非正态数据多重填补下近似误差均方根(RMSEA)的稳健估计方法研究

针对结构方程模型(SEM)中非正态缺失数据的模型拟合难题，研究人员创新性地提出多重填补(MI)框架下的稳健近似误差均方根(RMSEA)估计策略。通过系统控制样本量、非正态程度、缺失机制等变量，发现基于Lai方法扩展的MI-RMSEA估计量具有更优的偏差控制性能，其正态近似置信区间展现出良好覆盖率，为复杂数据场景下的模型评估提供方法论指导。

　　

在结构方程模型(SEM)的疆域里，多重填补(Multiple Imputation, MI)技术犹如精密的考古刷，小心翼翼地修复着缺失数据留下的历史断层。当研究遭遇非正态分布(non-normal data)的"崎岖地貌"时，传统的近似误差均方根(Root Mean Square Error of Approximation, RMSEA)拟合指标便显得力不从心。

这项研究如同在数据荒漠中搭建的观测站，通过精心设计的模拟实验——调节样本量、非正态程度、缺失机制等"气候参数"，系统检验了基于Lai方法扩展的MI-RMSEA估计器的性能。结果显示，这个穿着稳健统计"防滑靴"的新方法，在点估计偏差的赛道上遥遥领先。更令人振奋的是，采用正态近似构建的置信区间(Confidence Intervals, CIs)，其覆盖概率如同精准调校的卫星导航，始终稳定在理想轨道。

这些发现为处理现实研究中"残缺不全"且"棱角分明"的复杂数据集提供了新的罗盘。当研究者们在非正态缺失数据的迷雾中穿行时，MI-RMSEA就像北极星般指明模型评估的方向，而正态近似区间则化作可靠的里程标，标记着统计推断的安全边界。这项研究不仅填补了模型拟合指数跨填补数据集整合方法学的空白，更在方法论的地图上标注出若干值得深入探索的"未至之境"。