卡方准则改进：结构方程模型检测试验的新选择

结构方程模型是统计学中用于分析复杂变量间关系的一种强大工具，特别是在心理学、教育学和社会科学等领域广泛应用。本文主要关注的是AMOS（Analysis of Moment Structures）软件中使用的拟合指数准则，特别是针对Hu和Bentler在1998年和1999年推荐的七个指标。作者指出，Hu和Bentler的指数准则存在缺陷，特别是他们的新指数准则，在某些情况下可能不适用于推广。 研究发现，尽管Hu-Bentler的准则曾被广泛讨论，但它们存在明显的问题，尤其是在评估模型拟合度时。作者通过比较分析，强调了卡方准则的重要性，并提出了一种改进的超低显著性水平下的卡方准则。在特定的样本大小下，如N ≤150时α= 0.01, N = 200时α= 0.001, 等级逐渐降低，但对于大样本（N ≥1000），即使使用0.0001的显著性水平，也可能不足以拒绝拟合良好的模型，这表明在N < 1000的样本情况下，卡方准则更具可行性。 在模型检验中，作者建议使用卡方准则作为优秀的选择，因为它在大部分正态情况下表现优于Hu-Bentler的其他六个准则。然而，即使卡方准则表现出色，用户仍需谨慎处理，因为对于大样本，临界值可能不足以准确评价模型。此外，确定模型好坏的标准，即“好”的模型应具备怎样的指数值，是一个类似假设检验中统计量临界值确定的问题，这在结构方程分析中尚未得到充分解决。 文章还回顾了结构方程分析的历史，自1973年Tucker和Lewis提出的TLI以来，已经出现了四十多个正式发表的指数。这些问题的背景表明，尽管拟合指数的研究具有悠久历史，但在实际应用中，研究人员需要不断评估和改进现有的指标，以提高模型选择和解释的准确性。 本文不仅探讨了结构方程模型检验中的关键问题，还提供了一个关于卡方准则的新视角，这对于理解如何在AMOS或其他结构方程软件中有效地评估模型拟合度和选择最佳模型具有实际指导意义。