验证性因子分析思路总结
验证性因子分析
k
k
k
12
模型拟合优度检验
n n 1 ln( LF ) [ln S tr( SS )] [ln S p] 2 2
n ln( LR ) ln tr S 1 2
H0: Reduced model is indifferent from full model Ha: two models are significantly different Set α=0.2
11
模型的评价
• 一个好的模型就是参数的估计值使得模型隐含的方差协方 差矩阵 (k ) 与样本导出的方差协方差矩阵S充分地接近， 或满足事先给定的标准。 • 令F=F(S， ( ) ) • 它是一个非负函数。F=0，当且仅当S= ( ) ，即模型完全 拟合数据。F被称为拟合函数，它的具体公式取决于方法。 • 验证性因子分析的总体拟合优度的统计假设是： H0：S= ( ) ，即数据完全拟合。 H1：S ( ) ，即数据不完全拟合。
均方根
GFI拟合优度指数 不受样本大小影响， ＞0.95：good level (goodness of fit index) 可用于不同模型之 ＞0.90：acceptable level 间的比较。 AGFI 调整后拟合优 度指数 ＞0.90：good level ＞0.80：acceptable level
10
模型的参数估计
• 1、估计因子载荷
逐步迭代： k g (k ), k 1,2,... 直到 ( k ) 与S充分的接近。 最后得到的估计为模型的一个非标准参数估计
• 2、 计算标准因子载荷
标准因子载荷消除了纲量的影响，可以用来比较指标对潜在因 子的相对重要性。绝对值越大，指标对潜在因子的贡献越大。 1） 令每个因子的方差为1； 2） 将每个因子与因子载荷在之上的变量间的λ值任选一个， 并固定为1
amos_验证性因子分析报告报告材料步步教程
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
（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。
因子分析中的因子结构验证方法(Ⅱ)
因子分析是一种常用的统计方法，用来探索变量之间的关系和潜在的结构。
在因子分析中，因子结构验证是一项非常重要的工作，它能够帮助研究人员确认因子分析模型的有效性和稳定性。
在本文中，我们将介绍因子分析中的因子结构验证方法，并讨论其在实际应用中的意义和作用。
因子分析的基本原理是通过对变量之间的协方差矩阵进行特征值分解，从而找到能够解释原始变量方差的最少个数的线性组合。
这些线性组合就被称为因子，它们可以帮助我们理解变量之间的内在结构和关系。
在因子分析中，因子结构验证是指通过一系列的统计检验和分析方法，来确认因子分析模型是否有效和可靠。
常用的因子结构验证方法包括：因子旋转、模型拟合指数、半径法和交叉验证等。
首先，因子旋转是一种常用的因子结构验证方法。
在因子分析中，原始的因子载荷矩阵可能比较复杂，很难直观地解释和理解。
因子旋转可以通过旋转原始的因子载荷矩阵，使得旋转后的因子载荷矩阵更加简洁和清晰，更符合研究人员的理论假设和实际需求。
常用的因子旋转方法包括：方差最大化旋转、极大似然旋转和直接变换旋转等。
其次，模型拟合指数是另一种常用的因子结构验证方法。
在因子分析中，模型拟合指数可以用来评估因子分析模型与样本数据之间的契合程度。
常用的模型拟合指数包括：卡方拟合指数、比较拟合指数和根均方误差近似等。
此外，半径法也是一种常用的因子结构验证方法。
半径法基于特征值和因子载荷矩阵，通过计算因子的简单结构和复杂结构比例，来评估因子分析模型的有效性和稳定性。
半径法可以帮助研究人员判断因子之间的相关性和因子载荷矩阵的简洁性，从而确认因子分析模型是否合理和可靠。
最后，交叉验证也是一种常用的因子结构验证方法。
在因子分析中，交叉验证可以通过将样本数据分为训练集和测试集，来评估因子分析模型的泛化能力和稳定性。
交叉验证可以帮助研究人员确认因子分析模型在不同样本和情境下的适用性和稳定性，从而提高因子分析的可靠性和实用性。
总之，因子结构验证是因子分析中非常重要的一环。
AMOS做验证性因子分析
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。
因子分析中的因子结构验证方法(七)
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
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。
因子分析中的因子结构验证方法(五)
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。
验证性因子分析思路总结
目录验证性因子分析 (1)分析步骤 (3)（1）模型设定 (4)（2）模型拟合 (4)（3）模型修正 (6)（4）模型分析 (9)验证性因子分析，是用于测量因子与测量项(量表题项)之间的对应关系是否与研究者预测保持一致的一种研究方法。
尽管因子分析适合任何学科使用，但以社会科学居多。
目前有很多软件都可以非常便利地实现验证性因子分析，本文将基于SPSSAU系统进行说明。
验证性因子分析Step1：因子分析类型因子分析可分为两种类型：探索性因子分析（EFA）和验证性因子分析（CFA）。
探索性因子分析，主要用于浓缩测量项，将所有题项浓缩提取成几个概括性因子，达到减少分析次数，减少重复信息的目的。
验证性因子分析与探索性因子分析相似，两者区别只在于探索性因子分析(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)用于验证结果与理论预期是否一致。
Step2：分析思路在实际研究中，验证性因子分析常会与结构方程模型、路径分析等方法联系到一起，对于不熟悉概念的研究人员容易搞混这些方法，下表对这几种方法进行简单说明：探索性因子分析（EFA）研究测量关系适用于非经典量表验证性因子分析（CFA）研究测量关系适用于经典量表回归分析研究自变量对一个因变量的影响关系y为定量数据路径分析研究多个自变量与多个因变量之间的影响关系可先用CFA/EFA确定因子与研究项关系，再进行路径分析结构方程模型研究影响关系及测量关系结构方程模型包括两部分：验证性因子分析和路径分析●探索性因子分析：验证因子与分析项的对应关系，检验量表效度，非经典量表通常用探索性因子分析。
●验证性因子分析：验证因子与分析项的对应关系，检验量表效度，成熟量表通常用验证性因子分析。
确认测量关系后，后续可进行路径分析/线性回归分析研究具体的影响关系。
●路径分析：用于研究多个自变量与多个因变量影响关系；如果因变量只有一个，可以使用线性回归分析。
●结构方程模型SEM：包括测量关系和影响关系。
第四讲 验证性因子分析的原理与应用
主讲：张 林（博士）
一、因子分析（ Factor Analysis ） 基本思想
基本思想: 在研究中往往需要对反映事物的多个变量进行观测，收 集数据，变量庞大无疑为科学研究提供了丰富的信息， 但在一定程度上也增加了问题分析的复杂性，由于各变 量存在一定相关关系，因而可以通过降维过程将相关性 高的变量聚在一起，因子分析由此而来。 根据研究目的不同，因子分析可以分为： 探索性因子分析（ atory Factor Analysis ） 验证性因子分析（ Confirmatory Factor Analysis ）
二、 Exploratory Factor Analysis
1. 基本含义： 在实际研究中，如果事先对于因素分析的结果(如公因子的数目， 含义，公因子问的关系、公因子与观测变量的关系)并无明确的、可检 验的假设(如在开创性研究中)，研究的目的仅在于“发现”、命名可 能存在的公因子并用公因子来解释观测变量间的共变关系。
X=
ξ2
参数设置： （1）自由参数 ——待估计参数； （2）固定参数 ——固定值为0或1； （3）限制参数 ——限定数值。
• 矩阵基础知识
零矩阵 —— 0（ZE）； 单位矩阵 —— I （ID）； 对角矩阵 —— （DI）； 下三角矩阵—— （SD）； 对称矩阵 ——（SY）； 标准对称矩阵——（ST）； 完整矩阵 ——（FU）。
2. 前提假设:
3. EFA的基本步骤：
三、 Confirmatory Factor Analysis
1. 基本含义 根据已有理论和研究成果，事前就能够对因素分析的结果做出 合理的理论假设，研究的目的在于从数据的角度检验这种假设(构 想效度)的合理性。 2. 前提假设： （1）公共因素之间可以相关，也可以无关； （2）观测变量可以只受某一个或几个公共因素的的影响，而不 必受所有公共因素的影响； （3）特殊因素之间可以有相关，可以有不存在误差的观测变量； （4）公共因素与特殊因素相互独立。
验证性因子分析报告
验证性因子分析报告引言验证性因子分析（CFA）是一种统计方法，用于评估测量模型的适配性和建立因子与观测变量之间的关系。
本报告旨在介绍CFA的步骤和思考过程，以及如何解释和应用CFA结果。
步骤一：确定研究目的和假设在进行CFA之前，首先需要明确研究目的和假设。
研究目的可以是验证一个已有的理论模型，或者建立一个新的测量模型。
假设可以是具体的关系假设或者差异假设。
步骤二：选择合适的测量工具和样本第二步是选择合适的测量工具和样本。
测量工具可以是问卷调查、观察或者其他形式的测量工具。
样本的选择应该具有代表性，并且具备足够的样本量以支持结果的可靠性。
步骤三：建立测量模型建立测量模型是CFA的核心步骤。
首先，确定要测量的潜在因子，并选择合适的观测变量。
然后，建立一个初始模型，将观测变量与潜在因子进行关联。
在建立模型时，需要考虑因子间的相关性以及观测变量的量表信度。
步骤四：评估模型适配性一旦建立了测量模型，接下来需要评估模型的适配性。
常用的适配性指标包括卡方检验、比较合适度指数（CFI）、增量合适度指数（IFI）和根均方误差逼近指数（RMSEA）。
这些指标可以帮助研究者判断模型是否与实际数据拟合良好。
步骤五：检验因子负荷和因子间关系一旦模型的适配性得到确认，接下来需要检验因子负荷和因子间的关系。
因子负荷指观测变量与潜在因子之间的关系强度，可以通过标准化回归系数来度量。
因子间关系可以通过检验路径系数或者相关系数来判断。
步骤六：解释和应用CFA结果最后一步是解释和应用CFA的结果。
根据因子负荷和因子间关系的方向和强度，可以对测量模型进行解释，并验证研究假设。
此外，CFA结果还可以用于改进测量工具或者探索其他相关问题。
结论验证性因子分析是一种强大的统计方法，可以用于评估测量模型的适配性和建立因子与观测变量之间的关系。
通过明确研究目的和假设，选择合适的测量工具和样本，建立测量模型，评估模型适配性，检验因子负荷和因子间关系，并解释和应用CFA结果，研究者可以得出可靠的结论，并推动理论和实践的发展。
amos_验证性因子分析报告步步教程
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，对模型作了一些改良，在模型中增加超市形象。
它包括顾客对超市整体形象及与其他超市相较的知名度。
它与顾客期望，感知价钱和顾客中意有关，设计的模型见表7-1。
模型中共包括七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客中意、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阻碍着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。
表7-1 设计的结构途径图和大体途径假设超市形象对质量期望有路径影响质量期望对质量感知有路径影响质量感知对感知价格有路径影响质量期望对感知价格有路径影响感知价格对顾客满意有路径影响顾客满意对顾客忠诚有路径影响超市形象对顾客满意有路径影响超市形象对顾客忠诚有路径影响因此数据的效度查验就转化为结构方程模型评判中的模型拟合指数评判。
关于本案例，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．模型的绘制在利用Amos进行模型设定之前，建议事前在纸上绘制出大体理论模型和变量阻碍关系途径图，并确信潜变量与可测变量的名称，以幸免没必要要的返工。
相关软件操作如下：第一步，利用建模区域绘制模型中的七个潜变量（如图7-6）。
为了维持图形的美观，能够利用先绘制一个潜变量，再利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。
利用来设置变量间的因果关系，利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。
1这部分的操作说明也可参看书上第七章第二节:Amos实现。
验证性因子分析的讲解
EFA vs CFA
参考文献《探索性因子分析与验证性因子分析比 较研究》
EFA&CFA——相同之处
都是为了考察观测变量之间的相关系数和方差协 方差。
高度相关的观测变量(不管是正相关还是负相关) 很可能是受同样的因子影响,而相对来说相关程度 不是很高的观测变量很可能是受不同的因子影响 的。而因子必须尽可能多地解释变量方差,每个变 量在每个因子上都有一个因子载荷,因子的意义需 由比较哪些变量在哪个因子上载荷最大来决定。 通过寻找潜在公共因子,并合理解释因子的意义, 我们就能揭示错综复杂的事物的内部结构。
数表示） Σ（Θ^）：根据样本估计出Θ^后得到的协方差矩阵
目的
S——Σ Σ（Θ^）——Σ（Θ） 估计出参数，使得Σ（Θ^）逼近S，即使得Σ（Θ）
逼近Σ
参数估计 模型识别 模型评价等具体细节原理 教材CH9
应用举例
《外资企业跨文化适应模式分析结构方程建模》
谢谢
AMOS，M种
LISREL（ Linear Structural RELationship） 1. SEM分析软件 2. 线性结构方程模型
LISREL（Joreskog，1970）方法也称为协方差 建模方法，通过拟合模型估计协方差与样本协方 差S来估计模型参数。具体来说，就是使用极大 似然等方法，构造模型估计协方差与样本协方差 的拟合函数，然后通过迭代，得到使拟合函数值 最优的参数估计。
结构方程模型另一方法——PLS
偏最小平方模型PLS（Wald，1982） 《模型构建方法与结构方程建模——与张建平同志
商讨》一文中旨在将结构方程模型与LISREL的 概念区分开而具体介绍
当研究目的是理论检验且先验理论知识充足时， 更宜采用LISREL；当研究目的是因果预测应用， 且理论知识非常缺乏时，则PLS更加适合。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目录
验证性因子分析 (1)
分析步骤 (3)
（1）模型设定 (4)
（2）模型拟合 (4)
（ 3 ）模型修正 (6)
（4）模型分析 (9)
验证性因子分析，是用于测量因子与测量项（量表题项）之间的对应关系是否与研究者预测保
持一致的一种研究方法。
尽管因子分析适合任何学科使用，但以社会科学居多。
目前有很多软件都可以非常便利地实现验证性因子分析，本文将基于SPSSAU系统进行说明。
验证性因子分析
Step1：因子分析类型
因子分析可分为两种类型：探索性因子分析（EFA）和验证性因子分析（CFA）。
探索性因子分析，主要用于浓缩测量项，将所有题项浓缩提取成几个概括性因子，达到减少分析次数，减少重复信息的目的。
验证性因子分析与探索性因子分析相似，两者区别只在于探索性因子分析（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）用于验证结果与理论预期是否一致。
Step2：分析思路
在实际研究中，验证性因子分析常会与结构方程模型、路径分析等方法联系到一起，对于不
熟悉概念的研究人员容易搞混这些方法，下表对这几种方法进行简单说明：
探索性因子分析（EFA）验证性因子分析（CFA ）研究测量关系研究测量关系
回归分析研究自变量对一个因变量的影响关系
路径分析研究多个自变量与多个因变量之间的影响关系
适用于非经典量表
适用于经典量表
y 为定量数据
可先用CFA/EFA 确定因子与研究项关系，再进行路径分析
结构方程模型包括两部分：
结构方程模型研究影响关系及测量关系
验证性因子分析和路径分析
探索性因子分析：验证因子与分析项的对应关系，索性因子分析。
验证性因子分析：验证因子与分析项的对应关系，性因子分析。
确认测量关系后，后续可进行路径分析系。
检验量表效度，非经典量表通常用探
检验量表效度，成熟量表通常用验证
/ 线性回归分析研究具体的影响关
路径分析：用于研究多个自变量与多个因变量影响关系；如果因变量只有一个，可以使用线性回归分析。
结构方程模型SEM：包括测量关系和影响关系。
如果仅包括影响关系，此时称作路径分析
（Path analysis，有时也称通径分析）。
通常需要进行探索性因子分析和验证性因子分析，
均保证测量关系无误之后，再进行结构方程模型构建。
从分析思路上看，建议先用探索性因子分析EFA构建模型，确定存在几个因子及各分析项与因子的
对应关系，再用验证性因子分析CFA加以检验。
Step3：SPSSAU操作
分析步骤
1）模型设定
首先需要确定因子数及对应分析题项，顺序放入分析框内。
模型MI 调整：用于修正模型拟合度，一般在模型拟合情况不佳时使用。
通常情况下不
需要设置。
二阶：验证性因子分析包括一阶和二阶，绝大多数情况下均为一阶验证性因子分析。
如果说验证性因子分析时为二阶模型，可以勾选‘二阶'项即可。
2）模型拟合
因子载荷系数表格
通过因子载荷系数表格可以展示因子（潜变量）与分析项（显变量）之间的关系情况。
如果因子与测量项间的对应关系出现严重偏差，或者因子载荷系数值过低，则需要删除掉该测量项。
分析时主要关注P 值及标准载荷系数，建议结合SPSSAU给出的“分析建议”进行分析。
模型拟合指标
模型拟合指标用于整体模型拟合效度情况分析。
常用的拟合值及其判断标准，都展示在上表中，实际输出值在标准范围内及说明模型拟合程度较好。
模型拟合指标非常多,通常下很难保证所有指标均达标，只要多数指标达标或接近标准值即可。
GFI，RMSEA，RMR，CFI，NFI 和NNFI。
*常用指标包括卡方自由度比，
3）模型修正
根据模型拟合指标情况，评价模型的优劣，如果模型拟合情况不佳，则需要进一步修正模型。
MI 指标越大说明该项与其他因子的相关性越强，该
项。
MI 过大时会干扰模型需要进行修正或剔除
模型构建过程需要重复多次，以找到最优模型。
同时SPSSAU会自动生成模型结果图。
（4）模型分析
在完成模型构建后，即可使用模型进行分析。
验证性因子分析主要有三个方面的功能，分别是聚合效度、区分效度、共同方法偏差。
聚合效度
聚合效度，也叫做收敛效度。
AVE 和CR 是用于判断聚合效度的常用指标，AVE>0.5，并且CR>0.7，则说明具有良好的聚合效度。
如果AVE或CR值较低,可考虑移除某因子后重新分析
聚合效度。
图为SPSSAU输出的AVE、CR值指标表格，可以根据此表格进行查看。
区分效度
区分效度，常用的做法是将AVE 根号值与‘相关系数值'进行对比，SPSSAU也会输出相应结果。
如果每个因子的AVE 根号值均大于“该因子与其它因子的相关系数最大值”，说明具有良
好的区分效度。
共同方法偏差
共同方法偏差，SPSSAU提供两种方法检验，一种是探索性因子分析（也称作Harman 单因子
检验方法），做法是将所有变量进行探索性因子分析，如果只得出一个因子或者第一个因子的解释力（方差解释率）特别大，则判定存在共同方法偏差。
另一种是验证性因子分析，所有变量全部放在一个因子里面进行分析，如果测量出来显示模型的拟合指标无法达标，模型拟合不佳，说明所有的测量项并不应该同属于一个因子，也就说明数据无共同方法偏差问题。
Step4：常见问题
验证性因子分析需要较大的样本量，通常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。
绝大多数情况下均为一阶验证性因子分析。
如果说验证性因子分析时为二阶模型，此时参数处选中‘二阶'即可。
总结：一般来说，使用验证性因子分析需要有一定的理论基础支持，如果拟合指标不能达标，最好按照分析思路：探索性因子分析→验证性因子分析，进行分析。
频。