验证性因子分析原理

第一节　验证性因子分析原理

一、探索性因子分析与验证性因子分析

因子分析(Factor Analysis)是一套用来简化变量、分析变量间的群组关系或寻找变量背后共同的潜在构念的统计技术(邱皓政、林碧芳，2009)。因子分析有两种基本形式:探索性因子分析(Exploratory Factor Analysis，EFA)和验证性因子分析(Confirmatory Factor Analysis，CFA)。

多元统计中的因子分析是从数据出发，从数据中提炼公共因子即潜变量，进而研究其关系的方法，称为探索性因子分析。结构方程模型是从理论出发，根据已有的理论研究成果或经验，如按照社会学、心理学、经济学或其他人文社会科学的既有理论设定潜变量及模型结构，通过采集相关数据验证事先构建的关系，称为验证性因子分析(易丹辉，2008)。

探索性因子分析与验证性因子分析最大不同在于测量的理论框架(因子结构)在分析过程中所扮演的角色与检验时机。因子结构对于EFA而言，是一个事后的概念;对于CFA而言，因子结构存在于分析之前，是一个事前的概念(邱皓政、林碧芳，2009)。

在结构方程模型中，CFA是其测量模型(X模型)，CFA分析的数学原理与统计程序，都是结构方程模型的一种特殊应用。CFA可以用来检验抽象概念或潜在变量的存在与否，评估测验工具的项目效度和信效度，并且检验特定理论假设下的因素结构(Brown，2006)，因此在结构方程模型范式下，CFA经常被独立使用。

二、两种因子分析的结合使用

实际上，CFA与EFA是研究过程的两个阶段，不能截然分开，两者结合运用能够相得益彰，使研究更有深度。Anderson建议，在发展理论的过程中，先通过探索型分析建立模型，再用验证型分析去检验和修正模型。例如，在一个样本中先用EFA找出变量的因素结构，再在另一个样本中用CFA验证和修改，这个程序称为交叉证实(crossvalidation)(胡中锋和莫雷，2002)。

一般来说，如果没有坚实的理论基础支撑，有关观测变量内部结构，一般用探索性因子分析。先用探索性因子分析产生一个关于内部结构的理论，再在此基础上用验证性因子分析，这种做法比较可取。但必须用分开的数据集来做。如果直接把探索性因子分析的结果放到同一数据的验证性因子分析中，就仅仅是拟合数据，而不是检验理论结构(Kim和Mueller，1978)。合理的做法是用一半数据进行探索性因子分析，然后把析取的因子用剩下的一半数据做验证性因子分析。如果验证性因子分析的拟合效果非常差，就必须用探索性因子分析找出数据与模型之间的不一致(Wegener和Fabrigar，2000)。但是在对新数据拟合模型时，任何改动都需要进行检验。