验证性因子分析思路总结

一、潜变量和可测变量的设定本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。

它包括顾客对超市总体形象及与其他超市相比的知名度。

它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。

模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。

表因此数据的效度检验就转化为结构方程模型评价中的模型拟合指数评价。

对于本案例，从表7-16可知理论模型与数据拟合较好，结构效度较好。

二、结构方程模型建模构建如图7.3的初始模型。

图7-3 初始模型结构图7-4 Amos Graphics 初始界面图第一节 Amos 实现1一、Amos 模型设定操作 1 这部分的操作说明也可参看书上第七章第二节:Amos 实现。

1．模型的绘制在使用Amos进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。

相关软件操作如下：第一步，使用建模区域绘制模型中的七个潜变量（如图7-6）。

为了保持图形的美观，可以使用先绘制一个潜变量，再使用复制工具绘制其他潜变量，以保证潜变量大小一致。

在潜变量上点击右键选择Object Properties，为潜变量命名（如图7-7）。

绘制好的潜变量图形如图7-8。

第二步设置潜变量之间的关系。

使用来设置变量间的因果关系，使用来设置变量间的相关关系。

绘制好的潜变量关系图如图7-9。

图7-7 潜变量命名图7-8 命名后的潜变量图7-9 设定潜变量关系第三步为潜变量设置可测变量及相应的残差变量，可以使用绘制，也可以使用和自行绘制（绘制结果如图7-10）。

在可测变量上点击右键选择Object Properties，为可测变量命名。

（超详细）验证性因⼦分析步骤讲解—SPSSAU在线分析平台上⼀篇⽂章中，初步介绍了验证性因⼦分析的功能及应⽤场景。

下⾯通过⼀个实例来具体了解⼀下，验证性因⼦分析的操作步骤以及过程中需要注意的内容。

1、背景当前有⼀份215份的研究量表数据，共由四个因⼦表⽰，第⼀个因⼦共5项，分别是A1~A5；第⼆项因⼦共5项，分别是B1~B5；第三个因⼦共4项，分别是C1~C4；第4个因⼦共6项，分别是D1~D6。

现希望验证此量表的聚合效度和区分效度，并且希望进⾏共同⽅法偏差分析。

2、分析步骤验证性因⼦分析的步骤⼤致可分为四步，分别是：模型构建、删除不合理测量项、模型MI指标修正和模型分析。

（1）模型构建即将因⼦与测量项对应关系放置规范；在进⾏CFA分析前⼀般需要进⾏EFA，清理掉对应关系出现严重偏差的测量项（2）删除不合理测量项如果因⼦与测量项间的对应关系出现严重偏差，此时可考虑删除某测量项；也或者某测量项与因⼦间的载荷系数值过低(⽐如⼩于0.5)，说明该测量项与因⼦间关系较弱，需要删除掉该测量项（3）模型MI指标修正如果说模型拟合指标不佳，可考虑进⾏模型MI指标修正【SPSSAU默认提供MI⼤于20，MI⼤于10，MI⼤于5，和MI⼤于3共四种模型修正⽅式】（4）最终模型分析3、操作本例⼦中的量表共分为四个因⼦，暂不进⾏模型MI修正，放置如下：4、SPSSAU输出结果SPSSAU共输出6个表格，各表格对应解释说明如下：SPSSAU整理表1 CFA分析基本汇总表格从上表可知，本次针对共4个因⼦，以及20个分析项进⾏验证性因⼦分析(CFA)分析。

本次分析有效样本量为215，超出分析项数量的10倍，样本量适中。

CFA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。

表2 因⼦载荷系数表格因⼦载荷系数表格展⽰因⼦和测量项之间的关联关系，通常使⽤标准载荷系数值表⽰因⼦与分析项间的相关关系。

AMOS做验证性因子分析验证性因子分析（Confirmatory factor analysis, CFA）是一种统计方法，用于检验研究者构建的理论或假设模型是否与实际数据相吻合。

它是一种多变量分析方法，用于测量和验证潜在因子对观察指标的关系。

在本文中，将介绍如何使用AMOS软件进行验证性因子分析，并说明其步骤和解释结果的方法。

验证性因子分析的步骤如下：1.准备数据：首先，需要准备清洁和格式化的数据集。

确保变量的测量是连续的，并检查是否存在缺失值。

如果存在缺失值，可以选择删除缺失值或使用合适的方法进行缺失值处理。

2.建立模型：在AMOS软件中，创建新项目并选择“新模型”的选项。

在模型中添加指标和潜变量，并指定它们之间的因子关系。

可以使用路径图或列表方式指定模型。

3. 参数估计：在参数估计部分，选择适当的估计方法，如最大似然估计（Maximum Likelihood, ML）或广义最小二乘估计（Generalized Least Squares, GLS）。

这些方法可以根据数据集的特点来选择。

4. 模型拟合度检验：进行模型拟合度检验是确认模型的重要步骤。

通过比较实际数据与模型预测数据的吻合程度来评估模型的拟合度。

常用的拟合度指标包括卡方检验值（chi-square）、规范拟合指数（NFI）、增量拟合指数（IFI）和根均方误差逼近指数（RMSEA）。

5.修正模型：如果模型拟合度不佳，需要对模型进行修正。

可以根据修正指标的建议来调整模型，例如删除不明显或不显著的路径，增加或修改潜变量之间的关系。

6.解释结果：解释模型结果是验证性因子分析的重要任务之一、通过对模型参数和估计值的解读来解释实际数据与模型之间的关系。

还可以进行模型比较，比较不同模型之间的差异和优劣。

验证性因子分析的结果通常包括了对模型拟合度的评估和模型参数的解释。

模型拟合度指标可以告诉我们模型与实际数据的吻合程度，例如卡方检验值的显著性、NFI、IFI和RMSEA等指标。

因子分析是一种常用的数据分析方法，用于发现变量之间的潜在关系和结构。

在因子分析中，因子结构验证是非常重要的一步，它可以帮助研究者确认因子分析模型的合理性和有效性。

本文将介绍因子分析中的因子结构验证方法，包括探索性因子分析和验证性因子分析两种方法。

探索性因子分析（Exploratory Factor Analysis，EFA）是一种用于发掘数据潜在结构的方法。

在进行EFA时，研究者首先需要确定因子个数，然后运用旋转方法（如方差最大化旋转、极大似然旋转等）来使得因子具有更好的解释性。

在因子结构验证过程中，研究者可以通过观察因子载荷矩阵、因子方差解释率、共同度等指标来评估因子结构的合理性。

如果某个变量在多个因子上具有较大的因子载荷值，或者某个因子的方差解释率较低，都可能表明因子结构存在问题，需要重新调整模型。

验证性因子分析（Confirmatory Factor Analysis，CFA）则是一种更加严格的因子结构验证方法。

在CFA中，研究者需要预先提出一个明确的因子模型，并利用结构方程模型（SEM）来进行验证。

在CFA中，研究者需要设定因子间的相关性、因子载荷等参数，并使用拟合指标（如χ2拟合度、RMSEA、CFI等）来评估模型的拟合效果。

如果模型拟合效果不佳，研究者需要进行修正，并考虑是否需要增加或删除某些因子，或者调整变量的归属。

除了EFA和CFA外，还有一些其他的因子结构验证方法，如多组因子分析（MFA）、多水平因子分析（MLFA）等。

这些方法可以帮助研究者在不同条件下对因子结构进行验证，增强因子分析模型的可靠性和稳健性。

在因子结构验证过程中，研究者还需要注意一些常见的误区。

首先，不要过分追求因子载荷值的大小，因为载荷值的大小受样本大小和变量间相关性的影响。

其次，不要忽视共同度和特殊因子方差的解释，共同度较低的变量可能并不适合作为因子的代表变量。

最后，不要忽视模型的拟合指标，模型的拟合效果对于因子结构验证至关重要。

探索性因子分析与验证性因子分析探索性因子分析与验证性因子分析比较研究湖北武汉杨丹全文：探索性因子分析与检验性因子分析就是因子分析的两种相同形式。

它们都就是以普通因子模型为基础,但它们之间也存有着很大差异。

本文通过对它们展开比较分析,找到其优劣，并对方法论分析提供更多一定的指导依据。

关键词：探索性因子分析、验证性因子分析、结构方程模型现实生活中的事物就是错综复杂的，在现实的数据中，我们经常碰到的就是多元的情况，而不仅仅就是单一的自变量和单一的因变量。

因此必须使用多元的分析方法，而因子分析就是其中一种非常关键的处置降维的方法。

它就是将具备错综复杂关系的变量（或样品）综合为少数几个因子，以重现完整变量与因子之间的相互关系，同时根据相同因子还可以对变量展开分类。

它实际上就是一种用以检验潜在结构就是怎样影响观测变量的方法。

因子分析主要存有两种基本形式：探索性因子分析（exploratoryfactoranalysis）和检验性因子分析（confirmatoryfactoranalysis）。

探索性因子分析（efa）致力于找到事物内在的本质结构；而检验性因子分析（cfa）就是用以检验未知的特定结构与否按照预期的方式产生促进作用。

两者之间就是既有联系也有区别的，下面我们就从相同的方面展开分析比较。

一、两种因子分析的相同之处两种因子分析都就是以普通因子模型为基础的。

因子分析的基本思想就是通过变量的相关系数矩阵内部结构的研究，找到能够掌控所有变量的少数几个随机变量回去叙述多个变量之间的有关关系，但在这里，这少数几个随机变量就是不容观测的，通常称作因子。

然后根据相关性的大小把变量分组，使同组内的变量之间相关性较低，但相同组的变量相关性较低。

如图１所示，我们假定一个模型，它表明所有的观测变量（变量1到变量5）是一部分受到潜在公共因子（因子1和因子2）影响，一部分受到潜在特殊因子（e1到e5）影响的。

而每个因子和每个变量之间的相关程度是不一样的，可能某给定因子对于某些变量的影响要比对其他变量的影响大一些。

验证性因子分析
验证性因子分析（CFA）是一种用于检验和验证研究模型的统计分析方法。

它是基于因子分析的一种方法，通过考察特征因子和变量之间的关系来评估研究模型的拟合程度。

在进行CFA之前，首先需要构建研究模型。

研究模型是通过将观察变量组织成潜在变量的形式来描述和解释数据之间的关系。

潜在变量表示无法直接观测或测量的概念或构造，例如抽象的概念、心理特征或态度。

CFA的步骤如下：
1. 设定研究模型：根据研究问题和理论基础，确定研究模型的结构和变量之间的关系。

研究模型通常由潜在变量和观察变量组成。

2. 收集数据：收集足够数量的数据来进行CFA分析。

数据可以通过问卷调查、实验或其他适当的方法来收集。

3. 选择统计软件：选择适用于CFA分析的统计软件，例如SPSS、AMOS或LISREL等。

4. 进行模型拟合度检验：使用CFA软件分析数据，并计算出模型的拟合度指标。

常用的拟合度指标包括χ²值、DF（自由度）、CFI （相对拟合指数）、RMSEA（均方根误差逼近指数）等。

5. 修正模型：根据拟合度指标和相关统计量对模型进行修正。

如果模型的拟合度不佳，可以尝试添加或删除某些路径、允许关联错误项、修正模型规范等，以提高模型的拟合度。

6. 验证模型：对修正后的模型进行再次分析，检验拟合度指标是否得到了改善。

如果模型的拟合度满足要求，则可以认为模型通过了验证。

需要注意的是，CFA只能检验给定模型的拟合程度，而不能确定模型的因果关系。

因此，在进行CFA之前，需要有明确的研究假设和理论基础，以便根据统计结果对研究模型进行解释和解释。

因子分析是一种常用的数据分析方法，用于发现变量间的潜在结构和关系。

在因子分析中，因子结构验证是非常重要的一部分，它帮助研究人员确定所提取的因子是否能够合理地解释观察到的变量之间的关系。

本文将介绍因子分析中的因子结构验证方法，并探讨其在实际研究中的应用。

一、探索性因子分析探索性因子分析是一种旨在探索变量之间潜在结构的方法。

在这种分析中，研究人员首先提取潜在因子，并根据因子载荷矩阵来解释这些因子和变量之间的关系。

在因子结构验证中，研究人员通常会使用各种统计方法来确定所提取的因子是否合理。

二、验证性因子分析验证性因子分析是用于验证由探索性因子分析提取的因子结构的方法。

在这种分析中，研究人员会根据理论假设提出一个模型，并使用统计方法来检验这个模型是否与观察数据相匹配。

常用的检验方法包括卡方检验、比较拟合指数（CFI）、增量拟合指数（IFI）等。

三、因子旋转因子旋转是一种常用的因子结构验证方法，它旨在提高因子载荷的解释性和可解释性。

常用的因子旋转方法包括方差最大化旋转（VARIMAX）、等方差最小化旋转（EQUAMAX）、极大似然旋转等。

通过因子旋转，研究人员可以更清晰地解释所提取的因子结构，从而提高研究结果的可信度。

四、交叉验证交叉验证是一种常用的因子结构验证方法，它通过将样本数据随机分成两个部分，一部分用于提取因子结构，另一部分用于验证提取的因子结构。

通过交叉验证，研究人员可以确保所提取的因子结构是稳健的，并且具有较好的泛化能力。

五、拆分样本验证拆分样本验证是一种常用的因子结构验证方法，它通过将样本数据分成两个部分，一部分用于提取因子结构，另一部分用于验证提取的因子结构。

拆分样本验证可以帮助研究人员检验因子结构在不同样本中的稳定性，从而提高研究结果的可信度。

六、交叉验证因子分析交叉验证因子分析是一种结合了交叉验证和验证性因子分析的方法，它旨在提高因子结构验证的稳健性和泛化能力。

通过交叉验证因子分析，研究人员可以在保证模型的合理性的同时，确保因子结构具有较好的泛化能力，从而提高研究结果的可信度。

验证性因子分析验证性因子分析（Confirmatory Factor Analysis, CFA）是一种统计方法，用于检验和验证一个已经构建的多维量表的因子结构和因子载荷是否与预测一致。

其基本原理是在预设的因子结构前提下，通过对观察数据进行分析，确定相关因子的因子载荷是否显著，从而确定因子结构的准确性。

验证性因子分析需要先有理论基础并构建出一个已经测试过的多维量表，然后使用CFA模型对观察数据进行分析。

在该分析中，先构建一个因子模型，并设定各个因子与测量变量之间的关系，然后通过最大似然估计或贝叶斯估计等方法，根据数据对模型的适配度进行统计检验，判断模型是否能够很好地解释数据。

在验证性因子分析中，通常通过以下指标来评估模型的适配度：1. 卡方检验（Chi-Square Test）：检验观察数据与模型之间的拟合程度，通常考虑的是卡方值和自由度的比值。

较小的卡方值和较大的自由度比值表示较好的拟合程度。

2. 均方根误差逼近指标（Root Mean Square Error of Approximation, RMSEA）：此指标反映模型误差的程度，一般认为RMSEA值在0.05以下表示较好的拟合程度。

3. 标准化拟合指数（Comparative Fit Index, CFI）和增量拟合指数（Incremental Fit Index, TLI）：这两个指标反映模型与数据的拟合程度，值越接近1表示拟合效果越好。

4. 标准化残差（Standardized Residuals）：这个指标可以用来检验模型的统计显著性，较小的标准化残差表示模型比较合理。

通过分析以上指标，我们可以根据验证性因子分析的结果来评估模型的适配度，并判断因子结构是否与预期一致。

如果模型的适配度较好，即各个指标都在接受范围内，说明构建的因子结构是恰当的；如果拟合度较差，我们可能需要重新考虑因子结构或修改测量工具。