基于最大似然估计的验证性因素分析，前提假设是数据是连续变量，并且服从多元正态分布。但是在实际的研究中，这些条件是很难保证的。在本研究中，考察了数据的不同类型，包括正态连续变量、分类变量和非正态的连续变量三种情况。三个研究分别在基于不同的数据类型，考察样本量、估计方法等因素对于验证性因素分析结果的影响。其中样本量取值范围从100到1000，数据类型涉及到正态连续变量、分类变量和非正态连续变量，估计方法考虑了GLS、ML、wLS(ADF)和S-B修正方法及Robust WLS等一些较新的估计方法。比较在这些不同的实验条件对于验证性因素分析模型识别率、参数估计和拟和指数的影响。研究结论如下： 1、在验证性因素分析中，对于正态的连续变量，估计方法我们应该选用ML和基于ML的S-B修正方法(MLM、MLMV)进行分析。 2、对于分类变量而言，如果将分类变量作为连续变量处理，即使分类数目较多，验证性因素分析的参数估计会不准确，得到的卡方和标准误也会偏大。因此，在研究中，对于分类变量应该将其标定位分类变量处理，并且选用WLS或者WLSM等适合分类变量的估计方法。其中，相对于WLS而言，Robust WLS(WLSM、WLSMV)得到的卡方值和标准误更为合适，对于模型的估计也更为准确。 3、分类变量的验证性因素分析需要较大的样本量，无论分类数目的多少，样本量都应该至少在200以上，如果分类数目较多，或者模型比较复杂，样本量应该在500以上。参数估计的精确性受到样本量的影响。 4、观测变量的分布形态会影响到验证性因素分析的结果。随着非正态程度的增加，模型的卡方值和标准误会增大，拟合指数会降低。在非正态数据的验证性因素分析中，ML和S-B修正方法是比较合适的估计方法。其中S-B修正方法会更为稳定一些。