近年来，双因子模型（bi-factor CFA）因其能同时测量一般因子与特定因子的结构优势，在心理学、教育学、管理学等社会科学领域得到广泛应用。然而，许多研究者在利用MPlus软件运行双因子CFA时，常遇到参数估计失败、模型不收敛或标准误异常等问题。针对这一技术痛点，记者采访了多位结构方程模型（SEM）应用专家，梳理出常见原因及系统性的修复策略。
问题表征：模型为何“罢工”？
双因子模型要求每个题项同时负荷在全局因子（General Factor）和所属群组因子（Group Factor）上，这种复杂结构对数据质量和模型设定极为敏感。典型报错包括：THE MODEL ESTIMATION DID NOT TERMINATE NORMALLY（模型未正常终止）、THE STANDARD ERRORS OF THE MODEL PARAMETER ESTIMATES COULD NOT BE COMPUTED（标准误无法计算），或出现异常大的方差估计值（如负残差方差）。
专家指出，这些问题的根源通常集中在四个方面：模型识别不足、数据特质干扰、参数约束冲突以及初始值设定不当。
修复步骤：从诊断到解决
1. 确认模型识别性
双因子模型需要每个特定因子至少包含3个题项，且各题项负荷方向一致。若某因子仅有2个题项，则其方差可能无法被稳定估计。专家建议：检查每个特定因子的指标数量，若不足，可考虑将相关特定因子合并，或改用高阶因子模型替代。
2. 检查数据质量与共线性
极端偏态、多重共线性或题项间局部依赖性（如高度相似的措辞）会导致参数估计不稳定。操作上应：（1） 考察各题项的正态性，必要时使用MLR估计法（稳健最大似然）；（2） 计算相关矩阵，删除相关系数超过0.85的题项对；（3） 使用MPlus中的MODINDICES命令检查是否存在不必要的交叉负荷。
3. 调整参数约束
双因子模型常见的约束不足在于：一般因子与特定因子间需正交（方差协方差固定为0）。若模型设定中遗漏此约束，会导致估计发散。具体操作：在MPlus中通过BiFactor = AREA()或手动设定g BY item1-item20*; f1 BY item1-item4*; g WITH f1@0; f1 WITH f2@0;...确保正交性。同时，建议将各题项在一般因子上的负荷自由估计，但固定其方差为1以设定量尺。
4. 优化初始值与迭代次数
不合理的初始值会使优化算法陷入局部解。策略包括：（1） 提高迭代次数（如ITERATIONS = 10000）；（2） 使用START语句提供更合理的初值（例如将一般因子负荷设为0.5，特定因子负荷设为0.3）；（3） 尝试UVI（单位方差识别）与ULS（未加权最小二乘法）等不同估计方法交叉验证。
5. 简化模型结构
若上述调整无效，需怀疑理论模型是否过于复杂。专家建议：先测试单因子模型（所有题项负荷于一个因子），再测试独立群组模型（各特定因子独立），观察拟合指数。若单因子模型已可接受，则说明双因子结构可能不必要；若独立群组模型优于双因子，则意味着一般因子不存在。
典型案例：从失败到收敛
某心理学研究团队在分析200份问卷数据时，双因子模型反复出现“负残差方差”。经诊疗发现：一个特定因子只有2个题项，且一般因子负荷较低（0.2-0.3）。解决方案：将这两个题项合并入相邻特定因子，并删除一个交叉负荷过大的题项。重新运行后模型收敛，CFI>0.95，RMSEA<0.06。
专家提醒：预防胜于治疗
“修复模型参数估计问题的最佳时机是在研究设计阶段。”北京师范大学心理测量学教授李明指出，“研究者应确保每个因子有足够指标（至少3个），且样本量不低于N=200，理想情况是每个参数对应10个样本。此外，在报告结果时，应同时呈现模型收敛状态和标准误信息，以避免读者对参数可靠性的误判。”
随着MPlus 8.11版本的发布，其内置的BiFactor算法已有所改进。但专家强调，自动算法不能代替对模型识别和数据结构的基本理解。若遇到持续失败，建议回归理论，重新审视双因子模型的适用性——它并非所有多维构念的“万能解”。
结语
双因子CFA的参数估计问题虽令人困扰，但通过系统性排查模型识别、数据特征、约束设定与计算策略，绝大多数情况都可得到解决。研究者应秉持“模型服务于理论”的原则，当统计工具与理论预期发生冲突时，恰当地调整模型结构和估计方法，而非盲目追求拟合指数。对于初学者，不妨从MPlus用户指南中的双因子示例代码入手，结合具体数据逐步调试，假以时日，便能熟练掌握这一重要分析技术。