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：

（注：下标m表示目标模型，n表示独立模型）

1.3 简约拟合指标：追求简洁之美

好模型不仅要拟合好，还要简洁。Amos中常用的简约指标包括：

• PGFI（简约拟合优度）：GFI的简约版本，调整公式为：

  math复制PGFI = GFI \times \frac{df}{p(p+1)/2}
  

  其中p为观测变量数

• AIC/BIC：基于信息准则的指标，适用于模型比较而非绝对评估。计算公式：

  math复制AIC = χ² + 2k \quad BIC = χ² + k\ln(n)
  

  其中k为估计参数个数

2. Output选项的黄金组合：如何勾选不踩坑

点击Analysis Properties→Output时，面对23个可选指标，资深研究者通常会采用分阶段策略：

2.1 基础诊断阶段必选项

text复制☑ Minimization history   # 检查迭代收敛
☑ Standardized estimates # 解释标准化系数
☑ Squared multiple correlations # 查看R²
☑ Indirect, direct & total effects # 分析效应分解
☑ Model fit             # 核心拟合指标

2.2 深入分析阶段加选项

text复制☑ Modification indices   # 模型修正参考
☑ Expected change        # 配合MI使用
☑ Critical ratio for differences # 参数差异检验

2.3 需要谨慎使用的选项

text复制□ Bootstrap standard errors # 仅需稳健标准误时启用
□ Factor score weights     # 特殊分析需求才需要

提示：不要盲目勾选"Modification indices"，它可能引导你过度拟合数据。建议只在理论支持下考虑模型修正。

3. 指标冲突时的决策法则：当统计量"打架"怎么办

实践中经常遇到这种情况：CFI=0.92（良好）但RMSEA=0.08（一般），该如何判断？这时需要分情况处理：

3.1 样本量导致的差异

• 大样本情境（n>500）：

  • 更重视RMSEA（对错误设定敏感）
  • 相对忽略χ²显著性（几乎总会显著）

• 小样本情境（n<200）：

  • 更重视CFI/TLI（对样本波动稳健）
  • 可适当放宽RMSEA标准（如<0.08）

3.2 指标特性导致的差异

• 当绝对指标 vs 相对指标冲突时：

  • 优先考虑RMSEA+CFI组合
  • 若RMSEA>0.06但CFI>0.95，检查模型是否存在局部误设

• 当简约指标 vs 拟合指标冲突时：

  • 比较AIC/BIC变化（Δ>10才具实质意义）
  • 参考PGFI判断是否过度参数化

3.3 建立决策流程图

mermaid复制graph TD
    A[所有指标达标?] -->|是| B[模型可接受]
    A -->|否| C{RMSEA与CFI冲突?}
    C -->|是| D[检查模型误设]
    C -->|否| E{样本量>500?}
    E -->|是| F[侧重RMSEA]
    E -->|否| G[侧重CFI]

4. 进阶应用：特殊情境下的指标选择

4.1 非正态数据的处理

当数据严重偏离多元正态时（通过Amos中的"Test for normality"检查），需要调整策略：

1. 改用Bootstrap法估计标准误
2. 关注稳健拟合指标：
   • Robust CFI/TLI
   • Satorra-Bentler χ²
3. 在Output中勾选：

   text复制☑ Bootstrap
   ☑ Robust statistics
   

4.2 分类变量的处理

当模型包含分类变量时（如李克特量表）：

• 使用WLSMV估计法（在Estimation选项卡选择）
• 关注WRMR指标（<1.0理想）
• 在Output中增加：

  text复制☑ Thresholds
  ☑ Weighted estimates
  

4.3 多组比较时的注意事项

进行跨组恒等性检验时：

1. 优先比较CFI变化（ΔCFI<0.01）
2. 次要看RMSEA变化（ΔRMSEA<0.015）
3. 最后参考χ²差异检验（但易受样本量影响）
4. Output中需确保勾选：

   text复制☑ Multiple group comparisons
   ☑ Invariance testing
   

5. 从统计拟合到理论解释：避免常见陷阱

即使所有指标都"漂亮"，模型也可能存在问题。我曾分析过一个客户满意度模型，CFI=0.96、RMSEA=0.04，但细查发现：

• 某个路径系数为负值（与理论矛盾）
• 修正指数建议添加不合理路径（如"服务质量→产品价格"）

这时需要坚持：

1. 理论优先原则：拒绝统计显著但理论荒谬的结果
2. 实质意义检查：
   • 所有系数方向是否符合逻辑
   • R²值是否合理（过高可能暗示共同方法偏差）
3. 稳定性验证：
   • 分样本交叉验证
   • Bootstrap置信区间检查

最终，好的模型评估应该像法庭审判：统计指标是证据，但需要理论逻辑作为法律框架来做出最终判决。Amos的输出选项只是工具，真正的智慧在于研究者如何解读和运用这些信息。