简介这是一份介绍LISREL软件在验证性因素分析中应用的PPT课件面向社会科学、心理学、教育学等领域需进行结构方程模型验证的研究者与高年级学生。课件系统讲解从观测变量相关矩阵出发、构建简洁模型并检验再生矩阵的基本逻辑并围绕准确与简洁的取舍给出多模型比较策略。内容涵盖因子负荷、误差方差、因子相关结构等参数估计以及GFI、AGFI、SRMR、NNFI、CFI等拟合指数的含义与判定课件还融入相关系数矩阵示例与模型比较表格便于读者对照实际数据理解模型自由度、参数个数与拟合优度之间的关系。后半部分介绍了测量模型与结构模型的构成以及LISREL在同时处理多个因变量、容许测量误差等方面的优势帮助读者建立从操作到解读的完整认知。资源共1个文件为完整版PPT演示文稿压缩包大小约1.22MB便于直接翻阅学习。已有59人学习下载适合正在使用LISREL或刚接触结构方程模型的读者作为入门与进阶参考。1. LISREL与验证性因素分析一个老牌工具为何还在被反复提起LISREL是一款几十年前就发布的结构方程模型软件但今天打开各类学术论文、心理测量和量表开发的附录依然能看到它的身影。原因是验证性因素分析CFA这个需求长期稳定存在——你有理论量表、有实测数据想确认题项是否真的对应预设维度确认因子结构和前人结论是否一致这类工作用通用统计软件做起来非常别扭而LISREL这类专门软件提供了从数据预处理到模型估计、再到修正和输出的成体系流程。这篇笔记适合手里已经有一批量表数据、想踏踏实实跑一次CFA的人。你会发现只要把数据和语法理顺LISREL给出的结果比想象中更直接而且那些报错信息多半不是软件太老旧而是模型设定本身出了问题。2. CFA之前先想清楚模型结构、识别条件与LISREL的选型理由2.1 验证性因素分析到底在验证什么CFA和你可能熟悉的探索性因素分析EFA是两回事。EFA是不带预设地让数据自己归类因子数目和题项归属都由特征值和旋转结果决定CFA则是你已经根据理论或前人的研究确定了每个题项属于哪个潜变量、一个潜变量由哪几个题项测量然后拿实际数据去检验这个预设的模型是否成立。举个例子一份12道题的职业倦怠量表理论上有三个维度情绪耗竭、去人格化、成就感降低。预期第1到第4题落在情绪耗竭上第5到第8题落在去人格化上第9到第12题落在成就感降低上。CFA做的事情就是检验这种题项-维度对应是否和数据吻合。如果吻合各项拟合指标会落在可接受区间如果不吻合修正指数会告诉你哪里出了问题。在这个场景下LISREL的典型定位是这样的软件定位适合场景SPSS通用统计描述统计、回归、EFAAMOS图形化SEM喜欢拖动界面的初学者Mplus现代SEM复杂模型、潜类别分析LISREL语法式SEM教学、论文复现、需要精确控制模型设定LISREL的优势不在于界面漂亮而在于它把模型设定、估计方法、输出细节全部暴露在语法文件里。你可以精确指定误差协方差、固定载荷、残差结构这在某些研究场景下是其他软件做不到的。对分析师来说能看懂LISREL的输出等于掌握了结构方程模型的通用语言。2.2 模型识别跑数据之前先算一笔账很多新手第一次跑LISREL就收到模型不可识别的报错原因不是数据差而是模型本身自由度不够。所谓识别就是参数估计是否可能达到唯一解。最直观的判断规则是自由度df必须大于或等于0最好严格大于0。自由度的算法看起来简单但很容易算错。观测变量有v个时协方差矩阵提供的非重复信息量是 v(v1)/2。自由参数t包括载荷、误差方差、潜变量方差、潜变量间协方差等所有需要被估计的参数。模型的自由度就是df v(v1)/2 - t以一个3题单因子模型为例。观测变量数v3协方差矩阵信息量是 3×4/26。自由参数有3个载荷、3个误差方差潜变量方差通常固定为1因此t6。df0恰好可识别能跑但极其不稳定。所以经验上每个潜变量至少要有3到4个指标。另一个容易被忽略的点是因子量尺的固定方式。LISREL默认潜变量方差固定为1来设定量尺这没问题。但如果你的潜变量只有一个指标或者某个因子的指标高度共线估计过程就可能卡在奇异矩阵上。我的习惯是跑数据之前先把题项间相关矩阵过一遍如果有哪两个变量相关系数超过0.95先处理共线性再进模型这能省掉后面一大半报错。2.3 为什么选LISREL而不是盲目追求新工具Mplus在很多人眼里是更现代的替代品但在教学和论文评审场景里LISREL的结果格式是经典的参考标准。尤其是RMSEA、NFI、NNFI这些拟合指标的算法实现LISREL的输出和教科书上的公式对应关系最清晰做学术报告时写基于LISREL输出的拟合指标比写某个新兴软件更有说服力。还有一个现实原因是资料的可获取性。大量早期文献、硕博论文的模型样例都是用LISREL语法写的如果你要复现某个具体的CFA模型照着旧论文的语法改变量名和数据路径比从零搭一个Mplus模型快得多。我不是说Mplus不好而是说做CFA这件事LISREL是个稳妥、可追溯、参考资源丰富的选择。3. 把数据送进LISREL数据格式、PRELIS预处理与常见误区3.1 从问卷原始数据到可分析文件LISREL主程序本身不直接读Excel或SPSS的.sav文件它依赖PRELIS模块把原始数据转换成协方差矩阵或相关矩阵再交给主程序做模型估计。这个设计看起来多了一步实际上保证了进入模型的矩阵是干净的。常见做法是先用SPSS或R把数据整理成纯数值的csv或.dat文件。变量名不能是中文建议用英文缩写数据里不能有非数字字符。LISREL对数据文件的格式要求比较严格第一行可以是变量名也可以没有但必须固定每列宽度或用分隔符明确分开。准备一个纯数值格式的数据文件内容大致长这样id age sex y1 y2 y3 y4 y5 y6 1 28 0 3 4 2 3 3 1 2 31 1 4 3 4 4 4 2 3 24 0 2 3 3 3 2 2这里id不是分析变量年龄和性别是背景变量y1到y6是你量表的实测条目。如果用的是.csv格式注意LISREL老版本对逗号分隔符的处理不稳定建议另存为空格分隔的.dat文件。保存时确认变量个数一致、行末没有多余逗号这一步出问题会在后面报出莫名其妙的变量数量错误。3.2 在PRELIS里生成协方差矩阵打开PRELIS新建数据文件后会要求你指定变量的角色。分析变量选入y1到y6背景变量选入年龄和性别缺失值用你当初录入时约定的标识。PRELIS默认把识别成系统缺失的数值剔除或成对删除这里推荐使用列表删除也就是只保留6个题项全部有答案的被试。CFA对缺失数据的容忍度很低成对删除会导致不同协方差由不同样本量算出可能出现非正定矩阵这种坑一旦踩进去非常难排查。点击生成矩阵后PRELIS会输出一个协方差矩阵文件。需要注意文件名不能包含空格文件路径建议放在纯英文目录下例如 D:\cfa_practice 而不是桌面上的新建文件夹2。很多新手在这一步就开始遇到路径读取错误原因就是这个。生成出来的协方差矩阵文件在文本编辑器里能看到类似这样的内容5.23 3.21 4.87 2.98 3.12 5.01 2.45 2.78 3.02 4.66 2.12 2.33 2.67 2.98 5.11 1.89 2.01 2.34 2.56 2.87 4.76这是下三角矩阵对角线是变量方差对角线以下各行是变量之间的协方差。这个矩阵就是后续所有估计的输入数据。务必备份这个矩阵文件因为你如果改变了原始数据的样本量或缺失值处理方式矩阵会变输出的所有拟合指标都会跟着变。3.3 数据相关的三个常见误区第一个误区是样本量太小。经验上CFA的样本量至少应该是待估自由参数数量的10倍以上下限通常取200。少于200时模型虽然能跑但拟合指标的结果很不稳定置信区间宽得没有实用价值。第二个误区是忽略数据正态性。LISREL默认最大似然估计要求数据近似正态如果你的量表是5点或7点的李克特式计分条目分布通常偏态明显。这时候更稳妥的做法是在PRELIS阶段先做一个正态性检验看偏度和峰度如果非正态显著在模型估计时改用ADF方法或至少报告稳健的Satorra-Bentler校正卡方。很多论文因为忽略了这一步报了好看的RMSEA实际违反估计前提。第三个误区是把协方差矩阵提交给LISREL后又忘了告诉软件你用的其实是相关矩阵。这两者会在载荷估计和标准误上产生细微差别。建议在PRELIS输出时明确选定分析矩阵类型做问卷研究通常用协方差矩阵跨样本比较时用相关矩阵更合理。选定了就用到底中途切换矩阵类型意味着整个模型的估计基础变了。4. 用SIMPLIS语法写一个完整CFA模型逐行拆解与参数说明4.1 SIMPLIS语法从标题到结果输出的完整流程LISREL有两种语法体系一种是传统的LISREL矩阵语法要求你定义各种希腊字母矩阵学习曲线陡峭另一种是SIMPLIS语法用接近自然语言的命令描述模型。对做CFA来说SIMPLIS完全够用可读性好出错了也好排查。下面是一个双因子CFA的完整SIMPLIS语法文件因子A由y1到y4测量因子B由y5到y8测量LISREL CFA Example Observed Variables: y1 y2 y3 y4 y5 y6 y7 y8 Latent Variables: FactorA FactorB Relationships: y1 y2 y3 y4 FactorA y5 y6 y7 y8 FactorB Path Diagram End of Problem逐行解释一下。第一行是标题可以随便写英文但不能有中文和特殊字符。Observed Variables下面列出所有被观测的指标变量和前面协方差矩阵里的变量顺序要一致。Latent Variables下面定义两个潜变量名字要和Relationships里对应上。Relationships是本文件的灵魂等号左边是观测变量等号右边是它们要落入的潜变量。Path Diagram指令让软件自动输出路径图End of Problem表示语法结束。注意上面这个写法里潜变量之间默认允许相关。这一点是CFA和EFA的关键差异CFA不要求旋转出因子结构它允许潜变量之间存在相关这也是模型的一部分估计结果。如果你前期的理论认为两个因子不相关需要在Relationships后面加一行Let the factors correlate不加这行时SIMPLIS依然允许因子相关加这行只是明示意图。真正 запрет因子相关需要在语法里固定协方差为0基本不会用到因为量表CFA里因子多少都相关。4.2 运行语法与输出内容解读语法文件保存为.ls8或.ls格式后在LISREL主程序里直接运行。如果数据准备工作没出错且模型可识别几秒内会生成.out结果文件和一个PDF格式的路径图。首次运行的人最该关注的三个内容区块是协方差矩阵的拟合部分即输入矩阵与模型复现矩阵的差异自由参数估计表包含每个载荷、误差方差、潜变量相关模型拟合指标汇总包括卡方、自由度、RMSEA、CFI等路径图是验证模型设定是否正确的最直观工具。如果图中某条虚线连到两个本不该相关的误差项说明修正指数暗示那对变量之间存在额外关联这是下一步修正的信号。如果你看到路径图里出现了负的误差方差那属于严重的估计问题详见第5章。参数估计表是核心产出。每个载荷都有对应的非标准化估计值、标准误、t值和标准化估计值。非标准化载荷的意义受变量量尺影响所以跨题项比较要看标准化载荷。业内通常以标准化载荷大于0.5为可接受。如果某个题项的载荷只有0.3它的可靠性就太低考虑删除或在论文里如实报告。4.3 从输出反推模型问题的一个实操技巧比较输入协方差矩阵和复现协方差矩阵的残差矩阵。如果某个残差特别大说明模型中遗漏了那对变量之间的某种关联。这种关联可能来自两个题目表述过于接近例如我经常感到疲惫和我下班后完全没有精力放在同一个维度里残差会显著为正。这时查看LISREL输出的修正指数列表找到那个最大的MI值把它可作为下一步模型的候选修正项。需要说明的是修正只能一条一条加不能一次性把修正指数高的全都加上。一次性加多个残差相关会让模型失去验证意义变成数据驱动的探索性模型这是审稿人非常反感的行为。实践中的做法是先加理论解释最顺的那一条比如两个题项确实是同一情境下的感知差异重跑看卡方变化量是否显著。若显著且拟合改善再评估下一条。每一轮修正都必须记录在案论文里逐条写明根据修正指数增加了e5与e7之间的残差相关。5. 拟合指标与常见报错排查CFA结果不对劲时优先查这 5 处5.1 整理拟合指标的判断边界LISREL的.out文件里会出现一长串拟合统计量对刚接触CFA的人来说漫天都是但实际学术报告里常用的就那几个。我直接说判断标准你对照着看输出即可。卡方与自由度比χ²/df小于3通常被视作可接受小于2更理想。但卡方对样本量极敏感大样本下几乎必显著所以现在极少单独依靠卡方p值做决策。RMSEA及其90%置信区间小于0.05算优秀0.05到0.08算可接受超过0.10基本就属于模型和数据明显不匹配。CFI和TLI即NNFI大于0.90是底线大于0.95才敢在论文里说拟合良好。SRMR小于0.08可接受这个指标衡量的是残差矩阵的总体大小比卡方稳健。值得留意的是RMSEA的置信区间LISREL会同时输出区间上下界。如果你的RMSEA点估计是0.065但置信区间从0.035一直宽到0.098说明这个估计极不稳定通常与样本量不足或数据偏离正态有关这样的结果不宜解读为接近优秀。5.2 报错与异常结果排查现象、原因、解决下面几条是我在做量表验证时真实踩过的坑每条按现象、原因、解决的思路整理。这几条全部是可以通过调整模型设定或数据处理方式解决的不需要换软件。第一模型不收敛或提示X-EXTRAORDINARY/Y - EXTRAORDINARY。现象模型跑了很久或者结果文件里出现奇异矩阵提示。原因一是潜变量只有一个观测指标模型识别不足二是某两个观测变量几乎完全共线矩阵奇异三是OLS初始值选择不当。解决先把相关矩阵打印出来检查是否存在相关系数高到0.98以上的变量有则删掉或合并。然后确认每个因子至少三个指标。最后使用标准化数据重新估计。第二输出中出现负的误差方差即Heywood case。现象某个e值在非标准化结果里是负数标准化解里对应变量方差大于1。原因样本量过小、某个题项载荷设定错误、模型约束过强或数据本身问题。解决先用最小二乘法估计一次看看结果是否正常因为某些情况下负荷估计被最大似然算法推过了头。如果依然为负把该题项散点图和分布查一遍考虑删除或换指标。负误差方差如果出现在标准化解里这篇论文的数据质量分析部分会很被动尽量在投稿前解决。第三修改指数很大但拟合指标没有改善。现象MI显示某两个题项残差相关是几十上百你加了残差相关后RMSEA和CFI却纹丝不动。原因MI指向的是统计角度的问题代表这两个变量之间还有未解释的关联但这种关联可能不是简单的残差相关而是某个题项同时在测两个因子即跨因子载荷。解决删掉这条MI对应路径改看该题项在另一个因子上的修正指数试试允许它双负荷。双负荷必须在理论上解释得通比如这个题项内容上确实横跨两个维度。第四所有载荷显著但拟合依然很差。现象每个载荷的t值都很大看着非常理想但拟合指标全面翻车。原因多数情况是样本量足够但没有考虑条目的顺序效应或反向计分。反向题没做逆向处理会造成系统性残差相关。解决把反向计分的题项先逆向重编码重新过PRELIS生成矩阵。这一步千万别忘了我见过太多人拿着原始量表直接跑数据跑到怀疑人生结果只是反向题没处理。第五自由度不为0但LISREL还是说模型没识别。现象手工算model df0软件却始终报识别问题。原因潜变量的方差被设定为自由估计同时该因子只有一个指标且载荷也自由导致局部不可识别。解决把该因子的载荷固定为1或者系到某个指标上作为量尺Excel表格里核对每个因子至少有一个可固定的参数。这种情况在跨样本比较里特别常见做多群组CFA时每个组的量尺设定要一致。5.3 结果报告的一个基准操作在论文或分析报告里报告LISREL的CFA结果我通常按这个格式记录模型定义一句话、样本量、估计方法、χ²与df、RMSEA置信区间、CFI、TLI、SRMR然后是一个标准化载荷表。LISREL输出的某些老旧格式指标如GFI、AGFI如今在心理学领域已经很少被采纳但做管理学论文时仍有期刊要求报告。审稿人更习惯看到CFI与RMSEA组合这两组指标和置信区间一起报告就是目前最主流的做法。6. 只改一个参数就能救回模型的调试技巧从拟合不佳到可接受当你跑出一个CFI只有0.83、RMSEA是0.11的模型时第一个冲动是调整数据或删除题项。我的建议是先别动检查一个经常被忽略的参数——估计方法。LISREL默认使用最大似然估计适合近似正态分布的数据。但量表数据几乎都是离散的、有偏的5点计分的条目怎么可能正态。非正态数据用ML估计卡方会被高估导致RMSEA虚高CFI被压低。这时候统计学上的正确操作是换成稳健估计。在SIMPLIS语法里加入这样一行Method of Estimation: Robust Maximum Likelihood这里Robust ML的原理是采用Satorra-Bentler校正的卡方统计量对数据分布的偏度和峰度做修正。我做过一个模拟场景一组500人的5点计分量表数据普通ML跑出来CFI是0.88RMSEA是0.10看起来整个模型都要被否定同一份数据换Robust ML再跑CFI跳到0.93RMSEA降到0.07。模型结构一条没改只动了估计方法结论完全反转。你可能会疑惑这算不算数据操纵。不算。你选择与数据特征匹配的估计方法本来就是建模流程中必须做的决策前提是你先向软件要了数据分布的偏度和峰度报告能白纸黑字地说明数据呈中度偏态故采用稳健最大似然估计。这才是规范的报告路径。如果换成Robust ML之后RMSEA依然在0.09以上那就真的回到模型本身。这时我建议你回到修正指数按从大到小排序重点观察同因子内部条目的残差相关。每次只增加一条残差相关路径重跑一次记录卡方变化量。我通常把整个过程控制在最多增加两三条路径超过这个数量就不要在这个命名上继续打补丁而应该考虑理论模型本身是否成立。跑CFA这件事花时间最多的往往不是操作而是反复在数据、模型、理论之间寻找一个说得通的平衡点。我早期做问卷验证时吃过亏总以为拟合指标不好是数据没洗干净后来才明白模型设定才是主因多学了一个估计方法就能救回很多结果。前阵子帮某位开发者debug一份旧问卷的CFA数据结构本身没有问题只是修正过程他只用LISREL的老默认设置加了稳健估计后结果就顺了。整个过程也谈不上高深但确实需要你在理论框架和统计数据之间来回走几趟。希望这篇笔记能帮你少走那段弯路把LISREL的第一份CFA分析跑得顺一点。本文还有配套的精品资源点击获取
