统计学：结构方程模型的拟合指数（CFI、RMSEA）解读.docxVIP

统计学：结构方程模型的拟合指数（CFI、RMSEA）解读

引言

在社会科学、心理学、管理学等领域的定量研究中，结构方程模型（StructuralEquationModeling,SEM）因其能同时处理测量误差、验证潜变量关系并检验复杂理论模型的优势，成为数据建模与理论验证的核心工具。然而，构建SEM模型并非终点，如何判断模型与观测数据的匹配程度，是研究者必须面对的关键问题。此时，拟合指数（FitIndices）作为量化模型与数据差异的“标尺”，为模型评价提供了客观依据。在众多拟合指数中，比较拟合指数（ComparativeFitIndex,CFI）与近似误差均方根（RootMeanSquareErrorofApproximation,RMSEA）因兼具理论严谨性与实践操作性，被广泛推荐为模型评价的“黄金组合”（BrowneCudeck,1993）。本文将围绕这两个指数展开深度解读，从基础逻辑到应用要点，层层递进揭示其科学内涵与使用规范。

一、结构方程模型与拟合指数的基础认知

（一）结构方程模型的核心逻辑

结构方程模型是一种基于协方差矩阵的统计建模方法，其核心思想是通过构建理论假设的变量关系（包括显变量与潜变量、潜变量间的结构关系），生成一个“期望协方差矩阵”，并将其与实际观测数据的“样本协方差矩阵”进行比较。若两者差异足够小，则说明模型能够合理反映数