验证性因子分析 验证性因子分析的三种用途和分析方法

因子分析是一种定量的研究方法。通过降维的思想，将大部分原始数据信息用少数因子(变量)来表示。例如，有一份学生健康问卷，其中包含许多量表项目，这些项目可以提取并总结为睡眠模式、成瘾、心理健康或学习障碍等几个因素。这种方法通常用于社会学研究领域。

因子分析可以分为探索性因子分析和验证性因子分析两种。

探索性因子分析(EFA)用于探索因子与测量项之间的对应关系验证性因子分析(CFA)用于验证因子与测量项之间的对应关系

探索性因子分析简称因子分析，我们一般用的因子分析其实就是探索性因子分析。

有效性分析

因子分析不仅可以浓缩项目，还可以检验量表的效度。效度有很多种，如内容效度、结构效度、收敛效度、区分效度等。每个名称之间的区别解释如下:

SPSSAU整理

如果是非经典量表，通常会使用探索性因子分析(EFA)进行效度验证,该验证方法一般称作结构效度分析。同时还会使用内容效度进行分析即用文字描述量表的来源设计过程等，用于论证研究量表的有效性。如果是经典量表需要进行效度验证，在已经具备良好的结构效度和内容效度的情况下，可使用CFA进行深入分析，即进行聚合(收敛)效度和区分效度分析。

在对因子分析的使用有了大致的了解之后，我们将进一步解释验证性因子分析。

验证性因素分析

验证性因素分析(CFA)是一种测量因素与测量项目(量表项目)的对应关系是否与研究者的预测一致的研究方法。

验证性因子分析CFA的主要目的是验证效度，同时分析常用方法的CMV偏差。

结合实际应用，验证性因素分析通常有三个目的:

验证性因素分析目的概述

1收敛(收敛)有效性分析

聚合效度，也称收敛效度，强调的是那些本应属于同一因子(指标)的测量项目，在测量时确实属于同一因子之下。

如果目的是分析收敛有效性，可以用AVE和CR进行分析。如果各因子的AVE值大于0.5，CR值大于0.7，说明其具有良好的收敛有效性。同时，一般要求每个测量项目对应的因素加载值大于0.7。有时可能会结合模型拟合指数，对模型的MI值进行修正，以得出更好的结论。

从上表可以看出，AVE值均大于0.5，CR值均大于0.7，说明该测量量表的数据具有极好的聚集效度。

2判别效度

区分效度，强调不应该在同一因子(指标)下的测量项目在测量时确实不在同一因子下。

如果目的是分析判别效度，可以用AVE根值与相关分析结果进行比较。如果每个因子的AVE根值大于“该因子与其他因子的最大相关系数”，则具有良好的判别效度。为了更好地描述，请使用下图来显示:

上图对角线为AVE的根值，比如因子对应的AVE的根值为0.843，大于因子1与其他三个因子的相关系数(分别为0.700、0.646、0.777)，类似于因子2、因子3、因子4。最后发现因子的AVE根值都大于因子与其他因子的相关系数值，说明其具有良好的判别效度。

操作步骤:

在分析中，首先完成验证性因子分析的模型构建，通过“生成变量”的功能将项目组合成一个整体(因子)进行相关性分析。

SPSSAU分析界面

3常见方法偏差

常见的方法偏差是指一些外部因素导致的数据集中的偏差。换句话说，测量差异是由研究本身(或其他)造成的，比如测量工具、问题构成或测量环境。

如果目的是进行CMV分析，通常的做法是将所有的测量项目(即所有因素对应的测量量表项目)放在一个因素中，然后进行分析。如果测量表明模型的拟合指数，如卡方自由比、RMSEA、RMR、CFI等。，都不达标，说明模型拟合不好，也就是说，所有的测量项目不应该属于同一个因子(放进去)

验证性因素分析:模型拟合指数结果

上图显示卡自由度值为11.137，明显高于标准(>:3)，GFI、CFI、NFI、NNFI均低于0.7，明显偏离标准值(大于0.9)，RMSEA、RMR均高于0.15，也严重偏离标准值。因此，模型拟合质量很差，这意味着本研究中的尺度数据不能集中在一个因素上，也没有常见的方法偏差。

对于CMV检验，上述思路也适用于使用探索性因子分析EFA法(也称哈曼单因子检验法)的CMV检验，即在考察探索性因子分析EFA的所有量表项目时，如果只有一个因子或第一个因子具有非常大的解释力(方差解释率)，通常以50%为界，则可以判断存在同源方差(普通方法偏差)，否则说明不存在普通方法偏差。

鉴于CMV分析，还有其他方法，建议用户参考文献。

其他说明

进行聚合(收敛)效度，或区分效度分析，建议首先进行探索性因子分析(EFA)，然后再进行CFA分析。原因在于CFA对于数据质量要求高，如果探索性因子分析就发现因子与测量项对应关系出现偏差，需要首先进行处理，确认好因子与测量项对应关系后，再进行CFA分析。如果使用CFA进行分析，建议样本量至少为测量项(量表题)的5倍以上，最好10倍以上，且一般情况下至少需要200个样本。一个因子对应的测量项最好在5~8个之间，便于后续删除掉不合理测量项。