如果用mplus换个estimator就可以，先将非正态的数据定义为categorical，然后用给予categorical的estimator, 我一般使用WLSMV方法

若是AMOS 如何操作呢

非正态数据是研究中最常见的情况之一，国内相关研究很少有报告数据分布形态信息的。目前处理非正态的方法有多种，现总结如下：（1）数据转换。可以先将非正态分布数据进行正态化转换再进行估计，但有些估计方法，如非加权最小二乘法(Unweighted least squares ULS)对转换数据比较敏感，有时甚至无效(Kline, 2010)。通过转换数据计算的参数还需要转换成之前的单位，否则结果无法解释。通过数据转换也可能犯错误，如果数据本身就不是正态分布，通过正态化转换只能产生新的错误。

（2）稳健估计法。有些参数估计方法对数据的分布形态不做要求，如渐进自由分布(Asymptotic Distribution Free, ADF)也称作加权最小二乘法(weighted least squares, WLS)。但研究者指出，只有当ADF在大样本中才能得到比较精确的估计结果(e.g., Yuan & Bentler, 1998)。West等(1995)建议的样本量为1000至5000，而在多数实际研究中很难达到如此规模的样本量。另外，ADF在实际应用中常高估卡方统计量 (e.g., Chou & Bentler, 1995; Curran, West, & Finch, 1996; Hu, Bentler, & Kano, 1992)，而低估标准误(DiStefano, 2002)。除此之外还有多种稳健加权最小二乘法（Robust Eeighted Least Squares），如 Mplus提供的WLSMV和WLSM。
WLSMV估计是专门为了处理类别变量设计的(Muthén, 1993)，所以在处理类别数据时表现优于其他估计方法(Beauducel & Herzberg, 2006; Flora & Patrick, 2004; Finney & DiStefano, 2006)。Flora和Patrick(2004)的模拟研究比较了WLSMV和WLS处理非正态类别数据时的表现，结果发现WLS仅在简单模型、大样本时（n > 1000）表现尚可，在其他条件下表现均不理想（不精确的参数估计、检验统计量和标准误），而WLSMV在所有条件下（偏态和小样本n=100）均能获得不错的参数估计结果。Beauducel和Herzberg(2006)比较了WLSMV和ML在处理2-6个类别及4个样本量（250, 500, 750, 1000）情况下的表现，结果发现在2和3个类别时ML会低估因子负荷，特别是样本量较小时，而在所有条件下WLSMV均表现优良。因此在处理类别数据时不管数据分布形态如何选择WLSMV是相对稳妥的做法。

（3）校正统计量 。当处理非正态分布或/和类别数据时，ML所估计的卡方和标准误都不够精确，有学者提出了校正卡方和标准误的方法。其中最常用的是由Satorra和Bentler(1994)提出的校正法，所得卡方称为S-Bχ2。在Mplus中通过选用MLM估计法得到此统计量(嵌套模型的比较不能直接使用似然比检验 ，具体计算见http://www.statmodel.com/chidiff.shtml)。DiStefano(2002)在模拟研究中发现，当处理非正态类别数据时S-B 校正程序是有效的。他在结合先前的相关研究后进一步指出S-B 校正程序可作为处理非正态类别数据的替代方法。然而当样本量小于400时(Boomsma & Hoogland, 2001)，SBχ2检验表现较差，此时可以使用基于残差的Yuan-Bentler检验(Bentler & Yuan, 1999; Yuan & Bentler, 1998b)，在Mplus中通过MLR估计法得到此统计量，或使用基于残差的Yuan-Bentler F检验(Yuan & Bentler, 1998a)。

（4）条目组或打包(Items Parcels or item parceling) 。由于单个指标很容易受极端值或极端反应的影响，特别是条目较多而可选项较少时，研究者常将几个条目相加（或求均值）组成项目包，然后再进行分析。这种做法可以使偏态的单个项目转换成正态（近似正态）分布。当然打包的前提是包内的条目属于同一维度，否则将产生新的问题(Bandalos, 2002; Bandalos & Finney, 2001; West, Finch, & Curran, 1995)。
（5）Bootstrap再抽样法。Bootstrap的原理是当正态分布假设不成立时，经验抽样分布可以作为实际整体分布用于参数估计。Bootstrap以研究样本作为抽样总体，采用放回取样，从研究样本中反复抽取一定数量（例如，抽取500次）的样本，通过平均每次抽样得到的参数作为最后的估计结果(Efron & Tibshirani, 1993; Mooney & Duval, 1993)。Bootstrap对非正态连续变量特别有用(Brown, 2006)，但也有研究发现这种方法并非总是有效，在可靠性方面不如稳健参数估计法(Yung & Bentler, 1996; Yuan & Hayashi, 2003)。模拟研究还发现，在处理小样本时，Bootstrap法优于ML和S-B稳健估计法(Enders 2002; Fouladi 2000; Nevitt & Hancock, 2001)，但在非常小的样本(N < 100)时则会产生不精确的参数估计，当然这也与模型复杂性有关。
获得更多信息可以参见：
http://www.hneap.com/a/EAPanli/kechengxinxi/2012/0516/201.html

Skewness. A measure of the asymmetry of a distribution. The normal distribution is symmetric and has a skewness value of 0. A distribution with a significant positive skewness has a long right tail. A distribution with a significant negative skewness has a long left tail. As a guideline, a skewness value more than twice its standard error is taken to indicate a departure from symmetry.

Generally, you need consider only those dependent variables with large skewness (larger than twice S.D.).

哪位大仙能介绍下用amos如何实现呀？小弟写过啦～

样本非正态分布分布的话，标准化就可以解决了吗？这个问题可否详细讲一讲？

在amos中的估计
可以在analysis properties-->output-->将outlier and normality打勾
分析后就可以看到正态检定结果
如果数据非正态,表示有outliers值
到马氐距离平方那个栏位,看p2值
如p2小于0.001,前面的马氏距离又与别的观察值有差异
则删除该观察值即可重新分析
真的无法修正,只好采用bollen-stine p correction

kkkkkk

就用spss实现啊，干嘛非要用amos实现正态化，而且amos也要读取spss等数据文件啊

学习了

look this site
http://www.ats.ucla.edu/stat/spss/faq/standardize.htm

you'd better use component based SEM, such as smartPLS, PLS graph and other similar softwares to deal with the unnormalized distribution data. In additon, to effectively deal with formative construct issues, component based SEM is more suitable than covariance based SEM, such as AMOS.  

在AMOS中用Boootstrap方法估计。

请问，这个怎么理解“如p2小于0.001,前面的马氏距离又与别的观察值有差异”？我看到有些p2小于0.001的对应的Mahalanobis d-squared值是明显比表格中p2大于0.001的那些对应的Mahalanobis d-squared值要大，那是不是就可以直接删去这些样本了？谢谢！