邱宗满
接下来我们好像应该讨论要不要根据M.I.对残差释放相关，以及模型修正问题，但是在这之前我们先大致看一看模型拟合差的几种常见原因（更大框架下的数据分析出问题，则是笔者常谈的三个来源：样本、概
念间关系（建模）和量表）：
1.负的误差变异（Heywood Case）
没满足每个维度至少三个题
2.标准化因子载荷太小
量表质量差，见笔者其他报告
3.同一维度底下的因子载荷有的太高（＞0.7），有的太低（＜0.5）这个维度或许可以分为多个维度
4.标准化因子载荷接近1或者超过1
变量间存在高度共线性5.单个维度因子载荷都不错，但是模型总体质量差
CFA时就应该发现了这个问题，主要是残差不独立
6.因子载荷为负
存在反向题
7.CFA跑不出来且模型设定正确
数据质量太差，许多题相关太低
然后我们开始讨论残差相关与模型修正的问题。
《非递归模型：内生性、互反关系与反馈环路》（p17-18）这本书中将残差相关的情况列为了非递归模型。虽然非递归模型在SEM软件中也可以进行估计，但是根据这本书建议，非递归模型应该使用2sls（2 stage least squares，两阶段最小二乘法）进行估计，一般选择stata软件进行分析。（此书较新，没有pdf）
《Statistical and Methodological Myths and Urban Legends》这本书里，给出了一般研究者拉残差相关的理由（p197）：
意思就是说，咱们数据都收集来了，只差拉几个
残差就完美拟合，你居然告诉我不行？你觉得我会听
吗？正则化残差
所以，研究者就开始拉残差了嘛。
啥？拉残差一时爽，审稿火葬场？我信吗？审稿
人都这么懂吗？我管这么多吗？
一时拉残差，一时快乐；一直拉残差，那可是一
直快乐啊！模型拟合不就好起来了？
《Statistical and Methodological Myths and Urban Legends》也给出了可以对残差释放相关的一些特殊情况（p204）：
IRs指indicator residuals。在这里，作者就说了：
①如果做多次重复测量（纵向研究），那我们可
以认为两个变量有残差相关；
②如果我们存在抽样误差，那也可以搞出残差相
关；
③如果有什么遗漏的变量，也可以搞残差相关；
④如果有多维结构或者高阶结构，也是可以有残
差相关。
除了作者提到的，我们做调节效应时，也可以进
行残差相关。这个东西可以在AMOS里面用Ping（
1995,1996）的方法做潜调节时用到。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。