实用教程!SPSSAU验证性因子分析思路总结(示例代码)

栏目: 技巧 · 发布时间: 2021-03-04

来源:cnblogs.com

简介  这篇文章主要介绍了实用教程!SPSSAU验证性因子分析思路总结(示例代码)以及相关的经验技巧,文章约9138字,浏览量278,点赞数2,值得参考!

验证性因子分析,是用于测量因子与测量项(量表题项)之间的对应关系是否与研究者预测保持一致的一种研究方法。尽管因子分析适合任何学科使用,但以社会科学居多。

 

目前有很多软件都可以非常便利地实现验证性因子分析,本文将基于SPSSAU系统进行说明。

 

 技术图片

 

 

 

验证性因子分析

 

Step1:因子分析类型

 

因子分析可分为两种类型:探索性因子分析(EFA)和验证性因子分析(CFA)。

 

探索性因子分析,主要用于浓缩测量项,将所有题项浓缩提取成几个概括性因子,达到减少分析次数,减少重复信息的目的。

 

验证性因子分析与探索性因子分析相似,两者区别只在于探索性因子分析(EFA)用于探索因子与测量项之间的对应关系,验证性因子分析(CFA)用于验证结果与理论预期是否一致。

 

 

Step2:分析思路

 

在实际研究中,验证性因子分析常会与结构方程模型、路径分析等方法联系到一起,对于不熟悉概念的研究人员容易搞混这些方法,下表对这几种方法进行简单说明:

 

方法

功能

其它说明

探索性因子分析(EFA)

研究测量关系

适用于非经典量表

验证性因子分析(CFA)

研究测量关系

适用于经典量表

回归分析

研究自变量对一个因变量的影响关系

y为定量数据

路径分析

研究多个自变量与多个因变量之间的影响关系

可先用CFA/EFA确定因子与研究项关系,再进行路径分析

结构方程模型

研究影响关系及测量关系

结构方程模型包括两部分:

验证性因子分析和路径分析

 

 

探索性因子分析:验证因子与分析项的对应关系,检验量表效度,非经典量表通常用探索性因子分析。

 

验证性因子分析:验证因子与分析项的对应关系,检验量表效度,成熟量表通常用验证性因子分析。确认测量关系后,后续可进行路径分析/线性回归分析研究具体的影响关系。

 

路径分析:用于研究多个自变量与多个因变量影响关系;如果因变量只有一个,可以使用线性回归分析。

 

结构方程模型SEM包括测量关系和影响关系。如果仅包括影响关系,此时称作路径分析(Path analysis,有时也称通径分析)。通常需要进行探索性因子分析和验证性因子分析,均保证测量关系无误之后,再进行结构方程模型构建。

 

从分析思路上看,建议先用探索性因子分析EFA构建模型,确定存在几个因子及各分析项与因子的对应关系,再用验证性因子分析CFA加以检验。

 

Step3:SPSSAU操作

 

 

技术图片

分析步骤

 

 

(1)模型设定

 

首先需要确定因子数及对应分析题项,顺序放入分析框内。

 

 技术图片

 

模型MI调整:用于修正模型拟合度,一般在模型拟合情况不佳时使用。通常情况下不需要设置。

 

二阶:验证性因子分析包括一阶和二阶,绝大多数情况下均为一阶验证性因子分析。如果说验证性因子分析时为二阶模型,可以勾选‘二阶’项即可。

 

 

(2)模型拟合

 

技术图片 

因子载荷系数表格

 

通过因子载荷系数表格可以展示因子(潜变量)与分析项(显变量)之间的关系情况。如果因子与测量项间的对应关系出现严重偏差,或者因子载荷系数值过低,则需要删除掉该测量项。

 

分析时主要关注P值及标准载荷系数,建议结合SPSSAU给出的“分析建议”进行分析。

 技术图片

 

 

 

 技术图片

模型拟合指标

 

模型拟合指标用于整体模型拟合效度情况分析。

 

常用的拟合值及其判断标准,都展示在上表中,实际输出值在标准范围内及说明模型拟合程度较好。模型拟合指标非常多,通常下很难保证所有指标均达标,只要多数指标达标或接近标准值即可。

 

*常用指标包括卡方自由度比,GFI,RMSEA,RMR,CFI,NFI和NNFI。

 

 

(3)模型修正

 

根据模型拟合指标情况,评价模型的优劣,如果模型拟合情况不佳,则需要进一步修正模型。

 技术图片

 

  

MI指标越大说明该项与其他因子的相关性越强,MI过大时会干扰模型需要进行修正或剔除该项。

 

技术图片

 

模型构建过程需要重复多次,以找到最优模型。同时SPSSAU会自动生成模型结果图。

 

 技术图片

 

 

 

(4)模型分析

 

在完成模型构建后,即可使用模型进行分析。验证性因子分析主要有三个方面的功能,分别是聚合效度、区分效度、共同方法偏差。

 

聚合效度

聚合效度,也叫做收敛效度。AVE和CR是用于判断聚合效度的常用指标,AVE>0.5,并且CR>0.7,则说明具有良好的聚合效度。如果AVE或CR值较低,可考虑移除某因子后重新分析聚合效度。

 

 技术图片

 

 

上图为SPSSAU输出的AVE、CR值指标表格,可以根据此表格进行查看。

 

区分效度

区分效度,常用的做法是将AVE根号值与‘相关系数值’进行对比,SPSSAU也会输出相应结果。

 

 技术图片

 

如果每个因子的AVE根号值均大于“该因子与其它因子的相关系数最大值”,说明具有良好的区分效度。

 

共同方法偏差

共同方法偏差,SPSSAU提供两种方法检验,一种是探索性因子分析(也称作Harman单因子检验方法),做法是将所有变量进行探索性因子分析,如果只得出一个因子或者第一个因子的解释力(方差解释率)特别大,则判定存在共同方法偏差。

 

 技术图片

 

 

另一种是验证性因子分析,所有变量全部放在一个因子里面进行分析,如果测量出来显示模型的拟合指标无法达标,模型拟合不佳,说明所有的测量项并不应该同属于一个因子,也就说明数据无共同方法偏差问题。

 

Step4:常见问题

 

l 验证性因子分析需要较大的样本量,通常建议样本量至少为测量项(量表题)的5倍以上,最好10倍以上,且一般情况下至少需要200个样本。

 

l 一个因子对应的测量项最好在5~8个之间,便于后续删除掉不合理测量项。

 

l 绝大多数情况下均为一阶验证性因子分析。如果说验证性因子分析时为二阶模型,此时参数处选中‘二阶’即可。

 

 

总结:

一般来说,使用验证性因子分析需要有一定的理论基础支持,如果拟合指标不能达标,最好按照分析思路:探索性因子分析→验证性因子分析,进行分析。

 

以及对于不熟悉的步骤,建议大家阅读SPSSAU帮助手册中的相关说明以及SPSSAU的教学视频。

 

 


以上就是本文的全部内容,希望对大家的学习有所帮助,版权归原作者或者来源机构所有,感谢作者,如果未能解决你的问题,请参考以下文章。

C#验证码识别基础方法实例分析

dplyr包实用总结之mutate系列(示例代码)

转录因子预测-oPOSSUM 3.0的使用教程

学历高=工资高?——方差分析带你探究竟

「总结」筛法(示例代码)