拟合优度不好但显著

分析如下：

1、拟合度不好的话，可以进一步进行检验，看看是否存在伪回归。

2、一般80%以上就很好了，70%以上也可以，不要追求高拟合度，真实数据一般达不到那么高，如果拟合度在70%，检验都通过就已经很不错了，过高的拟合度一看就是假的。

这里拟合不好说明解释变量“解释的不够”啊。盲猜你说的“系数证实预测”的意思是，系数的正负和你猜想的相应的效应的“促进和抑制”是一致的（而且甚至系数都是显著的）。那这也只能说明这些解释变量或许是“有用的”，但这与解释变量“不太够”并不矛盾。比如其实有10个变量影响概率，但是你的数据里只用其中两个，还不是“最有价值”的两个，那么回归出来的结果就很有可能不怎么好。

这种事情本来就很常见，而态度取决于最初提出的研究问题。如果研究的问题仅是具体某个变量和因变量之间的关系，那重点就看对应系数就好了，总体的欠拟合可以提一句“或许还有其他的更重要更有价值的变量未包含在模型和数据里（但是具体是啥变量别问我，我也不知道，反正数据里没有）”；如果研究的问题就是找到一个预测能力强模型，那要么加入新的解释变量，要么对现有解释变量操作操作呗，比如加入高次项（平方，立方，交叉项），总之都是让现有模型变复杂。放心，只要往复杂里整，最终总会有期望几乎等于观测的结果出现，不过那时候要操心的就是过拟合的问题了。

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

---