验证性因子分析步骤

1. 验证性因子分析步骤

问题一：验证性因子分析的测试步骤  验证性因子分析往往通过结构方程建模来测试。在实际科研中，验证性因子分析的过程也就是测度模型的检验过程。可以进行测度模型及包括因子之间关系的结构方程建模并拟合的统计软件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL这个软件中有三种编程语言：PRELIS是用来作数据处理或简单运算，比如作一些回归分析、计算一个样本的协方差矩阵；LISREL是一种矩阵编程语言，它用矩阵的方式来定义我们在测度项与构件、构件之间的关系，然后采用一个估计方法 (比如极大似然估计) 进行模型拟合；SIMPLIS是一种简化的结构方程编程语言，适合行为研究者用。一般来讲，研究者需要先通过SIMPLIS建立测度模型，然后进行拟合。根据拟合的结果，测度模型可能需要调整，抛弃质量差的测度项，然后再拟合，直到模型的拟合度可以接受为止。 
  
   问题二：验证性因子分析的定义  在社会调查研究构成中，研究者首先开发调查问卷。对应于每一个研究者所感兴趣的理论变量，问卷中往往有多个问题。比如，研究者对顾客的忠诚度感兴趣，忠诚度可能用购买频率、主观评估、消费比例等多个问题来衡量。这个理论变量就是因子，这些个别问题是测度项。验证性因子分析就是要检验购买频率、主观评估、消费比例是否真的可以反映忠诚度。与验证性因子分析相对的是探索性因子分析。在探索性因子分析中，比如，因为我们想让数据“自己说话”，我们即不知道测度项与因子之间的关系，也不知道因子的值，所以我们只好按一定的标准(比如一个因子的解释能力) 凑出一些因子来，再来求解测度项与因子关系。探索性因子分析的一个主要目的是为了得到因子的个数。探索的因子分析有一些。第一，它假定。在实际研究中，我们往往会假定一个因子之间没有因果关系，所以可能不会影响另外一个因子的测度项。第二，探索性因子分析假定测度项残差之间是相互独立的。实际上，测度项的残差之间可以因为共同方法偏差、子因子等因素而相关。第三，探索性因子分析强制所有的因子为独立的。这虽然是求解因子个数时不得不采用的机宜之计，却与大部分的研究模型不符。最明显的是，自变量与因变量之间是应该相关的，而不是独立的。这些局限性就要求有一种更加灵活的建模方法，使研究者不但可以更细致地描述测度项与因子之间的关系，而且并对这个关系直接进行测试。而在探索性因子分析中，一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。验证性因子分析 (confirmatory factor *** ysis) 的强项正是在于它允许研究者明确描述一个理论模型中的细节。那么一个研究者想描述什么呢？因为测量误差的存在，研究者需要使用多个测度项。当使用多个测度项之后，我们就有测度项的“质量”问题，即效度检验。而效度检验就是要看一个测度项是否与其所设计的因子有显著的载荷，并与其不相干的因子没有显著的载荷。当然，我们可能进一步检验一个测度项工具中是否存在共同方法偏差，一些测度项之间是否存在“子因子”。这些测试都要求研究者明确描述测度项、因子、残差之间的关系。对这种关系的描述又叫测度模型 (measurement model)。对测度模型的检验就是验证性测度模型。对测度模型的质量检验是假设检验之前的必要步骤。 
  
   问题三：菜鸟求教，验证性因子分析拟合指标的关系  主成分分析属于探索性因子分析(EFA），和验证性因子分析（CFA）不一样，它们基于不同的原理和计算方法，验证性因子分析往往更容易出现比较好的结果，因为它是在你设定好因子结构的情况下去检验这一种结构和你的数据是否拟合，不一定可以拟合你数据的模型只有一种，但只要你的这一种拟合指标好就OK，而探索性因子分析是完全靠数据说话，数据驱动，这当然更不容易获得满意的结果。如果你主成分分析结果不好，可以尝试直接用验证性因子分析，若是获得满意的结果，可以考虑报告验证性因子分析的结果而不报告主成分分析。 
  
   问题四：spss 如何做验证性因子分析  spss20以上纳入了amos，就可以直接做了 
  我替别人做这类的数据分析蛮多的 
  
   问题五：spss 如何做验证性因子分析?  spss不能做验证性因子分析哦，要用spss里面的amos模块才行 
  可以做专业数据分析哦 
  
   问题六：如何用验证性因子分析共同方法偏差  我使用的Lisrel，设定 1 个公因子数，使研究中的所有测量项目负荷于这一共同因子，如果模型拟合良好就可以说明存在一个可以解释大多数变异的公共因子。如果分析结果发现所用测量项目负荷于共同因子时的各项拟合指数都不好，则说明研究的共同方法偏差属于可接受范围。 
  
   问题七：验证性因子分析 共同方法变异 怎么做  我使用的Lisrel，设定 1 个公因子数，使研究中的所有测量项目负荷于这一共同因子，如果模型拟合良好就可以说明存在一个可以解释大多数变异的公共因子。如果分析结果发现所用测量项目负荷于共同因子时的各项拟合指数都不好，则说明研究的共同方法偏差属于可接受范围。 
  
   问题八：如何用 SPSS 进行验证性因子分析  SPSS 不能进行验证性因子分析，只能进行探索性因子分析 
  用别的软件啊：Amos、Lisrel、Mplus等 
  
   问题九：怎么用AMOS对问卷进行验证性因子分析  用amos来做比较好 
  构建好模型之后运行分析，根据拟合指数以及载荷等判断即可。（南心网 Amos效度分析） 
  
   问题十：如何用amos做验证性因子分析  验证性因子分析主要探讨潜变量之间的相关关系而不是因果关系，在SEM中，模型构建分为两块，一块是测量模型，一块是结构模型，测量模型是测量潜变量和观测指标的关系模型，而结构模型则是测量潜变量之间的关系模型；所谓验证性因子分析就是主要探讨结构模型中的相关关系，操作很简单，你把潜变量之间用双箭头联系起来就可以了，当然，这里要注意一点，如果根据理论或者经验推测某两个潜变量之间完全不存在相关的话，可以不用双箭头联系；另外，AMOS里面的 *** ysis properties 模块设置中有个output选项，你点击critical ratios for difference 选项（打勾），运行数据后在text output的报表中可以根据临界比率（p是否小于.05）来判断潜变量之间的关系强度是否显著，如果小于临界比率，建议取消对应的潜变量双箭头。

2. 验证性因子分析的方法

背景：自制了一份问卷，如何验证问卷结构的有效性？该用什么方法？学生时代用万能的spss进行探索性因子分析？工作后又见识到了同事使用聚类分析的方法？有幸学习过几次结构方程模型，印象中通过结构方程模型进行验证性因子分析，方法简单又有效，但因为学艺不精，没法完整的述说出这个方法的好与不足，于是又看了遍侯杰泰的《结构方程模型及其应用》。将这段时间脑内的困惑作一个自我答疑，也期待通过这次整理，能对结构方程模型有一个深刻的印象，下次不至于再面对“我懂，但说不出”的尴尬窘境。
  
  1.什么时候用探索性因子分析，什么时候用验证性因子分析？ 
  
 当你有一个预设模型时（即你有一个假设：问卷中哪些题目属于哪个维度），可以直接用验证性因子分析，验证预设模型是否成立。当你没有预设模型时（即你不清楚问卷中哪些题目属于哪个维度）
                                          
  2.探索性因子分析和验证性因子分析方法上的区别？ 
  
 在做探索性因子分析的时候，第一个因子会捕获最大的变异量，从属它的题目通常也比较多。
  
 有时候验证性因子分析能区分多个因子，即一个多因子模型拟合不错，但探索性因子分析只产生1个或2个主要因子而已。
  
  3.结构方程模型具有哪些能力？ 
                                          
  4.如何通过结构方程模型进行验证性因子分析？ 
                                          
  在查看结果时，一般关注以下几个拟合指数： 
  
 •Χ2：minimum fit function Chi-square，主要用于比较多个模型，值越小，拟合越好
  
 •df：degree of freedom,主要用于比较多个模型，自由度越大，模型越简单
  
 •RMSEA:在0.08以下（越小越好）
  
 •NNFI:在0.9以上（越大越好）
  
 •CFI:在0.9以上（越大越好）
  
  指标和因子关系的调整： 
  
 （1）Q4在因子A中的完全标准化负荷很小（LX=0.05），但它在其他因子中的修正指数也不高，显然这一题不从属A因子，但也不归属其他因子；
  
 （2）Q8在因子B的负荷不高（0.28），但在因子A中的MI是41.4，显然它可能归属于因子A；
                                          
 调整后，需要重新进行验证性因子分析，查看指标变化。
  
 需要注意的是：如果仅仅看修正指数或因子负荷，但缺乏其他实质理论依据（如题目含义）的支持，随便将题目增删转移，并不合适。

3. 验证性因子分析

做二阶要满足一些条件：
首先就是理论上，这些一阶因子在理论上可以提炼出一个高阶的因子，比如语文能力，历史能力，政治能力在理论上可以统称为文科能力，最好是有前人的研究为理论支撑，如果没有，自己言之成理也可以，对于结构方程，理论前提十分重要，哪怕你做出了漂亮的模型，但没有合理的论据支持，也不行，所以如果你的多个维度理论上合不成一个更大的概念，就不用二阶
第二就是一阶因子间的相关，需要需要中等以上的相关。这个很好理解，如果一阶因子直接完全独立，毫无关联，那肯定是不能统和起来的，所以再看看维度间的相关高不高
其次，如果你的一阶因子太多了，模型看起来偏复杂，那可以构建二阶模型，可以简化模型，释放自由度
再次，用二阶模型你可以把一阶因子的独特方差从测量误差中分离，如果你需要提取一阶因子的独特方差，那就做个二阶
主要考虑前两点就好了
这样可以么？

4. 验证性因子分析

 验证性因子分析：对量表进行效度验证的一种方法。需要注意验证性因子分析适用于经典量表，探索性因子分析适用于非经典量表
   （1）聚合效度（收敛效度）：依据AVE（平均提取方差值＞0,5）和CR（组合信度＞0.7）判断其是否达标   （2）区分效度：就是说你找的这个四个维度，是否可以很好的区分开呢？
                                                                                                                           （1）将同一维度的概念放入量表-选择开始分析
                                           （2）CFA分析基本汇总
                                                                                                                                                                                                           （1）样本量＞200   （2）经典量表   （3）如一个维度（因子A），至少对应2个或2个以上的内容（A1/A2/A3/A4/A5）   （4）调整方法：结合MI指标
                                            链接1 ：数据分析实战教学之验证性因子分析-SPSSAU实现 https://www.bilibili.com/video/av69372013     链接2 ：验证性因子分析（CFA）-SPSSAU帮助手册 https://spssau.com/helps/questionnaire/cfa.html 

5. 验证性因子分析

验证性因子分析（confirmatory factor analysis, CFA）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。
  
 
  
  
  验证性因子分析CFA 的主要目的在于进行 效度验证 ，同时还可以进行 共同方法偏差CMV 的分析。
                                          
 
  
  
 结合实际应用情况，验证性因子分析通常有三个用途：
                                          
  聚合效度，又称收敛效度，强调那些应属于同一因子（指标）下的测量项，测量时确实落在同一因子下面。 
  
 如果目的在于进行聚合(收敛)效度分析，则可使用 AVE 和 CR 这两个指标进行分析，如果每个因子的AVE值大于0.5，并且CR值大于0.7，则说明具有良好的聚合效度，同时一般还要求每个测量项对应的因子载荷系数（factor loading）值大于0.7。有时候还可能会结合模型拟合指标，以及进行模型MI值修正，以达到更好的结论。
                                          
 由上表可知，AVE值全部均大于0.5，而且CR值全部均大于0.7，因而说明本次测量量表数据具有优秀的聚合效度。
  
  区分效度，强调本不应该在同一因子（指标）下的测量项，测量时确实不在同一因子下面。 
  
 如果目的在于进行区分效度分析，则可使用AVE根号值和相关分析结果进行对比，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”，此时则具有良好的区分效度，为更好表述，使用下图展示：
                                          
 上图的斜对角线为AVE的根号值,，比如因子对应的AVE根号值为0.843，该值大于因子1与另外3个因子的相关系数(分别是0.700，0.646和0.777)，类似因子2，因子3，因子4也这样进行分析。最终发现因子的AVE根号值，全部均大于该因子与其它因子的相关系数值，因而说明具有很好的区分效度。
  
  操作步骤： 
  
 分析时首先完成验证性因子分析的模型构建， 通过' 生成变量 '功能将题项合并为一个整体（因子）进行 相关分析 。
                                          
 共同方法偏差，是指由于测量外部的某些因素导致数据出现集中的偏差。换句话说，测量的差异是由于研究本身（或其他），如测量工具、问题构成或测量环境等导致的。
  
 如果目的在于进行共同方法偏差(CMV)分析，常见的做法为： 将所有的测量项(即所有因子对应的测量量表题项)放在一个因子里面，然后进行分析。 
  
 如果测量出来显示模型的拟合指标，比如卡方自由度比，RMSEA,RMR,CFI等无法达标，则说明模型拟合不佳，即说明所有的测量项并不应该同属于一个因子(放在一起时模型不好)，因而说明数据通过共同方法偏差CMV检验，数据无共同方法偏差问题。
                                          
 上图显示卡方自由度值为11.137，明显高于标准（>3），并且GFI,CFI,NFI,NNFI这四个指标值全部均低于0.7，明显偏差标准值(大于0.9)，RMSEA和RMR值均大于0.15，也严重偏差标准值。因而说明模型拟合质量非常糟糕，也即说明不能本次研究量表数据无法聚焦成一个因子，说明无共同方法偏差问题。
  
 
  
  
 针对CMV检验，上种思路同样也适用于使用探索性因子分析EFA方法进行检验CMV问题(也称作Harman单因子检验方法)，即查看把所有量表项进行探索性因子分析EFA时，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，通常以50%为界，此时可判定存在同源方差（共同方法偏差），反之则说明没有共同方法偏差问题。
  
 针对共同方法偏差(CMV)分析，还有其它的一些做法，建议用户以文献为准。
  
 
  
  
 （1）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。
  
 （2）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。
  
 （3）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。
  
 
  
  
  登录  SPSSAU官网  体验在线数据分析 ​​​​
  
   

6. 验证性因子分析的介绍

验证性因子分析是对社会调查数据进行的一种统计分析。它测试一个因子与相对应的测度项之间的关系是否符合研究者所设计的理论关系。

7. 验证性因子分析的测试步骤

验证性因子分析往往通过结构方程建模来测试。在实际科研中，验证性因子分析的过程也就是测度模型的检验过程。可以进行测度模型及包括因子之间关系的结构方程建模并拟合的统计软件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL这个软件中有三种编程语言：PRELIS是用来作数据处理或简单运算，比如作一些回归分析、计算一个样本的协方差矩阵；LISREL是一种矩阵编程语言，它用矩阵的方式来定义我们在测度项与构件、构件之间的关系，然后采用一个估计方法 (比如极大似然估计) 进行模型拟合；SIMPLIS是一种简化的结构方程编程语言，适合行为研究者用。一般来讲，研究者需要先通过SIMPLIS建立测度模型，然后进行拟合。根据拟合的结果，测度模型可能需要调整，抛弃质量差的测度项，然后再拟合，直到模型的拟合度可以接受为止。

8. 验证性因子分析的定义

在社会调查研究构成中，研究者首先开发调查问卷。对应于每一个研究者所感兴趣的理论变量，问卷中往往有多个问题。比如，研究者对顾客的忠诚度感兴趣，忠诚度可能用购买频率、主观评估、消费比例等多个问题来衡量。这个理论变量就是因子，这些个别问题是测度项。验证性因子分析就是要检验购买频率、主观评估、消费比例是否真的可以反映忠诚度。与验证性因子分析相对的是探索性因子分析。在探索性因子分析中，比如，因为我们想让数据“自己说话”，我们即不知道测度项与因子之间的关系，也不知道因子的值，所以我们只好按一定的标准(比如一个因子的解释能力) 凑出一些因子来，再来求解测度项与因子关系。探索性因子分析的一个主要目的是为了得到因子的个数。探索的因子分析有一些。第一，它假定。在实际研究中，我们往往会假定一个因子之间没有因果关系，所以可能不会影响另外一个因子的测度项。第二，探索性因子分析假定测度项残差之间是相互独立的。实际上，测度项的残差之间可以因为共同方法偏差、子因子等因素而相关。第三，探索性因子分析强制所有的因子为独立的。这虽然是求解因子个数时不得不采用的机宜之计，却与大部分的研究模型不符。最明显的是，自变量与因变量之间是应该相关的，而不是独立的。这些局限性就要求有一种更加灵活的建模方法，使研究者不但可以更细致地描述测度项与因子之间的关系，而且并对这个关系直接进行测试。而在探索性因子分析中，一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。验证性因子分析 (confirmatory factor analysis) 的强项正是在于它允许研究者明确描述一个理论模型中的细节。那么一个研究者想描述什么呢？因为测量误差的存在，研究者需要使用多个测度项。当使用多个测度项之后，我们就有测度项的“质量”问题，即效度检验。而效度检验就是要看一个测度项是否与其所设计的因子有显著的载荷，并与其不相干的因子没有显著的载荷。当然，我们可能进一步检验一个测度项工具中是否存在共同方法偏差，一些测度项之间是否存在“子因子”。这些测试都要求研究者明确描述测度项、因子、残差之间的关系。对这种关系的描述又叫测度模型 (measurement model)。对测度模型的检验就是验证性测度模型。对测度模型的质量检验是假设检验之前的必要步骤。