驗證性因子分析（confirmatory factor analysis, CFA）是結構方程模型的一種最常見的應用。
驗證性因子分析（confirmatory factor analysis, CFA）通常可用於四種用途：
一是針對成熟量表進行效度分析，包括結構效度，聚合（收斂效度）和區分效度；
二是驗證性因子分析可用於組合信度的分析；
三是驗證性因子分析還可用於進行共同方法偏差CMV檢驗；
四是使用驗證性因子分析進行權重計算。
一、驗證性因子分析基本說明
使用SPSSAU進行驗證性因子分析是一件輕鬆的事情。但在實際分析過程中，容易出現各種問題，解決問題才是關鍵。其實質是對於分析的掌握能力。一般情況下，驗證性因子分析的分析流程如下：
在進行CFA分析前，一定需要清楚的知道，通常情況下量表數據才能進行CFA分析，而其它的一些數據一般不能進行CFA分析。所以數據準備需要按照CFA的思路進行，包括每個因子對應4~7個題（為什麼是4~7個呢？因為如果個別不達標後面可以刪除掉）；如果不是這樣，就很有可能出現各種問題而且沒有緩衝；在進行驗證性因子分析之前，一般需要先進行探索性因子分析，首先因子與項之間有著較好的對應關係，如果探索性因子分析已經發現各種對應關係有問題，那麼驗證性因子分析時結果一般都不理想，這一步驟非常重要，也是減少各種問題的關鍵。
在進行驗證性因子分析時，重要的指標是factor loading值，一般標準化的factor loading值需要大於0.7，如果該值較小，就說明對應項與因子之間對應關係弱，因此可考慮刪除該項，也或者移動該項到別的因子裡面。重複幾次直至標準化factor loading值都大於0.7即可。這樣對應的其它指標，比如AVE值，CR值等才可能達標，因此這些指標都是基於標準化Factor loading值計算得到。
二、如何使用SPSSAU進行驗證性因子操作
關於利用SPSSAU進行驗證性因子分析的操作上，如下：
本例子中共有4個因子，每個因子對應著一些項。所以分別放在4個因子框裡面。默認SPSSAU會以Factor 1，Factor 2等這樣的名字進行，當然可以自主地對因子進行命名。一般情況下不會使用二階模型，如果確實是二階模型則選中即可。
除此之外，在進行驗證性因子分析時，有時候會對模型進行MI指標調整，此時也可進行設置。在實際分析時，如果使用驗證性因子分析進行效度分析（包括結構效度，聚合效度，區分效度），也或者組合信度時，對於模型的擬合指標關注度較低，因此MI指標調整使用較少。
在使用SPSSAU進行CFA分析後，SPSSAU默認會輸出上述中涉及到的分析的各類表格。SPSSAU輸出相關表格說明如下：
當然，上述表格中有一些基本無意義，比如殘差項估計值，因子協方差，顯變量協方差表格等，意義均較小，可能對於分析建模有一定幫助，通常無實質性價值。
以及SPSSAU默認都會輸出智能分析和分析建議等，如下各圖：
基本匯總
模型AVE和CR指標結果
因子載荷係數表格
區分效度
模型擬合指標
因子和分析項
因子協方差表格
殘差值表格
三、驗證性因子不達標如何辦？
進行驗證性因子分析時，很容易出現一些問題，比如效度不達標、factor loading值過小或者過大，也或者各種指標擬合不達標等。
接下來從3個角度去剖析數據不達標的處理。
第1點：效度不達標
如果對驗證性因子分析進行效度驗證出現問題。分別說明如下：
如果進行結構效度驗證，發現標準化factor loading值小於0.7；可直接對該項進行刪除；如果進行聚合效度分析時發現AVE值小於0.5，那麼也需要對標準化factor loading值較低項進行刪除處理，因為AVE值是由factor loading值計算得到；如果進行區分效度分析時發現AVE平方根值小於相關係數值；說明區分效度差，此時有兩種處理辦法，一是重新進行探索性因子分析，將因子與分析項之間的對應關係梳理好（比如重新改變因子與分析項的對應關係等）；二是刪除掉factor loading值較低。
第2點：factor loading值過大或過小
如果說標準化的Factor loading值過大，比如大於1，說明有著很強的共線性問題，建議可分別針對每個因子對應的項，分別做相關分析，將相關關係過強（比如相關係數值大於0.8甚至0.9）的項刪除後重新分析，減少共線性問題；
如果說標準化factor loading值過小，比如0.4，那麼說明該項應該直接進行刪除掉。
第3點：擬合指標不達標
如果研究目的是進行效度驗證或者組合信度等，一般對於模型擬合指標的關注度較低，可直接忽略即可。
如果是使用驗證性因子分析進行共同方差偏差CMV檢查，那麼其檢查原理就是查看擬合指標不好，用於說明沒有CMV問題；如果說使用驗證性因子分析做權重計算時指標擬合不好，可考慮刪除項，或者進行MI調整等。
特別提示：在進行驗證性因子分析之前，最好是先進行探索性因子分析，如果探索性因子分析已經發現問題，比如因子與項之間的對應關係有問題，那麼數據繼續進行驗證性因子分析，一般都會有各種問題。