确证性因子分析

确证性因子分析知识总结，包括验证性因子分析、问卷设计中的效度研究、结构方程模型初级介绍三部分内容。

确证性因子分析

• 验证性因子分析
  • 探索性因子分析和确证性因子分析 探索性因子分析：分析前，我们并不知道这种潜在的因子是否存在；如果存在，那么这种潜在的因子有多少个？每个因子如何解释？分析具有探索性，称为探索性因子分析 确证性因子分析(Confirmatory Factor Analysis， CFA) 当研究者根据专业理论知识或经验对潜在因子有一定的认识，从而提出观察指标与潜在因子间存在着某种潜在的关系，希望通过现有资料来验证这种假设是否成立，并评价观察指标与因子间是如何联系的，以及联系的程度有多大，这就是确证性因子分析。
  • 特点
    • CFA属于结构方程模型的子模型，CFA分析的数学原理与统计程序，都是结构方程模型的特殊应用 CFA必须有特定理论依据或概念构架作为基础，然后由看数据与模型是否拟合。 CFA的参数估计采用最大似然估计，而非探索性因子分析中的矩阵分解，所以可以提供模型的拟合优度统计量以及参数估计的标准误
  • 步骤
    • 提出模型假设
      • 确证性因子分析中，因子可以是相关的， 用路径图表示（矩形表示显变量，用椭圆表示潜变量，单向箭头表示一个变量对另一个变量有影响，双变量表示变量间的协方差或相关系数）
    • 估计因子模型
      • 用极大似然估计来估计参数，并固定两个公因子的方差都为1 1=共同度+特殊方差 从应用角度讲，希望共同度达到50%，也就是因子载荷要大于0.7。该因子模型的共同度不是很高，而特殊因子较大
    • 模型的拟合优度
      • 判断因子模型对原数据的拟合优度，首先看模型对原变量间协方差阵或相关阵的拟合效果。（predicted model matrix） 原相关系数矩阵的差值矩阵为(raw residual matrix):残差都较小，说明所建因子模型对原相关结构拟合尚可 GFI(拟合优度指数)和AGF(调整拟合优度指数)越接近于1，说明因子模型拟合越好 似然比卡方检验：P>0.05
  • 软件实现
    • LISREL 是一套用于结构方程模型的统计专用软件
    • AMOS(SPSS)
    • SAS CALIS
• 问卷设计中的效度研究
  • 因子分析法通常包括探索性因子分析和验证性因子分析。
  • 先进行探索性因子分析，因为原始问卷的题项数量较多，需要简化问卷，对问卷题项作降维处理。——弄清问卷结构
  • 再进行验证性因子分析，进一步检验新问卷确定的因子结构是否合理，即验证数据是否支持新问卷的各因子与其测量项（量表题项）之间的对应关系。——效度检验。
  • 根据各变量因子负荷大于0.4、不存在明显跨因子负荷、公共因子包含3个以上题项的原则提取潜在变量。
  • 子主题
• 结构方程模型初级介绍
  • 原因
    • 传统的统计分析方法不能妥善处理这些潜变量，而结构方程模型则能同时处理潜变量及其指标
    • 优点（SEM）
      • 同时处理多个因变量
      • 容许自变量和因变量含测量（误差传统方法（如回归）假设自变量没有误差）
      • 同时估计因子结构和因子关系
      • 容许更大弹性的测量模型
      • 估计整个模型的拟合程度（用以比较不同模型）
  • 简介
    • SEM包括:回归分析、因子分析(验证性因子分析、 探索性因子分析)、ｔ检验、方差分析、比较各组因子均值、交互作用模型、实验设计
    • 结构方程模型的几个本质特征是： 结构、协方差、线性
    • 分类
      • 测量方程（measurement equation）测量方程描述潜变量与指标之间的关系，如工作方式选择等指标与工作自主权的关系；
      • 结构方程（structural equation），描述潜变量之间的关系，如工作自主权与工作满意度的关系。
  • 建模
    • 模型建构（model specification） 一、观测变量（即指标，通常是题目）与潜变量（即因子，通常是概念）的关系； 二、各潜变量间的相互关系（指定那些因子间相关或直接效应） 根据专业知识进行假设
    • 模型拟合（model fitting）
    • 模型评价（model assessment）
    • 模型修正（model modification）