在验证性因子分析和结构方程模型的分析中,究竟样本(N)容量多大以及每个因子要包含多少个指标(Indicators)是研究实践中经常遇到的问题。不容置疑，样本容量越大、包含指标越多，会比较好有些。但是，我们需要了解的是，有没有一个最低可接受的标准可以参考？

Boomasa(1982)认为，无论从模型恰当解的百分率、参数估计的精确性还是卡方统计量的分布，N最少大于100，大于200更好。如果样本数量小于100，相关矩阵会不够稳定，结构方程模型分析的信度低。

如果将样本数量与指标数（P）或自由估计的自由度（t)结合起来，一般认为N/P或N/t大于10比较好。Nunally（1967）的建议经常为人引用，即被试人数是观测b变量的10倍。比如，10个题项的自尊问卷至少需要100个被试才好。Tanaka（1987）认为N/t的比例更重要，Bentler（1989）建议N/t大于5。这些说明，但被试量不大时，不要用太多的变量或估计太多的参数。

有的学者为了减低模型的题目数量，将题数合并成小组（Parcel），用小组的总分或题项平均分构建一个新指标，这样每个因子包含的指题项标就大为减少。一般是要求各个小组内的构成或内容保持同质。如学业自我概念一般由语文自我概念、数学自我概念、一般自我学业能力等构成的15个题目，要合并成3个小组新变量就要求每个变量中均包含语文、数学、一般自我概念三种内容和结构。又如，自尊的10个题目，合并成两项，可以按照奇数和偶数随机分配成2个新变量。这样做的好处，可能会使模型的拟合程度提高，但也可能是“虚高”的结果，这值得注意。

至于一个因子结构包含几个条目，一般应包含3个条目。在探索性研究过程中，尽量多设计一些条目，以备预测后删除。值得注意的是，统计结果的指标只是提供了一些参考，是否真的需要删除条目，主要还是要看这个因子的内涵和特性。在不影响因子结构和内涵的前提下，可以结合条目的内容符合程度、语言表达规范性等综合考虑。如学业自我概念的预测结果表明语文方面的题目质量不好，也未必一定删除，否则就减少了学习自我概念的内涵了（只是一般自我概念和数学自我概念了）！