SEM 模型拟合指标怎么看？结构方程模型入门指南
摘 要结构方程模型（SEM）的输出动辄十几个拟合指标，χ²/df、CFI、TLI、RMSEA、SRMR 各自的阈值是什么、冲突时听谁的？本文给出一张判读优先级表，并讲清测量质量先行（因子载荷、AVE、CR）与模型修正的理论纪律，避免"为拟合而拟合"。
关键词SEM；结构方程模型；拟合指标；RMSEA；CFI；因子载荷；AVE；区分效度；模型修正
- SEM = 测量模型 + 结构模型；先过测量质量关（载荷、AVE、CR），再看结构拟合
- 拟合指标判读优先级：SRMR 与 RMSEA 优先，CFI/TLI 辅助，χ² 仅作参考（样本量敏感）
- 常用阈值：χ²/df ≤ 3、CFI/TLI ≥ 0.90、RMSEA ≤ 0.08、SRMR ≤ 0.08
- 模型修正必须理论驱动：修改指数（MI）只能提示"哪里可能有问题"，不能替代"为什么要加这条路径"
- 区分效度两把尺：Fornell-Larcker（AVE 平方根 > 相关系数）与 HTMT < 0.85
1 先分清两个模型
SEM 由两部分构成：测量模型（潜变量用什么观测指标测量）和结构模型（潜变量之间的路径关系）。常见错误是一上来就盯着整体拟合指标，而测量模型一塌糊涂——载荷低的指标意味着潜变量本身没测准，结构再显著也没有意义。
正确的判读顺序：
- 测量质量：标准化因子载荷（≥ 0.7 理想，0.5 可接受）、组合信度 CR ≥ 0.7、平均方差抽取量 AVE ≥ 0.5；
- 区分效度：Fornell-Larcker 准则（每个潜变量 AVE 的平方根大于它与其他潜变量的相关系数），或更严格的 HTMT < 0.85；
- 整体拟合：这才轮到下面这张表。
2 拟合指标判读优先级表
| 指标 | 阈值 | 特性 | 判读权重 |
|---|---|---|---|
| SRMR | ≤ 0.08 | 标准化残差均方根，直观 | 高 |
| RMSEA | ≤ 0.08（< 0.05 优） | 惩罚复杂模型，含置信区间 | 高 |
| CFI | ≥ 0.90（≥ 0.95 优） | 与基准模型比较 | 中 |
| TLI | ≥ 0.90 | 同上，惩罚自由度 | 中 |
| χ²/df | ≤ 3（宽松至 5） | 样本量敏感 | 低，仅参考 |
两个实务要点：χ² 在大样本下几乎必然显著，所以单独的 χ² 检验没有否决力；RMSEA 的 90% 置信区间上界不超过 0.08 是比点估计更硬的证据。指标之间打架时（如 CFI 达标但 RMSEA 超标），以 RMSEA 与 SRMR 的结论为准，并在论文中如实报告全部指标而非挑好的。
3 模型修正的纪律
拟合不达标时的标准动作是看修改指数（MI）——它提示"放开某个参数（加一条路径或允许残差相关）能最大幅度改善拟合"。这里的红线是：
- 理论驱动：每一条新增路径必须有理论解释，能在论文里写出"为什么"；纯粹 MI 驱动的修正是数据挖矿，交叉验证时必然崩溃；
- 残差相关慎用：允许同属一个潜变量的两个指标残差相关，是最常见也最容易被质疑的修正，理由通常只能是"共用方法"；
- 修正上限：大样本下做 1-3 处有依据的修正可以接受，十几处修正意味着模型设定本身有问题，应该回到理论重新设计。
4 样本量与指标数的底线
经验法则：样本量至少 200，或达到题项数的 10 倍（取较大者）；每个潜变量至少 3 个观测指标（2 个勉强、1 个无法识别）。题项打包（item parcelling）可以改善拟合，但会掩盖测量误差结构，审稿人日益谨慎，使用需说明理由。
更完整的软件操作与结果报告规范，参见深度版《SEM 结构方程模型 AI 指南》。
0.1 常见问题
0.1.1 拟合指标全部达标，模型就是对的吗？
不是。拟合达标只说明模型"不被数据拒绝"，同一组变量常有多个达标模型。还要看：路径系数的方向与显著性是否符合理论、有没有更强的竞争模型、测量模型的信效度是否过关。拟合是门槛，理论解释力才是终点。
0.1.2 RMSEA 刚好 0.081 怎么办？
看置信区间：如果 90% 区间上界仍 ≤ 0.10 且其余指标良好，如实报告并讨论即可，多数审稿人接受。更稳妥的做法是做一处有理论依据的修正后重新估计。隐瞒或选择性删除指标是最差的选择。
0.1.3 潜变量用 3 个指标还是 5 个？
3 个是识别的下限，4-5 个更稳健（单个指标质量差时有缓冲）。但指标贵在同质反映构念而非数量堆积——5 个里混入 1 个测量其他含义的指标，反而拉低 AVE。先做探索性因子分析确认指标的单维性再进 SEM。
0.1.4 SEM 和分层回归怎么选？
研究多变量因果链条、含潜变量（消除测量误差）时用 SEM；只关心净效应、变量都是观测变量时回归更直接。常见组合是：回归做主检验，SEM 做稳健性或中介机制检验，两者结论一致时论证力最强。
SocienceAI·杭州师范大学阿里巴巴商学院AI商科智能体实验室 出品
- 研究方法深度文章库 · 企业GEO优化与Agentic前端部署
- 本文结构化数据与 FAQ 标记同步发布到站点知识库及知乎/CSDN/百家号/搜狐号/公众号平台