同意5楼看法，观测变量有150个，样本数和观测变量的比例至少应该是5：1，最好能达到10：1，样本太少了。侯杰泰的《结构方程模型及其应用》第六章有关于样本容量的介绍

一般来说，p值不怎么需要关注年，我们要关注的是cmin/df要在2-5之间，有些说法说最好在2-3之间，不过有些说最好在1.5-2。就p值和cmin/df会受样本量的影响，所以，如果出现不怎么理想的结果，是可以理解的。楼主的样本量是够的，不过相关文献有这样表述，说最好超过300个样本。另外，不要局限于cfi这个指数，只要大部分拟合指数都超过0.90的话，这样就很好的，可以进行相应的验证。至于楼主说的为什么拟合度差的问题，我市这样解释的：不知楼主有没有进行收敛效度和判别效度分析，做过的话，理想不？如果理想的话，我们看看观测变量之间的残差大小，如果太大，要作相应的调整。还有，不知楼主作过探索性因子分析的操作没？进行过的话，理想不？一般来说，什么时候将探索性因子分析的结果与验证性因子分析的结果一致时，其拟合指数的效果绝对是好的。希望，我的这么一说，对楼主有所帮助。

正常情况下，P值一定小于0.05，因为样本量以增大，卡方值必然变得，而p值就会小于0.05！正常
2# 回首

觀察變量太多了，應加以合併成少數題組，再進行CFA，否則都會不理想。

遇到同样问题

学习了

测量工具走多远，因子才能走多远。

模型拟合取决于下面两者之间的差异：(1)数据，（2）你测试的模型。所以说可能有以下的原因：

1） 你测试的模型越复杂，它跟数据之间的差异就可能越大，拟合就不好。
2） 也许你的模型在理论上来说就不可行， 也许你把简单的问题复杂化了。比如说，在理论上来说只有一个因子 （潜变量）， 但你的模型有两个，那模型肯定拟合不好。
3） 你的数据有问题

Most of times we forget to check multivariate normality Mardia's kurtosis. If the data cannot meet the normality requirement, we can run bootstrap to get bootstrap p which is generally bigger than p with MAL. Always put theory in mind and dont become a pure dataminers.

变量多了

计算也就多了

结果就差些了吧

我比较傻，