一点：没有所谓的“基本问题”，你只知道你知道的，而不是你不知道的。提出问题通常是找出答案的唯一方法。

每当您看到小样本时，您就会发现谁对他们的模型真正有“信心”，而谁没有。我这样说是因为小样本通常是模型影响最大的地方。

作为一个敏锐的（心理？）建模者自己，我说去吧！您似乎采取了谨慎的态度，并且由于样本量小，您已经承认潜在的偏见等。将模型拟合到小数据时要记住的一件事是您有 12 个变量。现在你应该想一想——任何具有 12 个变量的模型可以由 42 个观测值确定吗？如果您有 42 个变量，那么任何模型都可以完全适合这 42 个观察值（松散地说），因此您的情况不会太灵活。当您的模型过于灵活时会发生什么？它倾向于适应噪音——也就是说，由你假设的事物以外的事物决定的关系。

通过预测未来 10-20 个样本将来自您的模型，您也有机会将您的自我放在您的模型所在的位置。我想知道您的批评者会对给出正确预测的所谓“狡猾”模型有何反应。请注意，如果您的模型不能很好地预测数据，您会得到类似的“我告诉过你”。

您可以向自己保证您的结果可靠的另一种方法是尝试打破它们。保持原始数据完整，创建一个新数据集，看看你必须对这个新数据集做什么，以使你的 SEM 结果看起来很荒谬。然后看看你必须做什么，并考虑：这是一个合理的场景吗？我的“荒谬”数据是否类似于真正的可能性？如果您必须将您的数据带到荒谬的领域以产生荒谬的结果，它提供了一些保证（启发式，非形式化）您的方法是合理的。

我看到的主要问题是缺乏动力。验证性因素和 SEM 测试看起来可以接受零值——你想看到一个不显着的 p 值——所以缺乏能力可能是一个问题。检验的功效取决于样本大小 (42) 和自由度。AMOS 为您提供自由度。你没有引用它，但在这种情况下它不会很大。对于 12 个变量，您从 66 个 DF 开始，然后为您估计的每个参数减去 1。我不知道会有多少，但你说你有几个因素和各种结构之间的相关性。

我不完全同意 Rolando2。在 SEM 中，您可以通过拥有大量变量来获得收益，假设它们是基础结构的可靠指标。所以不要减少变量的数量。出于同样的原因，我不完全同意@probabilityislogic。在 SEM 中，您不会尝试用 42 个观察值对 12 个变量进行建模。您正在尝试通过 12 个指标对结构进行建模，并通过 42 次重复来加强。一个非常简单的因子模型——1 个因子和 12 个指标——可能需要 42 人进行测试。

当您接近模型饱和时，RMSEA 和其他拟合优度指标将趋于改善，因此您再次冒着误导结果的风险。

话虽如此，我已经看到小型数据集拒绝因子模型。这可能意味着合身似乎很好。

注意：您还可以检查 SEM 模型的残差。这些是估计协方差矩阵和模型协方差矩阵之间的差异。如果您要求，AMOS 会将它们提供给您。检查残差可能表明它们是否均匀分布，或者某些协方差的拟合是否非常差。