众文网1.您好,我在做毕业论文的数据分析,在结构方程模型构建的过程中,
拟合指标看起来都差点意思
觉得首先你可以再考虑一下你的模型，检查检查路径，看看哪里可能存在问题，最简单的是看看单一路径，有哪些是不显著的，这会提示你有哪些路径的设置不合理，修改一下，拟合指标可以提升。当然，同样的方法你也可以去检验一下你的测量模型，看看有哪些题目很不好的，可以删就删。
其次，你看看你数据本身有没有什么问题，比如被试的作答有没有不太好的，比如有没有看起来乱填的，去掉那些明显胡乱作答的，数据质量会有所提升，相应的也许拟合会有改变
再有，品牌态度那个变量的题目太多了，可以考虑做题目打包，9个题打三包就够了，打包方法请自行查阅相关论文吧
各种方法综合一下，总会提升拟合度。另外，拟合度也只是一个经验指标，如果你后来有一些拟合指标变好了，有的，不行，那你也不用太强求，你再综合考量一下模型中的各个测定系数，修正指数等，如果都好，还是可以支持你的模型，这比单一参考拟合指标好
2.有很多数据时,当一些数据不符合拟合的模型,可以把这些数据当做异
要拟合的话，必须首先确定模型.这个模型是根据经验得到的.一般的来说，模型阶数越高，拟合效果越好，但是也不能过高，因为若模型过高的话，将噪声也拟合了.对于新的数据，预测效果反而会差，这就是说的‘overfitting' 问题.模型的优劣性，Akaike information criterion (AIC)，或者Bayesian information criterion (BIC)，这两个评价标准基本上，是在拟合误差，和模型的阶数之间做的一个平衡.简单的来说，如果一个模型阶数很低，并且拟合误差低，则最好；模型阶数高，拟合误差大，最差.其余的，可以以单位阶数所带来的拟合误差的降低作为参考标准。
转载请注明出处众文网 » 毕业论文模型拟合作假