验证性因子分析概要
Confirmatory Factor Analysis 内容提要 1 前言 2 验证性因子分析 3 关于样本 4 应用实例 因子分析概述(factor analysis) 用于分析影响变量或支配变量的共同因子有几个,且各因子本质为何的一种统计方法 是一类降维相关分析技术,考察一组变量(指标)之间的协方差或相关系数结构,并用于解释这些变量与少数因子(潜变量)之间的关系 事先未知,确定因子的维数——探索性因子分析(EFA) 根据某些理论或其他先验知识对可能的个数或因子结构作出假设——验证性因子分析(CFA) 概念间的关系 探索性与验证性因子分析的比较 探索性因子分析的分析步骤 收集观测变量。 获得协方差阵(或相关系数矩阵) 确定因子个数:Kaiser准则、Screen检验 依据具体的假设,决定因子个数; 用尽可能少的因子解释尽可能多的方差。 提取因子:主成分法、最小二乘法、最大似然法 因子旋转: 因子载荷阵的不唯一性,可对因子进行旋转,使因子结构朝合理方向趋近。 旋转方法:正交、斜交旋转等,常用方差最大化正交旋转 解释因子结构:依据因子载荷大小作出解释,并赋予因子特定含义 因子得分:公共因子代表原始变量,更利于描述研究对象的特征 验证性因子分析步骤 定义因子模型 搜集数据 获得协方差矩阵或相关系数矩阵 模型估计 模型评价 选择模型 1 验证性因子分析 CFA属于结构方程模型 (SEM with latent variables)的子模型,CFA分析的数学原理与统计程序,都是SEM的特殊应用。 CFA:必須有特定理论依据或概念构架作为基础,然后藉由数学语言来确认该理论所导出的计量模型是否合理适当。 CFA的参数估计采用“最大似然估计”,而非矩阵分解,其优点在于 提供模型拟合优度统计量 提供参数估计的标准误 1.1 CFA的应用 (一)检验因子模型的