(1) 绝对拟合指标 (absolute fit indices)
绝对拟合指标的计算方式，就是直接拿我们所猜想、所设定的「理论模型」，去和「饱和模型 (saturated model)」相比较。所谓「饱和模型」就是考虑了所有的变量间可能出现的所有情形的模型，模型中所有变量之间不论是两两成对的、以至于多变量间同时发生的交互作用，全部都被纳入构造模型的考量之内，也就是说，已经涵盖了真实世界中所有的可能状态，因此其自由度已经全部用尽，以致自由度为0，这是所有模型中最复杂，最庞大的模型类型。所以如果我们的理论模型居然和这个最完整的饱和模型若合符节，那么当然就代表我们的猜想和这个真实的世界「绝对拟合」啦。常用的「绝对拟合指标」除了卡方值外，还有GFI及 AGFI，他们的推荐值一般要大于0.9才算及格。这类指标最大的问题就是容易受到样本数的影响，样本数太小时，估计不可靠，样本数太大时，又太容易显著，所以饱受学者批评。
(2) 增量拟合指标 (incremental fit indices)
增量拟合指标的计算方式，就是拿「理论模型」，去和「基准模型 (base model)」相比较，来看看两个模型是否存在显著差异。所谓基准模型，刚好和前述的饱和模型相反，也就是单纯将变量摆在一起，但是排除变量间任何可能相关的模型，因此这是所有模型中最不拟合的模型类型。将理论模型和基准模型相互比较，可以看出理论模型比基准模型要更好多少，看看模型的拟合度改进了多少，这就是「增量」的概念，所增的量就是拟合的量。常用的「增量拟合指标」有NFI、NNFI、CFI、和IFI等，他们的推荐值一般要大于0.9才算及格。
(3) 简洁拟合指标 (parsimony fit indices)
上述两种拟合指标都只考虑单一理论模型的好坏，而没考虑到模型比较时，不同的理论模型间，究竟哪个更好的问题。这时除了上述两种拟合指标需要加以考虑外，还需要引入模型的「简洁原则 (parsimony)」，认为参数偏多的模型就是较差的模型。计算方法是利用前述的「增量拟合指标」，乘上一个「简洁比例 (parsimony ratio)」，来产生一个新的指标，就称为「简洁拟合指标」。这个「简洁比例」有几种不同的算法，不过在概念上简单说来，就是两个模型「自由度」的比例（理论模型的自由度/基准模型的自由度），所以如果理论模型愈复杂（愈接近饱和模型），模型的自由度就愈少，这个「简洁比例」就愈小，使得所计算出来的「简洁拟合指标」明显地低于原本的「增量拟合指标」。反之，如果理论模型愈精简，则其自由度愈接近「基准模型」，因此所计算出来的「简洁拟合指标」和「增量拟合指标」便不至于有明显差异。常用的「简洁拟合指标」包括PNFI（愈大愈好，在不做模型比较时，一般的推荐值以大于0.5为及格；在做模型比较时，希望两模型间至少存在0.06以上的差别）、PGFI（愈大愈好，一般的推荐值以大于0.5为及格）、AIC（愈小愈好）、和Normed chi-square（亦即卡方值除以自由度的值。如果小于1，表示受样本数影响，估计可能有偏差；一般推荐值介于1和2之间）。 |
