LISREL验证性因素分析完整教程：从模型设定到拟合解读

简介面向社会科学、心理学及教育学领域需要运用结构方程模型的研究者这份PPT系统讲解LISREL软件进行验证性因素分析的完整流程。内容涵盖准确性与简洁性的权衡思路、观测变量相关矩阵的输入方式、因子负荷与误差方差的参数估计以及NNFI、CFI、GFI等关键拟合指标的含义与解读。同时结合模型比较案例演示如何依据自由度、拟合指数和参数个数筛选最优模型帮助读者建立从理论假设到数据验证的完整分析路径。压缩包为单份PPT文件大小1.22MB轻量便携便于日常查阅。该资源已有59人学习适合正在撰写论文、需要快速掌握验证性因子分析实操方法的研究生与科研人员。1. LISREL验证性因素分析一份完整教程能帮你省掉多少弯路很多从业者第一次接触验证性因素分析CFA都是被评审逼出来的量表回收后跑完探索性因子分析三维度结构看着挺合理但对方一句“这个结构模型能站得住吗”就让人哑火。LISREL正是回答这类问题的经典工具而这份完整版PPT把从数据整理、模型设定到结果解读的全程都过了一遍SIMPLIS与命令语言两套语法都有覆盖连常见报错和对应处理思路也一并讲了。适合正在用结构方程模型写论文或项目报告、又不想被语法细节卡住的从业者照着步骤操作就能跑通自己的模型。2. 为什么用LISREL做CFA从矩阵符号到模型识别的底层逻辑2.1 验证性因素分析与探索性因素分析的分工差别探索性因子分析EFA是让数据说话所有指标在所有因子上都自由估计旋转之后看哪个题归哪个维度。验证性因素分析CFA刚好反过来是让理论说话你在跑模型之前就明确指定每个指标只归属到某一个因子其余位置直接固定为0。LISREL在CFA里所做的就是验证这套你预设的归属关系是否和数据相容。很多新手在这里会有一个理解偏差觉得“EFA已经跑出三维结构了CFA不过是再确认一下”。实际上两者的结论可能并不一致EFA里某个题目在因子A上的载荷是0.45在因子B上还有0.30的交叉负荷旋转后勉强归到A到了CFA里这个题目在B上的载荷被强制固定为0模型的拟合就会变差。这正是CFA严苛的地方也是它比EFA更有说服力的原因。所以我的工作习惯是分三步走先用EFA检查数据质量、剔除明显不达标的题项再用LISREL做CFA确认维度结构最后才考虑把多个因子放进完整结构方程模型。直接拿EFA的结果去写论文评审基本不会满意。2.2 SIMPLIS与命令语言两套语法怎么选LISREL最劝退新手的就是命令语言那一串缩写DA、MO、LA、FR、VA、OU没接触过的人根本不知道这是在干什么。这套命令语言来自早期计算环境要求使用者对矩阵结构有直观理解。而SIMPLIS是相对晚近的写法允许用接近英文句子的方式书写模型上手门槛低很多。对比项SIMPLIS命令语言语法风格接近英文自然语言关键词缩写加矩阵参数上手门槛低适合新手高需要对参数位置有概念路径图直接用Path Diagram生成需要额外配置适合模型常规CFA、一阶结构回归多群组、高阶因子、复杂等式约束修改模型改动Relationships即可需要同时改PA和FR完整版PPT里两套都有介绍我一般建议先学SIMPLIS把流程跑通再回头学命令语言。原因很实际SIMPLIS能覆盖八成以上的CFA场景而做多群组不变性检验这类进阶操作时命令语言才更顺手。下面用同一个三因子模型对照展示两套写法。比如一份工作满意度量表10个题目分别测“工作本身”W1到W4、“薪资”S1到S3、“晋升”P1到P3SIMPLIS写起来是这样的! 工作满意度三因子验证模型 Observed Variables: W1 W2 W3 W4 S1 S2 S3 P1 P2 P3 Latent Variables: Work Pay Prom Relationships: W1 W2 W3 W4 Work S1 S2 S3 Pay P1 P2 P3 Prom Path Diagram End of ProblemObserved Variables声明的是实测指标必须和数据文件的列名逐一对应Latent Variables是潜变量名称可以自定义Relationships里等号左侧是指标右侧是潜变量表示这些指标共同载荷到该因子上。Path Diagram这一行让LISREL在分析前弹出路径图编辑窗口方便同时检查图形和语法。换成命令语言同样的模型要这么写DA NI10 NO200 MACM LA W1 W2 W3 W4 S1 S2 S3 P1 P2 P3 CM 此处放入10×10协方差矩阵的下三角部分 MO NX10 NK3 LXFU,FI PHSY,FR TDDI,FR PA LX 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 1 OU MI RS SS SC TVDA声明数据规模NI10表示10个观测变量NO200表示200个样本MACM告诉LISREL输入的是协方差矩阵。MO定义模型结构NX10对应观测变量数NK3对应潜变量数LXFU,FI表示载荷矩阵先全部固定然后再由PA指定哪些位置要释放。PA LX下面这个10行3列的0/1矩阵是核心1的位置代表该指标在对应因子上有自由载荷0的位置代表固定为0。OU那行是输出选项MI和RS分别输出修正指数与残差SS和SC输出标准化解TV输出t值。2.3 拟合指标的门槛值与常见误读模型跑完以后LISREL会在输出文件里给出大量拟合统计量新手最容易在这里被绕晕。我一般只看下面这几个指标先看整体再看局部。指标可接受范围良好范围RMSEA 0.08 0.05SRMR 0.08 0.05CFI 0.90 0.95NNFI/TLI 0.90 0.95χ²/df 3 2这里有一个反直觉的点必须说明卡方值的P值大于0.05才是好结果。很多从SPSS转过来的从业者习惯了“P小于0.05才有统计学意义”到了CFA里正好反过来P大于0.05意味着模型与实际数据没有显著差异拟合良好。如果P值显著说明模型和数据之间存在裂缝。另外卡方对样本量极其敏感样本一大人群卡方几乎必然显著所以不要只盯卡方要看χ²/df、RMSEA和CFI的组合。RMSEA惩罚的是模型复杂度CFI是比较目标模型与独立模型的改善程度两者互补。我遇到过CFI达标但RMSEA偏高的案例这种组合通常意味着模型不够简约考虑删掉一些低载荷指标或合并相关维度后RMSEA自然会回落。3. 用LISREL跑通一次验证性因素分析从数据整理到输出解读3.1 数据准备的规范变量命名与缺失值处理LISREL对数据格式的要求比SPSS更严格最常见的问题恰恰出在分析之前的数据整理阶段。变量名建议控制在8个字符以内、全英文、不能包含空格和特殊符号。我见过大量翻车案例原因就是在SPSS里用了中文变量名导出后编码错位LISREL根本读不进去。数据集组织方式是每行一个个案每列一个变量列顺序必须与语法中的变量顺序一致。如果是SPSS文件建议在SPSS里先把变量重命名好再做一次“另存为”明确勾选把缺失值替换为系统缺失值以外的标记。常见做法是把缺失统一替换为-9999并在LISREL数据说明文件里声明。LISREL官方配套的PRELIS可以做缺失值插补但那属于另外的模块我一向建议样本量还够的时候直接在SPSS里做清单删除干净利落。样本量方面CFA的经验门槛是指标数的10到20倍总量最好不低于200。10个指标配200个样本属于压线如果要做复杂模型或多群组分析样本量要再放宽。3.2 SIMPLIS模型文件三因子量表的完整写法沿用前面工作满意度量表的例子完整的SIMPLIS文件可以简化为三部分变量声明、模型关系、运行指令。实际分析时数据文件放在外部LISREL会在读入数据后自动匹配变量名。! 三因子CFA模型工作满意度验证 Observed Variables: W1 W2 W3 W4 S1 S2 S3 P1 P2 P3 Latent Variables: Work Pay Prom Relationships: W1 W2 W3 W4 Work S1 S2 S3 Pay P1 P2 P3 Prom Path Diagram End of Problem这段语法有几点要说明。第一Relationships里等号左侧的指标不能漏写少写一个题目等于你少用了一个实测变量输出里模型识别性可能出问题。第二潜变量名称不能与观测变量重名否则LISREL会报错。第三默认情况下LISREL会自动固定每个因子第一个指标的载荷为1用来设定潜变量的尺度这个默认行为不必手动干预理解即可。跑完以后不要急着关结果窗口先看两个地方一是LISREL是否提示模型收敛二是输出文件末尾的拟合统计量是否存在。如果提示收敛异常直接进入第4章排查。3.3 输出文件怎么读负荷、t值与拟合度输出文件通常以.OUT结尾里面有几段是每次必看的。我把输出位置和判断标准整理成一个速查表方便对照。输出段落关键内容判断标准Measurement Equations未标准化载荷与标准误t值绝对值大于1.96Completely Standardized Solution标准化因子载荷大于0.5理想大于0.7Goodness of Fit StatisticsRMSEA、CFI、NNFI、χ²/df对照2.3阈值表Modification Indices修正指数与预期变化MI大于4值得关注Standardized Residuals标准残差矩阵绝对值大于2.58需留意先看Measurement Equations里的未标准化载荷看每一行参数的t值是否显著。再看Completely Standardized Solution也就是完全标准化解里每个指标在因子上的载荷值。小于0.5的题目可以考虑删除但如果删除后理论结构变了要慎重不要只拿统计标准当唯一根据。拟合统计量部分就是2.3节那些指标。这里提醒一句输出里会出现“Goodness of Fit Statistics”和“Model Summary”两块看前者后者只是迭代过程的信息。我曾经见过有人把迭代数当成拟合指标用闹了笑话。3.4 拟合不达标时先看这几项再动模型如果整体拟合指标不理想我的固定排查顺序是先排除估计结果异常再看修正指数最后才考虑模型改动。第一步看有没有负方差、标准化载荷大于1这类明显异常有的话先解决不然一切免谈。第二步打开修正指数找MI值最大的那一两个关系。常见情况是同一因子内某两个指标的残差之间高度相关比如两个反向题或两个内容表述相近的题目。第三步每次只释放一个残差相关重跑一次模型对比卡方变化。如果Δχ²显著下降且RMSEA改善说明这一步改对了如果改变不明显把它改回去。有一点我不敢苟同有些人照着修正指数一次释放五六个残差相关模型拟合确实好了但理论结构也面目全非。修改模型必须有理论依据而不是机械地追着MI走。一个模型如果必须靠大量残差相关才能拟合优先怀疑的是因子切分是否合理。4. 常见问题排查四个必踩的坑与对应解法4.1 矩阵非正定警告刷屏但结果照出现象输出文件开头出现大段以W_A_R_N_I_N_G开头的提示核心信息是“Matrix to be analyzed is not positive definite”有时伴随“Estimation terminated”或结果异常偏大。原因协方差或相关矩阵中出现高度的线性相关例如两个题目相关系数接近0.99或者缺失值处理方式不对导致矩阵不对称极端情况是样本量小于变量数矩阵根本无法求逆。解决先在SPSS里看一下相关矩阵找出相关系数高于0.95的题目对考虑去掉其中一个或合并成均值分。然后检查缺失值标记有没有被LISREL正确识别最稳妥的办法是清单删除后重新导出数据。还有一种隐蔽情况是指标之间存在完全冗余的文字复述题两题只是换了个说法这种必须删一个。4.2 Heywood案例标准化系数超过1现象LISREL跑完后Completely Standardized Solution里某些因子载荷大于1或者残差方差为负。表面看一切正常但数值明显越界。原因样本量偏小、某个因子只有两个指标、模型结构设错更常见的是题目之间高度同质导致估计值跑到边界外。这不是随机误差而是模型设定与数据之间出现了结构性冲突。解决先定位是哪个指标出了问题查看它的残差方差和载荷。如果某个因子确实只有两个题考虑增加题目或把它并入相邻因子若只是轻微出界可以把这个指标的残差方差固定为一个小的正值例如在命令语言里写VA 0.05 TD(3,3)之类的语句相当于加了一个轻度约束。同时报告稳健标准误看看结论是否一致。我自己的习惯是出现Heywood案例就优先简化模型而不是靠固定参数硬压后者没法让评审信服。4.3 自由度异常模型过度设定与恰好识别现象输出的自由度df为0甚至负数卡方值为0拟合指数一把空白好像模型“完美拟合”了实际上什么也没检验。原因自由度可近似理解成数据提供的信息量减去模型要估计的参数数。观测变量有p个时可利用的方差协方差信息是p(p1)/2个如果自由参数数量逼近甚至超过这个数模型就变成恰好识别或过度设定。常见触发点是一个因子上只有两个指标却同时估计载荷、因子方差和残差自由参数凑起来刚好和可用信息相等。解决算一下自己的模型有多少个自由参数。一般做法确认每个潜变量至少有三个指标减少交叉载荷和多余的相关路径如果因子数多优先保证单因子内题目数量充足。LISREL输出里会列出自由参数个数拿它和p(p1)/2比一下立刻就能看出问题。4.4 迭代不收敛或t值缺失估计过程的三个风向标现象运行结束后提示“Did not converge”或者t值那一栏出现9.99或空白输出内容像是跑了一半没跑完。原因初始值离真实解太远常见于载荷初始设置为0.5但真实方向是负相关或者模型本身结构有严重冲突LISREL怎么迭代都找不到稳定解也可能是变量名写错、列数对不上数据根本没被正确读入。解决先排除数据读入问题用LA打印变量名核对一遍。再观察迭代历史里卡方值的下降趋势如果一路下降但没有收敛迹象手动给关键载荷设定起始值命令语言里写VA 0.60 LX(1,1)这样的语句即可。如果怎么调整都不收敛把模型拆成几个单因子模型分别跑看看是哪一个部分出了问题。不要用相关矩阵代替协方差矩阵硬跑虽然有时能出结果但标准误估计会失真。5. 把CFA做出增量价值多组不变性检验的完整操作当你要在论文里证明量表在不同人群之间测量结果可比单跑一个CFA是不够的。举个实际场景研究男生和女生在组织承诺量表上的得分差异如果这个量表的测量结构在男女两组不一致那么组间均值差异可能是测量偏差造成的而不是真实差异。这时候需要做多组验证性因素分析检验测量不变性。LISREL命令语言是完成这个任务更顺手的路径。第一步把数据按组别拆成两个子集分别得到两组样本量和协方差矩阵。第二步建立基线模型两组数据同时进入分析但所有参数自由估计记录该模型的卡方值和自由度。第三步建立约束模型令两个组对应的因子载荷相等记录新的卡方值和自由度。代码骨架大致是这样! 基线模型 DA NG2 NI10 NO180 MACM LA W1 W2 W3 W4 S1 S2 S3 P1 P2 P3 CM 第一组协方差矩阵 DA NO220 MACM CM 第二组协方差矩阵 MO NX10 NK3 LXFU,FR PHSY,FR TDDI,FR PA LX 1 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 1 ... OU MI RS SS SC TV ! 约束模型载荷跨组相等 MO NX10 NK3 LXIN PHPS TDDI对比两步的卡方变化量Δχ²和自由度变化量Δdf如果Δχ²不显著说明两组载荷结构基本一致测量不变性成立。注意这里的顺序必须由松到紧不能开头就约束载荷相等否则模型整体不达标时根本分不清是结构问题还是跨组差异问题。从那以后我每次做多组分析前都强制走一遍检查顺序先看各组模型的自由度是否合理再看有无负方差和越界载荷最后才比较两次运行的卡方差异。这套流程帮我挡掉了七八成返工情况希望帮到你。本文还有配套的精品资源点击获取