非正态有序数据CFA分析问题咨询（Lavaan/R环境）

我刚接触R与Lavaan包，针对957名无缺失值的5点Likert式约会受害量表数据（单变量与多变量正态性均不满足），构建了一阶四因子CFA模型，代码如下：

model <- '
f1 =~ TV1 + TV2 + TV3 + TV4 + TV5 + TV6 + TV7 + TV8 + TV9 + TV10
f2 =~ TV11 + TV12 + TV13 + TV14 + TV15 + TV16 + TV17
f3 =~ TV18 + TV19 + TV20 + TV21 + TV22+ TV23 + TV24 + TV25
f4 =~ TV26 + TV27 + TV28 + TV29+ TV30'
fit.model <- cfa(model, data = TARV, ordered = TRUE, estimator = "DWLS", se = "robust", test = "scaled.shifted", std.lv = TRUE)
summary(fit.model, std = TRUE, fit.measures = TRUE)

运行后得到模型输出，但出现参数协方差矩阵非正定的警告，后续执行lavInspect(fit.model, "cov.lv")等函数获得相关结果。现咨询：

1. 如何定位并解决该警告问题？
2. 当前采用的DWLS+robust+scaled.shifted是否适配数据类型与样本量，是否需更换为MLM+robust+satorra.bentler？
3. 卡方统计量及对应p值是否会影响模型有效性？

1. 定位与解决参数协方差矩阵非正定问题 #

• 定位步骤：
  • 用lavInspect(fit.model, "cov.lv")查看潜变量协方差矩阵，重点检查对角线是否有负方差值，或者潜变量间相关系数绝对值是否大于1（正定矩阵要求相关系数绝对值≤1）。
  • 用lavInspect(fit.model, "loadings")查看标准化因子载荷，排查是否存在载荷接近0、负向载荷，或者载荷普遍过低的条目。
  • 逐个检查量表条目分布：用table(TARV$TVxx)查看每个条目标答是否极端集中（比如全部选1或5），这类分布会导致协方差计算异常。
• 解决方法：
  • 若潜变量相关系数绝对值>1：先检查因子划分是否合理（比如是否有条目错归因子），若结构没问题，可在模型中添加约束（如f1 ~~ 0.9*f2）限制相关系数范围；也可以尝试合并高度相关的潜变量。
  • 若出现负方差：优先删除载荷极低的条目，或合并高度相关的条目；也可以换用Lavaan推荐的WLSMV估计器重新拟合，该估计器对有序数据的稳定性优于DWLS。
  • 若条目分布极端：直接删除极端分布的条目，或把2-3个高度相关的条目取均值作为新的合成指标。

2. 估计器适配性判断 #

• DWLS组合的适配性：DWLS本身适配有序分类数据，你的样本量957足够大，理论上符合要求，但DWLS对极端分布数据的稳定性较差，这也是你出现非正定警告的可能原因之一。建议替换为estimator = "WLSMV"，搭配se = "robust"和test = "scaled.shifted"（这是Lavaan中针对有序非正态数据的标准稳健组合）。
• 不建议更换为MLM组合：MLM是基于连续数据假设的估计器，即便添加稳健修正，本质还是违背了有序分类数据的分布特性，会导致结果偏差。只有当你强行把Likert数据当作连续数据处理时才会考虑MLM，但这种做法在非正态情况下并不合理。

3. 卡方统计量与模型有效性的关系 #

• 卡方统计量检验的是模型拟合协方差矩阵与样本协方差矩阵的差异，p<0.05仅表示两者存在显著差异，但卡方对样本量极其敏感——你的样本量957很大，哪怕模型拟合质量不错，卡方也很容易显著。
• 不能仅靠卡方和p值判断模型有效性，必须结合其他拟合指标：CFI、TLI建议≥0.95，RMSEA建议≤0.06，SRMR建议≤0.08，这些指标受样本量影响更小，能更可靠反映模型拟合质量。
• 即便卡方显著，只要其他拟合指标达标，且模型符合理论逻辑，依然可以认为模型是有效的。

内容的提问来源于stack exchange，提问作者Maria Vale