结构方程模型SEM拟合指数（拟合度指标）..doc

SEM各拟合指标一览 指数名称 性质 拟合成功 建议值 样本容量影响 模型节俭评估 经验性评价 X2拟合优度检验（X2 goodness-of-fit test） 绝对拟合指数 p0.05 受影响很大 无法评估 样本容量很小时，容易接受劣势模型；样本容量大时，容易拒绝所有拟合很好的模型； 在多个模型比较分析时非常有用； 拟合优度指数GFI 绝对拟合指数 0.90 受影响 无法评估 在最大似然和最小二乘法中比较稳定； 在CFA中，当factor loading 和样本容量较低时，容易接受模型；参数估计值比较低时，容易接受模型； 调整的拟合优度指数AGFI 绝对拟合指数 0.90 受影响 可以评估 可以按照模型中参数估计总数的数量对GFI进行调整； 估计参数相对与数据点总数越少或自由度越大，AGFI越接近GFI。 近似误差的均方根RMSEA 绝对拟合指数 0.05(0.08可接受) 受影响 可以评估 基于总体差距的指数，多数学者推荐为常用拟合指数； 比较敏感； 惩罚复杂模型。 比较拟合指数CFI 相对拟合指数 0.90 不易受影响 无法评估 应用不同的模型估计方法时很稳定； 即使是对小样本模型拟合时表现也很好； 在嵌套模型比较时很有用； 规范拟合指数NFI 相对拟合指数 0.90 样本容量小时严重低估 无法评估 对数据非正态和小样本容量非常敏感； 不能控制自由度； 受样本容量影响大，渐不使用； Tucker-Lewis指数（TLI 或NNFI） 相对拟合指数 0.90 样本容量小时一般低估 无法评估 在最大似然估计时使用有较好稳定性，能正确对复杂模型进行惩罚，准确区分不同的模型，多数学者推荐； 在应用最小二乘法估计模型时比较差； 可以用于比较嵌套模型； 缺点：估计值变化很大，有时可以超出0~1的范围。 递增拟合指数IFI 相对拟合指数 0.90 样本容量小时一般低估 无法评估 在应用最小二乘法估计模型时，优于TLI、NNFI。 在最大似然估计时，在小样本和偏差大的模型估计中，容易错误惩罚简约模型，奖赏复杂模型，因此渐不常用。 PNFI,PCFI,PGFI 节俭调整指数（Parsimony adjusted measures） 越接近1越好 同时受样本容量和估计的参数比率影响 奖励简约模型 属于依照简约原则调整后的指数，为原来的指数乘以省俭比率； 模型越简单，越不被惩罚。 受样本容量同以上相对应的指标，同时受到估计参数与饱和参数值的影响 AIC（Akaike information criterion） 信息标准指数 越小越好 不受影响 奖励简约模型 用于模型比较 CAIC(Consistent Akaike information criterion) 信息标准指数 越小越好 不受影响 奖励简约模型 用于模型比较 ECVI(Expected cross-validation index) 信息标准指数 越小越好 受影响 奖励简约模型 用于模型比较； 在样本较小时，支持简约模型；随着样本数的增大转而支持较复杂但解释力更强的模型。 个人 建议： AGFI is not enough, 最好综合各种指标判断, 特别在CFA中，NNFI(TLI)更重要一些。 相对比较可靠的指标：NNFI, CFI, AGFI, RMSEA 坚实的理论比可靠的数据更重要！ 2