验证性因子分析的三种用途和分析方法

因子分析是一种定量的研究方法。通过降维的思想，将大部分原始数据信息通过少量的因子（变量）表达。例如，有一份学生健康调查问卷，其中包含多个量表题项，可以项提取概括成几个方面的因素如睡眠模式，成瘾，心理健康或学习障碍等。此方法通常多用于社会学研究领域。

因子分析可以分为两种：探索性因子分析和验证性因子分析。

• 探索性因子分析(EFA)用于探索因子与测量项之间的对应关系

• 验证性因子分析(CFA)用于验证因子与测量项之间的对应关系

探索性因子分析简称为因子分析，我们一般使用的因子分析，其实都属于探索性因子分析。

效度分析

因子分析除了可以浓缩题项，也用于检验量表效度。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：

SPSSAU整理

• 如果是非经典量表，通常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。

• 如果是经典量表需要进行效度验证，在已经具备良好的结构效度和内容效度的情况下，可使用CFA进行深入分析，即进行聚合(收敛)效度和区分效度分析。

大致了解因子分析的用途之后，我们再对验证性因子分析做进一步说明。

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：

验证性因子分析用途汇总表

1 聚合(收敛)效度分析

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。

2 区分效度

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。

SPSSAU分析界面

3 共同方法偏差(CMV)

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)，因而说明数据无共同方法偏差问题。

验证性因子分析：模型拟合指标结果

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。

其他说明

• 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。