모델의 적합도는 경로모형과 경험적 자료인 데이터가 평균적으로 일치하는가를 평가하는 수치이다. 따라서 전체의 적합도가 우수하여도 모형의 특정경로는 데이터에 일치하지 않을 수 있다.
일반적으로 흔히 쓰이는 모델의 적합도는 카이제곱 (Chi-Square Test of Model Fit),근사치 오차평균 제곱근 (RMSEA: Root Mean Square Error of Approximation), 적합지수 (CFI: Comparative fit index) 그리고 터커 루이스지수 (TLI: Tucker Lewis Index)이다.
카이제곱 검정 (CMIN)은 모델적합도 기준 중에서 통계적 유의성을 유일하게 검정할 수 있는 측정치이다 [225].
χ2값이 작고 확률값이 크면 (P > 0.10) 모델이 적합하다고 평가한다.
만약 자유도에 비해 χ2값이 크다면 표본공분산행렬과 적합행렬이 유의적인 차이가 있다. 그리고 이때 설정된 모델이 자료를 잘 반영하지 못한 것이거나
표본이 모집단을 잘 대표하지 못한 것일 수 있다. 그러나 χ2 값은 표본크기에 비례하여 커지는 경향성으로 인하여 다른 적합지수를 함께 고려하여 결론을 내려야 한다.
RMSEA는 절대적합도지수 (absolute indices of fit)의 카테고리에 속한다 [226]. 이것은 표본이 아닌 모집단에서 모형을 추정할 경우 기대되는 적합도를 의미하며 0 에서 1 사이의 값을 가진다. RMSEA는 0에 가까울수록 우수한 모형이 되는데 0.05 이하의 수치(value)일 때 good fit이고 0.05 에서 0.08 사이일 때 수용할 수 있다 [227]. 그리고 0.08 에서 0.10 은 mediocre fit, 0.10 이상은 poor fit 으로 간주한다 [228].
RMSEA의 신뢰구간은 샘플크기와 모델 복잡성 (complexity)에
의해 영향을 받는다. 만약 샘플수가 적거나 추정된 모수들 (estimated
parameters)의 수가 크다면 신뢰구간 (confidence interval)의 간격은 커
진다. 그리고 RMSEA 추정치 (estimate)가 작더라도 그 신뢰구간이 넓
으면 그 수치는 매우 부정확하고, 반면 신뢰구간이 매우 좁으면 RMSEA
value는 매우 좋은 정확성 (good precision)으로 간주된다 [202].
CFI는 증분적합지수 (incremental fit index) 또는 비교 적합도
지수 (comparative fit index)로 이는 기저모형 (기초모형, baseline
model)에 비해 연구자의 제안모형이 얼마나 향상되었는지를 비교하는
것이다. 기저모형이란 모든 관측변수의 상관관계가 0 이라고 가정한 것
으로 이때 관측변수간에는 공분산이 존재하지 않게 된다 [203].
경로분석 (path analysis)에서 경로계수 (path coefficient)는 주
어진 원인변인이 결과변인에 미치는 고유한 인과적 영향력을 의미한다.
경로분석에서 비표준화경로계수 (non-standardized path coefficient)는
회귀분석 (regression analysis)의 B계수이며, 표준화경로계수(standardized path coefficient)는 베타계수 (beta coefficient)와 같다. 즉,
즉 비표준화경로계수의 수치는 원인변인이 한 단위 변화할 때 영향을 받
는 결과변인의 변화량을 의미한다.
그리고 하나의 결과변인에 두개 이상의 원인변인이 존재한다면, 계수는 다른 원인변인들의 효과를 통제한 상태에서, 한 원인이 변화할 때 영향을 받는 결과변인의 정도를 말한다. 즉, 원인변인의 고유한 직접효과크기를 의미한다.
표준화경로계수는 비표준화계수를 평균이 0 이고 표준편차가
1.0 이 되도록 변환한 것이다. 즉 원인변인이 1표준편차 단위만큼 증가할
때 결과변인은 표준화계수와 같은 수치의 표준편차만큼 변화하게 된다.
이론적, 실증적 근거가 충분히 없을 경우 표준화경로계수는 0.1 이하는
작은 효과, 0.3 정도는 보통 효과, 0.5 이상은 큰 효과로 본다 [168].
