1、作用
验证性因子分析（confirmatory factor analysis, CFA）是用于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的一种研究方法,可用于调查问卷的量表分析。世界纠结排行榜
2、输入输出描述
输出uc3845：测量因子与变量之间的对应关系是否符合研究者所设计的理论关系。
迈克尔哈内克3、案例示例
案例:理科班的 100 名同学的语文、数学、英语、物理、生物、化学成绩，然后研究者想要验证他们的语文、英语成绩是否可以反映理科班的文科成绩水平，他们的数学、物理、生物、化学成绩是否可以反映理科班的理科成绩水平。
4、案例数据
验证性因子分析案例数据
模型要求为至少两项或以上的定量变量或有序的定类变量，其中数学、物理、化学、生物为一个因子，语文和英语为一个因子。
5、案例操作
Step1：新建分析；
Step2：上传数据；
Step3：选择对应数据打开后进行预览，确认无误后点击开始分析；
Step4：选择【验证性因子分析】；
优生骨胶原
Step5：查看对应的数据数据格式，【验证性因子分析】要求特征序列至少两项或以上的定量变量或有序的定类变量。在因子 1 拖入需验证的变量。
Step6：当涉及到多个因子时，点击【创建因子】.
Step7：在因子 2 拖入需验证的变量。
Step8: 点击【开始分析】，完成全部操作
盐酸芬氟拉明输出结果 1：因子基本汇总表
图表说明: 上表展示了样本频数的统计情况，包括样本中各个因子的字段频数、总计、总样本频数，CFA分析要求总样本数据最少要是因子内个别量表的5倍以上，且一般情况下至少需要200个样本。
结果分析： 样本数据集共有因子数量 2 个，变量数 6 个，样本数 200 满足验证性因子分析基本数据要求。
输出结果 2：因子载荷系数表
图表说明：上表为模型的因子载荷系数表格，包括潜变量、分析项、非标准载荷系数、z检验结果等。测量关系时第一项会被作为参照项，因此不会呈现P值等统计量。
结果分析：由因子载荷系数表可知：
spn因子（因子 1）的测量项（物理（0.0001）丶化学（0.0001）丶生物（0.0001））水平上呈现显著性，则拒绝原假设，同时其标准载荷系数均大于 0.6，可以认为其有足够的方差解释率表现各变量能在同一因子上展现，这一因子命名为理科。
因子（因子 2）的测量项（英语（0.0001））水平上呈现显著性，则拒绝原假设，同时其
标准载荷系数均大于 0.6，可以认为其有足够的方差解释率表现各变量能在同一因子上展现，这一因子命名为文科。
输出结果 3：模型评价
图表说明: 上表展示了模型AVE和CR指标结果，根据平均公因子方差抽取量（AVE）与组合信度（CR）结果可以用于表示因子内对变量的聚合效度。
结果分析：模型 AVE 和 CR 的检验结果显示： 基于因子 1，平均方差抽取量（AVE）的值为 0.792，大于 0.5，组合信度 CR 值为 0.936，大于 0.7，说明因子内的测量指标提取度优秀。 基于因子 2，平均方差抽取量（AVE）的值为 0.916，大于 0.5，组合信度 CR 值为 0.956，大于 0.7，说明因子内的测量指标提取度优秀。
输出结果 4：Pearson 相关与 AVE 平方根值
图表说明: 上表展示了因子间 Pearson 相关分析与 AVE 平方根值的结果。
结果分析：因子 1 的平均方差抽取量（即 0.89）和因子 2 的平均方差抽取量（即 0.957）都大于因子 1 和因子 2 的 Pearson 相关系数值（即 0.378），则说明具有较为优秀的区分效度。
输出结果 5：模型拟合指标
图表说明: 上表展示了模型的拟合指标，可以适当选择一些指标进行评价，若所有指标均不满足，可以考虑根据 2，3 对因子的测量指标进行删除或者重构。
结果分析：表中 GFI、CFI、NFI 是满足的 ，可以认为模型较合适。
输出结果 6：因子协方差表
图表说明: 上表展示了因子协方差分析的结果，其作用时用来验证因子的区分程度。协方差分析的结果显示： 因子 1 与因子 2 标准估计系数为 0.406，呈现中等的关联性。
7、注意事项
验证性因子分析目的是已知理论变量，强调多个测试项是否能否代表某个理论变量，例如
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，而探索性在乎的是多个测试项是否能组成一个或多个理论变量，其理论变量是未知的，例如 30 个题目里面能生成多少个理论变量，即最合适的因子个数是多少。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议