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。

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P3），SIMPLIS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 Problem

Observed 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 NI=10 NO=200 MA=CM 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 NX=10 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 0 1 0 0 1 0 0 1 OU MI RS SS SC TV

DA声明数据规模，NI=10表示10个观测变量，NO=200表示200个样本；MA=CM告诉LISREL输入的是协方差矩阵。MO定义模型结构，NX=10对应观测变量数，NK=3对应潜变量数，LX=FU,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。

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。

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(p+1)/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(p+1)/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 NG=2 NI=10 NO=180 MA=CM LA W1 W2 W3 W4 S1 S2 S3 P1 P2 P3 CM （第一组协方差矩阵） DA NO=220 MA=CM CM （第二组协方差矩阵） MO NX=10 NK=3 LX=FU,FR PH=SY,FR TD=DI,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 NX=10 NK=3 LX=IN PH=PS TD=DI

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