用stata做SEM结构方程，如何看拟合优度系数如GFI，AGFI等系数？

最好是大于0.9,甚至于大于0.95,这些拟合指标的临界值都是通过大量的数据模拟得到的,也就是说如果达不到这些指标,模型很可能就是误设模型,不过我也有看到一篇数据模拟的论文里提到当样本量小于500的时候,srmr是最合适的指标,如果小于0.05,可以肯定模型正确,若大于0.08,可以肯定是误设的（适用于数据正态时,偏态时大于0.11认为模型误设）,而其他的拟合指标表现不稳定,那这个时候主要参考srmr就可以,其他的指标过得去就行,如果样本量大于1000,NNFI,CFI,IFI这些指标比较合适,0.95以上可以认为模型正确,0.85以下可以断定模型错误（适用于数据偏态时,正态时0.95以下即认为误设）

你自己根据自己的的数据情况看吧,对于你提到的指标,我相信90%的文献都说是0.9以上为标准的,这个经验值还是很可信的,如果你不是正在写论文,那完全可以接受这个结果,如果你一定想要结果好,那就要么好好处理处理数据,重新做一下结构方程的分析,要么就找到相关的文献支持,以表明你用0.9以下的指标数值是合理的

如果是论文答辩或者发论文,只是0.8过一些那很可能要被答辩老师或者审稿人质疑的,接近0.9应该还勉强可以

R²的值越接近1，说明回归直线对观测值的拟合程度越好。

拟合优度为指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数R²。R²最大值为1。R²的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R²的值越小，说明回归直线对观测值的拟合程度越差。

R²等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比（在MATLAB中，R²=1-"回归平方和在总平方和中所占的比率"）。实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。

模型的拟合度

模型的拟合度是用R和R方来表示的，一般大于0.4就可以了；自变量的显著性是根据各个自变量系数后面的Sig值判断的，如果小于0.05可以说在95%的显著性水平下显著，小于0.01就可以说在99%的显著性水平下显著了。如果没有给出系数表，是看不到显著性如何的。

回归分析(regression analysis)是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论。

以上内容参考：百度百科-拟合优度

logistic回归模型中，评价模型拟合度的标准如下：

1、拟合优度，是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（亦称确定系数）R_。R_最大值为1。R_的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R_的值越小，说明回归直线对观测值的拟合程度越差。

2、R_衡量的是回归方程整体的拟合度，是表达因变量与所有自变量之间的总体关系。R_等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比（在MATLAB中，R_=1-"回归平方和在总平方和中所占的比率"）。

实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。因而回归误差从正面测定线性模型的拟合优度，剩余误差则从反面来判定线性模型的拟合优度。

3、统计上定义剩余误差除以自由度n_2所得之商的平方根为估计标准误。为回归模型拟合优度的判断和评价指标，估计标准误显然不如判定系数R_。

R_是无量纲系数，有确定的取值范围 (0—1)，便于对不同资料回归模型拟合优度进行比较；而估计标准误差是有计量单位的，又没有确定的取值范围，不便于对不同资料回归模型拟合优度进行比较。

4、拟合优度检验主要是运用判定系数和回归标准差，检验模型对样本观测值的拟合程度。当解释变量为多元时，要使用调整的拟合优度，以解决变量元素增加对拟合优度的影响。假定一个总体可分为r类，现从该总体获得了一个样本——这是一批分类数据。

需要我们从这些分类数据中出发，去判断总体各类出现的概率是否与已知的概率相符。譬如要检验一颗骰子是否是均匀的，那么可以将该骰子抛掷若干次。

记录每一面出现的次数，从这些数据出发去检验各面出现的概率是否都是1/6， 拟合优度检验就是用来检验一批分类数据所来自的总体的分布是否与某种理论分布相一致。

---