统计百科 · 2026-06-24

SEM 模型拟合指标临界值一览 — CFI/RMSEA/SRMR 合格线、争议与小样本注意事项

统计百科：系统梳理结构方程模型六大拟合指标的临界值来源与争议——CFI/TLI>.95 vs .90、RMSEA<.06 vs .08、SRMR<.08、chi-square/df<3，解析小样本与复杂模型下的特殊注意事项，附可直接抄进论文的 APA 7th 报告句式。

结构方程模型（SEM）跑完之后，最让人纠结的一步往往不是建模，而是"拟合到底够不够好"。CFI = .93 算过吗？RMSEA = .07 审稿人会挑吗？小样本 chi-square 显著怎么办？这篇文章把六大拟合指标的临界值来源、争议和实际判断逻辑全部摆出来，并给出可直接抄进论文的 APA 7th 报告句式。

你的 SEM 拟合报告有这些困惑吗？

做 SEM 的研究者，十有八九遇到过这些问题：

"CFI = .93，是凑合能用，还是必须修正？"
"RMSEA < .06 还是 < .08，这两条线哪个算对？"
"chi-square 显著了，模型一定要推翻重来吗？"
"样本量才 150，拟合指标要用不一样的标准吗？"
"方法章节怎么写才能让审稿人不挑剔？"

这些问题没有一个绝对正确的答案，因为 SEM 拟合临界值的争议在计量心理学界延续了三十年。但争议不等于无章可循——下面把每个指标的来龙去脉、推荐阈值和常见场景的处理逻辑逐一梳理清楚。

一、为什么 SEM 需要多个拟合指标？

SEM 没有一个万能的"p 值通过/不通过"。原因在于：

chi-square 检验理论上是最直接的拟合检验，但它对样本量极度敏感——样本量越大，几乎所有模型都会被拒绝
增量拟合指数（CFI/TLI）衡量模型相对于"完全无关模型"的改进程度，与样本量相关性较小
绝对拟合指数（RMSEA/SRMR）衡量模型预测的协方差矩阵与观测矩阵之间的绝对偏差，更直观反映拟合误差大小

APA 7th Publication Manual 和多数顶刊要求同时报告多个拟合指标，通常不少于三类（chi-square + 增量拟合 + 绝对拟合），以便读者从不同维度评估模型。

二、六大拟合指标临界值完整一览

chi-square 检验（chi^2）

来源逻辑：若模型完美拟合总体，观测样本的 chi-square 在零假设下服从自由度为 df 的卡方分布。p > .05 表示无法拒绝"模型拟合完美"的零假设。

判断标准	含义
p > .05	理论上模型拟合良好（但大样本几乎不可能达到）
p < .05	模型与数据存在显著偏差

核心问题：chi-square 与样本量线性相关。N = 500 时，chi-square = 2 × df 的模型就会显著；N = 100 时，同样的模型可能 p > .05。因此，单独依赖 chi-square 已被主流方法论者普遍反对（Kline，2023）。

实践处理：大样本（N > 300）中 chi-square 显著时，不必推翻模型，需配合 chi^2/df 比值和其他指标综合判断，并在论文中说明原因。

chi^2/df 比值（Normed Chi-Square, NC）

Wheaton 等（1977）提出用 chi^2 除以自由度来"中和"样本量影响。

临界值	推荐出处
< 5	Wheaton et al.（1977）宽松标准
< 3	Kline（2023）常用推荐，多数期刊接受
< 2	严格标准，通常见于小型精炼模型

争议：这一指标缺乏统一理论基础，临界值是约定俗成而非推导所得。chi^2/df = 2.8 并不比 3.1 有本质区别。现代方法论教材（Kline，2023；Hu & Bentler，1999）倾向于将其作为辅助参考，而非主要判断依据。

CFI — 比较拟合指数（Comparative Fit Index）

Bentler（1990）提出，比较目标模型与"独立模型"（所有变量无关）的拟合改善程度。

$CFI = 1 - \frac{\max(\chi^2_{model} - df_{model},\ 0)}{\max(\chi^2_{null} - df_{null},\ 0)}$

临界值	评价	推荐出处
>= .95	良好拟合（Good fit）	Hu & Bentler（1999）——当前最广引用标准
>= .90	可接受（Acceptable）	Bentler & Bonett（1980）——早期宽松标准
>= .95 + SRMR <= .08	双重标准组合	Hu & Bentler（1999）联合判断

争议：Hu & Bentler（1999）的 .95 临界值基于特定模型条件（样本量约 250，正态分布，无缺失）的模拟研究。McNeish 等（2018）指出，当模型复杂（测量指标多、因子多）时，CFI 往往偏低，.95 标准可能过于严苛。相反，在简单模型中 CFI 很容易超过 .95，并不说明模型理论上更优。

小样本注意：N < 200 时，CFI 估计不稳定，变异较大。此时建议同时报告 TLI，后者对样本量的敏感性略低于 CFI。

TLI — Tucker-Lewis 指数（Tucker-Lewis Index）

Tucker & Lewis（1973）提出，又称 NNFI（Non-Normed Fit Index）。

临界值	评价
>= .95	良好拟合
>= .90	可接受

与 CFI 的区别：TLI 对模型复杂度有"惩罚"（分子分母均除以各自 df），理论上更倾向于简洁模型。当 CFI 和 TLI 的差异较大时（> .05），可能提示模型参数化过度（过多自由参数）或模型规格问题。

特殊性质：TLI 的值域不严格限于 [0, 1]，极差拟合时可能出现负值，极好拟合时可能超过 1。报告时如实呈现，无需"修正"。

RMSEA — 近似误差均方根（Root Mean Square Error of Approximation）

Steiger & Lind（1980）提出，Browne & Cudeck（1992）系统推广。RMSEA 衡量每个自由度上的平均拟合偏差，并对模型复杂度有隐含惩罚。

$RMSEA = \sqrt{\frac{\max(\chi^2 - df,\ 0)}{df(N-1)}}$

临界值	评价	推荐出处
<= .05	良好拟合（Close fit）	Browne & Cudeck（1992）
<= .06	良好（严格标准下限）	Hu & Bentler（1999）
<= .08	可接受（Reasonable fit）	Browne & Cudeck（1992）
<= .10	勉强可接受（Mediocre fit）	MacCallum et al.（1996）
> .10	不可接受	—

置信区间：报告 RMSEA 时必须同时报告 90% 置信区间（90% CI）。若 90% CI 上限超过 .08，则即使点估计 < .06，也说明拟合不确定性较高。格式：RMSEA = .054，90% CI [.038, .071]。

争议：RMSEA 随模型自由度增大而系统性降低——指标数量越多（观测变量 p 增大），df 随之增大，RMSEA 越容易达标。这导致一个悖论：指标更多的"大模型"反而比指标少的简洁模型 RMSEA 更小（注意：增加自由参数会减小 df，效果相反）。Marsh 等（2004）建议将 RMSEA 与 CFI 联合判断，不单独用 RMSEA 评价模型。

小样本注意：N < 200 时，RMSEA 的点估计偏高（容易"虚报"拟合差），90% CI 极宽，统计功效不足。此时应补充报告 p_close（p_close > .05 表示无法拒绝 close fit 假设，为好），同时关注 90% CI 上限是否超过 .08。

SRMR — 标准化残差均方根（Standardized Root Mean Square Residual）

临界值	评价
<= .05	良好拟合
<= .08	可接受
> .10	通常不可接受

计算原理：SRMR 是观测相关矩阵与模型隐含相关矩阵之间的平均绝对残差，直观反映"模型预测的协方差离数据有多远"。值为 0 表示完美拟合；每个残差相关平均偏差 .08 对应 SRMR = .08。

优点：SRMR 不受 chi-square 对样本量敏感性的影响，对局部规格错误（如遗漏某个路径）较敏感，是检测测量模型遗漏的有效辅助指标。

Hu & Bentler（1999）联合标准：CFI >= .95 + SRMR <= .08 的"双重标准"（Two-index strategy）是目前引用最广的组合判断准则，假阳性率和假阴性率均优于单一指标。

三、临界值争议的根源：Hu & Bentler（1999）的局限

当前几乎所有 SEM 临界值都源于 Hu & Bentler（1999）的蒙特卡洛模拟。但该研究的设计条件包括：

样本量 N = 150 ~ 5,000（偏重大样本）
模型为简单三因子结构（每因子 3-4 个指标）
数据符合多元正态分布
无缺失值

现实研究条件往往偏离上述假设，导致临界值的适用性存在争议：

模型复杂度：因子数量 > 5、指标数 > 20 时，CFI 系统性偏低，.95 标准过严（McNeish et al.，2018）
非正态数据：使用 MLM（Robust ML）或 WLSMV 估计时，拟合指标计算方式不同，标准不应直接套用
小样本：N < 200 时，所有拟合指标估计均不稳定，任何固定临界值都可靠性有限
跨文化/测量不变性研究：多组 SEM 中，各组分别报告拟合指标，全局指标意义有限

方法论建议（Kline，2023）：将临界值视为"经验性参考范围"而非"通过/不通过"分界线。报告时如实呈现所有指标值，并在讨论中解释模型拟合的局限。

四、小样本（N < 200）的特殊注意事项

小样本 SEM 是最容易踩坑的场景，以下是逐指标的注意要点：

指标	小样本表现	应对建议
chi-square	统计功效不足，容易 p > .05（虚假"拟合好"）	配合其他指标；报告功效分析
CFI/TLI	估计不稳定，置信区间宽	同时报告两者，差异 > .05 时需解释
RMSEA	系统性偏高，90% CI 极宽	重点报告 90% CI；关注 p_close
SRMR	相对稳定，仍是小样本可信指标之一	优先关注 SRMR
参数估计	标准误偏大，路径系数不稳定	考虑 Bootstrap（重抽样 5,000 次）

额外建议：

N < 200 时，避免过复杂的模型（因子数 <= 3，每因子指标 4-6 个为宜）
报告各因子的平均方差提取量（AVE >= .50）和组合信度（CR >= .70）作为测量质量的替代指标
使用 Bootstrap 置信区间替代标准正态置信区间，对小样本更稳健
在方法章节说明小样本对拟合指标解释的影响，避免审稿人误解

五、各指标组合判断逻辑

拟合评估不应孤立看单个指标。以下是实践中的组合判断框架：

理想情形（所有指标达标）

chi^2/df < 3，p 可能显著（大样本正常）
CFI >= .95，TLI >= .95
RMSEA <= .06，90% CI 上限 <= .08
SRMR <= .08

此时报告"模型拟合良好"无争议。

临界情形（部分指标边缘）

CFI = .92 ~ .94：报告"可接受拟合"，解释为何不进一步修正（理论驱动或修正指数不支持）
RMSEA = .07 ~ .08，90% CI 上限 < .10：报告"合理拟合"，同时列出 SRMR <= .08 作为支撑
CFI >= .95 但 SRMR > .10：提示局部规格问题，检查残差矩阵，考虑添加误差协方差

明显不佳（需要修正或解释）

CFI < .90 或 RMSEA > .10：模型拟合较差，建议在报告中明确承认，并讨论可能的理论或测量原因

修正时的注意事项：基于修正指数（Modification Indices, MI）进行后验修正时，每次只添加一个修正，且修正必须有实质理论依据，否则属于数据挖掘。修正过程需在论文中透明报告，避免审稿人质疑。

六、在 ChatSRS 一句话获得完整拟合指标报告

打开 chatsrs.com，上传数据后输入：

"对以下变量做验证性因子分析（CFA），输出 chi-square（含 df 和 p 值）、chi^2/df、CFI、TLI、RMSEA（含 90% CI 和 p_close）、SRMR，并给出符合 APA 7th 格式的模型拟合报告段落，说明各指标是否达到 Hu & Bentler（1999）标准；如有指标边缘，给出可能的修正建议。"

ChatSRS 使用 R lavaan 引擎（sem_path 指令，68 字内可触发），自动输出所有主流拟合指标，生成可直接复制进论文的报告段落，并标注每个指标的临界值判断结论。

无需手动查临界值表，无需逐个检查格式。

七、可直接抄进论文的 APA 7th 报告句式

测量模型（CFA）拟合报告——拟合良好版

验证性因子分析（CFA）结果显示，测量模型拟合指标均达到可接受标准：
chi-square(df) = XX.XX, p = .XXX; chi^2/df = X.XX; CFI = .XXX; TLI = .XXX;
RMSEA = .XXX（90% CI [.XXX, .XXX]，p_close = .XXX）; SRMR = .XXX。
各指标均满足 Hu 与 Bentler（1999）提出的良好拟合标准
（CFI >= .95，RMSEA <= .06，SRMR <= .08），表明测量模型对数据拟合良好。

填入数值的示例：

验证性因子分析（CFA）结果显示，测量模型拟合指标均达到可接受标准：chi-square(48) = 87.34，p < .001；chi^2/df = 1.82；CFI = .962；TLI = .951；RMSEA = .047（90% CI [.029, .063]，p_close = .712）；SRMR = .058。各指标均满足 Hu 与 Bentler（1999）提出的良好拟合标准（CFI >= .95，RMSEA <= .06，SRMR <= .08），表明测量模型对数据拟合良好。

结构模型（SEM）拟合报告——拟合可接受版

结构方程模型整体拟合结果如下：chi-square(df) = XX.XX, p = .XXX;
chi^2/df = X.XX; CFI = .XXX; TLI = .XXX;
RMSEA = .XXX（90% CI [.XXX, .XXX]）; SRMR = .XXX。
CFI 与 TLI 高于 .90 的可接受临界值（Bentler & Bonett，1980），
RMSEA 与 SRMR 均低于 .08（Browne & Cudeck，1992），
整体拟合达到可接受水平。

填入数值的示例：

结构方程模型整体拟合结果如下：chi-square(124) = 378.56，p < .001；chi^2/df = 3.05；CFI = .921；TLI = .908；RMSEA = .074（90% CI [.063, .085]）；SRMR = .076。CFI 与 TLI 高于 .90 的可接受临界值（Bentler & Bonett，1980），RMSEA 与 SRMR 均低于 .08（Browne & Cudeck，1992），整体拟合达到可接受水平。

小样本拟合说明段落（方法章节补充）

由于样本量（N = XXX）相对有限，本研究在解读拟合指标时参照
Kline（2023）建议，将各临界值作为经验性参考范围而非绝对分界。
RMSEA 在小样本条件下存在正向偏估，本研究同时报告 90% 置信区间
以反映估计不确定性；CFI 估计值在 N < 200 时变异较大，
结合 SRMR 共同评估拟合质量。

方法章节 SEM 分析说明（标准版）

本研究采用结构方程模型（SEM）检验假设路径，使用 R 软件 lavaan 包
（Rosseel，2012）进行参数估计，采用最大似然法（ML）。
模型拟合评估参照 Hu 与 Bentler（1999）的双重标准策略，
同时报告 chi-square 检验（含 p 值）、chi^2/df 比值、CFI、TLI、
RMSEA（含 90% 置信区间）及 SRMR。
以 CFI >= .95、RMSEA <= .06、SRMR <= .08 为良好拟合标准，
以 CFI >= .90、RMSEA <= .08 为可接受拟合标准。
统计分析使用 ChatSRS（R lavaan 引擎），显著性水平设为 alpha = .05。

八、常见拟合指标问题对照表

常见错误	正确处理	说明
只报告 chi-square p 值	同时报告 CFI / RMSEA / SRMR	单一指标不足以评估 SEM 拟合
RMSEA 无 90% CI	RMSEA = .054（90% CI [.038, .071]）	APA 和主流期刊要求报告区间
大样本 chi^2 显著就说"拟合差"	解释样本量影响，配合其他指标	chi-square 对大样本过度敏感
用 .90 标准但说"良好"	.90 对应"可接受"，.95 对应"良好"	用词须与引用的临界值标准一致
CFI = 1.00 直接报告	检查是否过度识别或数据问题	CFI 超过 1 通常提示规格问题
修正后不说明修正过程	报告 MI 值、理论依据和修正步骤	后验修正须透明，否则被质疑
小样本套用大样本临界值	报告 CI，说明小样本限制	临界值模拟条件不适用小样本

常见 FAQ

Q：CFI = .94 到底算过还是没过？

A：取决于期刊和研究领域。Hu & Bentler（1999）的严格标准是 .95，但该标准基于简单三因子模型的模拟，在复杂模型或小样本中可能过于苛刻。社会科学主流期刊中，CFI = .93 ~ .94 配合 RMSEA <= .06 和 SRMR <= .08 通常被接受，但需在论文中主动说明"达到可接受拟合水平"而非"拟合良好"，并引用 Bentler & Bonett（1980）的 .90 标准作为依据。如果审稿人特别追问，可以补充报告 chi^2/df < 3 和 SRMR <= .08 来强化论证。

Q：RMSEA 显著性检验（p_close）是什么，要报告吗？

A：p_close 检验的零假设是"总体 RMSEA <= .05"（即"模型紧密拟合"）。p_close > .05 表示无法拒绝"模型与总体紧密拟合"的假设，是好事；p_close < .05 表示拒绝紧密拟合假设，但不等于模型无法接受（Browne & Cudeck，1992 的"合理拟合"标准 RMSEA <= .08 仍适用）。建议报告：在点估计 RMSEA 接近 .05 临界值时（如 .04 ~ .07），报告 p_close 有助于澄清拟合状态；其他情况下报告是加分项但非必须。

Q：修正指数（MI）达到多少才应该修正？

A：通常 MI > 10 视为值得关注（对应 chi-square 减少量约 10 点）。但 MI 是统计建议，不是理论依据。每次修正前必须确认两点：(1) 修正的参数在理论上有意义（如两个测量指标确实可能共享误差来源）；(2) 每次只修正一个参数，重新估计后再评估。纯粹为了让 CFI 超过 .95 而不加选择地添加误差协方差，属于数据拟合而非理论驱动的 SEM，会被审稿人质疑。Kline（2023）明确指出，修正指数不应自动触发修正，必须有理论解释。

Q：多组 SEM（测量不变性检验）中，拟合指标怎么报告？

A：测量不变性检验通过比较嵌套模型的拟合差异来判断，主要看：(1) delta CFI < .01（Cheung & Rensvold，2002 提出的差异量标准，比 chi-square 差异检验对样本量更稳健）；(2) delta RMSEA < .015（Chen，2007）。报告格式为：先报告配置模型（Configural）的基础拟合，再逐步报告因子载荷约束（Metric）、截距约束（Scalar）模型，列出每步的 delta CFI 和 delta chi-square。ChatSRS 的多组 SEM 输出（sem_path 指令）默认包含不变性检验的逐步拟合比较表。