需要检验的数据

（一）总体拟合度

Amos软件用χ2来检测模型的拟合优度，但χ2容易受到样本数量影响，样本越大，模型被拒绝的可能性越大（荣泰生，2009）。目前研究界更多地用χ2／d.f.来评价模型的拟合优度，一般以小于3为接受标准（罗胜强＆姜嬿，2015）。

很多学者指出RMSEA（Root Mean Square Error of Approximation）是个较为理想的拟合指数，不容易受到样本数量的影响。当RMSEA值低于0.08时，模型匹配良好；当RMSEA在0.08和0.1之间时，模型拟合度一般；当RMSEA值高于0.1时，模型不能接受（罗胜强＆姜嬿，2015）。

GFI（Goodness of Fit Index）容易受到样本大小的影响，所以需要同时考虑AGFI（Adjusted Goodness of Fit Index）。一般而言，当这两个的值都超过0.9时，模型可以接受（罗胜强＆姜嬿，2015）。

NFI（Normed Fit Index）、IFI（Incremental Fit Index）和CFI（Comparative Fit Index）都是相对拟合系数。这三个指标数都要大于0.9，才能接受模型（荣泰生，2009；罗胜强＆姜嬿，2015）。(https://www.daowen.com)

（二）效度和信度检验

关于本量表的内容效度，前面已经论述过了。本问卷部分问项已经经过探索性因子分析证实，部分问项来自成熟的量表。结构效度是检验模型中的测量问项能否都正确测量其潜在变项（孙晓强，2009）。结构效度包括收敛效度和区别效度：收敛效度是一个概念中测量问项之间是否高度相关，区别效度是不同概念的测量问项是否低度相关。

本书的模型是同属测量模型，前面所测量的内部一致性信度是服务于古典测量模型的。对于同属测量模型，还需要考察组合信度（Composite Reliability，CR）和平均方差析出量（Average Variance Extracted，AVE）（罗胜强＆姜嬿，2015）。组合信度CR是把所有项目相加，再计算方差，而平均方差析出量AVE是先计算方差，再将项目的方差相加。组合信度CR指所有变项的信度，罗胜强等（2015）的建议是在0.6以上，数值越高，说明该测量变项越能测出该潜在变项。平均方差析出量AVE的建议标准值一般大于0.5，这个数值越高，表示模型内部质量越好（罗胜强＆姜嬿，2015）。区别效度主要测量潜在构面间的关系是否小于构面内的关系程度，所以潜在变量的AVE的平方根值应该大于其他不同构面下的相关系数（Fornell＆Larcker，1981；Hair et al.，1998）。