企业官网建设流程全解析

简介：LISREL软件验证性因素分析完整版PPT是一份面向社科、心理、管理领域研究者与学生的系统课件，主要演示如何运用LISREL开展验证性因素分析（CFA），并验证理论模型与实际观测数据是否吻合。内容围绕“准确Vs简洁”的建模矛盾展开，讲解了输入变量相关矩阵、提出简约模型、输出再生矩阵从而评估模型的思路；系统介绍拟合优度指数（GFI）、调整后拟合指数（AGFI）、标准化均方残差（SRMR）、非范拟合指数（NNFI）、比较拟合指数（CFI）等关键指标，并结合多模型比较案例，说明因子负荷、误差方差、因子相关结构的估计策略，以及自由度与参数个数对模型优劣的影响。同时，课件还嵌入了结构方程模型的基本框架，涵盖测量模型、外源与内生指标、潜在变量和测量误差等要点，帮助研究者理解SEM相对于传统回归的优势，如同时处理多因变量、允许自变量含测量误差等。资源包仅含1个PPT文件，大小1.22MB，结构紧凑，适合作为课堂教学或学术汇报的参考材料，也便于自学时系统梳理CFA与分析流程。目前已有59人学习，适合希望快速掌握LISREL建模与模型比较方法的初、中级研究人员。

1. LISREL 验证性因素分析完整版：从一份 PPT 到一条能落地的交付路径

如果只把验证性因素分析当“跑一个软件、看几个拟合指标”，那你拿到任何一份以 LISREL 为主题的教程都会觉得像天书。但说实话，学会 LISREL 的脚本命令，是理解结构方程模型内部机制最划算的一条路。标题里这份“完整版”的 PPT，本质上承诺的正是同一件事——把问卷设计、协方差矩阵、测量模型、参数设定、输出解读和修正策略串成一条能独立走完的流水线。适合谁来读？正在做量表验证的社科与经管研究者、要替别人跑模型的咨询从业者，以及刚接触结构方程、不想把调参当玄学的同学。读完你会拿到一套能直接改参数用的语法模板，也知道改每一个参数时 LISREL 在后台动了什么。

2. 验证性因素分析的模型结构：先想清楚你验证的是什么

2.1 探索与验证的分水岭：谁在决定因子与题项的从属关系

探索性因素分析（EFA）是让数据自己聚堆，研究者不管题目归属，靠特征值、碎石图和旋转方案命名因子；验证性因素分析（CFA）完全反过来，你先用理论或前人量表指定 Q1~Q4 归属第一个潜变量，Q5~Q8 归属第二个，Q9~Q12 归属第三个，然后检验这套指定结构能不能被数据拒绝。两者最大的差别在于自由度：EFA 是在“无序中找秩序”，CFA 是在“给定秩序下检验反证”。用 LISREL 跑 CFA 时，你写下的 PA 矩阵就是在完成这种“指定从属关系”的动作，每一个 1 都在向软件声明：这道题属于这个因子，请估计它的载荷。

很多人在这一步就栽了。最常见的心态是“我先把所有题都放进去，让软件告诉我哪些题不好”，这本质是拿 CFA 当 EFA 用。CFA 的题目归属必须来自理论或前人文献，而不是数据探索结果。你可以在报告里写明“依据某理论的三个维度，构建三因子测量模型”，这句话才是整个分析的合法前提。

2.2 测量方程简写：x = Λxξ + δ 在 LISREL 里怎么落

CFA 的测量模型用一句话说：观测变量 = 因子载荷 × 潜变量 + 测量残差。写成 LISREL 教材里的标准形式就是 x = Λxξ + δ。x 是 12 个题项的观测向量，ξ 是 3 个潜变量，Λx 是 12 行 3 列的因子载荷矩阵，δ 是测量残差向量。LISREL 所有脚本都在做同一件事：告诉软件 Λx 里面哪些位置载荷自由估计、哪些位置固定为 0、ξ 之间的相关是否允许存在、δ 的方差如何处理。

这四条信息，对应到语法上就是 MO 卡片里 LX、PH、TD 三个矩阵的设置。LX 管“题项和因子的关系”，PH 管“潜变量之间的关系”，TD 管“测量残差的方差”。点鼠标的工具把这层关系藏起来了，LISREL 把它摊开。所以用 LISREL 跑 CFA 的价值不在结果本身，而在它强迫你回答“你凭什么让 Q1 跟第一个潜变量有关”。

2.3 五个核心卡片：DA、LA、MO、PA、OU 各管什么

一套能跑的 LISREL 语法，基本绕不开这五类卡片：

• DA：数据卡片，声明指标数、样本量、输入矩阵类型。
• LA：标签卡片，逐行给出变量名，数量必须与 NI 一致。
• MO：模型卡片，定义 NX、NK，以及 LX、PH、TD 等矩阵的初始状态。
• PA：模式卡片，用 0/1 矩阵声明哪些位置是自由参数。
• OU：输出卡片，决定要不要标准化解、修正指数、残差分析。

执行顺序上，DA 和 LA 先告诉软件“你的数据长什么样”，MO 和 PA 告诉软件“你想估计什么模型”，OU 控制“你要看哪些结果”。如果哪一步报错，依次检查这几个环节，比一张张翻界面快得多。

2.4 为什么值得用 LISREL 而不是顺手拿 R 包：三点理由

R 语言里用现成结构方程包跑 CFA 也许只要十行代码，默认工作流非常顺，但初学者经常不知道模型是如何被识别的。LISREL 语法里，你必须亲手写 PA 矩阵、亲手决定 PH 是固定还是自由，这逼着你把识别逻辑过一遍。第二个理由是输出格式的规范性：LISREL 给出的 LAMBDA-X、THETA-DELTA 和 MI 矩阵，几乎就是教科书和论文里直接引用的命名方式，读起来零迁移成本。第三，很多期刊审稿人熟悉这套命名习惯，你在报告里写“LAMBDA-X 标准化载荷范围 0.68~0.92”，对方一眼就知道你说的是什么。

这不是说 R 不好，而是说 LISREL 更适合作为理解 CFA 的第一站。等你把 LISREL 的矩阵逻辑理顺了，再回去用 R，会发现所有参数名都能对上，排错也快得多。

3. 数据准备与 LISREL 语法编排：一份能跑通的 CFA 命令模板

3.1 数据准备：为什么我建议直接用协方差矩阵，而不是相关系数矩阵

你的源数据可能是问卷原始回答，也可能是已经算好的矩阵。LISREL 做极大似然估计时，真正吃进去的是样本协方差矩阵。最稳妥的办法是预处理阶段直接输出协方差矩阵，而不是用相关系数矩阵。原因很实在：因子载荷的标准误和卡方值都依赖变量的方差尺度，相关矩阵把每个变量的尺度信息都归一化掉了，等于提前丢了一部分信息。

如果你手里只有相关系数矩阵，也不是不能跑，但必须在 DA 卡片里同时给出每个变量的标准差，让 LISREL 把相关矩阵换算回协方差矩阵。实际操作中，很多人没给标准差就直接拿相关矩阵跑，出来的卡方和 RMSEA 往往偏紧，模型看起来比实际更差。这个坑在第五章还会再提一次。

3.2 一份最小可运行模板：12 题 3 因子，固定方差策略

下面是一份最常见的 CFA 模板，12 个观测变量对应 3 个潜变量，每个因子 4 题。协方差文件放在当前工作目录下，文件名用英文。

DA NI=12 NO=300 MA=CM LA Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Q12 CM FI=CFA_data.COV MO NX=12 NK=3 LX=FU,FI PH=FI TD=DI,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 1 0 0 0 1 0 0 1 0 0 1 0 0 1 OU MI SS ND=3

这段语法里每一行都有明确分工。DA 行声明了 12 个指标、300 个样本、输入矩阵类型为协方差矩阵；LA 下面 12 行变量标签，顺序必须和协方差矩阵的行列顺序完全一致；CM FI 表示从外部文件读取协方差矩阵，替换成你自己的路径即可。

MO 行是核心。NX=12 和 NK=3 分别表示观测变量数和潜变量数；LX=FU,FI 表示载荷矩阵是满矩阵且所有位置先固定为 0；PH=FI 表示潜变量相关矩阵先固定成一个单位矩阵，也就是潜变量方差固定为 1；TD=DI,FR 表示测量残差矩阵是对角阵，并且对角线上的残差方差自由估计。

PA 行下面那张 12 行 3 列的 0/1 矩阵是关键所在。每行对应一个观测变量，每列对应一个潜变量，1 的位置表示“这道题在这个因子上有载荷，需要估计”。前 4 行第一列为 1，代表 Q1~Q4 归属第一个潜变量；中间 4 行第二列为 1，代表 Q5~Q8 归属第二个潜变量；最后 4 行第三列为 1，Q9~Q12 归属第三个潜变量。

最后的 OU 行里，MI 表示输出修正指数，SS 表示输出标准化解，ND=3 表示结果保留三位小数。这套模板跑通之后，你得到的是一份完整的 CFA 结果文件，包含载荷、潜变量相关、误差方差和全部拟合指标。

3.3 参数设定策略：固定方差、固定载荷，到底选哪个

上一节模板用的是“固定潜变量方差为 1”的策略，这是 CFA 单独使用时最常见的做法，好处是潜变量的尺度被锁死，载荷直接反映指标与因子的关系强度。另一种常见策略是“固定每个因子第一个载荷为 1”，让潜变量方差自由估计。做法如下。

DA NI=12 NO=300 MA=CM LA Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Q12 CM FI=CFA_data.COV MO NX=12 NK=3 LX=FU,FI PH=SY,FR TD=DI,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 1 0 0 0 1 0 0 1 0 0 1 0 0 1 VA 1 LX 1 1 LX 5 2 LX 9 3 OU MI SS ND=3

区别只在两处。MO 行里 PH 从 FI 变成了 SY,FR，表示潜变量相关矩阵为对称矩阵且所有元素自由估计；语法最后多了一行 VA 1，把第一个因子第 1 个载荷、第二个因子第 5 个载荷、第三个因子第 9 个载荷固定为 1，作为潜变量的尺度基准。

两种策略在模型拟合上通常是等价的，区别在于参数解释。固定方差时，潜变量方差是标准化的，适合直接看因子相关；固定载荷时，潜变量方差是实际尺度，后面如果要把 CFA 接成完整结构方程模型，路径系数解释更自然。我的习惯是：只做测量模型验证用固定方差，计划继续跑结构模型就用 VA 1 固定载荷，省的后面重跑一遍。

3.4 跑之前先算识别条件：t 规则与自由度检查

模型能不能识别，决定你跑出来的是有效结果还是一堆乱码。识别条件有一个最粗糙但最好用的“t 规则”：模型中需要估计的自由参数个数，不能超过协方差矩阵提供的非冗余元素个数。12 个变量的协方差矩阵，非冗余元素数是 12×13/2=78 个。

上面模板里，需要估计的载荷是 12 个，潜变量方差 3 个，残差方差 12 个，一共 27 个自由参数，远小于 78，识别空间很充裕。自由度就是 78 减 27，等于 51。跑完之后，LISREL 输出的自由度如果正好是 51，说明你的参数设定和预期一致；如果自由度数不对，多半是 PA 矩阵里多写了 1 或者漏写了 0。

识别不足的高发场景有两个。一是某个因子只用了 2 个指标，并且这两个载荷都没做限制，等于用 2 个观测变量反推 1 个潜变量方差、2 个载荷、2 个残差方差，经常出现局部不可识别。二是 PA 矩阵里把某个因子的全部载荷都固定为 0，相当于这个因子没有测量指标，模型必然出问题。前者可以增加指标或者释放跨因子载荷，后者就是纯粹的语法错误。

3.5 数据文件常踩的编码边界：变量名、路径和末行换行符

LISREL 对纯文本输入的挑剔程度远超现代软件，很多“玄学报错”其实都出在文件本身。变量名不要带中文、不要带空格，Q1、Q2、item1、item2 这种最稳；协方差或原始数据文件的完整路径用英文，不要出现中文目录，LISREL 老版本对非英文字符的处理经常翻车。

还有一个很容易忽略的细节：数据文本文件最后一行要有换行符，否则 LISREL 可能不读最后一行的内容，直接导致变量数和协方差维度对不上。每次跑之前，我习惯先数一遍空格数和行数，确保变量标签数量等于 NI 声明值，再去打开 LISREL 主程序。这部分花两分钟，能省掉后面半小时排查。

4. LISREL 输出解读：四张表管住拟合指标与效度判断

4.1 LAMBDA-X 与标准化解：先看符号、再看大小

跑完后打开输出文件，找到 “LISREL Estimates (Maximum Likelihood)” 这一段，最先看的就是 LAMBDA-X 矩阵。这个矩阵的每个元素就是题项在因子上的载荷。非标准化载荷看相对大小，标准化载荷看绝对合理性，后者依赖 OU 行里的 SS 参数，所以输出时必须加上。

判断顺序有三步。第一步看符号，载荷应该是正的，如果出现显著负值，先怀疑反向计分的题项没做反转处理；第二步看大小，标准化载荷在 0.50~0.95 之间是比较健康的状态，低于 0.50 说明这个题项和因子的共同方差太少；第三步看 t 值，输出里每个载荷下面会附 t 值，绝对值超过 1.96 才算显著。三步都过了，再谈拟合指标。

4.2 Goodness of Fit Statistics：RMSEA、CFI、SRMR、卡方怎么取舍

LISREL 输出里会有一整块拟合统计量，新手经常不知道以谁为准。我给一个自己惯用的取舍顺序：RMSEA、CFI、SRMR 三者为主，卡方只做参考。

很多人只盯卡方 p 值，样本量上了 300，p 值很难大于 0.05，然后就开始疯狂修模型，这是最常见的误用。我一般会先看 RMSEA 和 CFI，这两个指标对样本量不那么敏感；SRMR 如果超过 0.08，则说明残差里还有明显的结构信息没被模型解释，这时候才需要认真考虑修正方向。

4.3 PHI 矩阵与区分效度：潜变量相关不能盲目大

PHI 矩阵是潜变量之间的相关系数。它有两个作用：一是告诉你三个因子到底是不是三个不同的东西；二是用来辅助判断区分效度。如果某两个潜变量相关超过 0.85，基本可以认为它们测的是同一个构念，题目归属会遭到严重质疑。

更严格的区分效度检验需要算平均方差提取量 AVE 和组合信度 CR。LISREL 不直接给这两个数，要在输出里手动计算。公式如下：

AVE = Σ(标准载荷²) / [Σ(标准载荷²) + Σ(残差方差)]

CR = (Σ标准载荷)² / [(Σ标准载荷)² + Σ残差方差]

举个例子，某因子 4 个题项的标准载荷分别是 0.72、0.74、0.69、0.70，对应的残差方差约是 1 减载荷平方，即 0.48、0.45、0.52、0.51。四个载荷平方和是 2.05，残差方差和是 1.96，AVE 就是 2.05 除以 4.01，约 0.51，刚过 0.5 的门槛。CR 用四个载荷的和 2.85 平方，除以同样分母，算出来约 0.81。AVE 大于 0.5、CR 大于 0.7，收敛效度才算站得住。

4.4 MI 修正指数：能用，但它不替你做理论决定

输出文件后半段有一大块 “Modification Indices and Expected Change”，显示的是每个被固定参数的修正指数。MI 数值可以粗略理解为“如果释放这个参数，卡方会下降多少”。MI 大于 10 确实值得看一眼，但看的方向比数值更重要。

我见过最典型的错误：Q3 和 Q8 的残差之间 MI 有 40，就直接加一条残差相关路径，拟合瞬间好看，但这两个题一个属于因子一、一个属于因子二，语义上八竿子打不着。这种修正你用一次，审稿人就能用十次质疑你的模型是数据驱动。MI 的正确用法是：先看期望改变量 Expected Change 的方向和大小，再看这两个指标在理论或题面语义上是否有共同方法因素，如果都没有，宁可保持原模型。

5. LISREL 验证性因素分析高频坑：五个翻车现场与排查清单

5.1 现象：迭代中断，提示协方差矩阵非正定

跑着跑着 LISREL 直接报错，提示矩阵不是正定矩阵，进程退出。这种报错在 CFA 里非常高频，尤其是样本量不大、指标又多的时候。先说明现象：不是你的模型设定错了，而是参加分析的协方差矩阵里存在线性相关或估计不稳定。

原因通常是三类。一是样本量相对于变量数太少，比如 100 个样本偏要放进 20 个变量，协方差矩阵本身就不可靠；二是某两个题项几乎完全线性相关，常见的来源是同一道题被录入两次、或者正反计分后的两个题本质是同一道题；三是缺失值处理不当，软件用 pairwise 方式补全导致矩阵内部矛盾。

解决步骤依次是：先把完全相关的重复题删掉；再看样本量，经验上每个指标至少对应 10 个样本，12 个指标建议不低于 200；最后检查缺失值，尽量用原始数据让 LISREL 或前端工具做完整估算，而不是手动填均值。

5.2 现象：模型能跑，但自由度对不上

脚本能跑完，说明语法没有致命错误，但输出里自由度和自己预期差很多。你预期 51，它给你 45，或者干脆给个负数。这往往不是 LISREL 算错，而是你实际估计的参数个数和以为的不一样。

最常见的原因在 PA 矩阵和 MO 行不一致。比如 MO 里写的是 LX=FU,FR，这个设置本身已经把载荷矩阵所有位置都设成自由参数了，后面再用 PA 去限制就会产生混乱；或者 PA 矩阵里多写了 1，导致自由参数增加，自由度缩小。解决方法是把 LX=FU,FR 改为 LX=FU,FI，让所有载荷先固定，只用 PA 矩阵来控制哪些位置被释放，这样自由度完全透明。跑完对照 3.4 节算出来的预期自由度，对不上就回头数 PA 里面的 1。

5.3 现象：标准化载荷超过 1 或残差方差为负

这个现象在结构方程里有个专门的名字叫 Heywood case。表现是标准化解里某个载荷大于 1，或者某个残差方差是负数，输出结果在数学上不合法。它的出现几乎总是由估计问题引发的。

常见诱因有三个：样本量太小，或某个指标与因子的关系过于强；某个因子只有两个指标，局部识别太弱；数据本身有极端异常值导致协方差被单点拉动。解决时不要试图用语法硬约束，真正的做法是回到数据侧。先删掉极端离群值，再看该因子的指标数量，如果只有两个指标，考虑增加指标或合并因子；如果样本量低于 150，这个结果本身就不值得解释。那些把负残差强行固定为 0 的办法只是掩盖症状，不解决估计不稳的根子。

5.4 现象：用相关系数矩阵跑模型，拟合指标全部偏紧

这是把相关矩阵直接喂给 LISREL 后的典型症状：模型看起来能跑完，但 RMSEA 比预期高一大截，CFI 也偏低，你开始怀疑是不是模型结构错了。先别急着删题，问题很可能出在数据尺度上。

前文提过，相关矩阵已经把所有变量方差归一化，LISREL 做极大似然估计时少了尺度信息，卡方和拟合指标都会受影响，而且影响方向并不总是温和的。解决方法是改用协方差矩阵；如果你只有相关矩阵，必须在 DA 行里同时声明 MA=KM，并额外用 SD 指令把每个变量的标准差喂给软件，让 LISREL 先把相关矩阵还原成协方差矩阵，再进入拟合阶段。检查点：输入文件里是否真的出现了每个变量的标准差，缺一行都会导致结果不可信。

5.5 现象：加了几条 MI 之后拟合上去了，因子结构却解释不了

这是最常见的“数据驱动翻车”。初始模型 CFI 只有 0.86，按 MI 提示连续加了三条残差相关，CFI 冲到 0.95，你以为模型修好了，然后发现 Q3 和 Q9 的残差被相关在一起，而这两个题分属完全不同的维度，你根本没法向读者解释这条残差相关是什么。

原因很简单：MI 只告诉你统计上释放哪个参数能降卡方，它不告诉你这两个测量误差为什么相关。更好的做法是，先把那些 MI 特别大的题项从语义上重新读一遍，看它们是否存在相近的表述、同一种反向计分方式、或者共同的方法效应。如果找不到理论依据，最优解是直接删除某个问题题项，而不是保留题项并不断加残差相关。删题之后重新拟合，模型自由度和解释力都会更干净。

6. 从 CFA 往前一步：把测量模型接成结构模型

6.1 从测量模型到结构模型：只动两个矩阵

CFA 跑通并做好效度报告之后，下一步通常是把潜变量之间加上路径关系，形成完整结构方程模型。在 LISREL 里，这一步不是推翻重写，而是在原有基础上增加 BE 和 GA 两个矩阵。BE 表示潜变量之间的回归路径，GA 表示外源潜变量对内源潜变量的直接影响。MO 行大致变成这样：

MO NX=12 NK=3 LX=FU,FI PH=SY,FR TD=DI,FR BE=FU,FI GA=FU,FI

PA 阶段再分别为 BE 和 GA 各写一张 0/1 模式矩阵，声明哪条路径有理论依据、哪条路径固定为 0。这里最容易犯的错是把所有路径都设为自由，等于让数据自己挑路径，语义上和探索性分析没有区别。我自己的习惯是每次只释放一条路径，比较前后模型的卡方差异，而不是一次性把所有路径全打开。

6.2 两步法习惯：先把测量模型跑干净，再谈结构路径

从交付角度，我非常推荐两步法：先单独跑 CFA，确认载荷、拟合指标、效度都达标，再做完整结构模型。这个顺序的好处是，如果最终模型翻车，你能立刻判断问题出在测量层还是路径层。我曾经在一个问卷项目里图省事，跳过单独的 CFA 直接跑总模型，结果某条路径系数荒谬到没法解释，排查了很久才发现是最初的测量模型就没收敛，因子都站不住，路径怎么可能站得住。从那以后，我把 CFA 当作必经检查点，哪怕最终报告里只给总模型，心里也先有测量模型的底。完整版方案的价值就是让你每一步都有据可查，不靠瞎猜，希望帮到你。

本文还有配套的精品资源，点击获取