在修正中删除高相关的残差，注意，一个一个删除，想办法降低卡方值，可以试试。

这样的模型拟合优度是可以接受的。有时候修正模型的目的首先要明确，是为了单纯的数据指标通过检验，还是以结构方程本身的逻辑为标准进行修正，要考虑清楚。一般情况下，修正模型可以通过如下几种方式：
1.改变数据数量。结构方程模型分析适合于大数据，至少也是中型数据，也就是200以上；但是并不是数据越多越好，数据量增大会导致卡方值增大，卡方与自由度之比作为重要的模型适配指标（一般2-3左右），很难通过，这时候一般人们会选择用接下来我说的第二种方法——降低自由度，就是所谓的关联参差项。这个时候又回到最初的问题——你是以什么目的去修正模型，如果分析结构方程各个变量之间的逻辑关系不够充分就盲目选择依据MI值去关联残差项，以此来达到降低自由度，通过模型检验，个人认为这种方法不够科学，甚至有时候有些重大的发现就会在不断的修正中忽视掉。所以数据量最好也不要超过400，建议你先用这种方法，把数据量进行划分，形成阶梯数据组，分别实验，记录模型适配度，选择一个较好的数据量。
2.降低自由度。就是根据AMOS OUTPUT 中的MI修正系数，把MI值大的残差关联（前提是有逻辑关系和意义的残差），可以有效降低自由度，达到修正指标的目的。
以上就是我的一些经验和理解，希望可以帮助您！

谢谢你！我的研究是编制量表，我觉得从专业的角度来说，我的模型是合理的，但就是算出来的模拟度不是特别好，我的数据总共有440份，先做了探索性因子分析，接着做了验证性因子分析。我看到有的文献是把总的数量分成两半，一半做探索性，一半做验证性。但是我的数据分成两半的话，一组数据就不够300，看到有的文献说大于300，才可以做因子分析。

建议您尝试设置阶梯数据组，从200份，220,240,260.。。。440份，选择适配度指标表现最好的数据量即可，个人认为EFA和CFA应当是同一套数据较好。

补充一下，AMOS是大样本不错，但是大样本会导致卡方值增加，进而影响卡方自由度之比，再修正起来反而使问题更加复杂了，一般情况大于200，小于400，都可以的。