验证性因子分析（CFA）全流程
https://i-blog.csdnimg.cn/blog_migrate/5a8173e490f12232e5c616f623405882.png案例与数据
某研究者想要研究关于教师怠惰感的课题，教师怠惰感是指教师在教诲情境的要求下，由于无法有效应对工作压力与挫折而产生的情绪低沉、态度悲观状态，这种状态甚至会引发心理、生理的困扰，终至对教诲工作产生厌倦，缺乏热忱与成就感。影响教师疲倦感的因素相称复杂，为了研究教师疲倦感的原因，研究者分发收集了1430份问卷，在正式分析前想要研究实际数据是否符公道论模子假设的布局，部分数据如下：
https://i-blog.csdnimg.cn/blog_migrate/1e5715abe5f1ed36cb7b64fa68e012d3.png
分析问题
想要研究实际数据是否符公道论模子假设的布局，这7个测量变量一共测量了三个变量，其中work1和work2用于测量工作超负荷，ee1、ee2、ee3用于测量情感枯竭，dp1和dp2用于测量自我感丧失，可以利用验证性因子分析对数据的公道性举行分析，假设模子如下：
https://i-blog.csdnimg.cn/blog_migrate/fd8d65b6af993d5601b861e80b40e44c.png
分析前查验
在使用问卷观察数据之前，必要对该数据举行信效度分析，以证实问卷设计问题具有较高的解释力，以及模子设计的问题可以或许反映模子中的潜变量。接下来分别举行阐明。
内在信度
内在信度顾名思义指问卷内部的可信度，SPSSAU共提供四种信度系数，其中包括Cronbach α系数、折半信度系数、McDonald's ω信度系数、theta信度系数，一样平常Cronbach α系数比较常用，这里也使用Cronbach α系数举行描述。其中有三个维度，所以按维度举行，整理表格如下：
https://i-blog.csdnimg.cn/blog_migrate/764301c42f22cf40a9698d5085204b72.png
三个维度则有三个α系数值，从表格中可以看出α系数均大于0.6，表述信度质量可以接受，可以举行下一步操作。
探索性因子分析
在举行验证性因子分析前，一样平常会先举行探索性因子分析，该步调不仅可以分析测量题项设计是否公道还可以分析变量与测量项的对应关系。
对于测量题项设计是否公道一样平常使用 KMO值（判断变量之间相干性指标）和 Bartlett 球形查验方法（用于查验各变量是否互相独立），KMO 值大于或者便是0.7时，认为其非常适合做因子分析，在0.5以下不适合使用。拒绝原假设阐明可以做因子分析。操作如下：
https://i-blog.csdnimg.cn/blog_migrate/715ba7f67d1351d10390c4b03b88df78.png
效果如下：
https://i-blog.csdnimg.cn/blog_migrate/87e9f137973182b3a0b98fa445864d07.png
从上表可以看出KMO值为0.809大于0.7，而且Bartlett 球形查验p值小于0.05拒绝原假设，阐明数据适合举行分析。接下来查看变量与测量项的对应关系（旋转后因子载荷系数表格）。整理后如下：
https://i-blog.csdnimg.cn/blog_migrate/661cea394f6d3ad00463cc1eb78d9655.png
上表中共3个因子均来自初始问卷的原有假设因子，把第一个因子命名为“情感枯竭”其中包括“ee1、ee2和ee3”，把第二个因子命名为“自我感丧失”其中包括“dp1、dp2”、第三个因子命名为“工作超负荷”其中包括“work1和work2”。发现变量与分析项之间的对应关系良好。可以举行CFA分析。
CFA模子构建与修正
验证性因子分析（CFA）是在先前探索性因子分析获得一直因子的情况下。查验所搜集的数据是否按事先预定的布局方式产生作用，从而阐明因子的理论模子拟合实际数据的本事。
在举行模子评价前，起首要查看模子是否必要修正，如果模子不能很好的拟合数据，就必要修正，如果拟合指标好，则不必要该步调，模子拟合指标有许多测量标准，一样平常在报告中对常用指标举行描述即可，部分指标阐明如下：
https://i-blog.csdnimg.cn/blog_migrate/8b22a31363c23ecd4839d262013d16c5.png
对于CFA模子的修正，包括删除不公道项和建立协方差关系（如下有阐明）两项。模子的修正最好基于一定的理论基础，比如：专业上不答应纵然MI值很大也不能修正模子，或者增长路径无实际意义等。
CFA操作如下：
https://i-blog.csdnimg.cn/blog_migrate/6d936ee1e9d319bb5eaa4e330fcd201d.png
指标拟合如下：
https://i-blog.csdnimg.cn/blog_migrate/effdcf73de44e9c37f48cc19e2167333.png
表中展示的卡方自由比为14.297远远大于标准3，所以必要举行修正。别的常用指标在可接受范围内。
CFA模子构建
对于模子的构建必要检查是否含有不公道项，不公道测量项；如果因子与测量项间的对应关系出现严峻偏差，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)，阐明该测量项与因子间关系较弱，必要删除掉该测量项。效果如下：
https://i-blog.csdnimg.cn/blog_migrate/53a6778821d09cdd25ca3f5226bc3452.png
从上表可以看出，测量关系时，标准化载荷系绝对值均大于0.6且呈现出显著性，意味着有着较好的测量关系。所以无需删除分析项。那么是否必要建立协方差关系呢？
建立协方差关系
协方差关系是指建立项之间的相干关系,一样平常来讲，MI指标越大,阐明关联关系越强越应该建立关系。MI指标是用于调解模子的一个指标，一样平常MI大于20必要举行调解。起首让SPSSAU输出MI指标，MI指标的选择有许多，通常选择“MI>10”举行输出。如下：
https://i-blog.csdnimg.cn/blog_migrate/e63f9757df7bd503252ff183cc9a9d73.png
效果如下：
https://i-blog.csdnimg.cn/blog_migrate/d40f700dcbfad0a95ef385510c287827.png
从图可以看到，ee3和ee1之间的MI值最大为55.994，也就是说如果ee3和ee1之间建立协方差关系，意味着预期可以减少卡方值为55.994，因而可考虑建立该两项之间的协方差关系。
建立协方差关系如下：
https://i-blog.csdnimg.cn/blog_migrate/d382ef262a06f0fcc86bf3976837fb3e.png
效果如下：
https://i-blog.csdnimg.cn/blog_migrate/5788de9daac79ba73a9cbbafebfb5064.png
发现卡方自由度比仍然不达标必要继续举行修正。
https://i-blog.csdnimg.cn/blog_migrate/24943b2b65e65661aa57351f7c3edad4.png
建立ee1和work1之间的协方差关系如下：
https://i-blog.csdnimg.cn/blog_migrate/53b2e5a55d902c8f8dd64f048adbd0b5.png
效果如下：
https://i-blog.csdnimg.cn/blog_migrate/6d29300f378d6e99ea66af3a719508cf.png
发现卡方自由度比仍然不达标必要继续举行修正。重复上述步调，分析后建立ee2与ee1之间的协方差关系。效果如下：
https://i-blog.csdnimg.cn/blog_migrate/86cd23a6449bc2df1cda55847cb708b6.png
重复举行修正，直到模子拟合指标到达可接受范围内，建立的协方差关系如下：
https://i-blog.csdnimg.cn/blog_migrate/56fc56420f34ff0194dcf81d43a8082c.png
最终效果如下：
https://i-blog.csdnimg.cn/blog_migrate/8a66f368dfe43142a39025b01952abc2.png
最后在原模子上建立了“ee3”与“ee1”、“ee1”与“work1”、“ee2”与“ee1”、“dp1”与“work2”、“ee1”与“work2”共5个协方差关系（全部添加路径均有意义），最终模子如下：
https://i-blog.csdnimg.cn/blog_migrate/21be6898f1b335c24dd34480192e3bda.png
最后对模子举行评价，包括区分效度、聚合效度以及模子拟合水平。
CFA模子评价
利用验证性因子分析可以得到聚合效度和区分效度的好坏，起首举行聚合效度的阐明。
聚合效度
聚合效度强调本应该在用一个因子下面的测量项，确实在同一个因子下，一样平常观察AVE和CR指标。AVE反映了每个潜变量所解释的变异量中有多少来自该潜变量中全部标题，加入AVE越高，则表示潜变量（factor）有越高的收敛效度，一样平常必要大于0.5，CR值是全部测量变量信度的组合，表示潜变量（factor）的内部一致，所以CR值越高，表示内部一致性越好，一样平常大于0.7。效果如下：
https://i-blog.csdnimg.cn/blog_migrate/8f7c023711b48b7cd426389f1fc332e8.png
从上表可以看出，本模子的factor的AVE均大于0.5，CR值虽然有小于0.7的情况，但考虑接近0.7，所以表示可以接受。所以该模子各个factor具有良好的信度以及收敛效度。接下来与区分效度举行阐明。
区分效度
区分效度，强调本不应该在同一因子的测量项，确实不在同一个因子下面，区分效度SPSSAU共提供三种，一种是AVE和相干分析效果对比，还有一种是HTMT(异质-单质比率)法，以及MSV和ASV法，其中AVE和相干分析效果对比比较常用，这里使用AVE和相干分析效果对比举行阐明。
https://i-blog.csdnimg.cn/blog_migrate/cf5e418cbb5ee90bc1eeed349cb039b1.png
针对工作超负荷，其AVE平方根值为0.726，大于因子间相干系数绝对值的最大值0.550，意味着其具有良好的区分效度。针对情感枯竭，其AVE平方根值为0.846，大于因子间相干系数绝对值的最大值0.550，意味着其具有良好的区分效度。自我感丧失同样。所以可以得出数据具有良好的区分效度。至于别的查验区分效度的方法，可以查看SPSSAU资助手册。最后岁模子拟合指标举行查看。
拟合指标值
SPSSAU提供许多指标，通常在分析中无法满意全部的指标达标，所以这里枚举了常用的指标举行分析。
https://i-blog.csdnimg.cn/blog_migrate/f420ef8158244068dd4798df9c11852a.png
通过模子拟合指标效果可以查看到，全部指标均在可接受范围内，所以模子拟合良好，综上，实际数据符公道论模子假设的布局。
总结
本篇案例想要研究“实际数据是否符公道论模子假设的布局”，利用验证性因子分析举行阐明，由于是问卷数据，所以举行信度分析和探索性因子分析，分析数据的信度、效度以及变量与测量项之间的关系，发现数据良好，接着对数据举行验证性因子分析，发现数据拟合不是很好，对模子举行修正，建立协方差关系，经过反复修正，最后得到更好的模子，然后对模子举行评价。分析结束。
更多信息请登录SPSSAU官网平台举行查看。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]