模型拟合指标判断依据

结构方程模型中的测量方程（Measurement Equation）本质就是验证性因子分析（Confirmatory Factor Analysis，CFA），是对理论模型与调研数据拟合程度的验证。

进行验证性因子分析前，应对公共因子的个数、观测变量的个数、观测变量与公共因子间的关系、观测变量与特殊因子间的关系，特殊因子之间的关系加以明确。

一般来说，验证性因子分析的方法如下：

（1）模型假设。

进行验证性因子分析前，应根据理论或前人的研究成果，构建初始的假设理论模型。模型应包括观测变量和潜变量及其关系，即使是假设理论模型，模型构建也应有具有合理性，有相关理论支持。

（2）模型识别。

可识别的验证性因子分析模型必须满足T法则（T－rule），即模型中待估计参数的个数不大于n×（n＋1）的一半，其中n为观测变量的个数。

其次，可识别的验证性因子分析模型，还应满足三指标法则（Threeindicator Rule），即每个潜变量都有三个或三个以上的观测变量，一个测量变量对应一个因子，特殊因子间相互独立。

（3）参数估计。

参数估计的主要方法是极大似然估计（ML）、广义最小二乘数法（GLS）、末位加权最小二乘法（ULS），其中最为常用的方法是极大似然估计，但极大似然估计要求观测变量的样本数据服从正态分布，不满足此条件，则不能使用极大似然估计。

（4）模型评价。

结构方程模型（SEM）对模型进行评价主要依据拟合指标。拟合指标包括绝对拟合指标、相对拟合指标以及简约拟合指标三种。在进行模型评价时，同时使用三类指标进行评价，结果较好。

绝对拟合指标（Absolute Fit Index）用于评价模型整体拟合程度。本书研究使用的指标包括卡方值χ2、卡方值χ2与自由度df的比值、近似误差均方根（Root Mean Square Error of Approxiamtion，RMSEA）。一般来说，由于卡方值χ2易受样本大小的影响，即样本越大卡方值χ2越显著，因此，评价模型时，较多的使用卡方值χ2与自由度df的比值（χ2/df）。

相对拟合指标（Relative Fit Index）通过底线模型（Baseline Model）与假设理论模型的比较，评价模型拟合改进比率的程度。本书评价模型使用的相对拟合指标包括增值拟合指标（Incremental Fit Index，IFI）以及具有小样本模型拟合评价优势的比较拟合指标（Comparative Fit Index，CFI）。

简约拟合指标（Parsimony Fit Index）用于纠正模型的过度拟合，防止模型过于复杂。本书用来评价模型的指标是对规范拟合指标进行修正的简约规范拟合指标（Parsimonious Normed Fit Index，PNFI）以及简约良性拟合指标（Parimonious Goodness－of－fit Index，PGFI）。

本研究涉及的各个指标的评价标准如表5－1所示。

表5－1　SEM模型拟合指标评价标准一