结构方程模型(SEM)拟合度指标实战指南:从Amos输出到科学决策
每次点击Amos的"Calculate estimates"按钮后,面对Output窗口里密密麻麻的拟合指标,你是否感到无从下手?卡方值、GFI、CFI、RMSEA...这些数字究竟在告诉我们什么?更让人困惑的是,不同指标有时会给出相互矛盾的结论——就像一群专家各执己见,让你不知该听谁的。本文将带你穿透这些统计迷雾,建立一套清晰的拟合度评估体系,让你不再被Amos的输出选项牵着鼻子走。
1. 拟合度指标全景图:理解Amos的输出逻辑
Amos提供的拟合度指标实际上是从三个不同维度评估模型:绝对拟合、相对拟合和简约拟合。就像医生用多种检查手段综合判断健康状况一样,我们需要综合这些指标才能全面评价模型质量。
1.1 绝对拟合指标:模型与数据的直接对话
绝对拟合指标直接比较样本数据与理论模型的匹配程度,是最直观的"体检报告":
-
卡方检验(χ²):最传统的拟合检验,但存在样本量敏感性问题。计算公式为:
math复制χ² = (n-1)F_{ML}其中n为样本量,FML是最大似然拟合函数。实践中我们更关注:
- χ²/df比值(建议<3)
- p值(通常希望>0.05,但受样本量影响大)
-
GFI(拟合优度指数):类比线性回归中的R²,反映模型解释的方差比例。理想值>0.9,计算公式:
math复制GFI = 1 - \frac{\text{tr}[(Σ^{-1}S - I)^2]}{\text{tr}[(Σ^{-1}S)^2]} -
RMSEA(近似误差均方根):考虑模型复杂度的惩罚指标,对错误设定敏感。优秀模型应<0.05,计算公式:
math复制RMSEA = \sqrt{\frac{F_0}{df}} \quad \text{其中} F_0 = \max\left(\hat{F} - \frac{df}{n-1}, 0\right)
注意:绝对指标容易受样本量影响,大样本时χ²几乎总会显著,而小样本时GFI可能虚高。
1.2 相对拟合指标:与基准模型的较量
相对拟合指标将你的模型与一个最差的"独立模型"(假设所有变量无关)进行比较:
