Finney & DiStefano (2008) 有一篇写得很好且被高度引用的章节解决了您的问题（您可以在 Google 图书上查看大部分内容）。总之，通常使用单变量偏度和峰度来评估多变量正态性，而多变量峰度——分别小于 2、7 和 3 的值通常被认为是可以接受的，尽管在他们撰写本文时，没有模拟工作彻底审查过这些截止值。

如果你的变量不符合这些标准，你还能使用 ML 估计吗？当然，您的参数估计（因子载荷、因子方差和协方差等）将非常准确。但是，您对模型拟合的标准误差和检验（以及因此您的其他典型模型拟合指数）会存在偏差；与多元正态性的偏离越大，您可以预期的偏差量就越大。$\chi^2$

在大多数情况下，正如 Finney & DiStefano (2008) 的评论所表明的那样，处理非正态性最直接的方法是使用稳健的ML 估计器，它可以纠正标准误差中非正态性引起的偏差，并产生一个Satorra-Bentler (SB)（和相关的模型拟合指数）比标准完美拟合测试更准确地捕获模型中适当数量的失配（Satorra & Bentler，2010）。$\chi^2$$\chi^2$

lavaan有一些鲁棒的 ML estimators，尽管只有MLMestimator 产生 SB。我不熟悉将 SB与估算器产生的元-本特勒 (YB)等其他修正或它们之间的技术差异进行比较的模拟工作。但是，我在其他 SEM 软件（例如 Mplus）中都使用过，它们通常会产生非常相似的结果。您可能还需要考虑是否有一些丢失的数据需要处理（仅适用于完整案例），然后阅读 YB与 SB的不同之处。$\chi^2$$\chi^2$$\chi^2$MLRMLMMLRMLRMLMMLM$\chi^2$$\chi^2$

参考

Finney, SJ 和 DiStefano, C. (2008)。结构方程建模中的非正态和分类数据。在 GR Hancock & RD Mueller (Eds.)，结构方程建模：第二门课程 (pp. 269-314)。信息时代出版。

Satorra, A. 和 Bentler, PM (2010)。确保标度差卡方检验统计量的积极性。心理测量学, 75, 243-248。