驗證性因子分析(CFA)原來這麼好理解

驗證性因子分析（confirmatory factor analysis, CFA）是用於測量因子與測量項(量表題項)之間的對應關係是否與研究者預測保持一致的一種研究方法。

驗證性因子分析的使用場景

驗證性因子分析CFA的主要目的在於進行效度驗證，同時還可以進行共同方法偏差CMV的分析。

SPSSAU：驗證性因子分析

結合實際應用情況，驗證性因子分析通常有三個用途：

SPSSAU整理

1 聚合(收斂)效度分析

聚合效度，又稱收斂效度，強調那些應屬於同一因子（指標）下的測量項，測量時確實落在同一因子下面。

如果目的在於進行聚合(收斂)效度分析，則可使用AVE和CR這兩個指標進行分析，如果每個因子的AVE值大於0.5，並且CR值大於0.7，則說明具有良好的聚合效度，同時一般還要求每個測量項對應的因子載荷係數（factor loading）值大於0.7。有時候還可能會結合模型擬合指標，以及進行模型MI值修正，以達到更好的結論。

由上表可知，AVE值全部均大於0.5，而且CR值全部均大於0.7，因而說明本次測量量表數據具有優秀的聚合效度。

2區分效度

區分效度，強調本不應該在同一因子（指標）下的測量項，測量時確實不在同一因子下面。

如果目的在於進行區分效度分析，則可使用AVE根號值和相關分析結果進行對比，如果每個因子的AVE根號值均大於「該因子與其它因子的相關係數最大值」，此時則具有良好的區分效度，為更好表述，使用下圖展示：

SPSSAU：區分效度

上圖的斜對角線為AVE的根號值，比如因子對應的AVE根號值為0.843，該值大於因子1與另外3個因子的相關係數(分別是0.700，0.646和0.777)，類似因子2，因子3，因子4也這樣進行分析。最終發現因子的AVE根號值，全部均大於該因子與其它因子的相關係數值，因而說明具有很好的區分效度。

操作步驟：

分析時首先完成驗證性因子分析的模型構建， 通過'生成變量'功能將題項合併為一個整體（因子）進行相關分析。

SPSSAU：相關分析

3共同方法偏差(CMV)

共同方法偏差，是指由於測量外部的某些因素導致數據出現集中的偏差。換句話說，測量的差異是由於研究本身（或其他），如測量工具、問題構成或測量環境等導致的。

如果目的在於進行共同方法偏差(CMV)分析，常見的做法為：將所有的測量項(即所有因子對應的測量量表題項)放在一個因子裡面，然後進行分析。

如果測量出來顯示模型的擬合指標，比如卡方自由度比，RMSEA,RMR,CFI等無法達標，則說明模型擬合不佳，即說明所有的測量項並不應該同屬於一個因子(放在一起時模型不好)，因而說明數據通過共同方法偏差CMV檢驗，數據無共同方法偏差問題。

驗證性因子分析：模型擬合指標結果

上圖顯示卡方自由度值為11.137，明顯高於標準（>3），並且GFI,CFI,NFI,NNFI這四個指標值全部均低於0.7，明顯偏差標準值(大於0.9)，RMSEA和RMR值均大於0.15，也嚴重偏差標準值。因而說明模型擬合質量非常糟糕，也即說明不能本次研究量表數據無法聚焦成一個因子，說明無共同方法偏差問題。

針對CMV檢驗，上種思路同樣也適用於使用探索性因子分析EFA方法進行檢驗CMV問題(也稱作Harman單因子檢驗方法)，即查看把所有量表項進行探索性因子分析EFA時，如果只得出一個因子或者第一個因子的解釋力（方差解釋率）特別大，通常以50%為界，此時可判定存在同源方差（共同方法偏差），反之則說明沒有共同方法偏差問題。

針對共同方法偏差(CMV)分析，還有其它的一些做法，建議用戶以文獻為準。

其他說明

進行聚合(收斂)效度，或區分效度分析，建議首先進行探索性因子分析(EFA)，然後再進行CFA分析。原因在於CFA對於數據質量要求高，如果探索性因子分析就發現因子與測量項對應關係出現偏差，需要首先進行處理，確認好因子與測量項對應關係後，再進行CFA分析。如果使用CFA進行分析，建議樣本量至少為測量項(量表題)的5倍以上，最好10倍以上，且一般情況下至少需要200個樣本。一個因子對應的測量項最好在5~8個之間，便於後續刪除掉不合理測量項。