判断构建模型优劣与否是CFA的重要内容，各类拟合指标的高低又影响着模型的整体评价。

 

然而模型拟合指标有那么多，具体每个指标代表什么意思？它们的判断标准又是什么？往往是一顿操作猛如虎，一看结果啥不懂。别着急现在就跟着SPSSAU一起来学习下吧。

模型拟合评价指标

（1）卡方值

当P值大于0.05时，认为该模型没有达到0.05的显著性水平，模型拟合效果良好。

 

（2）卡方自由度比

卡方自由度比小于2时，模型拟合效果良好。

卡方自由度比值是卡方值除以自由度值，卡方值容易受到样本量的影响，样本越大时该值越可能更小，所以小样本时卡方自由度比值容易偏大。

 

另外，如果是饱和模型则自由度为0，此时模型无法得到卡方自由度值，这是正常现象，如果自由度值为0，SPSSAU默认会以“-”标识出卡方自由度值。除此之外，很多时候还会出现拟合指标数值为1.000的现象，这也是正常现象。

（3）GFI

GFI始终比1小，一般认为大于0.9时，模型拟合效果良好。

（4）AGFI

AGFI位于0~1之间，模型自由参数越多，AGFI也越大，一般认为大于0.9时，模型拟合效果良好。

 

（5） NFI

该指标反映了假设模型和独立模型之间的差异。独立模型是指变量中不存在任何相关关系的一种简单模型。

假设模型和独立模型的差异越大，说明假设模型拟合效果良好。一般NFI大于0.9，假设模型拟合效果良好。

 

（6）RFI

一般RFI大于0.3，说明假设模型拟合效果良好。

 

对模型的比较，往往不能只靠统计指标是否达标作为唯一依据，同时还要将统计指标与专业背景结合起来所得模型才有实际意义。

 

（7）RMR

一般RMR小于0.05，说明模型拟合效果良好，越接近0越好。

 

（8）CFI

比较拟合指数，其值位于0和1之间。其值大于或等于0.95表示模型可接受。

 

（9）NFI

规范拟合指数，变化范围在0和1之间。按照约定，NFI小于0.90表示需要重新设置模型。

如何提高模型拟合情况

 

验证性因子分析有着非常多的拟合指标，比如卡方自由度比，RMSEA、CFA、RMR等几十种，但在实际研究中会发现基本上很难所有指标均达标。

 

如果研究时发现最常用的几个指标在标准范围内（或者多数指标基本均接近或明显在标准范围内），而有其它一些指标并不在标准范围内，相信模型拟合也是较好的，因此不用完全考虑所有的拟合指标均达标，几乎也不可能所有的指标均达标。

 

而如果研究目的是进行效度验证或者组合信度等，一般对于模型拟合指标的关注度较低，可直接忽略即可。

 

如果是使用验证性因子分析进行共同方差偏差CMV检查，那么其检查原理就是查看拟合指标不好，用于说明没有CMV问题；

 

如果说使用验证性因子分析做权重计算时指标拟合不好，可考虑删除项，或者进行MI调整等。

 

如果说模型拟合出现大面积的不达标，而且明显偏离标准范围内，那么这种模型需要进行调整才行。

 

解决办法1：检查数据质量

 

样本量会影响拟合指标结果，当样本量偏低时，容易出现拟合指标偏低的情况。建议样本量至少为测量项(量表题)的5倍以上，最好10倍以上，且一般情况下至少需要200个样本。

 

特别提示：验证性因子分析只能分析量表数据，如果将非量表数据放入，通常结果都不好。

 

解决办法2：检查factor loading值过大或过小

 

因子载荷系数往往会影响模型的整体拟合结果：

如果说标准化的Factor loading值过大，比如大于1，说明有着很强的共线性问题，建议可分别针对每个因子对应的项，分别做相关分析，将相关关系过强（比如相关系数值大于0.8甚至0.9）的项删除后重新分析，减少共线性问题；

 

如果说标准化factor loading值过小，比如0.4，那么说明该项应该直接删除掉，删除后拟合指标数值会有提高。

 

解决办法3：梳理分析流程

 

在进行验证性因子分析之前，最好是先进行探索性因子分析，如果探索性因子分析已经发现问题，比如因子与项之间的对应关系有问题，那么数据继续进行验证性因子分析，一般都会有各种问题，同时也会导致模型指标拟合得非常差。