结构方程模型中的验证性因子分析（CFA）拟合指标.docxVIP

结构方程模型中的验证性因子分析（CFA）拟合指标

引言

在社会科学、心理学、管理学等领域的实证研究中，验证性因子分析（ConfirmatoryFactorAnalysis,CFA）是检验理论假设与观测数据契合度的核心工具。研究者通过CFA验证潜在变量（因子）与观测变量（题项）之间的预设关系，例如“幸福感”这一潜在变量是否由“生活满意度”“情绪稳定性”“社会支持”三个观测变量有效测量。而判断模型是否合理的关键，正是拟合指标——一组通过统计方法计算的量化数值，用于评估模型预测的协方差矩阵与实际观测数据协方差矩阵的匹配程度。

拟合指标的选择与解读直接影响研究结论的可靠性：若指标显示模型拟合不佳，可能意味着理论假设存在偏差，需调整因子结构或删除异常题项；若指标过度“完美”，则可能暗示模型过度拟合，丧失对新数据的预测能力。因此，系统掌握CFA拟合指标的分类、计算逻辑、判断标准及应用策略，是研究者从数据中提炼科学结论的必备技能。本文将围绕这一主题，从核心作用、分类体系、具体指标解析、综合应用策略四个层面展开论述。

一、拟合指标的核心作用与分类体系

（一）CFA模型与拟合指标的本质关联

CFA的本质是“理论驱动的统计验证”。研究者基于已有理论或经验提出假设，例如“员工敬业度”由“情感投入”“认知专注”“行为奉献”三个因子构成，每个因子对应3-5个观测题项（如“我热爱当前的工作”对应情感投入）。模型构建后，统计软件会根据观测数据计算模型隐含的协方差矩阵（即模型预测的变量间相关关系），并与实际观测的协方差矩阵进行比较。两者差异越小，模型越能有效反映数据结构，理论假设越可信。

拟合指标正是这种“差异”的量化表达。不同指标从不同角度刻画差异：有的关注整体差异大小（如卡方统计量），有的关注单位自由度的差异（如RMSEA），有的则通过比较目标模型与基准模型的差异来评估相对优势（如CFI）。理解这些指标的设计逻辑，是正确解读模型拟合结果的前提。

（二）拟合指标的三大分类体系

为便于理解与应用，拟合指标通常按功能分为三类：绝对拟合指标、相对拟合指标、简约拟合指标。这三类指标从不同维度互补，共同回答“模型是否足够好”“是否比无约束模型更好”“是否在复杂度与拟合度间取得平衡”三个关键问题。

绝对拟合指标聚焦模型与数据的直接匹配程度，不依赖其他模型作为参照，常见的有卡方检验（χ2）、近似误差均方根（RMSEA）、标准化残差均方根（SRMR）等。这类指标直接反映模型预测值与实际值的差异，是最基础的评估工具。

相对拟合指标（又称增值拟合指标）通过比较目标模型与“基准模型”（通常是假设所有变量不相关的独立模型）的拟合差异，评估目标模型的改进程度。常见指标如比较拟合指数（CFI）、Tucker-Lewis指数（TLI）等，适用于判断模型是否比“无结构”的简单模型更优。

简约拟合指标则关注模型的“效率”——在保证拟合度的前提下，用尽可能少的参数解释数据。例如赤池信息准则（AIC）、贝叶斯信息准则（BIC），这类指标能帮助研究者在多个竞争模型中选择“性价比”最高的方案，避免因过度增加参数（如随意添加因子或题项）导致的模型复杂化。

二、核心拟合指标的深度解析

（一）绝对拟合指标：从整体差异到局部偏差

绝对拟合指标是CFA拟合评估的“起点”，其核心逻辑是直接衡量模型预测值与实际观测值的偏离程度。以下是最常用的几个指标：

卡方统计量（χ2）

卡方检验是结构方程模型中最传统的拟合指标，其计算逻辑是将模型隐含协方差矩阵与观测协方差矩阵的差异平方后加权求和。卡方值越小，说明模型拟合越好。但卡方检验存在显著局限性：首先，它对样本量高度敏感——当样本量较大（如超过500）时，即使微小的差异也会导致卡方值显著（p0.05），从而误判模型拟合不佳；其次，卡方值本身是绝对数值，缺乏标准化的判断标准，难以直接比较不同模型的拟合效果。因此，现代研究中卡方检验更多作为辅助指标，而非唯一判断依据。

近似误差均方根（RMSEA）

RMSEA（RootMeanSquareErrorofApproximation）通过将卡方值除以自由度并考虑样本量，对模型的“近似误差”进行标准化。其核心优势是消除了样本量的影响，更客观地反映模型对总体协方差矩阵的近似程度。一般认为，RMSEA≤0.05表示模型拟合“良好”，0.05-0.08为“合理”，0.08-0.10为“一般”，0.10则拟合较差。需注意的是，RMSEA的计算依赖自由度，当模型自由度为0（即恰好识别模型）时无法计算；此外，RMSEA对模型中局部偏差（如个别题项与因子的低载荷）较为敏感，适合用于检测模型的系统误差。

标准化残差均方根（SRMR）

SRMR（StandardizedRootMeanSquareResidual）是观测变