AMOS软件针对模型进行参数估计时，电脑却出现令人懊恼的「识别不足」问题，这时我们该怎么办呢？以下列出一些经验之谈：
(1) 设法找出并消除模型中的回路型的路径，换言之，就是设法将模型构造成「递归模型 (recursive model)」的形式。
(2) 从理论与实务同时下手，看看能不能找出证据，来支持模型中的某些待估计参数，其实是不需要估计的。换句话说，假如模型中原本有些预设需要估计的参数，但是在思考之后，我们发现这些参数的值，是可以合理的直接予以规定的，那么我们就可以直接将那些数值明白地表述 (explicitly specify) 在模型当中，这样每多指定一个固定 (fixed) 的值，模型就多出一个自由度来，可以很有效地消除模型「识别不足」的问题。但是能够这样做的前提，还是需要有根有据，不能为所欲为。
(3) 如果找不到证据支持来直接指定待估计参数的值，但是却必须利用这方法来增加自由度，那么还有一个秘诀可以使用。在AMOS的Analysis Properties的Output设定窗口里，勾选critical ratios for differences (CR) 这个选项，然后检查所跑出来的配对的路径系数的这个CR值（这个CR值，事实上等于两个路径系数的差，除以它的标准误，换句话说，就是标准化正态分布下的 Z值）如果CR<1.96，就代表这配对的两条路径之间的路径系数差异不显著（p>0.05），因此可以重新设定模型，将这两条路径的系数直接指定相同的任意值（当然要接近刚刚电脑跑出的估计值），因此就可以直接节省两个自由度。
(4) 设法减少模型中的路径。事实上，每减少一条路径，就等于减少一个待估计参数，也就同时增加了一个自由度。如果在模型中直接将路径系数指定为固定 (fixed) 的值0，这与在模型中删除这条路径的效果是一样的。
(5) 设法删减变量，让模型变得更简洁。
(6) 删除（合并）那些相关系数很高的自变量潜变量。
(7) 在模型中增添（导入）新的自变量潜变量。
(8) 保证每个潜变量的可观测变量都至少三个或以上。
(9) 确保样本数据中不存在遗漏值。
(10) 一般的统计软件直接内定使用「极大似然法 (maximum likelihood)」来进行参数的估计运算，可以考虑改用其他方法（例如GLS）试试看。
(11) 设法在统计软件中设定更高的迭代次数。 |
