驗證性因子分析
因子分析能夠分爲探索性因子分析（EFA）和驗證性因子分析（CFA），探索性因子分析（EFA）我以前寫過一篇文章介紹，這裏再也不展開，想看的能夠點這。驗證性因子分析（CFA）相對而言更復雜一點，並且就個人專業而言基本用不上，不過仍是頗有意思的因此今天也去了解了一下。
想要了解一下的能夠看邱皓政老師的《量化研究與統計分析：SPSS(PASW)數據分析範例解析》，而後看一下SPSSAU寫的介紹性文章 and SPSSAU寫的一個例子就能夠有一個基本的瞭解 ，不過這些都是比較簡單的介紹，想要深刻理解確定仍是須要專門讀下專著的。
本博文主要是記錄下個人理解，以及一個整體的進行驗證性因子分析的思路。html
1.個人理解
驗證性因子分析（CFA）能夠用來驗證本身預先提出的一種結構，好比在設計問卷前我就想好了Q1-Q3這三題反應的是一我的的思惟能力（Factor1），Q4-Q6這三題反應的是一我的的體能能力（Factor2），接下來，咱們就可使用CFA來進行判斷收集到的數據是否可以按照預先提出的結構來劃分。也就是咱們預先的理論架構是不是好的，題目設置是不是好的，收集到的數據可否體現想要的結果，實際上也就是一種效度檢驗。在進行CFA分析的時候，第一步要看模型的擬合效果，這個能夠經過GFI，RMSE等一些指標來判斷，很差的話就要對題目進行調整，刪掉一些題目之類的，直到擬合效果足夠好，第二步是要進行內部適配性的檢查，一、聚斂性：一個因子及其對應的題目是否合適，或者說幾個題目是否確實反映了某個因子；二、區分效度，不一樣因子是不是有區別的；最後能夠進行共同方法誤差分析，這個不作也能夠，看狀況就好。因此總的來講也就是先判斷總體模型好很差，好的話進一步判斷模型內部的細節怎麼樣。python
2.CFA步驟
- 構建好模型和思路，也就是要肯定好模型的結構。
- 通常建議先使用EFA對模型結構進行簡單的判斷，若是EFA便發現有些題目和預設的factor對應的很差，便考慮刪除這些題目或對結構進行調整。
- 進行CFA，獲得模型的各個參數。
- 藉助GFI,RMSE等參數判斷模型的擬合信息；若擬合很差的話，藉助MI指標對模型進行修正調整，好比刪除對應很差的題項，而後從新跑CFA，直到模型擬合良好。
- 進行內部適配性的檢驗，1.藉助AVE和CR以及因子載荷（具體可見SPSSAU的介紹文章或上述的書籍）進行判斷；2.藉助AVE根號值和相關分析結果進行區分效度的檢驗。若效果很差，也須要繼續作調整。
- 進行共同方法誤差分析，看需求是否須要作這個。
- 撰寫結論。
3.實現
CFA是SEM的一種特例狀況，實現的話spss裏是不行的，須要使用AMOS等一些專門的sem軟件，以前作EFA時看到python的FactorAnalysis裏好像也有CFA，不過沒仔細看，估計也是能夠的，以後能夠看看官方文檔跑一跑試試。git
python實現案例
說明：pyhton裏的因子分析包確實能夠實現CFA的，可是不少統計性指標都沒有的，只給出了因子載荷和一些偏差、方差之類的，因此實際上仍是不大行，以後我再去查一下看行不行，不過官網彷佛就沒有這些須要的統計指標。
官網文檔github
4 AMOS實現
很是具體的過程就不說了，就說一個網上常常有人出現的問題，可是彷佛至今也沒人給出直接的解答，也就是AMOS結果中沒有default model，也就是實際上是模型訓練失敗了，爲何會出現這個狀況呢？實際上在output中給了提示了：
也就是約束不夠多，這個所說的約束能夠看下下面補充鏈接中的第二個連接：驗證性因子分析中的固定方差法以及固定載荷法，也就是須要給潛變量方差設定一個值或給路徑設定一個載荷，此外除了潛變量外，千萬不要忘了偏差項也要設置的。架構
此外，CFA還要作內在適配性檢驗的，amos是無法輸出AVE和CR的，不過這兩個指標手算也是很簡單的。因此實際上python作CFA也還行的，只不過就是人工多算了總體擬合指標罷了，其餘也是都同樣的。ide
還有一點須要說明，amos是沒法計算出因子得分的，這是一個缺點，固然能夠直接來手工計算下，也比較簡單的，公式爲： 因子得分=因子得分系數（因子得分系數矩陣裏相應的值）* 標準化轉化後的數據。 除此以外，還可使用python的因子分析包來計算因子得分，因此能夠說pyhton和amos能夠進行很好的互補，共同完成CFA。svg