绝对与相对拟合指数在结构方程模型中应用与考量.pdfVIP

2

绝对拟合指数(,GFI,AGFI,Hoelter’sCN,AIC,BIC,ECVI,RMR,SRMR)

绝对拟合指数不使用替代模型作为比较的基础。它们仅从获得的和隐含的协方差矩阵的拟合以

2

及ML最小化函数得出。卡方(，有时称为T)是结构模型的原始拟合指数，因为它直接从拟

合函数[fML(N‑1)]导出。由于卡方是原始的拟合指数，并且它是大多数其他拟合指数的基础，

因此在所有SEM结果部分中都会常规报告。

然而，在实际应用中，大多数研究者认为卡方不是一个非常有用的拟合指数，因为它受到以

下因素的影响：(1)样本量——较大的样本会产生较大的卡方值，即使在隐含和获得的协方差

矩阵之间存在非常小的差异时也是如此。另一方面，小样本可能过于容易接受不良模型（II

型错误）。根据我的经验，当样本量超过200左右时，很难得到一个不显著的卡方值（表明

拟合良好）。(2)模型规模也对卡方值有增加效应。包含变量的模型往往具有更大的卡方

值。(3)卡方受变量分布的影响。高度偏斜和峰度的变量会增加卡方值。这与在课程稍

后讨论的多变量正态性假设有关。(4)可能因遗漏变量而存在某些拟合不足。遗漏变量可能会

使得完美重现相关（或协方差）矩阵变得。

有几个其他指标属于绝对拟合指数类别，包括拟合优度指数（GFI，也称为g帽或ˆ）、

2

调整后的拟合优度指数（AGFI）、/df比值、Hoelter的CN（“临界N”）、Akaike信息

准则（AIC）、贝叶斯信息准则（BIC）、期望交叉验证指数（ECVI）、均残差

（RMR）和均残差（SRMR）。除了SRMR之外，这些指数中的大多数都存在与

卡方类似的问题，因为它们是卡方的简单变换。例如，AIC（由Tanaka,1993给出）为2

2()p+，其中p是自由参数的数量（计算df时计数的数量）。

相对拟合指数（IFI,TLI,NFI）

相对拟合指数将测试模型的卡方与所谓的零模型（也称为“基线”模型或“独立”模型）的

卡方进行比较。零模型是指定所有观测变量都不相关（没有潜在变量）的模型。零模型应该

始终具有非常大的卡方值（拟合不佳）。尽管可以使用其他基线模型，但在实践中很少见到

1

这种情况。有几种

1无相关性的零模型并不是完全通用的。上，Mplus在某些情况下引入了一种替代的零模型（包括非潜在外生

变量之间的相关性）。除了

2

AbsoluteFitIndices(,GFI,AGFI,Hoelter’sCN,AIC,BIC,ECVI,RMR,SRMR)

Absolutefitindicesdonotuseanalternativemodelasabaseforcomparison.Theyare

simplyderivedfromthefitoftheobtainedandimpliedcovariancematricesandtheML