文档介绍：: .
r 1)
Number of variables in your model: 17
Number of observed variables: 6
Number of unobserved variables: 11Numberof exogenousvariables: 9
Numberof endogenousvariables: 8
变量计数：数数模型中的变量，变量总数为 17，其中观测变量有 6 个，
非观测变量有 11 个；外生变量有 9 个，内生变量有 8 个。
Parameter summary (Group number 1)
Weights CovariancesVariances Means InterceptsTotal
Fixed 11 0 0 0 0 11
Labeled 0 0 0 0 0 0
Unlabeled 6 0 9 0 0 15
Total 17 0 9 0 0 26
模型的参数概括：固定系数11个，就是模型识别中固定的11个1。还有6
个自由的系数，9个方差对应着前面外生非观测变量。
Computation of degrees of freedom (Default model)
Numberof distinctsamplemoments: 21
Numberof distinctparametersto be estimated:15
Degreesof freedom(21 - 15): 6
（内定模型）的自由度计算：21 "样本矩"是6个观测变量的6个样本方差
加上15个协方差构成（也就是6中取2的组合数）。15个参数是模型的6
个回归系数和9个被估计的方差。样本矩与估计参数的差为6个自由度。（内定模型）迭代过程：极大似然估计是一个迭代过程。这里给出迭代
历史。这个输出是可选的，你不必直接使用它。基本上没有什么用。
Result (Default model)
Minimum was achieved
Chi-square =
Degrees of freedom = 6
Probability level = .000
卡方拟合指数：这是所有软件都使用的最普通的拟和检验。AMOS和
LISREL把它称为卡方统计量，其它软件称为卡方拟和优度和卡方拟
和劣度。卡方拟合指数检验选定的模型协方差矩阵与观察数据协方差
矩阵相匹配的假设。原假设是模型协方差阵等于样本协方差阵。如果模
型拟合的好，卡方值应该不显著。在这种情况下，数据拟和不好的模型
被拒绝。卡方检验的问题是样本越大，越可能拒绝模型，越可能犯第一
类错误。卡方拟和指数对违反多变量正态假设也是非常敏感。
这由卡方拟和指数的计算公式可以看出：
卡方统计量 = (N-1)x F
N 是样本量，F是模型协方差阵和样本协方差阵的最小适配函数。这个
函数比较复杂，也不知道是哪个天才搞出来的，它的计算公式中包含行
列式，矩阵的迹，还要取对数，再经过一些加减运算把多维数据压缩为
一个数值。
从卡方统计量的计算中可以看出，如果适配函数减少的速度没有样本量
增加的速度快，即使模型协方差阵与样本协方差阵拟和的很好，但样本
量的增加也会导致拒绝原假设。这种拒绝正确建议的行为就是犯了第一
类错误。
如果不服从正态分布，卡方统计量会更多地拒绝真实模型