验证性因子分析指标说明
判断构建模型优劣与否是CFA的重要内容，各类拟合指标的高低又影响着模型的整体评价。
然而模型拟合指标有那么多，具体每个指标代表什么意思？它们的判断标准又是什么？往往是一顿操作猛如虎，一看结果啥不懂。别着急现在就跟着SPSSAU一起来学习下吧。
（1） 卡方值
当P值大于0.05时，认为该模型没有达到0.05的显著性水平，模型拟合效果良好。
（2） 卡方自由度比
卡方自由度比小于2时，模型拟合效果良好。
卡方自由度比值是卡方值除以自由度值，卡方值容易受到样本量的影响，样本越大时该值越可能更小，所以小样本时卡方自由度比值容易偏大。
另外，如果是饱和模型则自由度为0，此时模型无法得到卡方自由度值，这是正常现象，如果自由度值为0，SPSSAU默认会以“-”标识出卡方自由度值。除此之外，很多时候还会出现拟合指标数值为1.000的现象，这也是正常现象。
（3） GFI
GFI始终比1小，一般认为大于0.9时，模型拟合效果良好。
（4） AGFI
AGFI位于0~1之间，模型自由参数越多，AGFI也越大，一般认为大于0.9时，模型拟合效果良好。
（5 ） NFI
该指标反映了假设模型和独立模型之间的差异。独立模型是指变量中不存在任何相关关系的一种简单模型。
假设模型和独立模型的差异越大，说明假设模型拟合效果良好。一般NFI大于0.9，假设模型拟合效果良好。
（6 ）RFI
一般RFI大于0.3，说明假设模型拟合效果良好。
对模型的比较，往往不能只靠统计指标是否达标作为唯一依据，同时还要将统计指标与专业背景结合起来所得模型才有实际意义。
（7 ）RMR
一般RMR小于0.05，说明模型拟合效果良好，越接近0越好。
（8 ）CFI
比较拟合指数，其值位于0和1之间。其值大于或等于0.95表示模型可接受。
（9 ）NFI
规范拟合指数，变化范围在0和1之间。按照约定，NFI小于0.90表示需要重新设置模型。
验证性因子分析有着非常多的拟合指标，比如卡方自由度比，RMSEA、CFA、RMR等几十种，但在实际研究中会发现基本上很难所有指标均达标。
如果研究时发现最常用的几个指标在标准范围内（或者多数指标基本均接近或明显在标准范围内），而有其它一些指标并不在标准范围内，相信模型拟合也是较好的，因此不用完全考虑所有的拟合指标均达标，几乎也不可能所有的指标均达标。
而如果研究目的是进行效度验证或者组合信度等，一般对于模型拟合指标的关注度较低，可直接忽略即可。
如果是使用验证性因子分析进行共同方差偏差CMV检查，那么其检查原理就是查看拟合指标不好，用于说明没有CMV问题；
如果说使用验证性因子分析做权重计算时指标拟合不好，可考虑删除项，或者进行MI调整等。
如果说模型拟合出现大面积的不达标，而且明显偏离标准范围内，那么这种模型需要进行调整才行。
解决办法1 ：检查数据质量
样本量会影响拟合指标结果，当样本量偏低时，容易出现拟合指标偏低的情况。建议样本量至少为测量项(量表题)的5倍以上，最好10倍以上，且一般情况下至少需要200个样本。
特别提示： 验证性因子分析只能分析量表数据，如果将非量表数据放入，通常结果都不好。
解决办法2 ：检查factor loading 值过大或过小
因子载荷系数往往会影响模型的整体拟合结果：
如果说标准化的Factor loading值过大，比如大于1，说明有着很强的共线性问题，建议可分别针对每个因子对应的项，分别做相关分析，将相关关系过强（比如相关系数值大于0.8甚至0.9）的项删除后重新分析，减少共线性问题；
如果说标准化factor loading值过小，比如0.4，那么说明该项应该直接删除掉，删除后拟合指标数值会有提高。
解决办法3 ：梳理分析流程
在进行验证性因子分析之前，最好是先进行探索性因子分析，如果探索性因子分析已经发现问题，比如因子与项之间的对应关系有问题，那么数据继续进行验证性因子分析，一般都会有各种问题，同时也会导致模型指标拟合得非常差。
绛旓細鐜板笇鏈涢獙璇佹閲忚〃鐨 鑱氬悎鏁堝害 鍜 鍖哄垎鏁堝害 ,骞朵笖甯屾湜杩涜 鍏卞悓鏂规硶鍋忓樊鍒嗘瀽 銆 楠岃瘉鎬у洜瀛愬垎鏋鐨勬楠ゅぇ鑷村彲鍒嗕负鍥涙,鍒嗗埆鏄:妯″瀷鏋勫缓銆佸垹闄や笉鍚堢悊娴嬮噺椤广佹ā鍨婱I鎸囨爣淇鍜屾ā鍨嬪垎鏋愩 (1)妯″瀷鏋勫缓 鍗冲皢鍥犲瓙涓庢祴閲忛」瀵瑰簲鍏崇郴鏀剧疆瑙勮寖;鍦ㄨ繘琛孋FA鍒嗘瀽鍓嶄竴鑸渶瑕佽繘琛孍FA,娓呯悊鎺夊搴斿叧绯诲嚭鐜颁弗閲嶅亸宸殑娴嬮噺椤 (2)鍒犻櫎...
绛旓細7. 璇勪及鍖哄垎鏁堝害锛氶氳繃姣旇緝鍥犲瓙闂寸殑鐩稿叧绯绘暟鍜孉VE鍊肩殑骞虫柟鏍癸紝鑻VE骞虫柟鏍瑰煎ぇ浜庣浉鍏崇郴鏁板硷紝璇存槑鍏锋湁鑹ソ鐨勫尯鍒嗘晥搴︺8. 鍏卞悓鏂规硶鍋忓樊锛圕MV锛夊垎鏋愶細浣跨敤EFA鎴朇FA鏂规硶妫楠屾墍鏈夋祴閲忛」鏄惁闆嗕腑鍦ㄥ崟涓鍥犲瓙涓傝嫢鍙戠幇鍗曚竴鍥犲瓙瑙ｉ噴鍔涜繃寮烘垨妯″瀷鎷熷悎鎸囨爣涓嶄匠锛屽垯瀛樺湪鍏卞悓鏂规硶鍋忓樊闂銆備互涓婃楠や负楠岃瘉鎬у洜瀛愬垎鏋鐨...
绛旓細鍐呭鏁堝害锛氱‘淇濇祴閲忓伐鍏风殑鍚堢悊鎬э紝閫氳繃涓撳鍏辫瘑鍜岀瀛︿緷鎹潵琛￠噺锛岃繖鏄瀯寤洪棶鍗风殑鍩虹銆傜粨鏋勬晥搴 (EFA)锛氬埄鐢⊿PSSAU绯荤粺锛岄氳繃鍒嗘瀽KMO鍊硷紙鐞嗘兂鍊间负0.8浠ヤ笂锛夛紝妫鏌ラ椤逛笌娼滃湪鍥犲瓙鐨勫尮閰嶏紝蹇呰鏃跺墧闄や笉鐩稿叧椤癸紝纭繚棰樼洰鐨勬湁鏁堟с傚尯鍒嗘晥搴︿笌鏀舵暃鏁堝害锛氬湪楠岃瘉鎬у洜瀛愬垎鏋涓紝閫氳繃AVE鍜孋R鎸囨爣璇勪及锛岃姹傚洜瀛愯浇鑽...
绛旓細1. 鎴戜娇鐢ㄤ簡Lisrel杞欢锛岃瀹氫簡涓涓叕鍥犲瓙鏁拌繘琛屾秷瑙ｏ紝浠ヤ究鐮旂┒涓殑鎵鏈夋祴閲忛」鐩兘鑳借礋鑽蜂簬杩欎竴鍏卞悓鍥犲瓙銆2. 濡傛灉妯″瀷鎷熷悎缁撴灉鑹ソ锛岄偅涔堣繖鍙互璇存槑瀛樺湪涓涓兘澶熻В閲婂ぇ澶氭暟鍙樺紓鐨勫叕鍏卞洜瀛愩3. 濡傛灉鍒嗘瀽缁撴灉鏄剧ず锛屽湪璐熻嵎浜庡叡鍚屽洜瀛愭椂锛屽悇椤规嫙鍚堟寚鏁伴兘涓嶇悊鎯筹紝閭ｄ箞杩欒〃鏄庣爺绌剁殑鍏卞悓鏂规硶鍋忓樊鍦ㄥ彲鎺ュ彈鑼冨洿鍐呫
绛旓細楠岃瘉鎬у洜瀛愬垎鏋鏄竴绉嶇粺璁℃柟娉曪紝鐢ㄤ簬璇勪及绀句細璋冩煡鏁版嵁涓悊璁哄彉閲忎笌娴嬪害椤逛箣闂寸殑鍏崇郴鏄惁绗﹀悎棰勮鐞嗚銆傚湪鐮旂┒杩囩▼涓紝鐮旂┒鑰呴鍏堣璁¤皟鏌ラ棶鍗凤紝鍏朵腑鍖呭惈澶氫釜闂鏉ユ祴閲忕壒瀹氱殑鐞嗚鍙橀噺锛屽椤惧蹇犺瘹搴︺傚繝璇氬害鍙互閫氳繃璐拱棰戠巼銆佷富瑙傝瘎浠峰拰娑堣垂姣斾緥绛鎸囨爣鏉ュ害閲忥紝杩欎簺鎸囨爣琚О涓烘祴搴﹂」銆傞獙璇佹у洜瀛愬垎鏋愮殑鏍稿績鐩爣鏄...
绛旓細鎺㈢储鎬т笌楠岃瘉鎬у洜瀛愬垎鏋鍦ㄧ洰鐨勫拰搴旂敤涓婃湁鏄捐憲宸紓銆傛帰绱㈡у洜瀛愬垎鏋愮敤浜庡彂鐜板彉閲忛棿鐨勬綔鍦ㄥ叧绯伙紝涓嶄緷璧栦簬鍏堥獙鐞嗚锛岃岄獙璇佹у洜瀛愬垎鏋愬垯鏃ㄥ湪楠岃瘉宸茬煡鐞嗚鏋舵瀯鐨勬湁鏁堟с備袱鑰呭湪鏁版嵁澶勭悊鍜屽垎鏋愯繃绋嬩腑鍚勬湁渚ч噸銆傝缁嗚В鏋愶細楠岃瘉鎬у洜瀛愬垎鏋愶紝濡傚悓鍦ㄧ悊绉戠彮鎴愮哗妗堜緥涓紝鐮旂┒鑰呴鍏堣瀹氳鏂囥佽嫳璇笌鏂囩鎴愮哗锛屾暟瀛︺佺墿鐞嗙瓑...
绛旓細鎺㈢储鎬у洜瀛愬垎鏋愬拰楠岃瘉鎬у洜瀛愬垎鏋鐩稿悓涔嬪 涓ょ鍥犲瓙鍒嗘瀽閮芥槸浠ユ櫘閫氬洜瀛愬垎鏋愭ā鍨嬩綔涓虹悊璁哄熀纭,鍏朵富瑕佺洰鐨勯兘鏄祿缂╂暟鎹紝閫氳繃瀵硅澶氬彉閲 鐨勭浉鍏虫х爺绌,鍙互鐢ㄥ亣鎯崇殑灏戞暟鍑犱釜鍙橀噺锛堝洜瀛愶紝娼滃彉閲)鏉ヨ〃绀哄師鏉ュ彉閲(瑙傛祴鍙橀噺)鐨勪富瑕佷俊鎭傛帰绱㈡у洜瀛愬垎鏋愬拰楠岃瘉鎬у洜瀛愬垎鏋愮殑宸紓涔嬪 1.鍩烘湰鎬濇兂涓嶅悓 鎺㈢储鎬у洜瀛愬垎鏋...
绛旓細鎸囨爣鍜屽洜瀛愬叧绯荤殑璋冩暣锛氾紙1锛塓4鍦ㄥ洜瀛怉涓殑瀹屽叏鏍囧噯鍖栬礋鑽峰緢灏忥紙LX=0.05锛夛紝浣嗗畠鍦ㄥ叾浠栧洜瀛愪腑鐨勪慨姝ｆ寚鏁颁篃涓嶉珮锛屾樉鐒惰繖涓棰樹笉浠庡睘A鍥犲瓙锛屼絾涔熶笉褰掑睘鍏朵粬鍥犲瓙锛涳紙2锛塓8鍦ㄥ洜瀛怋鐨勮礋鑽蜂笉楂橈紙0.28锛夛紝浣嗗湪鍥犲瓙A涓殑MI鏄41.4锛屾樉鐒跺畠鍙兘褰掑睘浜庡洜瀛怉锛涜皟鏁村悗锛岄渶瑕侀噸鏂拌繘琛楠岃瘉鎬у洜瀛愬垎鏋锛屾煡鐪...
绛旓細璐＄尞鐜囷紙锛咃級锛濊础鐚噺锛堜骇鍑洪噺锛屾墍寰楅噺锛夛紡鎶曞叆閲忥紙娑堣楅噺锛屽崰鐢ㄥ閲忥級脳100锛呰础鐚巼涔熺敤浜鍒嗘瀽缁忔祹澧為暱涓悇鍥犵礌浣滅敤澶у皬鐨勭▼搴︺傝绠楁柟鍒舵硶鏄細璐＄尞鐜囷紙锛咃級锛濇煇鍥犵礌璐＄尞閲忥紙澧為噺鎴栧闀跨▼搴︼級锛忔昏础鐚噺锛堟诲閲忔垨澧為暱绋嬪害锛壝100锛呫傛牱鏈腑鍚勬暟鎹笌鏍锋湰骞冲潎鏁扮殑宸殑骞虫柟鍜岀殑骞冲潎鏁板彨bai鍋氭牱鏈柟宸...
绛旓細LISREL楠岃瘉鎬鍥犵礌鍒嗘瀽鏁版嵁棰勫鐞1.鐢熸垚PRELIS鏂囦欢棣栧厛闇瑕佸湪C鐩樻柊寤轰竴涓枃浠跺す瀛樻斁灏嗚鍒嗘瀽鐨凷AV鏁版嵁銆傛暟鎹簲璇ヤ簨鍏堝仛鏁寸悊锛岃繖涓暟鎹枃浠跺簲璇ュ彧鍖呮嫭闇瑕佸垎鏋愮殑鍙橀噺锛岃屼笉搴旇鍖呮嫭鍏朵粬鏃犲叧鐨勫彉閲忥紝浠ユ柟渚垮埌鍚庨潰浣跨敤銆侳ile鈫扞mportExternalDatainOtherFormats鈫掓墦寮SPSS鐨勬枃浠垛啋淇濆瓨涓篜RELISData2.瀹氫箟鍙橀噺...
