验证性因子分析
因子分析能够分为探索性因子分析（EFA）和验证性因子分析（CFA），探索性因子分析（EFA）我以前写过一篇文章介绍，这里再也不展开，想看的能够点这。验证性因子分析（CFA）相对而言更复杂一点，并且就个人专业而言基本用不上，不过仍是颇有意思的因此今天也去了解了一下。
想要了解一下的能够看邱皓政老师的《量化研究与统计分析：SPSS(PASW)数据分析范例解析》，而后看一下SPSSAU写的介绍性文章 and SPSSAU写的一个例子就能够有一个基本的了解 ，不过这些都是比较简单的介绍，想要深刻理解确定仍是须要专门读下专著的。
本博文主要是记录下个人理解，以及一个整体的进行验证性因子分析的思路。html
1.个人理解
验证性因子分析（CFA）能够用来验证本身预先提出的一种结构，好比在设计问卷前我就想好了Q1-Q3这三题反应的是一我的的思惟能力（Factor1），Q4-Q6这三题反应的是一我的的体能能力（Factor2），接下来，咱们就可使用CFA来进行判断收集到的数据是否可以按照预先提出的结构来划分。也就是咱们预先的理论架构是不是好的，题目设置是不是好的，收集到的数据可否体现想要的结果，实际上也就是一种效度检验。在进行CFA分析的时候，第一步要看模型的拟合效果，这个能够经过GFI，RMSE等一些指标来判断，很差的话就要对题目进行调整，删掉一些题目之类的，直到拟合效果足够好，第二步是要进行内部适配性的检查，一、聚敛性：一个因子及其对应的题目是否合适，或者说几个题目是否确实反映了某个因子；二、区分效度，不一样因子是不是有区别的；最后能够进行共同方法误差分析，这个不作也能够，看状况就好。因此总的来讲也就是先判断总体模型好很差，好的话进一步判断模型内部的细节怎么样。python
2.CFA步骤
- 构建好模型和思路，也就是要肯定好模型的结构。
- 通常建议先使用EFA对模型结构进行简单的判断，若是EFA便发现有些题目和预设的factor对应的很差，便考虑删除这些题目或对结构进行调整。
- 进行CFA，获得模型的各个参数。
- 借助GFI,RMSE等参数判断模型的拟合信息；若拟合很差的话，借助MI指标对模型进行修正调整，好比删除对应很差的题项，而后从新跑CFA，直到模型拟合良好。
- 进行内部适配性的检验，1.借助AVE和CR以及因子载荷（具体可见SPSSAU的介绍文章或上述的书籍）进行判断；2.借助AVE根号值和相关分析结果进行区分效度的检验。若效果很差，也须要继续作调整。
- 进行共同方法误差分析，看需求是否须要作这个。
- 撰写结论。
3.实现
CFA是SEM的一种特例状况，实现的话spss里是不行的，须要使用AMOS等一些专门的sem软件，以前作EFA时看到python的FactorAnalysis里好像也有CFA，不过没仔细看，估计也是能够的，以后能够看看官方文档跑一跑试试。git
python实现案例
说明：pyhton里的因子分析包确实能够实现CFA的，可是不少统计性指标都没有的，只给出了因子载荷和一些偏差、方差之类的，因此实际上仍是不大行，以后我再去查一下看行不行，不过官网彷佛就没有这些须要的统计指标。
官网文档github
4 AMOS实现
很是具体的过程就不说了，就说一个网上常常有人出现的问题，可是彷佛至今也没人给出直接的解答，也就是AMOS结果中没有default model，也就是实际上是模型训练失败了，为何会出现这个状况呢？实际上在output中给了提示了：
也就是约束不够多，这个所说的约束能够看下下面补充链接中的第二个连接：验证性因子分析中的固定方差法以及固定载荷法，也就是须要给潜变量方差设定一个值或给路径设定一个载荷，此外除了潜变量外，千万不要忘了偏差项也要设置的。架构
此外，CFA还要作内在适配性检验的，amos是无法输出AVE和CR的，不过这两个指标手算也是很简单的。因此实际上python作CFA也还行的，只不过就是人工多算了总体拟合指标罢了，其余也是都同样的。ide
还有一点须要说明，amos是没法计算出因子得分的，这是一个缺点，固然能够直接来手工计算下，也比较简单的，公式为： 因子得分=因子得分系数（因子得分系数矩阵里相应的值）* 标准化转化后的数据。 除此以外，还可使用python的因子分析包来计算因子得分，因此能够说pyhton和amos能够进行很好的互补，共同完成CFA。svg