Modeling，简称SEM）是一种被广泛应用的统计方法，用于研究和验证潜在变量之间的关系。
它既可以被用来检验理论模型的拟合度，也可以用来探究因果关系和路径分析。
本文将介绍结构方程模型的基本原理和应用步骤，并探讨在毕业论文中如何恰当地使用结构方程模型进行分析。
一、引言结构方程模型是一种多变量分析方法，它结合了因子分析和回归分析的思想，可以同时考虑多个变量之间的关系。
在毕业论文中，使用结构方程模型可以帮助研究者验证研究假设、检验理论模型并解释变量之间的关系，从而提高研究的科学性和可靠性。
二、结构方程模型基本原理结构方程模型以观测变量和潜在变量为研究对象，通过测量变量之间的协方差来探究它们之间的因果关系和拟合度。
结构方程模型主要包括测量模型和结构模型两部分。
1. 测量模型测量模型用于衡量潜在变量，将潜在变量转化为观测变量。
通过构建指标和因子之间的关系，研究者可以将潜在变量的实质含义转化为可观察的测量指标。
通常，测量模型是由指标和潜在变量之间的回归方程构成的。
2. 结构模型结构模型用于描述变量之间的因果关系和路径分析。
通过揭示变量之间的直接和间接关系，结构模型能够帮助研究者验证理论模型的拟合度，并为进一步研究提供有效的因果解释。
三、使用结构方程模型的步骤在毕业论文中使用结构方程模型进行分析，通常可以按照以下步骤进行。
1. 确定研究目的和研究假设在使用结构方程模型之前，研究者需要明确论文的研究目的和研究假设。
根据研究目的和假设，确定需要测量和分析的变量，并建立相应的理论模型。
2. 收集和准备数据为了进行结构方程模型的分析，研究者需要收集相关的数据，并进行数据的预处理和准备工作。
包括数据的清洗、缺失值的处理、变量的标准化等。
3. 构建测量模型根据理论模型中的潜在变量和指标，构建测量模型。
通过测量模型可以将潜在变量转化为观测变量，并对观测变量之间的关系进行检验。
结构方程模型建模思路及amos操作--基础准备_概述及解释说明
结构方程模型建模思路及amos操作--基础准备概述及解释说明1. 引言1.1 概述本篇长文旨在介绍结构方程模型（Structural Equation Modeling，SEM）的建模思路及在AMOS软件中的操作流程。
结构方程模型是一种多变量统计分析方法，通过将观测变量和潜在变量结合起来建立数学模型，从而揭示背后的潜在关系和影响机制。
本文将详细解释SEM的基础概念、变量类型与测量以及模型参数估计方法。
1.2 文章结构文章主要分为五个部分。
首先，在引言中概述了本文的目标和结构。
其次，在第二部分中，我们将介绍结构方程模型的基础概念，包括对SEM的简单介绍、不同变量类型和测量方法以及常用的参数估计方法。
接下来，在第三部分中，我们将详细介绍AMOS软件，并提供相关操作准备工作，包括数据准备和输入、模型设定与修改等内容。
在第四部分中，我们将逐步解释结构方程模型的建模步骤，并阐述模型规划与理论支撑、指标选择及路径图绘制以及模型拟合评估和修正等详细内容。
最后，在第五部分中，我们将总结本研究的主要发现和启示，并提出方法的局限性和改进建议，同时展望未来的研究方向。
1.3 目的本文的目的是帮助读者全面理解结构方程模型建模思路，并能够熟练运用AMOS软件进行相应的操作。
通过具体实例和详细步骤的阐述，旨在提供一个基础准备，使读者能够在自己的研究中应用结构方程模型进行数据分析和模型测试。
同时，本文还将总结结构方程模型在研究中的应用总结与经验教训，并对其未来发展提出展望。
通过阅读本文，读者将能够更好地理解并掌握结构方程模型及其在研究领域中的价值和作用。
2. 结构方程模型基础概念：2.1 结构方程模型简介：结构方程模型（Structural Equation Modeling，简称SEM）是一种统计分析方法，被广泛应用于社会科学和心理学领域，以探索变量之间的潜在关系。
它可以同时建立观察变量与潜变量之间的关系模型，并通过拟合度指标来评估模型的适配度。
结构方程模型原理及其应用
?1 ?2 ?3
情商
ξ1
? 21
? 21 外部潜在变量
? 11
智商
ξ2
?4 ?5 ?6
?12
η ? Βη ? Γξ ? ζ
?10 ?11 ?12
η2 ζ2 人际
关系
? 21 内部潜在变量
η1
ζ1 学业
成绩
?7 ?8 ?9
x4
x5
x6
y1
y2
y3
δ4 δ5 δ6
ε1 ε2 ε3
测量模型（验证性因素分析模型，如社会经济指
5. 模型修正 (model modification) ：如果模型不能很好地拟合 数据 ,就需要对模型进行修正和再次设定。
二、结构方程模型的可以直接测量获得的 ? 如：研究“摄入热量与体重之间的关系”
? 潜变量（构想变量） ? 现实生活中无法直接测量获得的，必须通过一些观察变量间接 获得。 ? 如：“社会地位” “自尊” “生活满意度”
一、结构方程模型简介
结构方程模型由一种因素模型和一种结构方程式模型组 成，将心理测量学和经济计量学有效的结合起来。
一个包括一组自变量和一组或更多因变量的计量模型。
模型由两部分组成：测量模型（即验证性因素分析模型， Confirmatory Factor Analysis ， CFA）和结构模型 （又称潜变量的因果关系模型，Causal Model ）。测量 模型主要是用于表示观测变量和潜变量之间的关系；而 结构方程模型主要是用于来表示潜变量之间的关系。 其相应的统计分析软件：SPSS/AMOS与LISREL的应用，特 别是AMOS的操作与应用。
结构方程模型原理 及其在认知心理学中的应用
一、结构方程模型简介
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第27卷第2期2005年4月宁波大学学报(教育科学版)JOURNAL OF N I N G BO UN I V ERSI TY (E DUCATI O NAL SC I E NCE )Vol .27NO.2Ap r . 2005结构方程模型(SE M )的原理及操作孙连荣(宁波大学师范学院,浙江宁波315211)摘要:结构方程模型(SE M )是应用线性方程系统表示观测变量与潜在变量之间及潜在变量之间关系的一种统计方法。
当前,SE M 及相应的L I SRE L 软件已成为心理学等社会学科中广泛应用的一种分析思想和技术。
文章简要介绍了SE M 的特点、原理及L I SRE L 的操作方法。
关键词:结构方程模型(SE M );L I S RE L;吻合指数操作程序中图分类号:B841.2 文献标识码:A 文章编号:1008-0627(2005)02-0031-05 收稿日期:2004-06-27 作者简介:孙连荣,宁波大学师范学院助教,硕士。
科学研究的目的,是通过探讨变量之间的因果关系来揭示客观事物发展、变化的规律及特点,在具体操作层面上,一般是使用一定的统计技术处理并计算各种观测数据的结果来反映因果关系。
在心理科学的研究中,实验的方法一直都是揭示心理过程及现象的主流范式。
[1]但由于实验法过分强调控制而使研究结果的真实性和外推力受到局限,尤其是当面对成因复杂的人的行为以及人的许多高级心理现象时,多数情况下都很难对它们进行直接测量或客观标定。
事实上,人们一直都在寻求以非实验的方法获取因果关系,以及通过考察人的外部表现(观测指标)来了解其实质特性(潜在变量或心理概念)的技术,而结构方程模型正是这种思想的产物。
上个世纪70年代中期,瑞典统计学家、心理测量学家Karlg .Joreskog 提出了结构方程模型(Structural Equati on Modeling,简称SE M )。
根据该方法的不同属性,统计学家们以不同的术语命名,如根据数据结构将其称为“协方差结构分析”;根据其功能,称之为“因果建模(Casual Modeling )”[2,3]等;并开发了相应的L I SRE L (L inear Structural Relati ons:线性结构关系)统计软件。
目前,几经完善L I SRE L8.30版本已成为一种重要的统计分析技术,在心理学、社会学、管理学等社会学科的研究中得到了广泛的应用。
本文将对SE M 的特点、原理及L I SRE L 的操作方法做一简要的介绍。
1 S E M 的特点结构方程模型是在已有的理论基础上,应用与之相应的线性方程系统表示该理论的一种统计分析方法。
相对于相关、回归分析、路径分析等研究变量间关系的统计方法来说,SE M 从两个方面完善了这些常用方法的不足。
第一,针对探索性因素分析假设限制过多的缺点,完善变量结构的探讨。
与探索性因素分析相比,结构方程模型既可以假定相关、不相关的潜在因素,从而更符合心理学实际;同时也可以确定某些观察变量只受特定潜在变量影响,而不是受所有潜在变量影响,使结构更清晰;还能在对每个潜在因素进行多方法测量(采用多方法-多特质模型,简称MMM T )时,可排除测量方法的误差。
除此之外,最重要的是它不需要假定所有特定变量的误差无相关,而是指定那些两者之间存在相关的特定性变量误差。
第二,在考虑测量误差的前提下建立变量间的因果关系。
这一步以统计的思路区分了观测(外显)变量和潜在(内隐)变量,进而通过观测外在表现推测潜在概念。
这样,研究便能在探讨变量间直接影响、间接影响和总效应以及表达中介变量作用的同时,用潜在变量代替路径分析中的单一外显变量,并考虑变量的测量误差,从而使研究结果更精确。
概括来讲,SE M 具有以下特点[4]:(1)可同时考虑及处理多个因变量(endogenous/dependent variable );(2)允许自变量和因变量(exogenous and endoge 2nous )项目含有测量误差;(3)允许潜伏变量由多个外显指标变量构成(这一点与因素分析类似),并可同时估计指标变量的信度及效度;(4)可采用比传统方法更有弹性的测量模式(measure ment model )。
在传统方法中,项目更多的依附于单一因子,而在SE M 中,某一指标变量可从属于两个潜伏因子;(5)可构建潜伏变量之间的关系,并估计模式与数据之间的吻合程度。
2 应用S E M的步骤结构方程模型的基本思路是:首先根据先前的理论和已有知识,经过推论和假设形成一个关于一组变量之间相互关系的模型,然后经过测查,获得一组观测变量(外显变量)数据和基于此数据而形成的协方差矩阵,这种协方差矩阵称为样本矩阵。
结构方程模型就是要将构想的假设模型与样本矩阵的拟合程度进行检验,如果假设模型能拟合客观的样本数据,说明模型成立;否则就要修正,如果修正之后仍然不符合拟合指标的要求,就要否定假设模型[5,6,7]。
结构方程模型的应用,具体可分为以下五步:2.1模型的设立2.1.1SE M方程的构建结构方程模型的出发点是为观察变量间假设的因果关系建立具体的因果模型。
一般用线性方程系统表示,分为测量模型和结构模型两部分。
测量模型反映潜在变量与观测变量之间的关系,通过测量模型可由观测变量定义潜在变量;结构模型表示潜在变量之间的关系。
测量模型和结构模型的矩阵方程及其代表的含义如下所示[8]:SE M—测量模型—Y=∧Yη+εX=∧Xξ+δ结构模型 η=Bη+Γξ+ζX—外源观测指标;∧X—X指标与ξ潜伏变量的关系;ε—X的测量误差;Y—内生观测指标;∧Y—Y指标与η潜伏变量的关系;δ—Y的测量误差;η—内生潜伏变量;B—内生潜伏变量之间的关系;ξ—外源潜伏变量;Γ—外源潜伏变量对内生潜伏变量的影响;ζ—模式内所包含的变量及变量间关系所未能解释的部分。
2.1.2SE M的路径图式法W right[9]推荐的L I SRE L路径图能明确指定变量间的因果联系,是目前该领域中既简单有最为常用的一种方法。
W right指出,使用路径图时要遵循以下规范:(1)用矩形框表示观测变量,用圆形或椭圆形表示潜在变量。
(2)变量之间的关系用带箭头的线条标志,单箭头线条表示假设两个变量之间存在因果关系,箭头指向结果变量;双箭头表示两变量之间有相关或双向的联系,但不表示因果关系;两变量之间无连线则表示假设它们之间没有直接联系。
(3)表示观测指标与潜伏变量之间关系的符号∧,要求第一个下标标志外生或内生观测指标,第二个下标标志外生或内生潜在变量。
(4)通径系数β和γ的第一个下标标志内生因变量,第二个下标标志原因变量。
具体分两种情况:当原因变量是外生变量时,用γ表示;当原因变量是另一个内生变量时,则用β表示。
2.2模型的识别SE M的模型估计有一个前提,即所估计的必须是恰好识别的或过度识别的模型,如果假设的模型本身不能识别,则无法建立结构方程组并得到路径系数的值。
模型识别主要是检测能否根据观测数据求得每一个自由(未知)参数的唯一估计值。
[10]在这里需要介绍以下几组概念:(1)可识别参数—过度识别参数:一个未知参数可以由观测变量的方差协方差矩阵中多个元素的代数函数式来表示;恰好识别参数:一个未知参数可以由观测变量的方差协方差矩阵中一个元素的代数函数式来表示;不可识别参数:———未知参数不能用观测变量的方差协方差矩阵中任何元素的代数函数式来表示。
(2)可识别模型—过度识别模型:模型中的每个参数都是可识别的,且至少有一个参数是过度识别的模型;恰好识别模型:每个参数都是可识别的,且没有一个参数是过度识别的模型;不可识别模型———指至少包含一个不能被识别参数的模型。
(3)递归模型:指所有变量之间的关系都是单向链条关系、无反馈作用的因果模型;非递归模型:指变量之间具有多向因果关系的模型。
(4)饱和模型:所有变量之间都有关系,即变量之间都由单向路径或表示相关的双箭头弧线相连接所组成的模型;非饱和模型:并非所有变量之间都存在关系,即具有某些路径系数为零的模型。
所有的递归模型都是可识别模型,所有的饱和模型都是恰好识别模型。
L I SRE L主要应用于过度识别模型。
在过度识别模型中,自由参数的数目少于观测变量中方差和协方差的总数,而使拟合优度的计算成为可能;但对于恰好识别模型来说,拟合度的检验没有意义。
2.3模型的估计SE M假设观测变量的方差协方差矩阵是一套参数的函数,它的估计过程追求尽量缩小样本的方差协方差值与模型估计的方差协方差值之间的差异,并将两者的差别作为残差。
L I SRE L软件中配有拟合函数的23宁波大学学报(教育科学版) 2005估计程序,最常用的估计方法有两种,即最大似然法(ML)和广义最小二乘法(G LS)。
最大似然法具有无偏、一致、有效、渐进正态分布且不受测量单位影响等性质,广义最小二乘法则需要使用一个类似样本方差协方差矩阵逆矩阵(S-1)的权数矩阵,它也具有与最大似然法同样可取的统计性质。
但在使用这两种方法时,应该注意需要满足的条件,即假设观测变量为连续变量,且具有多元正态分布。
因此,即便是在样本量很大的情况下,观测值的偏态性或高峰度都会影响标准误及卡方值的准确性而导致较差的估计结果。
对此,可以通过转换偏态分布的变量为近似多元正态分布、减小峰度、删除数据中的极端值(outliers)、利用自助再抽样对参数估计的方差进行显著性检验等方法予以弥补,还可以采取加权最小二乘法(WLS)进行能够处理样本偏态且渐进有效的替换估计。
WLS与G LS的不同在于,前者使用的权数矩阵W是S的渐进方差协方差矩阵的一致性估计,但WLS要求具备较大的样本量,而且运算费事。
[11]2.4模型的评价SE M在寻求理论模型与样本数据模型之间拟合程度的过程中阐释变量间的关系,一般用吻合指数对其拟合程度加以判断。
吻合指数主要有拟合优度的卡方检验(x2goodness-of-fit test)、绝对吻合指数(abs o2 lute fit indices)、增值吻合指数(incre mental fit indices)、离中参数(relative noncentrality indices,RN I)、近似误差的均方根(r oot mean square err or of app r oxi m ati on, R MSE A)、省俭系数(parsi m ony indices,P I)、阿凯克信息标准指数(Akaike inf or mati on criteri on,A I C)等等。
x2值是最常用的拟合度指标,若检验结果差异不显著且x2值越接近于零,则表明模型拟合程度越好。
但x2值对样本量非常敏感,当样本量很大时,几乎所有的候选模型都很难通过,即x2值拒绝模型的概率增大;反则反之。