結構方程模型的基本觀念 (3)

(6) 不存在多重共線性的假定

和多元迴歸分析一樣，結構方程模型假定了模型中的變量之間，不存在共線性的問題。但是由於結構方程模型的優勢之一，就是可以在模型中直接將共線性清晰地予以表述 (specify)出來，所以，本質上，結構方程模型還是可以處理多重共線性的問題。不過，如果這多重共線性十分嚴重，在最極端的情形下稱之為完全共線，那麼就會導致模型中出現「奇異 (singular) 矩陣」，由於「奇異矩陣」是無法進行某些矩陣代數運算的，例如就不能進行轉置 (inverse) 運算，結果就會使得結構方程模型無法求解。

(7) 殘差獨立的假定

和多元迴歸分析一樣，結構方程模型也假定了模型中可觀測變量的殘差之間是不存在相關的。但是由於結構方程模型中，我們一樣可以將這些相關的殘差，直接在模型中清晰地表述出來，所以結構方程模型還是可以處理殘差相關的問題。只是要在模型中定義某些殘差的相關，並不是隨心所欲想要相關就相關的，更不應該只是單純為了改善模型擬合指標，才讓某些殘差在模型中表述為相關，設計模型的要點就是要掌握理論依據，實事求是，必須能夠合理解釋某對殘差間為何必然存在相關，這才可以在模型中表述為相關。

(8) 不存在接近零的協方差矩陣 (covariance matrix)

結構模型本身必須真有意義，而不是潛變量的瞎拼瞎湊。如果結構模型裡潛變量之間的因果關係不明確，或是關係甚小，就可能導致滿盤都接近0的協方差矩陣。由於許多擬合指標的計算過程（例如卡方檢定、CFI、NFI、RMSEA、RMR等等），其實是在觀察每次模型修正後，真實數據下的協方差矩陣，和虛無假說 (null hypothesis) 下內容為0的協方差矩陣之間差異的變化。當真實觀察到的協方差矩陣很接近0的時候，這些計算擬合指標的程序將無法分辨協方差矩陣間的差異，所以就會認定不存在「不擬合」的現象，因此就高估了「擬合指標」。

(9) 適當的樣本大小

大多數國外管理學期刊裡使用了結構方程模型的研究中，所使用的樣本數量大約介乎於200到400之間。另外，許多學者對於樣本數量做出了各種原則性的建議，但是也眾說紛紜，沒有一定的標準。其中大多數的學者相信，如果樣本數低於200，那麼所獲得的參數估計將不穩定。事實上，樣本數量和模型中的變量數量之間，存在著密切關係。一般認為，適合進行結構方程模型的樣本數量，至少應該是模型中所有可觀測變量數量的10到20倍（Mitchell, 1993），或者是所需要估計的參數（包含所有係數和殘差）的數量的5倍（Bentler and Chou, 1987），雖然有些研究指出，卡方檢定對樣本數太敏感，過大的樣本數容易導致較差的卡方擬合，但是比較新的觀點認為，樣本數還是儘可能愈大愈好，因為在「中央極限定理」之下，大的樣本數比較能保證觀測變量的正態性。