在缺乏多元正態性的情況下，結構方程建模中的最大似然估計量有多穩健？
在結構方程模型中，經常使用 ML 估計器。在變量不是多元正態的情況下，可以使用ML嗎？
通常，您可以使用的指標不是多元正態的。我不確定在這種情況下如何進行。
Finney & DiStefano (2008) 有一篇寫得很好且被高度引用的章節解決了您的問題（您可以在 Google 圖書上查看大部分內容）。總之，通常使用單變量偏度和峰度來評估多變量正態性，而多變量峰度——分別小於 2、7 和 3 的值通常被認為是可以接受的，儘管在他們撰寫本文時，沒有模擬工作徹底審查過這些截止值。
如果你的變量不符合這些標準，你還能使用 ML 估計嗎？當然，您的參數估計（因子載荷、因子方差和協方差等）將非常準確。您的標準錯誤和但是，模型擬合測試（以及其他典型的模型擬合指數）會存在偏差；與多元正態性的偏離越大，您可以預期的偏差量就越大。
在大多數情況下，正如 Finney & DiStefano (2008) 的評論所表明的那樣，處理非正態性最直接的方法是使用穩健的ML 估計器，它可以糾正標準誤差中非正態性引起的偏差，並產生一個薩托拉-本特勒 (SB)（和相關的模型擬合指數）比標準更準確地捕獲模型中適當的失配量完美契合測試（Satorra & Bentler, 2010）。
lavaan有一些魯棒的 ML 估計器，儘管只有MLM估計器產生 SB. 我不熟悉比較 SB 的模擬工作其他更正，如元-本特勒 (YB)由MLR估算器產生，或它們之間的技術差異。但是，我在其他 SEM 軟件（例如 Mplus）中都使用過，它們通常會產生非常相似的結果MLM。MLR您可能還需要考慮MLR是否MLM有一些丟失的數據需要處理（MLM僅適用於完整案例），然後閱讀 YB 如何處理不同於SB.參考
Finney, SJ 和 DiStefano, C. (2008)。結構方程建模中的非正態和分類數據。在 GR Hancock & RD Mueller (Eds.)，*結構方程建模：第二門課程 (pp. 269-314)。*信息時代出版。
Satorra, A. 和 Bentler, PM (2010)。確保標度差卡方檢驗統計量的積極性。心理測量學, 75, 243-248。