结构方程SEM拟合指标.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
p>
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
>
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
>
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
<(<)
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
>
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
>
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
>
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
>
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。