一、David A. Kenny核心结论拆解 #

先把原文的关键观点放出来：

需确保零模型RMSEA不小于0.158；模型RMSEA=0.05且TLI=0.90时，零模型RMSEA为0.158；若零模型RMSEA<0.158，增量拟合指标参考价值有限；当零模型RMSEA<0.158且模型RMSEA=0.05时，TLI必小于0.90（未发表但成立）

咱们逐条拆解背后的逻辑：

• 零模型RMSEA≥0.158是TLI/CFI有效的前提：零模型是假设所有观测变量完全无关的“最差基准模型”，它的RMSEA越大，说明原始数据里变量的关联越强，这时候拿TLI、CFI这类和零模型对比的增量指标才有意义。如果零模型RMSEA连0.158都达不到，意味着数据本身的结构信号极弱，相当于用一个没区分度的基准去对比，得出的TLI/CFI自然没多大参考价值。
• 临界值的对应逻辑：当目标模型RMSEA达到0.05（拟合良好的经典阈值），同时TLI达到0.90时，对应的零模型RMSEA刚好是0.158。这相当于给了一个“达标组合”的参考基准，帮你判断模型和零模型的差距是否足够显著。
• 必然结果的提示：如果零模型RMSEA低于0.158，哪怕目标模型的RMSEA能到0.05的优秀水平，TLI也肯定达不到0.90。这直接说明，此时传统的增量拟合指标阈值（比如TLI≥0.90）已经完全不适用了。

二、零模型RMSEA<0.158时，如何解读CFI和TLI？ #

遇到这种情况，别硬套传统规则，换个思路处理：

• 先排查数据本身的问题：零模型RMSEA低，本质是观测变量间的协方差太小，数据的“结构信号”弱。先反思是不是研究设计出了问题——比如变量选得不对？样本量太小？或者变量本身就是弱关联的？
• 弱化CFI/TLI的权重：既然零模型本身没区分度，那CFI和TLI这类增量指标的数值参考性就很低。这时候把重点放在绝对拟合指标上，比如RMSEA、SRMR，还有模型的理论合理性——比如路径系数是否符合预期，参数估计是否显著。
• 若一定要看CFI/TLI，看相对提升幅度：别盯着0.90的线，而是看它们和零模型的差距。比如零模型TLI是0.1，你的模型TLI是0.7，虽然没到0.9，但相对提升了60个百分点，说明模型比零模型好很多；但如果零模型TLI已经是0.8，你的模型才0.85，那这个提升就没什么实际意义。
• 考虑替代指标：可以试试**拟合优度指数（GFI）**这类更偏向绝对拟合的指标，或者结合卡方检验结果（虽然卡方对样本量敏感，但结合自由度来看也能提供参考）。

内容的提问来源于stack exchange，提问作者3353206