结构方程模型课件

结构方程模型一、结构方程模型简介二、结构方程模型程序介绍三、验证性因子分析和二阶因子分析四、全模型分析结构方程模型一、结构方程模型简介1一、结构方程模型简介1、什么是结构方程模型2、为什么使用结构方程模型3、结构方程模型的结构4、结构方程模型的优点5、结构方程模型中的变量6、结构方程模型常用图标一、结构方程模型简介21、什么是结构方程模型结构方程模型（StructuralEquationModel）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。所以，有时候也叫协方差结构分析。我们的课程只考虑线性结构方程模型。结构方程模型常用于：验证性因子分析、高阶因子分析、路径及因果分析、多时段(multiwave)设计、单形模型(SimpleModel)、及多组比较等。常用的分析软件有：LISREL、Amos、EQS、MPlus1、什么是结构方程模型32、为什么使用结构方程模型很多心理、教育、社会等概念，均难以直接准确测量，这种变量称为潜变量（latentvariable），如智力、学习动机、家庭社会经济地位等等。我们只能求其次，用一些外显指标（observableindicators），去间接测量这些潜变量。

如：以语文、数学、英语三科成绩（外显变量），作为学业成就（潜变量）的指标。传统的统计方法不能有效处理这些潜变量，而结构方程模型则能同时处理潜变量及其指标。传统的线性回归分析容许因变量存在测量误差，但是要假设自变量是没有误差的。如：在y=bx+e的模型中，x和y如都不能被准确测量的时候，变量之间的关系是不能估计的。2、为什么使用结构方程模型4如：分析自信(X)与外向(Y)之间的关系：用4个题目测量自信，4个题目测量外向。传统上先计算外向题目的总分（或者平均分）和自信题目的总分（或者平均分），再计算两个总分（或者平均分）的相关，这种计算所得的两个潜变量（外向和自信）的关系，不一定恰当，但是结构方程模型能提供更佳的答案（如典型相关分析等）。自信外向x1x2x3x4y1y2y3y4如：分析自信(X)与外向(Y)之间的关系：自信外向x1x25模型举例模型举例63、结构方程模型的结构结构方程模型可分为：测量模型和结构模型(1)测量模型：指标和潜变量之间的关系说明：x,y是外源(如:六项社经指标)及内生(如:中、英、数成绩)指标。δ,ε是X，Y测量上的误差。Λx是x指标与ξ潜伏变项的关系(如:六项社经地位指标与潜伏社经地位的关系)。Λy是y指标与η潜伏变项的关系(如:中、英、数成绩与学业成就间关系)。3、结构方程模型的结构说明：7(2)结构模型：潜变量之间的关系η——内生(依变)(endogenous,dependent)潜伏变项(如:学业成就)ξ——外源(自变)(exogenous,independent)潜伏变项(如:社经地位)β——内生潜伏变项间的关系(如:学业成绩与其他内生潜伏变项的关系)г——外源变项对内生变项的影响(如:社经地位对学业成就)ζ——模式内未能解释部份(即模式内所包含的变项及变项间关系所未能解释部分)(2)结构模型：潜变量之间的关系η——内生(依变)(endo81X1X2X3X41234413121111y1y2y3y41234413121112y5y6y7y8567882726252112121ζ1ζ21X1X2X3X41234413121194、结构方程模型的优点Bollen和Long(1993)指出SEM有以下优点：(1)可同时考虑及处理多个依变项(endogenous/dependentvariable);(2)容许自变及依变(exogenous/endogenous)项含测量误差;(3)与因素分析类同，SEM容许潜伏变项(如:社经地位)由多个观察指标变项(如:父母职业、收入)构成,并可同时估计指标变项的信度及效度(reliabilityandvalidity);(4)SEM可采用比传统方法更有弹性的测量模型(measurementmodel),如某一指标变项/题目从属于两潜伏因子;在传统方法,项目多依附单一因子;(5)研究者可构划出潜伏变项间的关系,并估计整个模式是否与数据拟合。4、结构方程模型的优点105、结构方程模型中的变量潜变量显变量内生变量外源变量变量指标自变量因变量5、结构方程模型中的变量潜变量内生变量变量自变量11潜变量：不可以直接观察的变量，或叫因子。如自信、成就等。显变量：可以直接观察的变量，如收入、成绩等。因子荷载潜变量：不可以直接观察的变量，或叫因子。如自12变量：具有多个值的概念。指标：测量某个变量的项目（item）,或者叫条目。变量：具有多个值的概念。13内生变量：被影响的变量。外源变量：作用于其它变量的变量。路径系数内生变量：被影响的变量。路径系数14自变量：仅有单向箭头指出的变量。因变量：只要有单向箭头指入的变量。自变量：仅有单向箭头指出的变量。15思考：显变量和指标是什么关系？变量与指标有什么区别？内生变量与因变量有什么区别？外源变量与自变量有什么区别？思考：显变量和指标是什么关系？166、结构方程模型常用图标潜变量（因子）圆椭圆6、结构方程模型常用图标潜变量（因子）圆椭圆17正方形矩形观测变量（或者指标）正方形矩形观测变量（或者指标）18单向箭头单向影响或者效应（因果关系？）单向箭头单向影响或者效应（因果关系？）19表示相关（不是因果关系）双向弧线箭头表示相关（不是因果关系）双向弧线箭头20单向箭头表示内生潜变量未被解释的部分单向箭头表示内生潜变量未被解释的部分21单向箭头表示指标未被解释的部分单向箭头表示指标未被解释的部分22二、结构方程模型程序介绍1、程序结构2、常用指令3、模型修正4、模型拟合5、结果解读6、结构方程模型的数据二、结构方程模型程序介绍231、程序结构程序由三个部分组成：（1）数据输入——从DA指令开始（2）模型建构——从MO指令开始（3）结果输出——从OU指令开始1、程序结构242.常用指令（1）数据输入格式DA-----数据输入NI-----显变量数目（或者叫Item数目）NO----样本容量MA-----分析所用矩阵RA-----原始数据（原始数据或者协方差矩阵）CM-----协方差矩阵注意：所有指令名称均使用大写字母及其组合。每句指令语句长度至127列，一行语句末尾用大写字母“C”表示续下一行。！或者/*表示说明、解释语句，直到遇到指令为止。2.常用指令25（2）模型构建MO-----开始输入模型NY-----y显变量数目NX-----x显变量数目NE-----eta潜变量数目（y部分）NK-----ksi潜变量部分（x部分）FI-----固定矩阵FR-----矩阵自由计算LY-----y变量的因子荷载LX-----x变量的因子荷载BE-----y潜变量之间的效应GA-----x潜变量对y潜变量的效应（2）模型构建26（3）结果输出PD-----路径系图的输出。SC-----列出完全标准化的参数估计。ALL-----列出所有可能的输出。ND-----输出结果的小数位数（可选0—8，缺省为ND=2）EP-----收敛标准，缺省EP=0.000001，越小表示收敛的标准越高。IT-----迭代次数上限，缺省IT=5倍自由估计参数。MI-----输出修正指数。SS-----输出参数的标准化解。AD-----容许性检查时的迭代次数，缺省AD=20，AD=OFF表示遏止此检查（3）结果输出27!E-ServiceSTRUCTURALEQUATIONMODELDANI=28NO=204MA=CMRA=TEST1.TXTMONY=12NE=3NX=16NK=3LY=FU,FILX=FU,FIGA=FU,FRBE=FU,FRCPS=DI,FRPH=SY,FRLKUserInterResponsiReliablityLETrustRepurchaseRecommendFRLY21LY31LY41LY62LY72LY82LY103LY113LY123FRLX21LX31LX41LX51LX61LX82LX92LX102LX112CLX133LX143LX153LX163VA1.0LY11LY52LY93VA1.0LX11LX72LX123FIGA21GA22GA23GA31GA32GA33FIBE11BE12BE13BE23BE22BE33PDOUSSAD=OFF数据输入模型建构结果输出!E-ServiceSTRUCTURALEQUATIO28信任1X1X2X3X41234413121111y1y2y3y41234413121112y5y6y7y8567882726252112121ζ1ζ2交易意愿成本假设：样本容量是208信任1X1X2X3X4123441312129!网上购物意愿DANI=12NO=208MA=CMRA=数据1.txtMONY=8NE=2NX=4NK=1LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FICPS=DI,FRPH=SY,FRLK成本LE信任交易意愿FRLY21LY31LY41LY62LY72LY82FRLX21LX31LX41VA1.0LY11LY52VA1.0LX11FRGA11GA21FRBE12PDOUSSAD=OFF!网上购物意愿303、模型修正模型自由度=协方差矩阵中不重复的元素个数-要估计的参数个数。要估计的参数越少，自由度越多，模型就越简单；要估计的参数越多，自由度越少，模型就越复杂。模型修正原则：（1）增加自由参数（模型变复杂），模型的卡方会减少；减少自由参数（模型变简单），模型的卡方会增加。如果增加参数后，卡方没有明显的减少，说明增加只有参数是值得的；如果减少自由参数后，卡方没有显著的增加，说明减少参数是值得的。（2）模型必须符合逻辑，不能盲目跟着数据走而只追求统计上的好模型。（3）模型越简单越好3、模型修正31结构方程模型课件32结构方程模型课件33结构方程模型课件344、模型拟合MinimumFitFunctionChi-Square=1083.23(P=0.0)NormalTheoryWeightedLeastSquaresChi-Square=1186.28(P=0.0)EstimatedNon-centralityParameter(NCP)=860.2890PercentConfidenceIntervalforNCP=(758.79;969.33)MinimumFitFunctionValue=2.05PopulationDiscrepancyFunctionValue(F0)=1.6390PercentConfidenceIntervalforF0=(1.44;1.84)RootMeanSquareErrorofApproximation(RMSEA)=0.07190PercentConfidenceIntervalforRMSEA=(0.066;0.075)P-ValueforTestofCloseFit(RMSEA<0.05)=0.00ExpectedCross-ValidationIndex(ECVI)=2.5590PercentConfidenceIntervalforECVI=(2.36;2.76)ECVIforSaturatedModel=1.54ECVIforIndependenceModel=42.72

4、模型拟合35Chi-SquareforIndependenceModelwith378DegreesofFreedom=22500.79IndependenceAIC=22556.79ModelAIC=1346.28SaturatedAIC=812.00IndependenceCAIC=22704.38ModelCAIC=1767.96SaturatedCAIC=2952.02NormedFitIndex(NFI)=0.95Non-NormedFitIndex(NNFI)=0.96ParsimonyNormedFitIndex(PNFI)=0.82ComparativeFitIndex(CFI)=0.97IncrementalFitIndex(IFI)=0.97RelativeFitIndex(RFI)=0.94CriticalN(CN)=190.28RootMeanSquareResidual(RMR)=0.080StandardizedRMR=0.059GoodnessofFitIndex(GFI)=0.86AdjustedGoodnessofFitIndex(AGFI)=0.83ParsimonyGoodnessofFitIndex(PGFI)=0.69Chi-SquareforIndependenceMo36（1）绝对拟合指数如：基于拟合函数的指数、基于离中参数的指数、近似误差指数、拟合优度指数、信息指数等。(2)相对拟合指数如：非范拟合指数（NNFI）、comparativefitindes(CFI)等。(3)简约拟合指数如：PRNI、PGFI、PNFI、PGFI等。常用的拟合指数：Chi-Square（卡方，）——越小越好RMSEA（近似误差均方根）——小于0.1AIC——越小越好SRMR——小于0.08GFI及AGFI——大于0.9（0—1）NNFI、CFI、IFI——大于0.9（0—1）NFI——大于0.5：2-5之间。（1）绝对拟合指数GFI及AGFI——大于0.9（0—1375、结果解读系数5、结果解读系数38t值（参数显著性检验）t值（参数显著性检验）39Chi-Square=1186.28,df=326,P-value=0.00000,RMSEA=0.071NormedFitIndex(NFI)=0.95Non-NormedFitIndex(NNFI)=0.96IncrementalFitIndex(IFI)=0.97StandardizedRMR=0.059GoodnessofFitIndex(GFI)=0.86AdjustedGoodnessofFitIndex(AGFI)=0.83拟合指数（模型显著性检验）Chi-Square=1186.28,df=326,P-406、结构方程模型的数据（1）样本大小从理论上讲：样本容量越大越好。Boomsma（1982）建议，样本容量最少大于100，最好大于200以上。对于不同的模型，要求有所不一样。一般要求如下：N/P〉10N/t〉5N——样本容量t——自由估计参数的数目p——指标数目6、结构方程模型的数据41（2）指标数目一般要求因子的指标数目至少为3个。在探索性研究或者设计问卷的初期，因子指标的数目可以适当多一些，预试结果可以根据需要删除不好的指标。当少于3个或者只有1个（因子本身是显变量的时候，如收入）的时候，有专门的处理办法。（2）指标数目42（3）数据类型绝大部分结构方程模型是基于定距、定比、定序数据计算的。但是新发展的软件（如Mplus）可以处理定类数据。数据要求要有足够的变异量，相关系数才能显而易见。如样本中的数学成绩非常接近（如都是95分左右），则数学成绩差异大部分是测量误差引起的，则数学成绩与其它变量之间的相关就不显著。（3）数据类型43（4）数据的正态性极大似然估计法（ML）是结构方程分析最常用的方法，ML方法的前提条件是：变量是多元正态分布的。数据的费正态性可以通过偏度（skew）和峰度（kurtosis）来表示。偏度表示数据的对称性，峰度表示数据平坦性的。LISREL中包含的估计方法有：ML（极大似然）、GLS（广义最小二乘法）、WLS（一般加权最小二乘法）等，WLS并不要求数据是正态的。（5）异常数据的处理。（略）（6）缺失数据的处理。（略）（4）数据的正态性44三、验证性因子分析1、验证性因子分析关注的只是因子与指标之间的关系和变量之间的相关关系（而不是因果关系）探索性因子分析？三、验证性因子分析关注的只是因子与指标之间的关系和变量之间的45DANI=

NO=208MA=CMRA=数据1.txtMONY=

NE=

NX=

NK=

LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FIPS=DI,FRPH=SY,FRLK

LE

FRLYFRLXPDOUSSAD=OFFDANI=NO=208MA=CM46公司管理一阶因子二阶因子测量指标12345公司管理一阶因子二阶因子测量指标1234547DANI=

NO=208MA=CMRA=数据1.txtMONY=

NE=

NX=

NK=

LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FIPS=DI,FRPH=SY,FRLK

LE

FRLYFRLXPDOUSSAD=OFFDANI=NO=208MA=CM48四、全模型分析一个模型中，既有因子模型（测量模型），又有结构模型，则该模型就叫全模型。12312345四、全模型分析1231234549DANI=

NO=208MA=CMRA=数据1.txtMONY=

NE=

NX=

NK=

LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FIPS=DI,FRPH=SY,FRLK

LE

FRLYFRLXPDOUSSAD=OFFDANI=NO=208MA=CM50结构方程模型课件51结构方程模型课件52结构方程模型分析过程模型界定模型修正模型评估解释模型识别选择测量变量及收集资料参数估计未达到可接受程度达到可接受程度模型建构：确定变量之间的相互关系，确定模型是否可被识别。估计与评估：用观察资料来估计参数和评估模型。理论结构方程模型分析过程模型界定模型修正模型评估解释模型识别选53項目低识别(Under-Identified)恰好识别(just-Identified)过度识别(Over-Identified)模型自由度df<0df=0df>0原因未知参数个数多余方程个数未知参数个数多余方程个数未知参数个数少余方程个数解无穷多解唯一解唯一解模型成立不可可可解決方法制定参数值，以减少未知参数个数----df=协方差矩阵中不重复的元素个数-要估计的参数个数項目低识别(Under-Identified)恰好识别(ju54结构方程模型一、结构方程模型简介二、结构方程模型程序介绍三、验证性因子分析和二阶因子分析四、全模型分析结构方程模型一、结构方程模型简介55一、结构方程模型简介1、什么是结构方程模型2、为什么使用结构方程模型3、结构方程模型的结构4、结构方程模型的优点5、结构方程模型中的变量6、结构方程模型常用图标一、结构方程模型简介561、什么是结构方程模型结构方程模型（StructuralEquationModel）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。所以，有时候也叫协方差结构分析。我们的课程只考虑线性结构方程模型。结构方程模型常用于：验证性因子分析、高阶因子分析、路径及因果分析、多时段(multiwave)设计、单形模型(SimpleModel)、及多组比较等。常用的分析软件有：LISREL、Amos、EQS、MPlus1、什么是结构方程模型572、为什么使用结构方程模型很多心理、教育、社会等概念，均难以直接准确测量，这种变量称为潜变量（latentvariable），如智力、学习动机、家庭社会经济地位等等。我们只能求其次，用一些外显指标（observableindicators），去间接测量这些潜变量。

如：以语文、数学、英语三科成绩（外显变量），作为学业成就（潜变量）的指标。传统的统计方法不能有效处理这些潜变量，而结构方程模型则能同时处理潜变量及其指标。传统的线性回归分析容许因变量存在测量误差，但是要假设自变量是没有误差的。如：在y=bx+e的模型中，x和y如都不能被准确测量的时候，变量之间的关系是不能估计的。2、为什么使用结构方程模型58如：分析自信(X)与外向(Y)之间的关系：用4个题目测量自信，4个题目测量外向。传统上先计算外向题目的总分（或者平均分）和自信题目的总分（或者平均分），再计算两个总分（或者平均分）的相关，这种计算所得的两个潜变量（外向和自信）的关系，不一定恰当，但是结构方程模型能提供更佳的答案（如典型相关分析等）。自信外向x1x2x3x4y1y2y3y4如：分析自信(X)与外向(Y)之间的关系：自信外向x1x259模型举例模型举例603、结构方程模型的结构结构方程模型可分为：测量模型和结构模型(1)测量模型：指标和潜变量之间的关系说明：x,y是外源(如:六项社经指标)及内生(如:中、英、数成绩)指标。δ,ε是X，Y测量上的误差。Λx是x指标与ξ潜伏变项的关系(如:六项社经地位指标与潜伏社经地位的关系)。Λy是y指标与η潜伏变项的关系(如:中、英、数成绩与学业成就间关系)。3、结构方程模型的结构说明：61(2)结构模型：潜变量之间的关系η——内生(依变)(endogenous,dependent)潜伏变项(如:学业成就)ξ——外源(自变)(exogenous,independent)潜伏变项(如:社经地位)β——内生潜伏变项间的关系(如:学业成绩与其他内生潜伏变项的关系)г——外源变项对内生变项的影响(如:社经地位对学业成就)ζ——模式内未能解释部份(即模式内所包含的变项及变项间关系所未能解释部分)(2)结构模型：潜变量之间的关系η——内生(依变)(endo621X1X2X3X41234413121111y1y2y3y41234413121112y5y6y7y8567882726252112121ζ1ζ21X1X2X3X412344131211634、结构方程模型的优点Bollen和Long(1993)指出SEM有以下优点：(1)可同时考虑及处理多个依变项(endogenous/dependentvariable);(2)容许自变及依变(exogenous/endogenous)项含测量误差;(3)与因素分析类同，SEM容许潜伏变项(如:社经地位)由多个观察指标变项(如:父母职业、收入)构成,并可同时估计指标变项的信度及效度(reliabilityandvalidity);(4)SEM可采用比传统方法更有弹性的测量模型(measurementmodel),如某一指标变项/题目从属于两潜伏因子;在传统方法,项目多依附单一因子;(5)研究者可构划出潜伏变项间的关系,并估计整个模式是否与数据拟合。4、结构方程模型的优点645、结构方程模型中的变量潜变量显变量内生变量外源变量变量指标自变量因变量5、结构方程模型中的变量潜变量内生变量变量自变量65潜变量：不可以直接观察的变量，或叫因子。如自信、成就等。显变量：可以直接观察的变量，如收入、成绩等。因子荷载潜变量：不可以直接观察的变量，或叫因子。如自66变量：具有多个值的概念。指标：测量某个变量的项目（item）,或者叫条目。变量：具有多个值的概念。67内生变量：被影响的变量。外源变量：作用于其它变量的变量。路径系数内生变量：被影响的变量。路径系数68自变量：仅有单向箭头指出的变量。因变量：只要有单向箭头指入的变量。自变量：仅有单向箭头指出的变量。69思考：显变量和指标是什么关系？变量与指标有什么区别？内生变量与因变量有什么区别？外源变量与自变量有什么区别？思考：显变量和指标是什么关系？706、结构方程模型常用图标潜变量（因子）圆椭圆6、结构方程模型常用图标潜变量（因子）圆椭圆71正方形矩形观测变量（或者指标）正方形矩形观测变量（或者指标）72单向箭头单向影响或者效应（因果关系？）单向箭头单向影响或者效应（因果关系？）73表示相关（不是因果关系）双向弧线箭头表示相关（不是因果关系）双向弧线箭头74单向箭头表示内生潜变量未被解释的部分单向箭头表示内生潜变量未被解释的部分75单向箭头表示指标未被解释的部分单向箭头表示指标未被解释的部分76二、结构方程模型程序介绍1、程序结构2、常用指令3、模型修正4、模型拟合5、结果解读6、结构方程模型的数据二、结构方程模型程序介绍771、程序结构程序由三个部分组成：（1）数据输入——从DA指令开始（2）模型建构——从MO指令开始（3）结果输出——从OU指令开始1、程序结构782.常用指令（1）数据输入格式DA-----数据输入NI-----显变量数目（或者叫Item数目）NO----样本容量MA-----分析所用矩阵RA-----原始数据（原始数据或者协方差矩阵）CM-----协方差矩阵注意：所有指令名称均使用大写字母及其组合。每句指令语句长度至127列，一行语句末尾用大写字母“C”表示续下一行。！或者/*表示说明、解释语句，直到遇到指令为止。2.常用指令79（2）模型构建MO-----开始输入模型NY-----y显变量数目NX-----x显变量数目NE-----eta潜变量数目（y部分）NK-----ksi潜变量部分（x部分）FI-----固定矩阵FR-----矩阵自由计算LY-----y变量的因子荷载LX-----x变量的因子荷载BE-----y潜变量之间的效应GA-----x潜变量对y潜变量的效应（2）模型构建80（3）结果输出PD-----路径系图的输出。SC-----列出完全标准化的参数估计。ALL-----列出所有可能的输出。ND-----输出结果的小数位数（可选0—8，缺省为ND=2）EP-----收敛标准，缺省EP=0.000001，越小表示收敛的标准越高。IT-----迭代次数上限，缺省IT=5倍自由估计参数。MI-----输出修正指数。SS-----输出参数的标准化解。AD-----容许性检查时的迭代次数，缺省AD=20，AD=OFF表示遏止此检查（3）结果输出81!E-ServiceSTRUCTURALEQUATIONMODELDANI=28NO=204MA=CMRA=TEST1.TXTMONY=12NE=3NX=16NK=3LY=FU,FILX=FU,FIGA=FU,FRBE=FU,FRCPS=DI,FRPH=SY,FRLKUserInterResponsiReliablityLETrustRepurchaseRecommendFRLY21LY31LY41LY62LY72LY82LY103LY113LY123FRLX21LX31LX41LX51LX61LX82LX92LX102LX112CLX133LX143LX153LX163VA1.0LY11LY52LY93VA1.0LX11LX72LX123FIGA21GA22GA23GA31GA32GA33FIBE11BE12BE13BE23BE22BE33PDOUSSAD=OFF数据输入模型建构结果输出!E-ServiceSTRUCTURALEQUATIO82信任1X1X2X3X41234413121111y1y2y3y41234413121112y5y6y7y8567882726252112121ζ1ζ2交易意愿成本假设：样本容量是208信任1X1X2X3X4123441312183!网上购物意愿DANI=12NO=208MA=CMRA=数据1.txtMONY=8NE=2NX=4NK=1LY=FU,FILX=FU,FIGA=FU,FIBE=FU,FICPS=DI,FRPH=SY,FRLK成本LE信任交易意愿FRLY21LY31LY41LY62LY72LY82FRLX21LX31LX41VA1.0LY11LY52VA1.0LX11FRGA11GA21FRBE12PDOUSSAD=OFF!网上购物意愿843、模型修正模型自由度=协方差矩阵中不重复的元素个数-要估计的参数个数。要估计的参数越少，自由度越多，模型就越简单；要估计的参数越多，自由度越少，模型就越复杂。模型修正原则：（1）增加自由参数（模型变复杂），模型的卡方会减少；减少自由参数（模型变简单），模型的卡方会增加。如果增加参数后，卡方没有明显的减少，说明增加只有参数是值得的；如果减少自由参数后，卡方没有显著的增加，说明减少参数是值得的。（2）模型必须符合逻辑，不能盲目跟着数据走而只追求统计上的好模型。（3）模型越简单越好3、模型修正85结构方程模型课件86结构方程模型课件87结构方程模型课件884、模型拟合MinimumFitFunctionChi-Square=1083.23(P=0.0)NormalTheoryWeightedLeastSquaresChi-Square=1186.28(P=0.0)EstimatedNon-centralityParameter(NCP)=860.2890PercentConfidenceIntervalforNCP=(758.79;969.33)MinimumFitFunctionValue=2.05PopulationDiscrepancyFunctionValue(F0)=1.6390PercentConfidenceIntervalforF0=(1.44;1.84)RootMeanSquareErrorofApproximation(RMSEA)=0.07190PercentConfidenceIntervalforRMSEA=(0.066;0.075)P-ValueforTestofCloseFit(RMSEA<0.05)=0.00ExpectedCross-ValidationIndex(ECVI)=2.5590PercentConfidenceIntervalforECVI=(2.36;2.76)ECVIforSaturatedModel=1.54ECVIforIndependenceModel=42.72

4、模型拟合89Chi-SquareforIndependenceModelwith378DegreesofFreedom=22500.79IndependenceAIC=22556.79ModelAIC=1346.28SaturatedAIC=812.00IndependenceCAIC=22704.38ModelCAIC=1767.96SaturatedCAIC=2952.02NormedFitIndex(NFI)=0.95Non-NormedFitIndex(NNFI)=0.96ParsimonyNormedFitIndex(PNFI)=0.82ComparativeFitIndex(CFI)=0.97IncrementalFitIndex(IFI)=0.97RelativeFitIndex(RFI)=0.94CriticalN(CN)=190.28RootMeanSquareResidual(RMR)=0.080StandardizedRMR=0.059GoodnessofFitIndex(GFI)=0.86AdjustedGoodnessofFitIndex(AGFI)=0.83ParsimonyGoodnessofFitIndex(PGFI)=0.69Chi-SquareforIndependenceMo90（1）绝对拟合指数如：基于拟合函数的指数、基于离中参数的指数、近似误差指数、拟合优度指数、信息指数等。(2)相对拟合指数如：非范拟合指数（NNFI）、comparativefitindes(CFI)等。(3)简约拟合指数如：PRNI、PGFI、PNFI、PGFI等。常用的拟合指数：Chi-Square（卡方，）——越小越好RMSEA（近似误差均方根）——小于0.1AIC——越小越好SRMR——小于0.08GFI及AGFI——大于0.9（0—1）NNFI、CFI、IFI——大于0.9（0—1）NFI——大于0.5：2-5之间。（1）绝对拟合指数GFI及AGFI——大于0.9（0—1915、结果解读系数5、结果解读系数92t值（参数显著性检验）t值（参数显著性检验）93Chi-Square=1186.28,df=326,P-value=0.00000,RMSEA=0.071NormedFitIndex(NFI)=0.95Non-NormedFitIndex(NNFI)=0.96IncrementalFitIndex(IFI)=0.97StandardizedRMR=0.059GoodnessofFitIndex(GFI)=0.86AdjustedGoodnessofFitIndex(AGFI)=0.83拟合指数（模型显著性检验）Chi-Square=1186.28,df=326,P-946、结构方程模型的数据（1）样本大小从理论上讲：样本容量越大越好。Boomsma（1982）建议，样本容量最少大于100，最好大于200以上。对于不同的模型，要求有所不一样。一般要求如下：N/P〉10N/t〉