一，模型基本适配指标
在模型基本适配指标验证方面，Bogozzi和Yi（1988）提出以下几个准则
（1）估计参数中不能有负的误差方差
（2）所有误差变异必须达到显著水平（t值>1.96）
（3）估计参数统计量彼此相关的绝对值不能太接近1.
（4）潜在变量与其测量指标之间的因素负荷量，最好大于0.6
（5）不能有很大的标准误
（6）标准化参数<1
二，整体模型适配指标（模型外在质量的评估）
检验模型参数是否有违规估计现象之后在检验整体模型适配，在AMOS中极大似然比卡方值，其报表会出现3个模型的卡方值，此3个模型为预设模型，饱和模型，独立模型，要检验理论模型与实际数据是否适配或契合，应查看预设模型的CMIN值，若是一个假设模型达到适配，最好能进行模型简约的估计。一个适配度加的假设模型较多*度，表示此假设模型是简约与精简模型，反之不是。
（一）绝对适配统计量
卡方值 卡方*度比 RMSEA GFI&AGFI
（二）增值适配统计量
（三）简约适配统计量
实务上卡方值不是个很实用的适配度指标，p值在200个样本以上，几乎所有的研究都是显著的，很容易得到P<0.05的假设，因此佐以其他的适配度指标协助判断Tanaka(1993)，Maruyama(1998)。
IFI，TLI，CFI为最常报告的配适度指标，理想值>0.9，甚至>0.95,CMIN/DF,GFI,AGFI,RMSEA比较常用
三，模型内在结构适配度的评估（模型内在质量的检验）
Bollen（1989）将模型内在结构指标称为成分适配测量，他认为有时整体模型的适度得到契合，但是个别参数的解释可能是无意义的，因而深入探究每一个参数，对理论的验证更能获得保障。包括效度与信度，效度所反映的是指标变量对于其想要测量的齐娜在特质，信度指的是测量的一致性。
关于信度与效度可参考这篇文章
(1）潜在变量的组合信度(CR)
组合信度主要评价一组潜在构面指标的一致性，组合信度愈高，表示测量指标间有高度的内在关联，相反，关联程度比较低。构建信度检验每一个潜在变量的观察变量间内部一致性程度的高低。
0.7是可接受门槛（Hair， 1997）建议值为0.6以上（Fornell and Larcker, 1981）
但多数学者采用以下分类观点（Kline, 1998）
信度系数值在0.9以上为最佳的；0.8附近时非常好的；0.7附近则是适中；0.5以上是最小可以接受的范围，若是信度低于0.5，表示有一半以上的观察变异来自随机误差。
（2）潜在变量的平均方差抽取量(AVE)
潜在变量的平均方差抽取值表示相较于测量误差变异量的大小，潜在变量构念所能解释指标变异量的程度。
理想上标准值须大于0.5（Fornell and Larcker, 1981）,0.36~0.5为可接受门槛。
适配度指标的限制（Kline,2011）
良好的适配度不代表有良好的统计检定力及解释能力，变数之间相关愈低欲容易得到良好的模型适配度
适配度指标不能用来解释成理论具有意义的
只能说明模型与数据契合
四，模型识别
（1）估计（*）参数数
1.所有独立变数的变异数均是模型的参数
2.所有外生变数之间的共变异数都均是模型的参数
3.所有与潜在变项有关的因素负荷量均是模型的参数
4.所有测量变项之间或潜在变项之间的回归系数都是模型的参数
p:模型中所有观察变数
dp=（p）*(p+1)/2
t:*估计的参数数目
t<dp：过度辨识
t=dp：恰好识别
t>dp：不足识别
因此单个CFA模型必须要3题以上，否则无法识别，如下图估计参数t（Number of distinct parameters to be estimated）为6，样本协方差矩独特元素阵dp(Number of distinct sample moments)为6,t-dp=0恰好识别。amos的output窗口可查看参数。
有时也会遇到一个潜变量只有2个观察变量却可以运行如下图，因为两个潜变量相关，需整体分析。如果两个潜变量之间相关系数小，模型就无法识别，所以最好还是一个潜变量要有3个以上的观察变量。
（2）固定参数
1.潜在变量与测量指标间的路径系数值设定为1如图5-44
2.误差变量的路径系数设定为1如图5-64或误差变量的方差设定为1 如图5-57。
设定e1的方差等于1，因为误差项的误差变异量与其路径系数互为函数，两个参数值不能同时界定，否则模型无法同时估计这两个参数。
