验证性因子分析(CFA)

  • B站优酷 效度分析的几种形式及实现

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。与验证性因子分析CFA相对应的为探索性因子分析,二者的区别在于,验证性因子分析(CFA)用于验证对应关系,探索性因子分析(EFA)用于探索因子与测量项(量表题项)之间的对应关系。如果是成熟的量表,研究者可同时使用验证性因子分析CFA,和探索性因子分析(简称因子分析,EFA)用于验证量表的效度。如果量表的权威性较弱,通常使用探索性因子分析(EFA)进行探索因子,或者效度检验分析。

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。效度有很多种,比如内容效度,结构效度,聚合(收敛)效度,区分效度等。各个名称的区别说明如下:

概述 使用方法
内容效度 用文字描述量表的有效性,比如具有参考文献来源,量表经过专家认可等 文字描述
结构效度 因子与测量项(量表题项)对应关系是否符合预期,如果符合预期则说明具有结构效度 探索性因子分析(EFA)和验证性因子分析(CFA)等
聚合(收敛)效度 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 验证性因子分析(CFA)的AVE和CR指标等
区分效度 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 AVE和相关分析结果对比
  • 如果并非经典量表,通常情况下研究人员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。当然如果还想进一步深入分析,亦可使用CFA进行深入研究。

  • 如果是经典量表需要进行效度验证,其内容效度确认无疑,而且使用探索性因子分析(EFA)进行分析时,也具有良好的结构效度。所以研究人员更偏好于使用CFA进行深入分析,即进行聚合(收敛)效度和区分效度分析。

结合实际应用情况,验证性因子分析通常有三个用途。如下表所示:

验证方法 其它说明
聚合(收敛)效度 AVE(平均提取方差值)和CR(组合信度),因子载荷系数(factor loading) 可能需要结合模型拟合指标,比如RMSEA,RMR,CFI等
区分效度 AVE(平均提取方差值)的根号值和相关分析结果对比 可能需要结合模型拟合指标,比如RMSEA,RMR,CFI等
共同方法偏差(也称同源方法,CMV) 所有量表项全部放在一个因子里面进行分析 需要结合模型拟合指标,比如RMSEA,RMR,CFI等
  • 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值调整,以达到更好的结论。

  • 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:

Pearson相关-标准格式
因子1(A1~A5) 因子2(B1~B5) 因子3(C1~C4) 因子4(D1~D6)
因子1(A1~A5) 0.8426
因子2(B1~B5) 0.700** 0.8396
因子3(C1~C4) 0.646** 0.720** 0.9370
因子4(D1~D6) 0.777** 0.753** 0.750** 0.9203
*p <0.05 ** p <0.01 斜对角线数字为该因子AVE的根号值

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。

  • 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。

  • 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。

  • 特别提示:
  • 如果使用CFA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。

验证性因子分析(CFA)案例

  • 1、背景

    当前有一份215份的研究量表数据,其共由四个因子表示,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CMV。

  • 2、理论

    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指标调整和模型分析

    • 第一步:模型构建,即将因子与测量项对应关系放置规范;以及SPSSAU建议研究人员在进行CFA分析前需要进行EFA,首先清理掉对应关系出现严重偏差的测量项;

    • 第二步: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;

    • 第三步:模型MI指标调整;如果说模型拟合指标不佳,可考虑进行模型MI指标调整【SPSSAU默认提供MI大于20,MI大于10,MI大于5,和MI大于3共四种模型调整方式】;MI值表示两项间的关联强度,MI值越大说明两项间的关联性越强,如果两项之间的关联性过强会干扰模型,因此需要建立关联关系(即MI指标模型调整),SPSSAU的MI模型指标调整是指将“同一因子下属的测量项之间关联性很强的项建立关联关系”,比如选择“MI>10”则会将“同一因子下属测量项间MI指标大于10的两两项之间全部建立关联关系”。

    • 第四步: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调整,因而放置如下:

  • 4、SPSSAU输出结果

    SPSSAU共输出6个表格,分别是CFA分析基本汇总表格,因子载荷系数表格,模型AVE和CR指标结果表格,模型拟合指标表格,因子和分析项 - MI指标表格和因子协方差表格。关于此6个表格的解释说明如下:

    表格 功能用途 指标等
    CFA分析基本汇总 每个因子对应测量项数量汇总 因子对应测量项个数
    因子载荷系数 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 非标准化、标准化载荷系数值等
    模型AVE和CR指标结果 聚合(收敛)效度使用指标,区分效度使用指标 AVE和CR指标值
    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 MI指标
    因子协方差 查看因子之间的关系强弱,辅助判断模型构建情况 因子协方差

    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。

    因子载荷系数值表格展示因子和测量项之间的关联关系,一般查看标准载荷系数值进行分析即可。上表格显示,B1与Factor2之间的因子载荷系数值为0.562 < 0.7,说明对应关系较弱,可考虑将此项从Factor2中移除出去。另外从整体上看,各个测量项全部均呈现出0.001水平的显著性( p < 0.001),而且标准化载荷系数值均大于0.7(除B1外),因而说明整体上看,因子与测量项之间有着良好的对应关系,聚合效度较好。

    从上格可知:本研究涉及的4个因子(SPSSAU默认给定名字为Factor 1, Factor 2, Factor 3, Factor 4),它们的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。

    上表格展示模型拟合指标,共分为常用指标和其它指标。常用指标包括卡方自由度比,GFI,RMSEA,RMR,CFI,NFI和NNFI。其它的一些指标通常使用较少,研究人员可结合实际情况进行选择使用即可。

    从上表可知:卡方自由度值为3.389,大于3,而且GFI小于0.9,RMSEA为0.105接近于0.1这一标准,RMR值为0.091不在标准范围内。综合来看,模型构建欠佳,需要进行模型调整。比如这里将MI>10作为调整标准然后重新进行模型拟合,得到结果如下【特别提示:一般情况下MI指标调整会有助于模型拟合指标达标,但并不能完全依靠MI调整,应该找出因子与测量项的真实对应关系,结合因子载荷系数表格、因子和分析项 - MI指标表格等进行分析,删除不合理的对应关系等才能建立合理的CFA模型,否则模型无论如何均无法达标】:

    上表格展示因子与测量项的对应关系MI值,因子与其下属测量项的关系可通过因子载荷系数表格进行查看。MI值并不固定标准大小,一般情况下,该值如果大于20则说明关联性很强。从上表格可以看到,C2与Factor2,Factor4这两个因子间的MI指标均大于15,说明C2与Factor2,Factor4之间可能有着较强的关联性;同时,D5与Factor3之间的MI值为18.121,说明二者有较强的关联性。综合可知:可考虑将C2,D6这两个指标进行删除(即移除出模型),同时上述因子载荷表格分析还发现B1也可以进行删除。因而将此三项进行删除(移除出模型)后可再次进行模型(限于篇幅限制,SPSSAU并不继续进行分析)。

    上表格展示因子与因子之间的关联性,可通过标准系数进行分析。从上表可知,在进行因子协方差表格分析时,本研究共4个因子,他们两两之间的标准系数值均介于0.6~0.85之间,说明因子之间具有较强的关联性。

  • 5、聚合(收敛)效度分析

    在使用聚合(收敛)效度分析时,一般需要分析以下指标,分别AVE和CR值,以及因子载荷系数值,有时还可分析下模型拟合指标(可选)。

    从上表格可知,本次研究量表共由4个因子表示,分别四个因子对应的AVE值全部均大于0.7,最小是0.705,明显高于0.5这一标准;而且组合信度CR值均大于0.9,明显高于0.7这一标准。因而说明本次研究量表具有优秀的聚合效度。而且下表中的因子载荷系数表格显示,4个因子共对应着20个测量项,仅一个测量项的标准化载荷系数值小于0.7,其余项的载荷系数值均接近或者高于0.8,因而综合说明本研究量表数据具有优秀的聚合效度。

    • 特别提示:
    • 聚合效度通常是针对AVE,CR,因子载荷系数这三个指标进行分析,并且均是在模型最终确认后的指标进行分析;

    • 有时候也会对模型拟合情况进行分析说明,建议研究人员以参考文献为准。

  • 6、区分效度分析

    区分效度的测量是使用AVE的平方根值,然后与4个因子的相关系数进行对比,如果AVE平方根值大于“该因子与其它因子间的相关系数”,此时说明具有良好的区分效度。AVE平方根值可表示该因子的‘聚合性’,而相关系数表示相关关系,如果该因子自己‘聚合性’很强(明显强于与其它因子间的相关系数),则能说明具有区分效度。

    区分效度首先需要进行相关分析(以及每个因子对应多项,需要使用‘生成变量’功能将其概括成一个整体后再进行两两相关分析)。如下:

    常见的区分效度分析时,会将上表格中斜对角线的1,换成AVE值的平方根,然后再进行对比分析。最终如下表格式:

    上图可知,因子1的AVE根号值为0.843,大于因子1与另外3个因子之间的相关系数值(最大为0.777);因子2的AVE根号值为0.84,大于因子2与另外3个因子之间的相关系数值(最大为0.753);类似地,因子3的AVE根号值,因子4的AVE根号值均大于它们与其它因子的相关系数值。因而说明研究量表数据的区分效度良好。

    • 特别提示:
    • 常见的区分效度分析是将AVE根号值与‘相关系数值’进行对比;有时候区分效度的验证方法为:“比较多个CFA模型进行分析说明”,建议研究人员以参考文献为准;

    • 区分效度进行时,需要先进行相关分析,以及取AVE均方根,然后将手工表格合并处理好后进行分析说明。

  • 7、共同方法偏差(同源方法,CMV)分析

    共同方法偏差(CMV)常见有两种验证方式,一种是使用探索性因子分析EFA方法进行检验 (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),反之说明没有共同方法偏差问题。

    如果是使用CFA进行验证;则将所有的测量项(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。

    本次共有4个因子对应20个测量项,将此20个测量项全部放在一个因子里面进行CFA分析并且得到模型拟合指标,如下图:

    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。其它指标比如AGFI,IFI,PGFI,PNFI等也均低于0.7,严重偏差大于0.9这一标准,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,即说明无共同方法偏差问题。

    • 特别提示:
    • 上述为两种常见的共同方法偏差验证方法,还有其它验证方法,建议研究人员以参考文献为准;

    • 研究人员需要在事前注意共同方法偏差问题,而不能等到事后发现共同方法偏差才能处理。

  • 8、剖析

    验证性因子分析CFA分别有三个应用功能,分别具有对应的注意事项,分别如下:

    • 如果使用CFA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。

    • 聚合效度通常是针对AVE,CR,因子载荷系数这三个指标进行分析,并且均是在模型最终确认后的指标进行分析;

    • 聚合效度分析有时候也会对模型拟合情况进行分析说明,建议研究人员以参考文献为准。

    • 常见的区分效度分析是将AVE根号值与‘相关系数值’进行对比;有时候区分效度的验证方法为:“比较多个CFA模型进行分析说明”,建议研究人员以参考文献为准;

    • 区分效度进行时,需要先进行相关分析,以及取AVE均方根,然后将手工表格合并处理好后进行分析说明。

    • SPSSAU提供两种常见的共同方法偏差验证方法,具体使用哪一种或者其它验证方法,建议研究人员以参考文献为准;

    • 研究人员需要在事前注意共同方法偏差问题,而不能等到事后发现共同方法偏差才能处理。

    • 一般情况下MI指标调整会有助于模型拟合指标达标,但并不能完全依靠MI调整,应该找出因子与测量项的真实对应关系,结合因子载荷系数表格、因子和分析项 - MI指标表格等进行分析,删除不合理的对应关系等才能建立合理的CFA模型,否则模型无论如何均无法达标。

疑难解惑

  • 验证性因子分析CFA拟合不达标解决办法?
  • 验证性因子分析 CFA 通常是针对成熟量表进行效度验证等;不成熟量表通常使用探索性因子分析(进阶方法->因子分析)进行效度验证(或者问卷研究里面的效度分析)。如果无论如何均出现拟合指标不达标时,建议按以下步骤进行检查:

  • 第一步:使用探索性因子分析(进阶方法->因子分析;或者问卷研究->效度分析)查看数据情况,对应关系情况如何等,并且删除掉对应关系与预期不符合的项;直至使用探索性因子分析进行效度验证时,完全问题为止;如果使用探索性因子分析进行效度验证,无论如何均不达标时,那肯定地验证性因子分析不会达标(原因是验证性因子分析对数据质量要求更高);

  • 第二步:基本第一步的结论基本上,再进行验证性因子分析。

  • 关于“二阶”的说明?
  • 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。

  • 聚合效度和区分效度分析问题?
  • 对于聚合效度, SPSSAU 默认提供聚合效度分析表格(包括 AVE 和 CR 值);对于区分效度, SPSSAU 默认提供区分效度检验表格,即‘下三角格式的相关系数表格,下三角线为 AVE 的根号值’。

  • 最多放12个因子?
  • 验证性因子分析是以量表为单位,如果有多个量表则重复进行多次验证性因子分析即可。正常情况下,一个量表仅会对应4~5个因子,更不会超过12 个因子,建议确认是否进行了正确的分析。

  • 分析框只能放20项?
  • 验证性因子分析时,第1个框(因子1对应的框)最多可放置80项,第2个框(因子2对应的框)最多可放置40项,第3个框(因子3对应的框)最多可放置30项,余下的9个框(因子4~因子12)最多可放置20项。

  • 同一个因子(维度)正常情况下只会对应3~7项,如果超出10项,建议检查是否进行了正确的分析。

  • SPSSAU验证性因子分析中如果输出MI值和如何使用它?
  • 如果希望SPSSAU输出MI指标值,可在开始分析按钮右侧下拉选择输出MI值,比如‘输出MI>10’,其意义是将MI值大于10的全部输出(通常情况下MI值非常多,但一般只有较大的值才有参考意义)。在输出之后,可将MI值非常大的两两项之间建立‘协方差相关关系’(即相关关系,在‘测量项协方差关系’处进行设置),用于修正模型。MI值的修正通常会让卡方自由度值得到减少,其它指标一般不应该有太大的变化,不能过多的依赖于MI值进行模型修改。

  • 提示‘数据质量异常’如何解决?
  • 出现此种情况,建议按以下步骤进行检查并解决。

  • 第一:相关性过低。同一个因子里面的项应该有很强的相关性才正常。因而建议把同一个因子里面的项做相关分析,如果发现某两项之间的相关性过弱(比如相关系数小于0.2),把其中一项从模型中移除出去,重复进行检查即可;

  • 第二:样本量过低,比如总共有5个因子共计20个分析项,但分析样本量仅50个,这会导致模型无法收敛因而最终无法拟合。

  • 如何提高AVE和CR值?
  • 如果出现AVE或者CR值无法达标时,此时建议按以下步骤进行检查并解决。

  • 第一:移除掉载荷系数值较低的项,一个移除一个多次尝试;

  • 第二:检查是否某个分析项的MI值过高,可考虑移除此项分析项;

  • 第三:设置MI调整让模型自动优化处理下;

  • 第四:考虑以一个因子作为单位,重复多次进行CFA分析,模型越简单时效果相对会更好;

  • 第五:加大样本量,一般情况下样本量越大模型拟合效果越佳。

  • HTMT(异质-单质比率)是什么?
  • 验证性因子分析可用于区分效度检验,共有两种检验方法,一是使用AVE平方根与相关系数对比法;另一种是HTMT法;通常情况下使用AVE平方根法较多,HTMT法使用相对较少;如果说HTMT值全部均小于0.9,此时说明数据具有区分效度。

  • 区分效度不达标如何办?
  • 区分效度用于检验因子与因子之间具有区分性,如果出现区分度不好时,通常是由于出现‘错位’现象,比如Factor1里面有5个量表题,很可能其中2个题放在Factor2里面更适合。一般是结合载荷系数值判断出此类题,然后删除掉此类题(或者进行移位)即可。

  • 残差值估计值有什么作用?
  • 该指标值通常无实际意义,只是模型拟合后产生的残差值而已。

  • 验证性因子分析使用的估计方法是?
  • SPSSAU默认使用最大似然法ML进行模型估计。

  • 模型拟合度里面自由度为0?
  • 模型拟合度出现自由度为0是正常现象,并且此时无法计算得到卡方值,卡方自由度值等,此时直接不关注对应的指标即可。出现自由度为0的原因通常是模型过于简单,或者模型过于‘饱和’,可能是非递归模型所致。

  • 标准化载荷系数值大于1?
  • 如果标准化载荷系数值大于1,通常是由于出现共线性问题所致;建议可通过相关分析查看相关系数,如果某具体项之间的相关系数值非常高,可考虑移除该项;如果共线性不严重,通常并不需要移除。

  • 图里面的虚线代表什么意思?
  • SPSSAU默认以放置顺序的第一项作为参考项,图里面的虚线标识出该项为参考项。参考项的非标准载荷系数值一定为1,而且不会有标准误值等。

  • 模型图里面没有残差值?
  • 残差值无实际意义,SPSSAU的模型图里面默认没有提供残差值,但输出表格里面有。如果需要可自己手工作图处理。

  • 验证性因子分析拟合指标不好如何调整?
  • 如果验证性因子分析出现拟合指标不好,原因在于‘测量结构’出现问题。建议按以下3种方式进行调整或分析。

  • 第1是先进行探索性因子分析(SPSSAU进阶方法里面的因子),在探索性因子分析时得到良好的结构后,再进行验证性因子分析;

  • 第2是将载荷系数值较低(比如小于0.6)或者不显著(p 值大于0.05)的项从模型中移除出去;

  • 第3是按MI指标调整,一般按照MI>10建立协方差关系即可,SPSSAU会自动将MI值大于10的两两测量项之间建立协方差关系,如果说第1种处理(探索性因子分析)已经到位,那种此种处理就没有必要,事实上一般并不太适合进行此种处理,因为此种处理有点‘投机’的嫌疑,不应该让模型自动建立协方差关系调整‘测量结构’,如果模型拟合指标非常糟糕,通常此种处理并不生效,通常只会降低卡方自由度值,对其它指标帮助非常小。

  • 分析项超过60个不进行MI指标输出和自动按MI指标建模什么意思?
  • 如果说分析项(显变量)的个数大于60个,SPSSAU默认不会输出MI指标值,并且如果用户要求进行按MI指标调整模型,SPSSAU也不会进行模型调整。

  • z 值和临界值或t 值的意义?
  • 验证性因子分析时,SPSSAU输出z 值,该值与AMOS软件等的临界值CR或t 值意义完全一致。

  • 区分效度不达标如何办?
  • SPSSAU输出两种区分效度检验方法,分别是AVE根号与相关系数对比法,HTMT法。一般使用前者较多,任意一种检验方法达标即可。如果区分效度不达标,说明某些分析项出现‘纠缠不清’现象,即同一分析项放在两个或多个因子里面均可。可通过‘因子和分析项-MI指标’表格找出该类分析项,将其移除后再分析。同时,如果说某些分析项的载荷系数值较低(比如小于0.7),也建议将其进行删除后再次分析。

  • 标准化载荷系数大于1?
  • 标准化载荷系数值通常应该小于1,如果出现大于1,很可能是由于共线性问题所致,建议做相关分析,将相关关系非常大(比如大于0.7)的项移除后再次分析。

  • CFA如何输出MI指标值?
  • 进行验证性因子分析时,可在开始分析按钮右侧“MI指标输出”下拉,选择输出MI指标值。如果需要结合MI指标情况进行模型调整,那么可在测量项协方差关系’时设置具体测量项之间的相关关系(协方差关系)即可。MI值越大意味着可减少的卡方值越多,结合该指标进行模型调整时,一般会对卡方自由度值有着较大的帮助。

  • CFA每个框最多可放多少项?
  • 验证性因子分析时,需要设置因子与测量项的对应情况,一个因子通常对应4~7个测量项。SPSSAU系统中,第1个因子框最多可放置80个测量项,第2个因子框最多可放置40个,第3个因子框最多可放置30个,其余每个因子中放置的测量项个数最多为20个。

  • CFA如何进行模型独立性检验?
  • 如果希望使用验证性因子分析CFA进行区分效度检验,有几种做法,SPSSAU默认提供AVE根号值与相关系数判断法(Fornell-Larcker),HTMT法,以及独立性检验法。独立性检验法需要研究者自行设置多个不同的CFA模型,然后对比不同的CFA模型拟合指标效果情况,并且判断得出最佳的模型,用于证明模型间的独立性情况。比如下表格:

编号 模型
M0 3因子模型:因子1,因子2,因子3
M1 2因子模型:因子1,因子2+因子3
M2 2因子模型:因子2,因子1+因子3
M3 1因子模型:因子1+因子2+因子3
  • 某量表共有3个因子,默认是希望M0模型即3因子模型,即量表分成3个因子,每个因子对应着一些测量项(M0)。那么此种结构是否最优呢?可通过对比不同的模型结构(通过拟合指标,通常仅几个常见指标对比)来判定。比如上表格中用了另外3种测量结构(M1~M3)来进行对比,M1结构时,仅有两个因子,因子1的测量项单独占用1个因子,因子2和因子3全部的测量项占用1个因子(因子2和因子3对应的测量项全部放在1个因子框里面);类似M2结构也一样。M3结构时,因子1,因子2和因子3所有的测量项全部占用1个因子(即把所有的测量项全部放在一个因子框里面)。