第五讲-结构方程模型汇总

第五讲结构方程模型如果你不认识他，你最好主动去认识他，因为他最后将找上你。尤其是对於新进研究者来说，少了他，你们在学术上的发展堪虑；因为认识他，你们的学术生涯将会增添许多光彩。——Dennis

Hocevar教授3/8/20241什么是结构方程模型1

结构方程模型所谓模型，是以系统方式来描述观察变量和潜变量间的关系。结构方程模型，是应用线性方程表示观测变量与潜变量之间，以及潜在变量之间关系的一种多元统计方法，其实质是一种广义的一般线性模型。

2

发展历程20世纪70年代，一些学者（Joreskog,1973;Wiley,1973）将因子分析、路径分析等统计方法整合，提出结构方程初步概念。Joreskog与其合作者进一步发展矩阵模型的分析技术来处理共变结构的分析问题，提出测量模型与结构模型的概念，促成SEM的发展。Ullman（1996）定义结构方程为“一种验证一个或多个自变量与一个或多个因变量之间一组相关关系的多元分析程式，其中自变量和因变量既可以是连续的，也可以是离散的”，突出其验证多个自变量与多个因变量之间关系的特点。

3/8/202423SEM与几种多元方法的比较①SEM与传统多元统计方法（多元统计）传统多元统计方法：检验自变量和因变量的单一关系（多元方差分析可以处理多个，但是关系也是单一的）SEM:综合多种方法，验证性分析，允许测量误差的存在②SEM与典型相关分析（多个自变量与多个因变量之间关系）典型相关分析：两组随机变量（定性或定量）之间线性密切程度；高维列联表各边际变量的线性关系；探索性分析SEM:估计多元和相互关联的因变量之间的线性关系；处理不可观测的假设概念；说明测量误差③SEM与联立方程模型（联立方程组、变量之间双向影响）联立方程模型：方程数量取决于内生变量的数量；只能处理有观察值的变量，假定不存在测量误差SEM:处理测量误差；分析潜在变量之间结构关系3/8/20243④SEM与人工神经网络（针对不可观测或潜在变量建模）

人工神经网络：执行数据分析时，模型的隐含层接点仍然没有被明确标识出来；数据从输入层通过隐含变量流向输出层（输出向输入回流的网络拓扑结构）

SEM:数据分析之前，已经标识潜在变量并构建起假设路径；观测变量都与中心潜在变量相关，潜在变量之间也可能发生关系。⑤

SEM与偏最小二乘法（PLS）（集成多种分析方法，对因变量进行测量）

PLS：对观测变量协方差矩阵的对角元素拟合较好，适用于对数据点的分析，预测准确度较高

SEM:对观测变量协方差矩阵的非对角元素的拟合较好，适合于对协方差结构的分析，参数估计更准确3/8/202444SEM的技术特性具有理论先验性,因而常被视为验证性而非探索性统计方法同时处理因素的测量关系和因素之间的结构关系以协方差矩阵的运用为核心适用于大样本分析（样本数<100，分析不稳定；一般要>200）包含不同的统计技术，融合了因素分析和路径分析两种统计技术。重视多重统计指标的运用5样本规模大小资料符合常态、无遗漏值及例外值(Bentler&Chou,1987)下，样本比例最小为估计参数的5倍、10倍则更为适当。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。以ML法评估，Loehlin(1992)建议样本数至少为100，200较为适当。当样本数为400~500时，此法会变得过于敏感，而使得模式不适合。3/8/202453/8/20246回归分析有几方面的限制：不允许有多个因变量或输出变量中间变量不能包含在与预测因子一样的单一模型中预测因子假设为没有测量误差预测因子间的多重共线性会妨碍结果解释结构方程模型不受这些方面的限制为什么使用SEM?3/8/20247SEM的优点：SEM程序同时提供总体模型检验和独立参数估计检验；回归系数，均值和方差同时被比较，即使多个组间交叉；验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。3/8/202483/8/20249结构方程模型最为显著的两个特点是：（1）评价多维的和相互关联的关系；（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。3/8/202410SEM三种模型策略目前结构方程模型的一般策略架构，大致分为三种模型策略（三大类分析）：严格验证策略（SC），纯粹验证，就是单一假设模型图的验证。只有一个模型去拟合一个样本数据，分析的目的在于验证模型是否拟合样本数据。替代策略（AM），选择验证，提出数个模型，从各模型拟合样本数据的优劣，来决定哪个模型最为可取。模型发展策略（MG），产生模型，先提出一个或多个基本模型，检查其是否拟合样本数据，基于理论或数据，分析模型中欠佳的部分，修改模型，并通过同一数据或其他样本，检查修正模型的拟合程度。分析的目的在于产生一个最佳模型。3/8/202411SEM的基本思想与方法SEM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，实际上是一般线性模型的拓展，包括因素模型与结构模型，体现了传统路径分析与因素分析的完美结合。

样本协方差矩阵模型模型协方差矩阵

SEM一般使用最大似然法估计模型(Maxi-Likeliheod，ML)分析结构方程的路径系数等估计值，因为ML法使得研究者能够基于数据分析的结果对模型进行修正。可用于SEM分析的软件：目前比较流行的是LISREL、AMOS

、EQS和Mplus等。3/8/202412SEM軟體之使用率(Why)ShouldWeUseSEM?ProsandConsofStructuralEquationModeling

Nachtigall,Kroehne,Funke,Steyer(2003)3/8/202413结构方程模型概念图?操作模型(形式未知)总体数据So总体协方差矩阵Matrix设定+简约误差etc.etc.kk-1k+1###################################SSk样本协方差矩阵Matrix拟合协方差矩阵Fitted

Covariance

Matrix抽样误差Error近似模型DestDpop总体不一致处估计不一致处(被操作化为拟合优度指数）POPULATIONSAMPLE设定关系……Sk^近似协方差矩阵MatrixY样本数据矩阵Matrix设定+简约误差设定+简约误差3/8/2024141输入观测变量的相关矩阵S100名学生在9个不同学科间的相关系数矩阵(correlationcoefficientmatrix)3/8/2024152提出简洁模型M1模型M13/8/2024163检验模型的方法模型M1是否真的充分反映了这9个学科之间的关系？是否是一个好的模型？可以采用结构方程模型中的验证性因子分析（CFA)来检验。采用LISREL、AMOS等软件，输入被试人数、变量的相关矩阵（或协方差矩阵）、构想模型M1（用图形或指令的方式输入）等数据。3/8/202417

4程序回馈最接近的再生矩阵3/8/202418原相关矩阵与再生矩阵的比较3/8/2024195对再生矩阵的说明LISREL或AMOS程序所提供的再生矩阵，是在一定准则下，所有可能解答中最优的一个。它既符合M1，又与相关矩阵S在某种意义上最接近。与S差距越小，表示模型M1越能吻合数据。再生矩阵不可能与原相关矩阵S完全相等。3/8/202420依据输入的相关矩阵S和假设模型M1所估计的各路径参数值r19=0.73×0.22×0.66=0.11r47=0.69×0.19×0.65=0.09r45=0.69×0.65=0.453/8/202421准确性的主要指标：拟合指数(fitindex)1）

：卡方值越小，表示再生矩阵与原相关矩阵差异越小，模型拟合越好。2）NNFI：通常在【0，1】之间，越接近1说明模型拟合的越好。3）CFI

：同NNFI。简洁性的指标：自由度越高，模型越简单。

df=[p(p+1)÷2]–需估计的参数例如M1的自由度为

df=（9×10)÷2–21=246检查模型的准确性和简洁性3/8/2024227检查其他可能的模型M2M3M43/8/202423M5M6M73/8/202424_________________________________________________________________________________________________模型

df

NNFI

CFI

需要估计的参数个数

M1

24

40

.973

.98221=9Load+9Uniq+3Corr

M4

26

249.656

.752 19=9Load+9Uniq

+1Corr

______________________________________________________________________________________________

M2

27

503.294

.471

18=9Load+

9UniqM3

26

255.647

.745

19=9Load

+9Uniq+1CorrM527

263.649 .727 18=9Load+

9UniqM6

24

422.337.558 21=

9Load+9Uniq+3CorrM7

21

113

.826

.89824=

9Load+9Uniq+6Corr

_____________________________________________________________8模型比较3/8/202425依据S及指定模型找出与S相距最小的

样本的相关矩阵S（或协方差矩阵）

correlation/covariancematrix

一个或多个有依据的可能模型

(alternativemodels)输出

Output输入InputSEM程序(e.g.,LISREL)

再生矩阵

、各路径参数、各种拟合指数3/8/202426EFACFA探索式(data-driven)验证式(theory-driven)因素个数由资料决定因素个数由研究者指定问卷设计的前端问卷应用的后端PCA是常用的估计法（主成份）ML法是常用的估计法只提供标准化结果提供标准及非标准化结果没有loading显著性报告有loading显著性报告EFA无法做额外的设定CFA模型设定有弹性无法执行跨群组比较可执行跨群组(时间)的比较探索性与验证性因子分析比较3/8/2024271变量观测变量：能够观测到的变量(路径图中以长方形表示)潜在变量：难以直接观测到的抽象概念，由测量变量推估出来的变量（路径图中以椭圆形表示）内生变量：模型总会受到任何一个其他变量影响的变量（因变量；路径图会受到任何一个其他变量以单箭头指涉的变量）外生变量：模型中不受任何其他变量影响但影响其他变量的变量（自变量；路径图中会指向任何一个其他变量，但不受任何变量以单箭头指涉的变量）中介变量：当内生变量同时做因变量和自变量时，表示该变量不仅被其他变量影响，还可能对其他变量产生影响。SEM模型构成3/8/2024282参数（“未知”和“估计”）潜在变量自身：总体的平均数或方差变量之间关系：因素载荷，路径系数，协方差参数类型：自由参数：参数大小必须通过统计程序加以估计固定参数：模型拟合过程中无须估计（1）为潜在变量设定的测量尺度①将潜在变量下的各观测变量的残差项方差设置为1②将潜在变量下的观测变量的因子负荷固定为1（2）为提高模型识别度人为设定限定参数：多样本间比较（半自由参数）3/8/2024293路径图（1）含义：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）常用记号：①矩形框表示观测变量②圆或椭圆表示潜在变量③小的圆或椭圆，或无任何框，表示方程或测量的误差单向箭头指向指标或观测变量，表示测量误差单向箭头指向因子或潜在变量，表示内生变量未能被外生潜在变量解释的部分，是方程的误差④单向箭头连接的两个变量表示假定有因果关系，箭头由原因（外生）变量指向结果（内生）变量⑤两个变量之间连线的两端都有箭头，表示它们之间互为因果⑥弧形双箭头表示假定两个变量之间没有结构关系，但有相关关系⑦变量之间没有任何连接线，表示假定它们之间没有直接联系3/8/202430（3）路径系数含义：路径分析模型的回归系数，用来衡量变量之间影响程度或变量的效应大小（标准化系数、非标准化系数）类型：①反映外生变量影响内生变量的路径系数②反映内生变量影响内生变量的路径系数路径系数的下标：第一部分所指向的结果变量第二部分表示原因变量（4）效应分解①直接效应：原因变量（外生或内生变量）对结果变量（内生变量）的直接影响，大小等于原因变量到结果变量的路径系数②间接效应：原因变量通过一个或多个中介变量对结果变量所产生的影响，大小为所有从原因变量出发，通过所有中介变量结束于结果变量的路径系数乘积③总效应：原因变量对结果变量的效应总和

总效应=直接效应+间接效应3/8/202431结构方程模型示意图观测变量通常用长方形或方形表示,外生观测变量用x表示，内生观测变量用y表示。潜变量用椭圆或圆形表示，外生潜变量通常用ξ表示，内生潜变量通常用η表示。δ外生观测变量x的误差；ε内生观测变量y的误差。3/8/2024323/8/202433结构方程基本形式结构方程模型通常包括三个矩阵方程式:Λx—外生观测变量与外生潜变量直接的关系，是外生观测变量在外生潜变量上的因子载荷矩阵；Λy—内生观测变量与内生潜变量之间的关系，是内生观测变量在内生潜变量上的因子载荷矩阵；В—路径系数，表示内生潜变量间的关系；Г—路径系数，表示外生潜变量对内生潜变量的影响；ζ—结构方程的残差项，反映了在方程中未能被解释的部分。测量模型结构模型3/8/202434SEM的基本形式：测量模型反映潜变量与可测变量（Observed/measuredvariables）之间的关系因子载荷（loadings）无关3/8/202435SEM的基本形式：结构模型潜变量（Latent/unobservedvariables）之间的因果关系外生变量（Exogenousvariables）：ξ内生变量（Endogenousvariables）：η无关3/8/202436SEM示例：结构方程测量方程测量方程3/8/202437测量模型：反映潜在变量和观测变量之间的关系方程式：结构模型：反映潜在变量之间因果关系方程式：3/8/202438结构方程模型的八种矩阵概念符号代表意义结构模型矩阵

B内生潜在变量被内生潜在变量解释之回归矩阵（回归系数）内生潜在变量被外生潜在变量解释之回归矩阵（回归系数）测量模型矩阵外生观测变量被外生潜在变量解释之回归矩阵（因素载荷）内生观测变量被内生潜在变量解释之回归矩阵（因素载荷）外生潜在变量之协方差矩阵（因素共变）残差矩阵内生潜在变量被外生潜在变量解释之误差项协方差矩阵（解释残差）外生观测变量被外生观测变量解释之误差项协方差矩阵（X变量残差）内生观测变量被内生潜在变量解释之误差项协方差矩阵（Y变量残差）3/8/2024391模型整体识别性（1）t法则数据资料点数DP=(p+q)*(p+q+1)/2，（p+q）表示观测变量个数待估参数数目（自由参数）tt<DP，模型过度识别t>DP，模型识别不足t=DP，模型充分识别（2）虚无B矩阵模型中没有任何内生变量去影响其他内生变量，无结构关系假设，没有任何结构参数（）的估计，B矩阵为0，模型自动识别。（3）递归法则（所有变量单向因果，且所有残差彼此不相关）B矩阵呈现三角形状态（对称矩阵，所有变量间的结构参数均加以估计），而呈现对角线状态（仅估计干扰项的方差，干扰项的相关不列入估计），此时为递归模型且为饱和模型，模型自动识别SEM模型识别3/8/2024402测量模型的识别性只有一个潜在变量，至少要有三个测量变量，其因素载荷必须不等于0，测量残差之间没有任何相关假设超过一个以上的潜在变量，每一个潜在变量只要有至少三个测量变量来估计，每一个测量变量只用以估计单一一个潜在变量，残差之间没有共变假设潜在变量只以两个测量变量来估计，残差无相关，每一个测量变量只用以估计单一一个潜在变量且没有任何一个潜在变量的共变或方差为03结构模型的识别性虚无B矩阵法则递归法则P个内生变量，q个外源变量。每一个方程式至少要有（P-1）变量（包括内生和外源）个不在方程中。此为阶条件。用以计算标准误的讯息矩阵必须可以被完全估计，并可以求出倒置信息矩阵3/8/202441识别法则条件要求充分或必要条件指定对每个因子指定了测量单位必要条件t-法则t<DP=(p+q)*(p+q+1)/2必要条件三指标法则每个因子至少有3个指标每个指标只测量1个因子误差不相关充分条件两指标法则多于1个因子每个因子至少2个指标每个指标只测量1个因子每个因子都有与之相关的因子误差不相关充分条件测量模型的识别法则3/8/202442识别法则条件要求充分或必要条件t-法则（针对模型）t<DP=(p+q)*(p+q+1)/2必要条件递归（针对模型）B矩阵呈现三角形状态呈现对角线状态充分条件零B（针对模型）B=0充分条件阶条件（针对方程）不在方程中的变量至少p-1

自由估计充分条件秩条件（针对方程）Ci的秩为p-1

自由估计充分条件结构模型的识别法则3/8/202443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于方程个数未知参数个数多于方程个数未知参数个数少于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3/8/202444SEM分析的四大步骤构建研究模型，具体包括：观测变量（指标）与潜变量（因子）的关系，各潜变量之间的相互关系等对模型求解，其中主要是模型参数的估计，求得参数使模型隐含的协方差距阵与样本协方差距阵的“差距”最小检查1）路径系数/载荷系数的显著性；2）各参数与预设模型的关系是否合理；3）各拟合指数是否通过模型扩展（使用修正指数）或模型限制（使用临界比率模型构建模型拟合模型评价模型修正3/8/202445一个实例：出租车行业服务满意度SEM构建3/8/2024463/8/202447X1X2X3X4

1

2

3

4Y1Y2

1

2Y3Y4Y5

3

4

5Y6

6Y7Y8

7

83/8/202448X1X2X3X4

1

2

3

4.81.64.59.72Y1Y2

1

2.97.64Y3Y4Y5

3

4

5.85.83.80Y6

6.40Y7Y8

7

8.79.47.57.24.75.92-.11.313/8/202449例：

消费者网上信任模型商家信誉网站有用性网站安全信任倾向消费者对网上商店的信任购买商品的动机SEM构建3/8/202450Rep1Rep2Rep3Use1Use2Use3Sec1Sec2Sec3Pro1Pro2Pro3商家信誉网站有用性网站安全信任倾向消费者对网上商店的信任购买商品的动机Tur1Tur2Tur3Pur1Pur2Pur3SEM构建——一个例子3/8/202451模型拟合——数据准备样本量：一般认为样本数最少应在100以上才适合使用最大似然估计法（ML）来估计结构方程（侯杰泰，2004），但样本数过大（如超过400到500时），ML会变得过度敏感，容易使所有的拟合度指标检验都出现拟合不佳的结果（侯杰泰，2004）。缺失数据处理：列删除法、配对删除法、均值替代法3/8/2024521假设条件测量模型误差项，的均值为零结构模型的残差项的均值为零误差项，与因子，之间不相关，误差项与不相关残差项与，，之间不相关2共变推导

(1)协方差。利用两个变量间观测值与其均值离差的期望观测两个变量间的关系强弱。

(2)导出矩阵模型拟合——参数估计两个具有相关的潜在变量的CFA图3/8/202453逐一计算六个观测变量的方差与配对协方差，参数的方差与协方差导出矩阵（）S矩阵：样本观测值的方差与协方差矩阵（6*6）残差矩阵=S–估计协方差矩阵与观测协方差矩阵的差异极小化3/8/202454（3）参数估计策略加权最小平方策略（WLS）（AMOS未采用）拟合函数：表示估计协方差矩阵与观察协方差矩阵的差异最大概似法(ML)基本假设：观察数据都是从总体中抽取得到的数据，且所抽取的样本必须是所有可能样本中被选择的几率最大者未加权最小平方法(ULS)一般化最小平方法（GLS）渐进分布自由法（ADF）尺度自由最小平方法（AFLS）（4）迭代运算停止条件达到计算机预计的叠代次数，如25次模式收敛完成，亦即达到计算机预设标准3/8/202455指标说明χ2卡方拟合指数

检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。原假设是模型协方差阵等于样本协方差阵。若模型拟合的好，卡方值应该不显著。考虑p-valueRMR是残差均方根。RMR是样本方差和协方差减去对应估计的方差和协方差的平方和的平均值的平方根。RMR应该小于0.08，RMR越小，拟合越好。用于比较用同一数据测量的模型。RMSEA是近似误差均方根

RMSEA应该小于0.06，越小越好。GFI是拟合优度指数，范围在0和1间，但理论上能产生没有意义的负数。按照约定，要接受模型，GFI应该等于或大于0.90。其特性有缺陷，如对样本大小依赖度高PGFI是简效拟合优度指数。它是简效比率(PRATIO，独立模式的自由度与内定模式的自由度的比率)乘以GFI。PGFI应该等于或大于0.90，越接近1越好。PNFI是简效拟合优度指数，等于PRATIO乘以NFI。PNFI应该等于或大于0.90，越接近1越好。NFI是规范拟合指数，变化范围在0和1间，1=完全拟合。按照约定，NFI小于0.90表示需要重新设置模型。越接近1越好。TLI是Tucker-Lewis系数，也叫非规范拟合指数(NNFI)。TLI接近1表示拟合良好。CFI是比较拟合指数，其值位于0和1之间。CFI接近1表示拟合非常好，取值大于0.90表示模型可接受,越接近1越好。3/8/202456指标名称指标含义接受标准适用情形残差分析未标准化残差RMR未标准化假设模型整体残差越小越好了解残差特性标准化残差SRMR标准化模型整体残差<.08了解残差特性拟合效果指标绝对拟合效果指标卡方值导出矩阵与观测矩阵的整体相似程度卡方自由度比卡方值/自由度<2不受模型复杂程度影响拟合指数GFI模型可解释观测数据的方差与协方差比>.90说明模型解释力调整拟合指数AGFI用模型自由度和参数数目调整的GFI>.90不受模型复杂程度影响简效拟合指数PGFI用模型自由度和参数数目调整的GFI>.50说明模型的简单程度相对拟合效果指标正规拟合指数NFI假设模型与独立模型的卡方差异>.90说明模型较虚无模型的改善程度非正规拟合指数NNFI用模型自由度和参数数目调整的NFI>.90不受模型复杂程度的影响3/8/202457指标名称指标含义接受标准适用情形替代性指标非集中性参数NCP假设模型的卡方值距离中央卡方值分布的离散程度越小越好说明假设模型矩阵中央卡方值的程度相对拟合指数CFI假设模型与独立模型的非中央性差异>.95说明模型较虚无模型的改善程度，特别适合小样本平均概似平均误根系数RMSEA比较理论模型与饱和模型的差距<.05不受样本数与模型复杂度影响讯息指数AIC经过减效调整的模型拟合度的波动性越小越好适用效度复核非嵌套模型比较一致信息指数CAIC从样本量方面对AIC进行调整越小越好适用效度复核非嵌套模型比较关键样本指数CN接受假设模型所需的样本数目>200反映样本规模的适切性3/8/2024581.信度、效度检验信度Cronbach’s

>0.7效度验证性因子分析2.评估模型拟合度估算每一个因子的载荷量标准化因子载荷，反映了观测变量影响潜在变量的部分差异，用于表示观测变量与潜变量之间的相对重要程度。检查每一个单一因子的测量模型对问卷数据的拟合度检查整个模型对问卷数据的拟合度估算潜变量之间的关系模型拟合——数据分析3/8/202459模型评价任务：评价假设的模型对数据的拟合程度解释：一个拟合优度高的模型并不表示该模型是正确的模型，也不表示该模型有很高的实用性，只能说假设模型比较符合实际数据一个拟合不佳的模型可能会提供更多的信息有时，研究者无法对估计和检验的结果进行解释。因此，研究者应该根据相关理论来构建假设模型，之后再根据拟合优度指标来评价模型，而不应是根据拟合优度指标来调整模型3/8/202460模型评价——SEM的主要拟合度指标

1．基本拟合标准2．模型内在结构拟合度3．整体模型拟合度3/8/202461基本拟合标准基本拟合标准是用来检验模型的误差以及误输入等问题。主要包括：（1）不能有负的测量误差；（2）测量误差必须达到显著性水平（t>1.96）；（3）因子载荷必须介于0.5-0.95之间；（4）估计参数统计量彼此间相关的绝对值不能太接近1；（5）不能有很大的标准误差。3/8/2024621参数检验（1）参数的显著性检验t=参数估计值/标准误t的绝对值大于2，则参数即可达到.05（t=1.96）的显著水平样本数低于30时，样本数越小，t值要越大才能超越显著水平的门槛（2）参数的合理性检验参数估计值是否有合理的实际意义：参数的符号是否符合理论假设参数的取值范围是否合理参数是否可以得到合理解释3/8/202463模型内在结构拟合度模型的内在结构拟合度是用来评价模型内估计参数的显著程度、各指标及潜在变量的信度。即模型的内在质量检验。主要包括：（1）潜变量的组合信度（CR），0.7以上表明组成信度较好；潜变量的CR值是其所有观测变量的信度的组合，该指标用来分析潜变量的各观测变量间的一致性（2）平均提取方差(AVE)，0.5以上为可以接受的水平。

AVE用于估计测量模型的聚合效度，反映了潜变量的各观测变量对该潜变量的平均差异解释力，即潜变量的各观测变量与测量误差相比在多大程度上捕捉到了该潜变量的变化。3/8/202464模型内在结构的拟合优度检验评价项目拟合标准所估计参数的显著性|t|>1.96，符号与期望相符指标变量个别项目信度R2>0.5，（R2,因子负荷量的平方）潜变量的平均方差提取量ρυ>0.5潜变量的组合信度ρc>0.6标准化残差值绝对值<2.58修正指标MI<3.843/8/202465整体模型拟合度整体模型拟合度是用来评价模型与数据的拟合程度。主要包括：（1）绝对拟合度，用来确定模型可以预测协方差阵和相关矩阵的程度；（2）简约拟合度，用来评价模型的简约程度；（3）增值拟合度，理论模型与虚无模型的比较。