验证性因子分析
目 录
1验证性因子分析基本说明 .................................................................................................... 2 2 如何使用SPSSAU进行验证性因子操作 .......................................................................... 3 3 验证性因子不达标如何办？ ............................................................................................... 9
第1点：效度不达标 ....................................................................................................... 9 第2点：factor loading值过大或过小.......................................................................... 10 第3点：拟合指标不达标 ............................................................................................. 10
验证性因子分析（confirmatory factor analysis, CFA）是结构方程模型的一种最常见的应用。验证性因子分析（confirmatory factor analysis, CFA）通常可用于四种用途，一是针对成熟量表进行效度分析，包括结构效度，聚合（收敛效度）和区分效度；二是验证性因子分析可用于组合信度的分析；三是验证性因子分析还可用于进行共同方法偏差CMV检验。四是使用验证性因子分析进行权重计算；CFA的功能应用如下：
验证性因子分析功能
验证性因子分析功能 结构效度 说 明 因子与测量项(量表题项)对应关系是否良好。 强调本应该在同一因子下面的测量项,确实在同一因子下面 强调本不应该在同一因子的测量项,确实不在同一因子下面 测量信度水平 AVE(平均提取方差值)的根号值和相关分析结果对比；或者使用HTMT值小于0.85这一标准。 一般CR值大于0.7即可 将所有的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，共同方法偏差CMV 数据是否具有共同方法偏差问题 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，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。 权重计算 利用factor loading值进行权重测量 标准化的Factor loading值进行归一化，即得到权重值。 AVE(平均方差萃取)一般需要大于0.5 测量 标准化Factor loading值较高，通常是要求大于0.7 聚合(收敛)效度 区分效度 组合信度CR
如果是使用CFA进行结构效度验证，即测量因子与对应项之间的对应关系情况是否良好，一般查看标准化factor loading即因子载荷系数值即可，如果所有的项标准化factor loading值大于0.7即说明结构效度良好。当然，如果某项的factor loading值较小，那么可删除该项后再次分析。
如果使用CFA进行聚合效度验证，那么其是测量本应该在同一因子的项确实在该因子里面；其具体测量方式是要求AVE值大于0.5即可；如果出现AVE明显的小于0.5，此时可考虑移项一些载荷系数值较低项后再次分析。
如果使用CFA进行区分效度验证，那么其是测量不应该同一因子的项确实不在同一因子下面；测量方式有两种，第一种是看AVE平方根号值与相关系数值进行PK，如果说AVE平方根号值全部大于相关系数值，意味着聚合性明显更强，说明具有区分效度；区分效度时还有一种测量方式是使用HTMT值，该指标一般小于0.9即可，但该指标要求相对较严格，使用较少。
如果使用CFA进行信度分析，那么使用组合信度系数CR值测量即可，一般CR值大于0.7即可。
如果说使用CFA进行共同方差偏差CMV检验，那么一种常见的做法是，将所有的项放在一个因子里面，如果说模型拟合效果很糟糕，则说明所有项不应该属于同一个因子，也即说明数据没有共同方法偏差问题。当然共同方法偏差分析也可以使用SPSSAU进阶方法里面的因子分析（探索性因子分析EFA），也或者验证性因子分析的其它方式进行验证，具体可参考SPSSAU其它手册；
CFA还可以用来进行权重的计算，其原理是利用标准化的Factor loading值的大小进行归一化，然后进行权重值计算，但是此项应用使用相对较少。
1、验证性因子分析基本说明
使用SPSSAU进行验证性因子分析是一件轻松的事情。但在实际分析过程中，容易出现各种问题，解决问题才是关键。其实质是对于分析的掌握能力。一般情况下，验证性因子分析的分析流程如下：
1、分析前准备适合的数据2、探索性因子分析EFACFA分析流程3、验证性因子分析CFA4、删除不合理项重新分析5、重复上述第3和第4步，找出最优结果。
在进行CFA分析前，一定需要清楚的知道，通常情况下量表数据才能进行CFA分析，而其它的一些数据一般不能进行CFA分析。所以数据准备需要按照CFA的思路进行，包括每个因子对应4~7个题（为什么是4~7个呢？因为如果个别不达标后面可以删除掉）；如果不是这样，就很有可能出现各种问题而且没有缓冲；在进行验证性因子分析之前，一般需要先进行探索性因子分析，
首先因子与项之间有着较好的对应关系，如果探索性因子分析已经发现各种对应关系有问题，那么验证性因子分析时结果一般都不理想，这一步骤非常重要，也是减少各种问题的关键。
在进行验证性因子分析时，重要的指标是factor loading值，一般标准化的factor loading值需要大于0.7，如果该值较小，就说明对应项与因子之间对应关系弱，因此可考虑删除该项，也或者移动该项到别的因子里面。重复几次直至标准化factor loading值都大于0.7即可。这样对应的其它指标，比如AVE值，CR值等才可能达标，因此这些指标都是基于标准化Factor loading值计算得到。
2、如何使用SPSSAU进行验证性因子操作
关于利用SPSSAU进行验证性因子分析的操作上，如下：
本例子有4个因子，每个因子对应着一些项。所以分别放在4个因子框里面。默认SPSSAU会以Factor 1，Factor 2等这样的名字进行，当然可以自主地对因子进行命名。一般情况下不会使用二阶模型，如果确实是二阶模型则选中即可。除此之外，在进行验证性因子分析时，有时候会对模型进行MI指标调整，此时也可进行设置。在实际分析时，如果使用验证性因子分析进行效度分析（包括结构效度，聚合效度，区分效度），也或者组合信度时，对于模型的拟合指标关注度较低，因此MI指标调整使用较少。
在使用SPSSAU进行CFA分析后，SPSSAU默认会输出上述中涉及到的分析的各类表格。SPSSAU输出相关表格说明如下：
表格 CFA分析基本汇总 功能用途 每个因子对应测量项数量汇总 聚合(收敛)效度使用，标准化载荷系数值大于0.7说明具有聚合效度 聚合(收敛)效度使用指标，区分效度使用指标 指标等 因子对应测量项个数 因子载荷系数 非标准化、标准化载荷系数值等 模型AVE和CR指标结果 AVE和CR指标值 区分效度：Pearson相关与AVE平方根值 分析区分效度时使用 AVE平方根值，因子间相关系数 模型拟合指标 模型拟合情况，共同方法偏差使用等 卡方自由度,RMSEA,RMR，CFI，NFI等 因子和分析项 - MI指标 查看因子与测量项间关系强弱，用于辅助判断和分析测量项是否应删除 查看因子之间的关系强弱，辅助判断模型构建情况 显变量间的协方差关系，无特别意义 残差项值，无特别意义 MI指标 因子协方差 因子协方差 显变量协方差表格 残差项估计值 HTMT(异质-单质比率)结果 显变量间的协方差关系指标值 残差项相关指标值 用于区分效度分析 HTMT值
当然，上述表格中有一些基本无意义，比如残差项估计值，因子协方差，显变量协方差表格等，意义均较小，可能对于分析建模有一定帮助，通常无实质性价值。
以及SPSSAU默认都会输出智能分析和分析建议等，如下各图：
基本汇总
因子载荷系数表格
模型AVE和CR指标结果
区分效度
模型拟合指标
因子和分析项
因子协方差表格
残差值表格
3 验证性因子不达标如何办？
进行验证性因子分析时，很容易出现一些问题，比如效度不达标、factor loading值过小或者过大，也或者各种指标拟合不达标等。
接下来从5个角度去剖析数据不达标的处理。
1、效度不达标2、factor loading值过大或过小验证性因子不达标3、拟合指标不达标
第1点：效度不达标
如果对验证性因子分析进行效度验证出现问题。分别说明如下：
如果进行结构效度验证，发现标准化factor loading值小于0.7；可直接对该项进行删除； 如果进行聚合效度分析时发现AVE值小于0.5，那么也需要对标准化factor loading值较低项进行删除处理，因为AVE值是由factor loading值计算得到；
如果进行区分效度分析时发现AVE平方根值小于相关系数值；说明区分效度差，此时有两种处理办法，一是重新进行探索性因子分析，将因子与分析项之间的对应关系梳理好（比如重新改变因子与分析项的对应关系等）；二是删除掉factor loading值较低；
第2点：factor loading值过大或过小
如果说标准化的Factor loading值过大，比如大于1，说明有着很强的共线性问题，建议可分别针对每个因子对应的项，分别做相关分析，将相关关系过强（比如相关系数值大于0.8甚至0.9）的项删除后重新分析，减少共线性问题；
如果说标准化factor loading值过小，比如0.4，那么说明该项应该直接进行删除掉。
第3点：拟合指标不达标
如果研究目的是进行效度验证或者组合信度等，一般对于模型拟合指标的关注度较低，可直接忽略即可。
如果是使用验证性因子分析进行共同方差偏差CMV检查，那么其检查原理就是查看拟合指标不好，用于说明没有CMV问题；如果说使用验证性因子分析做权重计算时指标拟合不好，可考虑删除项，或者进行MI调整等。
特别提示：在进行验证性因子分析之前，最好是先进行探索性因子分析，如果探索性因子分析已经发现问题，比如因子与项之间的对应关系有问题，那么数据继续进行验证性因子分析，一般都会有各种问题。
