验证性因子分析（CFA）具体示例与步骤

验证性因子分析（CFA）具体示例与步骤

验证性因子分析（CFA）是一种用于检验测量模型与数据拟合程度的统计方法，常用于量表或问卷的结构效度验证。以下是一个具体的示例和详细的操作步骤，帮助你在SPSSAU(在线SPSS)中完成CFA分析。

示例背景

假设你正在研究“员工知识管理”这一构念，并设计了一个包含三个维度的量表： 1. 知识创新：由题项A1、A2、A3测量。 2. 知识分享：由题项B1、B2、B3测量。 3. 知识获得：由题项C1、C2、C3测量。

你的目标是通过CFA验证该量表的结构效度。

具体步骤

步骤1：模型构建

1. 数据准备：将量表数据导入SPSSAU(网页SPSS)，确保每个题项的数据完整且格式正确。
2. 模型设定：
   • 在SPSSAU中，选择【验证性因子分析】功能。
   • 将题项A1、A2、A3拖入“知识创新”因子框。
   • 将题项B1、B2、B3拖入“知识分享”因子框。
   • 将题项C1、C2、C3拖入“知识获得”因子框。
3. 因子命名：在右侧的“因子名称”框中，将默认的“Factor1”修改为“知识创新”，“Factor2”修改为“知识分享”，“Factor3”修改为“知识获得”。

步骤2：模型参数估计

1. 选择估计方法：SPSSAU默认使用最大似然法（ML）进行参数估计，适用于量表数据。
2. 正态性检查：检查各题项的偏度和峰度系数，确保数据未严重偏离正态分布（偏度绝对值<3，峰度绝对值<10）。

步骤3：模型拟合评价

1. 查看拟合指标：SPSSAU会输出以下关键拟合指标：
   • 卡方值（χ²）：越小越好，但受样本量影响较大。
   • CFI（比较拟合指数）：>0.9表示模型拟合良好。
   • TLI（Tucker-Lewis指数）：>0.9表示模型拟合良好。
   • RMSEA（近似误差均方根）：<0.08表示模型拟合可接受。
2. 判断模型拟合：如果拟合指标未达标，需进行模型修正。

步骤4：模型修正

1. 删除不合理题项：
   • 如果某题项的因子载荷系数<0.5，说明该题项与因子关系较弱，可考虑删除。
   • 例如，若A3的载荷系数为0.4，可删除A3并重新分析。
2. MI指标修正：
   • 在SPSSAU中，勾选【输出MI>5】，查看修正指标（MI）。
   • 如果MI值较大，说明模型存在潜在修正空间，可添加题项间的协方差关系。
3. 重新分析：根据修正后的模型，重新进行CFA分析，直到拟合指标达标。

步骤5：结果解读

1. 因子载荷系数：查看各题项与因子的载荷系数，通常>0.7表示题项与因子关系较强。
2. 结构效度：如果模型拟合良好且因子载荷系数合理，说明量表具有较好的结构效度。
3. 报告结果：将拟合指标、因子载荷系数等结果整理成报告，用于论文或研究结论。

注意事项

1. 成熟量表 vs. 新量表：
   • 如果使用成熟量表，可直接进行CFA。
   • 如果是新开发量表，建议先进行探索性因子分析（EFA）清理不合理题项，再进行CFA。
2. 模型识别：确保模型可识别，即参数个数不超过方差协方差矩阵的内部元素数（t≤p(p+1)/2）。

通过以上步骤，你可以在SPSSAU(在线SPSS)中顺利完成验证性因子分析，验证量表的结构效度。如果有进一步问题，欢迎随时咨询！