拟合效果不好但是p显著

问题一：验证性因子分析的测试步骤 验证性因子分析往往通过结构方程建模来测试。在实际科研中，验证性因子分析的过程也就是测度模型的检验过程。可以进行测度模型及包括因子之间关系的结构方程建模并拟合的统计软件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL这个软件中有三种编程语言：PRELIS是用来作数据处理或简单运算，比如作一些回归分析、计算一个样本的协方差矩阵；LISREL是一种矩阵编程语言，它用矩阵的方式来定义我们在测度项与构件、构件之间的关系，然后采用一个估计方法 (比如极大似然估计) 进行模型拟合；SIMPLIS是一种简化的结构方程编程语言，适合行为研究者用。一般来讲，研究者需要先通过SIMPLIS建立测度模型，然后进行拟合。根据拟合的结果，测度模型可能需要调整，抛弃质量差的测度项，然后再拟合，直到模型的拟合度可以接受为止。 问题二：验证性因子分析的定义 在社会调查研究构成中，研究者首先开发调查问卷。对应于每一个研究者所感兴趣的理论变量，问卷中往往有多个问题。比如，研究者对顾客的忠诚度感兴趣，忠诚度可能用购买频率、主观评估、消费比例等多个问题来衡量。这个理论变量就是因子，这些个别问题是测度项。验证性因子分析就是要检验购买频率、主观评估、消费比例是否真的可以反映忠诚度。与验证性因子分析相对的是探索性因子分析。在探索性因子分析中，比如，因为我们想让数据“自己说话”，我们即不知道测度项与因子之间的关系，也不知道因子的值，所以我们只好按一定的标准(比如一个因子的解释能力) 凑出一些因子来，再来求解测度项与因子关系。探索性因子分析的一个主要目的是为了得到因子的个数。探索的因子分析有一些。第一，它假定。在实际研究中，我们往往会假定一个因子之间没有因果关系，所以可能不会影响另外一个因子的测度项。第二，探索性因子分析假定测度项残差之间是相互独立的。实际上，测度项的残差之间可以因为共同方法偏差、子因子等因素而相关。第三，探索性因子分析强制所有的因子为独立的。这虽然是求解因子个数时不得不采用的机宜之计，却与大部分的研究模型不符。最明显的是，自变量与因变量之间是应该相关的，而不是独立的。这些局限性就要求有一种更加灵活的建模方法，使研究者不但可以更细致地描述测度项与因子之间的关系，而且并对这个关系直接进行测试。而在探索性因子分析中，一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。验证性因子分析 (confirmatory factor *** ysis) 的强项正是在于它允许研究者明确描述一个理论模型中的细节。那么一个研究者想描述什么呢？因为测量误差的存在，研究者需要使用多个测度项。当使用多个测度项之后，我们就有测度项的“质量”问题，即效度检验。而效度检验就是要看一个测度项是否与其所设计的因子有显著的载荷，并与其不相干的因子没有显著的载荷。当然，我们可能进一步检验一个测度项工具中是否存在共同方法偏差，一些测度项之间是否存在“子因子”。这些测试都要求研究者明确描述测度项、因子、残差之间的关系。对这种关系的描述又叫测度模型 (measurement model)。对测度模型的检验就是验证性测度模型。对测度模型的质量检验是假设检验之前的必要步骤。 问题三：菜鸟求教，验证性因子分析拟合指标的关系 主成分分析属于探索性因子分析(EFA），和验证性因子分析（CFA）不一样，它们基于不同的原理和计算方法，验证性因子分析往往更容易出现比较好的结果，因为它是在你设定好因子结构的情况下去检验这一种结构和你的数据是否拟合，不一定可以拟合你数据的模型只有一种，但只要你的这一种拟合指标好就OK，而探索性因子分析是完全靠数据说话，数据驱动，这当然更不容易获得满意的结果。如果你主成分分析结果不好，可以尝试直接用验证性因子分析，若是获得满意的结果，可以考虑报告验证性因子分析的结果而不报告主成分分析。 问题四：spss 如何做验证性因子分析 spss20以上纳入了amos，就可以直接做了 我替别人做这类的数据分析蛮多的 问题五：spss 如何做验证性因子分析? spss不能做验证性因子分析哦，要用spss里面的amos模块才行 可以做专业数据分析哦 问题六：如何用验证性因子分析共同方法偏差 我使用的Lisrel，设定 1 个公因子数，使研究中的所有测量项目负荷于这一共同因子，如果模型拟合良好就可以说明存在一个可以解释大多数变异的公共因子。如果分析结果发现所用测量项目负荷于共同因子时的各项拟合指数都不好，则说明研究的共同方法偏差属于可接受范围。 问题七：验证性因子分析 共同方法变异 怎么做 我使用的Lisrel，设定 1 个公因子数，使研究中的所有测量项目负荷于这一共同因子，如果模型拟合良好就可以说明存在一个可以解释大多数变异的公共因子。如果分析结果发现所用测量项目负荷于共同因子时的各项拟合指数都不好，则说明研究的共同方法偏差属于可接受范围。 问题八：如何用 SPSS 进行验证性因子分析 SPSS 不能进行验证性因子分析，只能进行探索性因子分析 用别的软件啊：Amos、Lisrel、Mplus等 问题九：怎么用AMOS对问卷进行验证性因子分析 用amos来做比较好 构建好模型之后运行分析，根据拟合指数以及载荷等判断即可。（南心网 Amos效度分析） 问题十：如何用amos做验证性因子分析 验证性因子分析主要探讨潜变量之间的相关关系而不是因果关系，在SEM中，模型构建分为两块，一块是测量模型，一块是结构模型，测量模型是测量潜变量和观测指标的关系模型，而结构模型则是测量潜变量之间的关系模型；所谓验证性因子分析就是主要探讨结构模型中的相关关系，操作很简单，你把潜变量之间用双箭头联系起来就可以了，当然，这里要注意一点，如果根据理论或者经验推测某两个潜变量之间完全不存在相关的话，可以不用双箭头联系；另外，AMOS里面的 *** ysis properties 模块设置中有个output选项，你点击critical ratios for difference 选项（打勾），运行数据后在text output的报表中可以根据临界比率（p是否小于.05）来判断潜变量之间的关系强度是否显著，如果小于临界比率，建议取消对应的潜变量双箭头。

验证性因子分析（confirmatory factor analysis, CFA）是结构方程模型的一种最常见的应用。 验证性因子分析（confirmatory factor analysis, CFA）通常可用于四种用途： 一是针对成熟量表进行 效度分析 ，包括结构效度，聚合（收敛效度）和区分效度； 二是验证性因子分析可用于 组合信度 的分析； 三是验证性因子分析还可用于进行 共同方法偏差CMV检验 ； 四是使用验证性因子分析进行 权重计算 。 使用SPSSAU进行验证性因子分析是一件轻松的事情。但在实际分析过程中，容易出现各种问题，解决问题才是关键。其实质是对于分析的掌握能力。一般情况下，验证性因子分析的分析流程如下： 在进行CFA分析前，一定需要清楚的知道，通常情况下量表数据才能进行CFA分析，而其它的一些数据一般不能进行CFA分析。所以数据准备需要按照CFA的思路进行，包括每个因子对应4~7个题（为什么是4~7个呢？因为如果个别不达标后面可以删除掉）；如果不是这样，就很有可能出现各种问题而且没有缓冲；在进行验证性因子分析之前，一般需要先进行探索性因子分析，首先因子与项之间有着较好的对应关系，如果探索性因子分析已经发现各种对应关系有问题，那么验证性因子分析时结果一般都不理想，这一步骤非常重要，也是减少各种问题的关键。 在进行验证性因子分析时，重要的指标是factor loading值，一般标准化的factor loading值需要大于0.7，如果该值较小，就说明对应项与因子之间对应关系弱，因此可考虑删除该项，也或者移动该项到别的因子里面。重复几次直至标准化factor loading值都大于0.7即可。这样对应的其它指标，比如AVE值，CR值等才可能达标，因此这些指标都是基于标准化Factor loading值计算得到。 关于利用SPSSAU进行验证性因子分析的操作上，如下： 本例子中共有4个因子，每个因子对应着一些项。所以分别放在4个因子框里面。默认SPSSAU会以Factor 1，Factor 2等这样的名字进行，当然可以自主地对因子进行命名。一般情况下不会使用二阶模型，如果确实是二阶模型则选中即可。 除此之外，在进行验证性因子分析时，有时候会对模型进行MI指标调整，此时也可进行设置。在实际分析时，如果使用验证性因子分析进行效度分析（包括结构效度，聚合效度，区分效度），也或者组合信度时，对于模型的拟合指标关注度较低，因此MI指标调整使用较少。 在使用SPSSAU进行CFA分析后，SPSSAU默认会输出上述中涉及到的分析的各类表格。SPSSAU输出相关表格说明如下： 当然，上述表格中有一些基本无意义，比如残差项估计值，因子协方差，显变量协方差表格等，意义均较小，可能对于分析建模有一定帮助，通常无实质性价值。 以及SPSSAU默认都会输出智能分析和分析建议等，如下各图： 进行验证性因子分析时，很容易出现一些问题，比如效度不达标、factor loading值过小或者过大，也或者各种指标拟合不达标等。 接下来从3个角度去剖析数据不达标的处理。 第1点：效度不达标 如果对验证性因子分析进行效度验证出现问题。分别说明如下： 第2点：factor loading值过大或过小 如果说标准化的Factor loading值过大，比如大于1，说明有着很强的共线性问题，建议可分别针对每个因子对应的项，分别做相关分析，将相关关系过强（比如相关系数值大于0.8甚至0.9）的项删除后重新分析，减少共线性问题； 如果说标准化factor loading值过小，比如0.4，那么说明该项应该直接进行删除掉。 第3点：拟合指标不达标 如果研究目的是进行效度验证或者组合信度等，一般对于模型拟合指标的关注度较低，可直接忽略即可。 如果是使用验证性因子分析进行共同方差偏差CMV检查，那么其检查原理就是查看拟合指标不好，用于说明没有CMV问题；如果说使用验证性因子分析做权重计算时指标拟合不好，可考虑删除项，或者进行MI调整等。 特别提示： 在进行验证性因子分析之前，最好是先进行探索性因子分析，如果探索性因子分析已经发现问题，比如因子与项之间的对应关系有问题，那么数据继续进行验证性因子分析，一般都会有各种问题。

背景：自制了一份问卷，如何验证问卷结构的有效性？该用什么方法？学生时代用万能的spss进行探索性因子分析？工作后又见识到了同事使用聚类分析的方法？有幸学习过几次结构方程模型，印象中通过结构方程模型进行验证性因子分析，方法简单又有效，但因为学艺不精，没法完整的述说出这个方法的好与不足，于是又看了遍侯杰泰的《结构方程模型及其应用》。将这段时间脑内的困惑作一个自我答疑，也期待通过这次整理，能对结构方程模型有一个深刻的印象，下次不至于再面对“我懂，但说不出”的尴尬窘境。 1.什么时候用探索性因子分析，什么时候用验证性因子分析？ 当你有一个预设模型时（即你有一个假设：问卷中哪些题目属于哪个维度），可以直接用验证性因子分析，验证预设模型是否成立。当你没有预设模型时（即你不清楚问卷中哪些题目属于哪个维度） 2.探索性因子分析和验证性因子分析方法上的区别？ 在做探索性因子分析的时候，第一个因子会捕获最大的变异量，从属它的题目通常也比较多。 有时候验证性因子分析能区分多个因子，即一个多因子模型拟合不错，但探索性因子分析只产生1个或2个主要因子而已。 3.结构方程模型具有哪些能力？ 4.如何通过结构方程模型进行验证性因子分析？ 在查看结果时，一般关注以下几个拟合指数： u2022Χ2：minimum fit function Chi-square，主要用于比较多个模型，值越小，拟合越好 u2022df：degree of freedom,主要用于比较多个模型，自由度越大，模型越简单 u2022RMSEA:在0.08以下（越小越好） u2022NNFI:在0.9以上（越大越好） u2022CFI:在0.9以上（越大越好） 指标和因子关系的调整： （1）Q4在因子A中的完全标准化负荷很小（LX=0.05），但它在其他因子中的修正指数也不高，显然这一题不从属A因子，但也不归属其他因子； （2）Q8在因子B的负荷不高（0.28），但在因子A中的MI是41.4，显然它可能归属于因子A； 调整后，需要重新进行验证性因子分析，查看指标变化。 需要注意的是：如果仅仅看修正指数或因子负荷，但缺乏其他实质理论依据（如题目含义）的支持，随便将题目增删转移，并不合适。

验证性因子分析与探索性因子分析不同，分析者经过大量的调研和文献阅读，其实心中已经有了测量模型（问卷量表结构）的大体框架。例如，某市场调研机构承接了一项来自于某视频网站的市场调研项目，设计的量表中包括三个潜在变量（一级指标），每个潜在变量对应四个量表题项：验证性因子分析就是通过样本数据来验证上方分析者假设的模型结构（量表题项与潜在变量的对应关系，潜在变量之间的关系）是否与实际数据情况一致。需要注意，量表题项的答案都要采用相同的利克特等级结果，例如五级量表可以是非常不符合、比较不符合、一般符合、比较符合和非常符合。验证性因子分析根据假设模型的潜在变量之间是否相关，可以分为斜交验证性因子分析和直交验证性因子分析。如下图所示，直交模型表示潜在变量之间不相关，相互独立，需要设置三个潜在变量之间的协方差为0；而斜交模型表示潜在变量之间是相关的，不需要对三个潜在变量之间的协方差做任何限制：如果三个潜在变量之间相关，而且相关系数比较高（大于0.6），那么说明三个潜在变量还可以被另一个潜在变量所解释，可以进行二阶验证性因子分析，如下图所示：在上面这个模型中，草堂君标注了两个注意点：1、内容评价、功能评价和用户感知价值相互之间高度相关，说明能够被同一个潜在变量解释，因此内容评价、功能评价和用户感知价值三个潜在变量在这个关系中是因变量，箭头指向它们。2、新的潜在变量一定要根据实际研究情况来对其定义（到底什么因素会同时影响内容评价、功能评价和用户感知价值），如果实在无法定义，那么也就没有必要做二阶验证性因子分析了。所有验证性分析都需要特别注意，不能完全依靠数据来建立和修改模型，而应该把数据结果作为线索，指引分析者思考在模型是否有遗漏的关系没有考虑到，再根据实际情况修正模型。信度与效度看过草堂君信度与效度文章的朋友应该还记得：虽然求取不同领域信度和效度的分析方法会有不同，但是信度和效度的内涵是一致的：信度代表内部一致性，稳定性和聚集性，效度代表准确性和区分性。大家可以点击下面文章回顾信度和效度： 数据分析技术：信度与效度；信度和效度代表什么？在量表型问卷的分析中，信度表示同一个潜在变量下的测量变量的相关性（聚集性），如果同一个潜在变量下的测量变量高度相关，说明信度高。效度表示潜在变量之间的区分性，如果效度高，那么区分性好，同一个潜在变量下的测量变量相关性强，不同潜在变量下的测量变量相关性弱。由此可见，测量模型的效度高，信度一般也高；而信度高，效度不一定高。验证性因子分析能够告诉我们什么信息呢？其实就是信度和效度信息。在社会学、管理学和经济学领域，凡是运用量表型问卷发表的文章（毕业论文和学术期刊）都会要求作者对潜在变量（测量模型）的信度和效度进行描述，只不过指标不是两个，而是一套，如下表所示： 因子载荷量：潜在变量到测量变量的标准化回归系数（上面测量模型图中内容评价对Q1、Q2、Q3和Q4的标准化回归系数）。因子载荷量越大，代表潜在变量对测量变量的解释能力越强，表示“指标信度”越好。因子载荷量在AMOS测量模型图中显示的位置如下图所示：信度系数：因子载荷量的平方，相当于测量变量（因变量）和潜在变量（自变量）建立的一元线性回归方程的R方值。信度系数越高，表示潜在变量对测量变量的解释能力越强，“指标信度”越好。测量误差：1减去信度系数的值；信度系数越大，测量误差越小，表示潜在变量对测量变量的解释能力越强，“指标信度”越好。克隆巴赫α系数：在介绍SPSS的可靠性分析菜单功能时，介绍过这个指标的计算公式和含义，大家可以回顾文章：SPSS分析技术：问卷（试卷）的信度分析；以某机构的《英语学习策略》问卷调查数据为例 。这个指标越高，表示“内部一致性信度”越好。需要注意：Amos的验证性因子分析无法直接获得克隆巴赫α系数，需要用SPSS来进行计算。组合信度（Construct Reliability，CR值）：通过因子载荷量计算的表示内部一致性信度质量的指标值，计算公式如下：平均方差抽取量（Average Variance Extracted，AVE值）：通过因子载荷量计算的表示收敛效度的指标值。计算公式如下：看起来AVE值和CR值的计算公式是一样的，其实差别很大。CR值用的是因子载荷值加和的平方，题项之间相关性越强，潜在变量对它们的解释能力也越强，因子载荷值加和的平方就越大，内部一致性就越好。AVE值用的是因子载荷值平方的和，代表潜在变量对所有测量变量的综合解释能力，AVE值越大，潜在变量能够同时解释它所对应的题项能力就越强，反回来，题项表现潜在变量性质的能力也越强（收敛于一点），收敛效度越好。AVE的平方根：可以将理解成潜在变量内部数据的相关系数。根据Fornell和Larcker给出的标准，如果AVE算术平方根要大于潜在变量之间相关系数绝对值，说明内部相关性要大于外部相关性，表示潜在变量之间是有区别的，那么判别效度高。依然使用上面的案例举例说明，建立判别效度表格：红色的数字表示AVE的平方根，黑色的数字表示潜在变量之间的相关系数。可以发现，红色的数字都比黑色的数字大，说明测量模型的判别效度是符合要求的。总结一下草堂君今天介绍了验证性因子分析的几种不同类型，以及每种类型的使用情况。同时介绍了通过验证性因子分析能够获得的信度和效度指标。信度指标包括因子载荷量、信度系数、测量误差、克隆巴赫α系数（SPSS求取）、组合信度（公式求取）；效度指标包括收敛效度AVE值（公式求取）和判别效度（相关系数对比）。

验证性因子分析：对量表进行效度验证的一种方法。需要注意验证性因子分析适用于经典量表，探索性因子分析适用于非经典量表 （1）聚合效度（收敛效度）：依据AVE（平均提取方差值＞0,5）和CR（组合信度＞0.7）判断其是否达标 （2）区分效度：就是说你找的这个四个维度，是否可以很好的区分开呢？ （1）将同一维度的概念放入量表-选择开始分析 （2）CFA分析基本汇总 （1）样本量＞200 （2）经典量表 （3）如一个维度（因子A），至少对应2个或2个以上的内容（A1/A2/A3/A4/A5） （4）调整方法：结合MI指标 链接1 ：数据分析实战教学之验证性因子分析-SPSSAU实现 https://www.bilibili.com/video/av69372013 链接2 ：验证性因子分析（CFA）-SPSSAU帮助手册 https://spssau.com/helps/questionnaire/cfa.html

上一篇文章中，初步介绍了验证性因子分析的功能及应用场景。下面通过一个实例来具体了解一下，验证性因子分析的操作步骤以及过程中需要注意的内容。当前有一份215份的研究量表数据，共由四个因子表示，第一个因子共5项，分别是A1~A5；第二项因子共5项，分别是B1~B5；第三个因子共4项，分别是C1~C4；第4个因子共6项，分别是D1~D6。现希望验证此量表的 聚合效度 和 区分效度 ，并且希望进行 共同方法偏差分析 。 验证性因子分析的步骤大致可分为四步，分别是：模型构建、删除不合理测量项、模型MI指标修正和模型分析。 （1）模型构建 即将因子与测量项对应关系放置规范；在进行CFA分析前一般需要进行EFA，清理掉对应关系出现严重偏差的测量项 （2）删除不合理测量项 如果因子与测量项间的对应关系出现严重偏差，此时可考虑删除某测量项；也或者某测量项与因子间的载荷系数值过低(比如小于0.5)，说明该测量项与因子间关系较弱，需要删除掉该测量项 （3）模型MI指标修正 如果说模型拟合指标不佳，可考虑进行模型MI指标修正【SPSSAU默认提供MI大于20，MI大于10，MI大于5，和MI大于3共四种模型修正方式】 （4）最终模型分析 本例子中的量表共分为四个因子，暂不进行模型MI修正，放置如下：SPSSAU共输出6个表格，各表格对应解释说明如下：从上表可知，本次针对共4个因子，以及20个分析项进行验证性因子分析(CFA)分析。本次分析有效样本量为215，超出分析项数量的10倍，样本量适中。 CFA分析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。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。 因子载荷系数表格展示 因子和测量项之间的关联关系 ，通常使用标准载荷系数值表示因子与分析项间的相关关系。分析时主要看标准载荷系数值和P值。 如果呈现出显著性，且标准载荷系数值大于0.70，则说明有着较强的相关关系。反之，如果没有呈现出显著性，也或者标准载荷系数值较低(比如低于0.4)，则说明该分析项与因子间相关关系较弱。 上表格显示，B1与Factor2之间的因子载荷系数值为0.562 < 0.7，说明对应关系较弱，可考虑将此项从Factor2中移除出去。从整体上看，各个测量项全部均呈现出0.001水平的显著性(P< 0.001)，而且标准化载荷系数值均大于0.7(除B1外)，因而说明整体上看，因子与测量项之间有着良好的对应关系，聚合效度较好。此表格主要查看指标的 聚合效度 和区分效度 情况，输出指标包括AVE和CR值。通常AVE值>0.5，CR值>0.7,说明数据聚合效度较好。 从上格可知：本研究涉及的4个因子（SPSSAU默认给定名字为Factor 1, Factor 2, Factor 3, Factor 4），它们的AVE值全部均大于0.5，而且CR值全部均大于0.7，因而说明本次测量量表数据具有优秀的聚合效度。此表格展示 模型拟合指标 ，共分为常用指标和其它指标。表中提供各指标相应的建议判断标准，可直接对比判断标准值。一些其它指标通常使用较少，研究人员可结合实际情况进行选择。如果模型拟合不好需要，需要根据相关专业知识和模型修正指标对模型进行修正。上表来看：卡方自由度值为3.389，大于3，而且GFI小于0.9，RMSEA为0.105接近于0.1这一标准，RMR值为0.091不在标准范围内。综合来看，模型构建欠佳，需要进行模型修正。比如这里将MI>10作为修正标准然后重新进行模型拟合，得到结果如下上表格展示 因子与测量项的对应关系MI值 ，因子与其下属测量项的关系可通过因子载荷系数表格进行查看。MI值并不固定标准大小，一般情况下，该值如果大于20则说明关联性很强。 从上表格可以看到，C2与Factor2，Factor4这两个因子间的MI指标均大于15，说明C2与Factor2，Factor4之间可能有着较强的关联性；同时，D5与Factor3之间的MI值为18.121，说明二者有较强的关联性。 综合可知：可考虑将C2，D6这两个指标进行删除，同时上述因子载荷表格分析还发现B1也可以进行删除。因而将此三项进行删除后可再次进行模型（限于篇幅限制，SPSSAU并不继续进行分析）。上表格展示因子与因子之间的关联性，可通过标准系数进行分析。从上表可知，在进行因子协方差表格分析时，本研究共4个因子，他们两两之间的标准系数值均介于0.6~0.85之间，说明因子之间具有较强的关联性。聚合效度通常是针对 AVE，CR，因子载荷系数 这三个指标进行分析，并且均是在模型最终确认后的指标进行分析。 分析结果表明：本研究量表数据具有优秀的聚合效度区分效度的测量是使用 AVE的平方根值 ，然后与4个因子的相关系数进行对比。 如果AVE平方根值大于“该因子与其它因子间的相关系数”，此时说明具有良好的区分效度。 区分效度首先需要进行相关分析（以及每个因子对应多项，需要使用‘生成变量"功能将其概括成一个整体后再进行两两相关分析）。如下：常见的区分效度分析时，会将上表格中斜对角线的1，换成AVE值的平方根，然后再进行对比分析。最终如下表格式：上图可知，因子1的AVE根号值为0.843，大于因子1与另外3个因子之间的相关系数值(最大为0.777)；因子2的AVE根号值为0.84，大于因子2与另外3个因子之间的相关系数值（最大为0.753）；类似地，因子3的AVE根号值，因子4的AVE根号值均大于它们与其它因子的相关系数值。因而说明研究量表数据的区分效度良好。特别提示： 常见的区分效度分析是将AVE根号值与‘相关系数值"进行对比；有时候区分效度的验证方法为：“比较多个CFA模型进行分析说明”，建议研究人员以参考文献为准； 区分效度进行时，需要先进行相关分析，以及取AVE均方根，然后将手工表格合并处理好后进行分析说明。共同方法偏差(CMV)常见有两种验证方式，一种是使用探索性因子分析EFA方法进行检验 (也称作Harman单因子检验方法)，即查看把所有量表项进行探索性因子分析EFA时，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，通常以50%为界，此时可判定存在同源方差（共同方法偏差），反之说明没有共同方法偏差问题。如果是使用CFA进行验证；则将所有的测量项(即所有因子对应的测量量表题项)放在一个因子里面，然后进行分析，如果测量出来显示模型的拟合指标，比如卡方自由度比，RMSEA,RMR,CFI等无法达标，则说明模型拟合不佳，即说明所有的测量项并不应该同属于一个因子(放在一起时模型不好)，因而说明数据通过共同方法偏差CMV检验，数据无共同方法偏差问题。本次共有4个因子对应20个测量项，将此20个测量项全部放在一个因子里面进行CFA分析并且得到模型拟合指标，如下图：上图显示卡方自由度值为11.137，明显高于标准（>3），并且GFI,CFI,NFI,NNFI这四个指标值全部均低于0.7，明显偏差标准值(大于0.9)，RMSEA和RMR值均大于0.15，也严重偏差标准值。其它指标比如AGFI,IFI,PGFI,PNFI等也均低于0.7，严重偏差大于0.9这一标准，因而说明模型拟合质量非常糟糕，也即说明不能本次研究量表数据无法聚焦成一个因子，即说明无共同方法偏差问题。特别提示： 上述为两种常见的共同方法偏差验证方法，还有其它验证方法，建议研究人员以参考文献为准； 研究人员需要在事前注意共同方法偏差问题，而不能等到事后发现共同方法偏差才能处理。登录 SPSSAU官网 体验在线数据分析 u200bu200bu200bu200b

探索性因子分析（EFA）与验证性因子分析（CFA），二者的区别在于，验证性因子分析(CFA)用于验证对应关系，探索性因子分析(EFA)用于探索因子与测量项(量表题项)之间的对应关系。如果是成熟的量表，研究者可同时使用验证性因子分析CFA，和探索性因子分析(简称因子分析,EFA)验证量表的效度。如果量表的权威性较弱，通常使用探索性因子分析(EFA)进行探索因子，或者效度检验分析。两种方法均可在spssau中操作分析，结合智能分析建议更便于理解。

探索性因子分析和验证性因子分析相同之处两种因子分析都是以普通因子分析模型作为理论基础,其主要目的都是浓缩数据，通过对诸多变量的相关性研究,可以用假想的少数几个变量（因子，潜变量)来表示原来变量(观测变量)的主要信息。探索性因子分析和验证性因子分析的差异之处1.基本思想不同探索性因子分析主要是为了找出影响观测变量的因子个数,以及各个因子和各个观测变量之间的相关程度,以试图揭示一套相对比较大的变量的内在结构。而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力,以试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预期一致。2.应用前提不同探索性因子分析没有先验信息,而验证性因子分析有先验信息。详情见:http://wenku.baidu.com/link?url=w_nw0aI0KN0XpL1SEmbOjjwxOeampOzKefUEg1aRzWG27Iep7kPTvDrKY-toinCbLgoHe0r4COCzymPwhgAj_5Pe6bv9Y0HBhOVzVSRqDTK

你好，你想问验证性因子分析和信效度分析的区别是什么吗？验证性因子分析和信效度分析的区别：意思不同。1、验证性因子分析是对社会调查数据进行的一种统计分析，它测试一个因子与相对应的测度项之间的关系是否符合研究者所设计的理论关系。2、信效度分析指采用同样的方法对同一对象重复测量时所得结果的一致性程度，多以相关系数表示信度高低，此时相关系数可称为信度系数。

因子载荷的临界值没有统一的标准，最常见的取舍标准是0.45或0.4，最低的标准是0.3，严格一点的话也有人以0.5为标准。根据《结构方程模型及其应用》这本教材的观点，因子载荷在0.45以下的题目即可可考虑删除，但实际应用中，研究者的取舍都是比较灵活的，有的题目尽管因子载荷不高，但考虑到是在使用他人已经修订好的问卷（尊重版权），或者研究者自己有理由相信这道题目测到了想测的内容，有很好的理论意义，也是可以考虑保留的。以下资料希望对您有所帮助：因子载荷a(ij)的统计意义就是第i个变量与第j个公共因子的相关系数即表示X(i)依赖F(j)的份量(比重)。统计学术语称作权，心理学家将它叫做载荷，即表示第i个变量在第j个公共因子上的负荷，它反映了第i个变量在第j个公共因子上的相对重要性。在因子分析中，通常只选其中m个(m验证性因子分析是对社会调查数据进行的一种统计分析。它测试一个因子与相对应的测度项之间的关系是否符合研究者所设计的理论关系。验证性因子分析往往通过结构方程建模来测试。在实际科研中，验证性因子分析的过程也就是测度模型的检验过程。可以进行测度模型及包括因子之间关系的结构方程建模并拟合的统计软件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL这个软件中有三种编程语言:PRELIS是用来作数据处理或简单运算，比如作一些回归分析、计算一个样本的协方差矩阵;LISREL是一种矩阵编程语言，它用矩阵的方式来定义我们在测度项与构件、构件之间的关系，然后采用一个估计方法 (比如极大似然估计) 进行模型拟合;SIMPLIS是一种简化的结构方程编程语言，适合行为研究者用。一般来讲，研究者需要先通过SIMPLIS建立测度模型，然后进行拟合。根据拟合的结果，测度模型可能需要调整，抛弃质量差的测度项，然后再拟合，直到模型的拟合度可以接受为止。

z是验证性因子分析中常见的一种统计量，它表征了每个模型因子与预测变量之间的相关关系。z值越大，表明两个变量之间的相关性越大，反之越小。也就是说，z值是一种标准化的相关系数，用来度量两个变量之间的相关程度，以此来评估模型的效果。

验证性因子分析主要探讨潜变量之间的相关关系而不是因果关系，在SEM中，模型构建分为两块，一块是测量模型，一块是结构模型，测量模型是测量潜变量和观测指标的关系模型，而结构模型则是测量潜变量之间的关系模型；所谓验证性因子分析就是主要探讨结构模型中的相关关系，操作很简单，你把潜变量之间用双箭头联系起来就可以了，当然，这里要注意一点，如果根据理论或者经验推测某两个潜变量之间完全不存在相关的话，可以不用双箭头联系；另外，AMOS里面的analysis properties 模块设置中有个output选项，你点击critical ratios for difference 选项（打勾），运行数据后在text output的报表中可以根据临界比率（p是否小于.05）来判断潜变量之间的关系强度是否显著，如果小于临界比率，建议取消对应的潜变量双箭头。

5个小时。验证性因子分析是对社会调查数据进行的一种统计分析，它测试一个因子与相对应的测度项之间的关系。作个验证性因子分析要5个小时，该实验是分析往往通过结构方程建模来测试。

如果验证性因子分析出现拟合指标不好，原因在于‘测量结构"出现问题。建议按以下3种方式进行调整或分析。 第1是先进行探索性因子分析（SPSSAU进阶方法里面的因子），在探索性因子分析时得到良好的结构后，再进行验证性因子分析； 第2是将载荷系数值较低（比如小于0.6）或者不显著（p 值大于0.05）的项从模型中移除出去； 第3是按MI指标调整，一般参考SPSSAU输出的MI指标值建立协方差关系，如果说第1种处理（探索性因子分析）已经到位，那种此种处理就没有必要，事实上一般并不太适合进行此种处理，因为此种处理有点‘投机"的嫌疑，不应该让模型自动建立协方差关系调整‘测量结构"，如果模型拟合指标非常糟糕，通常此种处理并不生效，通常只会降低卡方自由度值，对其它指标帮助非常小。

做二阶要满足一些条件：首先就是理论上，这些一阶因子在理论上可以提炼出一个高阶的因子，比如语文能力，历史能力，政治能力在理论上可以统称为文科能力，最好是有前人的研究为理论支撑，如果没有，自己言之成理也可以，对于结构方程，理论前提十分重要，哪怕你做出了漂亮的模型，但没有合理的论据支持，也不行，所以如果你的多个维度理论上合不成一个更大的概念，就不用二阶第二就是一阶因子间的相关，需要需要中等以上的相关。这个很好理解，如果一阶因子直接完全独立，毫无关联，那肯定是不能统和起来的，所以再看看维度间的相关高不高其次，如果你的一阶因子太多了，模型看起来偏复杂，那可以构建二阶模型，可以简化模型，释放自由度再次，用二阶模型你可以把一阶因子的独特方差从测量误差中分离，如果你需要提取一阶因子的独特方差，那就做个二阶主要考虑前两点就好了

看你的研究目的，如果只是初步了解因子结构你就没有必要做验证分析，但如果想要确认最初的因子结构是否有效，则需要做验证性因子分析。（南心网SPSS因子分析）

spss不能做验证性因子分析哦，要用spss里面的amos模块才行可以做专业数据分析哦

这个可以了，不需要一定大于0.9

因子分析完了有个方差表，可以看分量。比如有3个因子，10个变量。每一个变量在3个因子里面都有分量，在谁的分量最大，就归于哪个因子。所以你就可以判断哪些因子包含哪些变量了。因子分析的方法有两类。一类是探索性因子分析法，另一类是验证性因子分析。探索性因子分析不事先假定因子与测度项之间的关系，而让数据“自己说话”。主成分分析和共因子分析是其中的典型方法。验证性因子分析假定因子与测度项的关系是部分知道的，即哪个测度项对应于哪个因子，虽然我们尚且不知道具体的系数。扩展资料：因子分析的主要目的是用来描述隐藏在一组测量到的变量中的一些更基本的，但又无法直接测量到的隐性变量 (latent variable, latent factor)。比如，如果要测量学生的学习积极性(motivation)，课堂中的积极参与，作业完成情况，以及课外阅读时间可以用来反应积极性。而学习成绩可以用期中，期末成绩来反应。在这里，学习积极性与学习成绩是无法直接用一个测度(比如一个问题) 测准，它们必须用一组测度方法来测量，然后把测量结果结合起来，才能更准确地把握。换句话说，这些变量无法直接测量。可以直接测量的可能只是它所反映的一个表征(manifest)，或者是它的一部分。在这里，表征与部分是两个不同的概念。表征是由这个隐性变量直接决定的。隐性变量是因，而表征是果，比如学习积极性是课堂参与程度 (表征测度)的一个主要决定因素。因子分析是社会研究的一种有力工具，但不能肯定地说一项研究中含有几个因子，当研究中选择的变量变化时，因子的数量也要变化。此外对每个因子实际含意的解释也不是绝对的。参考资料来源：百度百科--因子分析参考资料来源：百度百科--因子

主流的方法是用Amos、Mplus、Lisrel等结构方程模型软件做验证性因子分析，SPSS的因子分析是探索性。（咸菜统计）

做二阶要满足一些条件：首先就是理论上，这些一阶因子在理论上可以提炼出一个高阶的因子，比如语文能力，历史能力，政治能力在理论上可以统称为文科能力，最好是有前人的研究为理论支撑，如果没有，自己言之成理也可以，对于结构方程，理论前提十分重要，哪怕你做出了漂亮的模型，但没有合理的论据支持，也不行，所以如果你的多个维度理论上合不成一个更大的概念，就不用二阶第二就是一阶因子间的相关，需要需要中等以上的相关。这个很好理解，如果一阶因子直接完全独立，毫无关联，那肯定是不能统和起来的，所以再看看维度间的相关高不高其次，如果你的一阶因子太多了，模型看起来偏复杂，那可以构建二阶模型，可以简化模型，释放自由度再次，用二阶模型你可以把一阶因子的独特方差从测量误差中分离，如果你需要提取一阶因子的独特方差，那就做个二阶主要考虑前两点就好了

你不管用哪个 只要是采用spss的因子分析 都是无法得出你预想的维度的因为spss里面的因子分析属于探索性因子分析，是在你事先不清楚维度划分的情况下，探索维度划分的。现在你已经有了预想的维度划分，就不应该用探索性的因子分析，而应该用验证性因子分析，也就是sem结构方程建模的方式。需要用 amos软件才能做，spss无法做

做二阶要满足一些条件：首先就是理论上，这些一阶因子在理论上可以提炼出一个高阶的因子，比如语文能力，历史能力，政治能力在理论上可以统称为文科能力，最好是有前人的研究为理论支撑，如果没有，自己言之成理也可以，对于结构方程，理论前提十分重要，哪怕你做出了漂亮的模型，但没有合理的论据支持，也不行，所以如果你的多个维度理论上合不成一个更大的概念，就不用二阶第二就是一阶因子间的相关，需要需要中等以上的相关。这个很好理解，如果一阶因子直接完全独立，毫无关联，那肯定是不能统和起来的，所以再看看维度间的相关高不高其次，如果你的一阶因子太多了，模型看起来偏复杂，那可以构建二阶模型，可以简化模型，释放自由度再次，用二阶模型你可以把一阶因子的独特方差从测量误差中分离，如果你需要提取一阶因子的独特方差，那就做个二阶主要考虑前两点就好了这样可以么？

因子分析完了有个方差表，可以看分量。比如有3个因子，10个变量。每一个变量在3个因子里面都有分量，在谁的分量最大，就归于哪个因子。所以你就可以判断哪些因子包含哪些变量了。因子分析的方法有两类。一类是探索性因子分析法，另一类是验证性因子分析。探索性因子分析不事先假定因子与测度项之间的关系。主成分分析和共因子分析是其中的典型方法。验证性因子分析假定因子与测度项的关系是部分知道的，即哪个测度项对应于哪个因子，虽然尚且不知道具体的系数。扩展资料：在因子分析中，通常只选其中m个（m<p）主因子，即根据变量的相关选出第一主因子u01921，使其在各变量的公共因子方差中所占的方差贡献为最大，然后消去这个因子的影响，而从剩余的相关中，选出与之不相关的因子，使其在各个变量的剩余因子方差贡献中为最大，如此往复，直到各个变量公共因子方差被分解完毕为止。参考资料来源：百度百科-因子载荷

验证性因子分析是对社会调查数据进行的一种统计分析。它测试一个因子与相对应的测度项之间的关系是否符合研究者所设计的理论关系。

当然不合理了。因子载荷要小于0.95才比较合理。（南心网 Amos结构方程模型）

不能，因为验证性因子模型是结构方程模型的一种形式，只有结构方程相关软件可以进行验证性因子分析，你可以通常可用的软件包括lisrel、amos、mplus、eqs、r等

问题一：统计分析中的因子分析(factors),如何确定因子的个数 方差累计贡献率，碎石图，特征根，很多的 问题二：主成分分析和因子分析有什么区别？ 因子分析与主成分分析的异同点: 都对原始数据进行标准化处理; 都消除了原始指标的相关性对综合评价所造成的信息重复的影响; 构造综合评价时所涉及的权数具有客观性; 在信息损失不大的前提下，减少了评价工作量 公共因子比主成分更容易被解释; 因子分析的评价结果没有主成分分析准确; 因子分析比主成分分析的计算工作量大 主成分分析仅仅是变量变换，而因子分析需要构造因子模型。 主成分分析:原始变量的线性组合表示新的综合变量，即主成分； 因子分析：潜在的假想变量和随机影响变量的线性组合表示原始变量。 问题三：因子分析法的分析步骤 因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。（i）因子分析常常有以下四个基本步骤：⑴确认待分析的原变量是否适合作因子分析。⑵构造因子变量。⑶利用旋转方法使因子变量更具有可解释性。⑷计算因子变量得分。（ii）因子分析的计算过程：⑴将原始数据标准化，以消除变量间在数量级和量纲上的不同。⑵求标准化数据的相关矩阵；⑶求相关矩阵的特征值和特征向量；⑷计算方差贡献率与累积方差贡献率；⑸确定因子：设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；⑹因子旋转：若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。⑺用原指标的线性组合来求各因子得分：采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。⑻综合得分以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )此处wi为旋转前或旋转后因子的方差贡献率。⑼得分排序：利用综合得分可以得到得分名次。在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：u30fb 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子 *** ，从子 *** 所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。u30fb 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。u30fb 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法（如相关分析、逐步回归分析、主成分分析等）研究各个变量之间的相关性，选择最佳的变量子 *** ；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。 问题四：因子分析到底有什么用处？ 问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：传统上所谈的因素分析）factor *** ysis)指的是探索性因素分析）exploratory factor *** ysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor *** ysis，EFA)及验证性因素分析）confirmatory factor *** ysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解......>> 问题五：因子分析法是什么？ 因子分析 1输入数据。 2点Analyze 下拉菜单，选Data Reduction 下的Factor 。 3打开Factor Analysis后,将数据变量逐个选中进入Variables 对话框中。 4单击主对话框中的Descriptive按扭，打开Factor Analysis: Descriptives子对话框，在Statistics栏中选择Univariate Descriptives项要求输出个变量的均值与标准差，在Correlation Matrix 栏内选择Coefficients项，要求计算相关系数矩阵，单击Continue按钮返回Factor Analysis主对话框。 5单击主对话框中的Extraction 按钮，打开如下图所示的Factor Analysis: Extraction 子对话框。在Method列表中选择默认因子抽取方法――Principal ponents，在Analyze 栏中选择默认的Correlation Matrix 项要求从相关系数矩阵出发求解主成分，在Exact 栏中选择Number of Factors;6， 要求显示所有主成分的得分和所能解释的方差。单击Continue按钮返回Factor Analysis主对话框。 6单击主对话框中的OK 按钮，输出结果。 统计专业研究生工作室原创，请勿复杂粘贴 问题六：怎么判断样本能不能因子分析？ 基本指标层面的因子分析检验 在对数据进行因子分析前首先要对其进行检验，来判断是否适合做因子分析，检验所采用的方法为巴特利特球度检验(BartlettTestofSphericity)和KMO(Kaiser-Meyer-Olkin)检验。 巴特利特球度检(BartlettTestofSphericity)是假设相关系数矩阵是一个单位阵，如果统计量值比较大，且其相对应的相伴概率值小于用户指定的显著性水平，拒绝原假设，认为适合作因子分析。反之，接受原假设，不适合作因子分析。 问题七：因子分析法和数据包络分析法 有何区别？ 100分 因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。 数据包络分析方法(DataEnvelopmentAnalysis,DEA)是运筹学、管理科学与数理经济学交叉研究的一个新领域。它是根据多项投入指标和多项产出指标,利用线性规划的方法，对具有可比性的同类型单位进行相对有效性评价的一种数量分析方法。DEA方法及其模型自1978年由美国著名运筹学家A.Charnes和W.W.Cooper提出以来，已广泛应用于不同行业及部门，并且在处理多指标投入和多指标产出方面，体现了其得天独厚的优势。 问题八：因子分析法的优缺点 u30fb 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子 *** ，从子 *** 所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认供系统的内核。 u30fb 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。 u30fb 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。 如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法(如相关分析、逐步回归分析、主成分分析等)研究各个变量之间的相关性，选择最佳的变量子 *** ；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。 问题九：因子分析法如何确定主成分及各个指标的权重？ 5分 在SPSS中，主成分分析是通过设置因子分析中的抽取方法实现的，如果设置的抽取方法是主成分，那么计算的就是主成分得分，另外，因子分析和主成分分析尽管原理不同，但是两者综合得分的计算方法是一致的。 确定数据的权重也是进行数据分析的重要前提。可以利用SPSS的因子分析方法来确定权重。主要步骤是： (1)首先将数据标准化，这是考虑到不同数据间的量纲不一致，因而必须要无量纲化。 (2)对标准化后的数据进行因子分析(主成分方法)，使用方差最大化旋转。 (3)写出主因子得分和每个主因子的方程贡献率。 Fj =β1j*X1 +β2j*X2 +β3j*X3 + ……+ βnj*Xn ; Fj 为主成分(j=1、2、……、m)，X1、X2 、X3 、……、Xn 为各个指标，β1j、β2j、β3j、……、βnj为各指标在主成分Fj 中的系数得分，用ej表示Fj的方程贡献率。 (4)求出指标权重。 ωi=[(m∑j)βij*ej]/[(n∑i)(m∑j)βij*ej],ωi就是指标Xi的权重。 因子分析应用在评价指标权重确定中，通过主成分分析法得到的各指标的公因子方差，其值大小表示该项指标对总体变异的贡献，通过计算各个公因子方差占公因子方差总和的百分数。 问题十：什么是因子分析，该方法可以解决哪些问题 可以将变量或指标划分为若干维度，以便进一步做更高级的统计分析。南心网SPSS。

那么如何从显性的变量中得到因子呢？因子分析的方法有两类。一类是探索性因子分析，另一类是验证性因子分析。探索性因子分析不事先假定因子与测度项之间的关系，而让数据“自己说话”。主成分分析和共因子分析是其中的典型方法。验证性因子分析假定因子与测度项的关系是部分知道的，即哪个测度项对应于哪个因子，虽然我们尚且不知道具体的系数。

不一样，同一份问卷验证性，纬度不同，因子分析就是不一样的。验证性因子分析有明确的因子项，研究者只可以将同属于一个因子下的题目放入到一个Factor里。每一题项都要有明确的归类。

问题一：因子分析法的分析步骤 因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。（i）因子分析常常有以下四个基本步骤：⑴确认待分析的原变量是否适合作因子分析。⑵构造因子变量。⑶利用旋转方法使因子变量更具有可解释性。⑷计算因子变量得分。（ii）因子分析的计算过程：⑴将原始数据标准化，以消除变量间在数量级和量纲上的不同。⑵求标准化数据的相关矩阵；⑶求相关矩阵的特征值和特征向量；⑷计算方差贡献率与累积方差贡献率；⑸确定因子：设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；⑹因子旋转：若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。⑺用原指标的线性组合来求各因子得分：采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。⑻综合得分以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )此处wi为旋转前或旋转后因子的方差贡献率。⑼得分排序：利用综合得分可以得到得分名次。在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：u30fb 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子 *** ，从子 *** 所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。u30fb 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。u30fb 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法（如相关分析、逐步回归分析、主成分分析等）研究各个变量之间的相关性，选择最佳的变量子 *** ；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。 问题二：怎么用SPSS做因子分析具体的步骤是什么由 把需要进行因子分析的变量 全部移入因子分析 对话框，然后选择正交旋转 点确定就好了 问题三：因子分析可分为哪三个步骤 职务分析是一项技术性很强的工作，需要做周密的准备。同时还需具有与人力资源管理活动相匹配的科学的、合理的操作程序。 (一)准备阶段 1、建立工作分析小组。小组成员通常由分析专家构成。所谓分析专家，是指具有分析专长，并对组织结构及组织内各项工作有明确概念的人员。一旦小组成员确定之后，赋予他们进行分析活动的权限，以保证分析工作的协调和顺利进行。 2、明确工作分析的总目标、总任务。根据总目标、总任务，对企业现状进行初步了解，掌握各种数据和资料。 3、明确工作分析的目的。有了明确的目的，才能正确确定分析的范围、对象和内容，规定分析的方式、方法，并弄清应当收集什么资料，到哪儿去收集，用什么方法去收集。 4、明确分析对象。为保证分析结果的正确性，应该选择有代表性、典型性的工作。 5、建立良好的工作关系。为了搞好工作分析，还应做好员工的心理准备工作，建立起友好的合作关系。 (二)调查阶段 分析人员应制定工作分析的时间计划进度表，以保证这项工作能够按部就班的进行调查。同时搜集有关职位的相关信息。这一阶段包括以下几项内容： 1、选择信息来源。信息主要来源于：工作执行者本人、管理监督者、顾客、分析专家、职业名称辞典以及以往的分析资料。 2、选择收集信息的方法和系统。信息收集的方法和分析信息适用的系统由工作分析人员根据企业的实际需要灵活运用。 3、搜集职位的相关信息 (三)分析阶段 工作分析就是审查、分析企业某个工作有关的信息的过程。也就是说，该阶段包括信息的整理、审查、分析三个相关活动，是整个工作分析过程的主要部分。 1、工作名称　该名称必须明确，使人看到工作名称，就可以大致了解工作内容。如果该工作已完成了工作评价，在工资上已有固定的等级，则名称上可加上等级。 2、聘用人员数目　同一工作所聘用工作人员的数目和性别，应予以记录。 3、工作单位　工作单位是显示工作所在的单位及其上下左右的关系，也就是说明工作的组织位置。 4、职责　所谓职责，就是这项工作的权限和责任有多大，主要包括以下几方面： 5、工作知识　工作知识是为圆满完成某项工作，工作人员应具备的实际知识。这种知识应包括任用后为执行其工作任务所需获得的知识，以及任用前已具备的知识。 6、智力要求　智力要求指在执行过程中所需运用的智力，包括判断、决策、警觉、主动、积极、反应、适应等。 问题四：验证性因子分析的测试步骤 验证性因子分析往往通过结构方程建模来测试。在实际科研中，验证性因子分析的过程也就是测度模型的检验过程。可以进行测度模型及包括因子之间关系的结构方程建模并拟合的统计软件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL这个软件中有三种编程语言：PRELIS是用来作数据处理或简单运算，比如作一些回归分析、计算一个样本的协方差矩阵；LISREL是一种矩阵编程语言，它用矩阵的方式来定义我们在测度项与构件、构件之间的关系，然后采用一个估计方法 (比如极大似然估计) 进行模型拟合；SIMPLIS是一种简化的结构方程编程语言，适合行为研究者用。一般来讲，研究者需要先通过SIMPLIS建立测度模型，然后进行拟合。根据拟合的结果，测度模型可能需要调整，抛弃质量差的测度项，然后再拟合，直到模型的拟合度可以接受为止。 问题五：如何正确运用因子分析法进行综合评价 转载以下资料供参考 编辑本段SWOT分析步骤 强势――弱势――机会――威胁　　 　　从竞争角度看，对成本措施的抉择分析，不仅来自于对企业内部因素的分析判断，还来自于对竞争态势的分析判断。成本的强势――弱势――机会――威胁（SWOT）分析的核心思想是通过对企业外部环境与内部条件的分析，明确企业可利用的机会和可能面临的风险，并将这些机会和风险与企业的优势和缺点结合起来，形成企业成本控制的不同战略措施。 　　SWOT分析基本步骤为： 　　（1）分析企业的内部优势、弱点既可以相对企业目标而言的，也可以相对竞争对手而言的。 　　（2）分析企业面临的外部机会与威胁，可能来自于与竞争无关的外环境因素的变化，也可能来自于竞争对手力量与因素变化，或二者兼有，但关键性的外部机会与威胁应予以确认。 　　（3）将外部机会和威胁与企业内部优势和弱点进行匹配，形成可行的战略。 SWOT分析有四种不同类型的组合： 　　优势――机会（SO）组合、弱点――机会（WO）组合、优势――威胁（ST）组合和弱点――威胁（WT）组合。　 　　优势――机会（SO）战略是一种发展企业内部优势与利用外部机会的战略，是一种理想的战略模式。当企业具有特定方面的优势，而外部环境又为发挥这种优势提供有利机会时，可以采取该战略。例如良好的产品市场前景、供应商规模扩大和竞争对手有财务危机等外部条件，配以企业市场份额提高等内在优势可成为企业收购竞争对手、扩大生产规模的有利条件。 　　弱点――机会（WO）战略是利用外部机会来弥补内部弱点，使企业改劣势而获取优势的战略。存在外部机会，但由于企业存在一些内部弱点而妨碍其利用机会，可采取措施先克服这些弱点。例如，若企业弱点是原材料供应不足和生产能力不够，从成本角度看，前者会导致开工不足、生产能力闲置、单位成本上升，而加班加点会导致一些附加费用。在产品市场前景看好的前提下，企业可利用供应商扩大规模、新技术设备降价、竞争对手财务危机等机会，实现纵向整合战略，重构企业价值链，以保证原材料供应，同时可考虑购置生产线来克服生产能力不足及设备老化等缺点。通过克服这些弱点，企业可能进一步利用各种外部机会，降低成本，取得成本优势，最终赢得竞争优势。 　　优势――威胁（ST）战略是指企业利用自身优势，回避或减轻外部威胁所造成的影响。如竞争对手利用新技术大幅度降低成本，给企业很大成本压力；同时材料供应紧张，其价格可能上涨；消费者要求大幅度提高产品质量；企业还要支付高额环保成本；等等，这些都会导致企业成本状况进一步恶化，使之在竞争中处于非常不利的地位，但若企业拥有充足的现金、熟练的技术工人和较强的产品开发能力，便可利用这些优势开发新工艺，简化生产工艺过程，提高原材料利用率，从而降低材料消耗和生产成本。另外，开发新技术产品也是企业可选择的战略。新技术、新材料和新工艺的开发与应用是最具潜力的成本降低措施，同时它可提高产品质量，从而回避外部威胁影响。 　　弱点――威胁（WT）战略是一种旨在减少内部弱点，回避外部环境威胁的防御性技术。当企业存在内忧外患时，往往面临生存危机，降低成本也许成为改变劣势的主要措施。当企业成本状况恶化，原材料供应不足，生产能力不够，无法实现规模效益，且设备老化，使企业在成本方面难以有大作为，这时将迫使企业采取目标聚集战略或差异化战略，以回避成本方面的劣势，并回避成本原因带来的威胁。SWOT分析运用于企业成本战略分析可发挥企业优势，利用机会克服弱点，回避风险，获取或维护成本优势，将企业成本控制战略建立在对内外部因素分析及对竞争势态......>> 问题六：用SPSS做因子分析时，怎样给数据标准化（具体操作步骤）？ 我一般都是在excel里对数据进行标准化预处理骸然后拿处理后的数据在spss里做因子分析，虽然麻烦点，但是心里有谱，知道该怎么操作，希望我的经验能帮上你 问题七：因子载荷矩阵怎么得出？要求用SPSS的具体步骤讲解下，谢谢！ 1，打开SPSS数据 2，选择 分析（a） 3,选择“降维 （Date Reduction）”――因子分析（factor）4，将需要因子分析的变量拖入变量框。 5，在抽取 菜单罚 “因子固定个数” （N） 设为 1 5，点击 继续 确定 6， 你将得到公因子方差表 和 因素负荷量 表 问题八：统计分析中的因子分析(factors),如何确定因子的个数 方差累计贡献率，碎石图，特征根，很多的 问题九：用SPSS已经做出了因子分析，那么具体的分析结果应该怎么看呢？ KMO检验统计量在0.7以上，说明变量之间的偏相关性较强，适合做因子分析，球形检验p小于0.001，说明变量之间存在相关性。第二格表格为共同性，表示各变量中所含原始信息能被提取的共同因子所表示的程度，根据你的数据，你提取的公因子是两个，第三个表格是指提取的俩个主成分能解福差异的比列，第四个表格是主成分表达式，第五表格是因子得分公式。

spss软件没法做，你可以使用在线spss，也就是spssau。支持验证性因子分析，结构方程模型、路径分析等多种分析方法，结合帮助手册更好理解。

证明二阶验证性因子分析的意义。1、根据查询相关资料信息，需先计算目标系数，目标系数的计算是以构面完全有相关模型(结构饱和模型)的卡方值为目标，与二阶模型的卡方值做比较，因此必须执行构面之间的完全相关，与二阶模型的卡方值。

验证性因子分析可以把合并维度。根据查询相关公开信息显示：验证性因子分析可以用于合并确定由多个观察变量构成的量表的维度数。也可以用于测量各测验项目在构想维度的测量程度，从而修订量表中的测验项目。

在社会调查研究构成中，研究者首先开发调查问卷。对应于每一个研究者所感兴趣的理论变量，问卷中往往有多个问题。比如，研究者对顾客的忠诚度感兴趣，忠诚度可能用购买频率、主观评估、消费比例等多个问题来衡量。这个理论变量就是因子，这些个别问题是测度项。验证性因子分析就是要检验购买频率、主观评估、消费比例是否真的可以反映忠诚度。与验证性因子分析相对的是探索性因子分析。在探索性因子分析中，比如，因为我们想让数据“自己说话”，我们即不知道测度项与因子之间的关系，也不知道因子的值，所以我们只好按一定的标准(比如一个因子的解释能力) 凑出一些因子来，再来求解测度项与因子关系。探索性因子分析的一个主要目的是为了得到因子的个数。探索的因子分析有一些。第一，它假定。在实际研究中，我们往往会假定一个因子之间没有因果关系，所以可能不会影响另外一个因子的测度项。第二，探索性因子分析假定测度项残差之间是相互独立的。实际上，测度项的残差之间可以因为共同方法偏差、子因子等因素而相关。第三，探索性因子分析强制所有的因子为独立的。这虽然是求解因子个数时不得不采用的机宜之计，却与大部分的研究模型不符。最明显的是，自变量与因变量之间是应该相关的，而不是独立的。这些局限性就要求有一种更加灵活的建模方法，使研究者不但可以更细致地描述测度项与因子之间的关系，而且并对这个关系直接进行测试。而在探索性因子分析中，一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。验证性因子分析 (confirmatory factor analysis) 的强项正是在于它允许研究者明确描述一个理论模型中的细节。那么一个研究者想描述什么呢？因为测量误差的存在，研究者需要使用多个测度项。当使用多个测度项之后，我们就有测度项的“质量”问题，即效度检验。而效度检验就是要看一个测度项是否与其所设计的因子有显著的载荷，并与其不相干的因子没有显著的载荷。当然，我们可能进一步检验一个测度项工具中是否存在共同方法偏差，一些测度项之间是否存在“子因子”。这些测试都要求研究者明确描述测度项、因子、残差之间的关系。对这种关系的描述又叫测度模型 (measurement model)。对测度模型的检验就是验证性测度模型。对测度模型的质量检验是假设检验之前的必要步骤。

探索性因子分析（EFA）与验证性因子分析（CFA），二者的区别在于，验证性因子分析(CFA)用于验证对应关系，探索性因子分析(EFA)用于探索因子与测量项(量表题项)之间的对应关系。如果是成熟的量表，研究者可同时使用验证性因子分析CFA，和探索性因子分析(简称因子分析,EFA)验证量表的效度。如果量表的权威性较弱，通常使用探索性因子分析(EFA)进行探索因子，或者效度检验分析。两种方法均可在spssau中操作分析，结合智能分析建议更便于理解。

验证性因子分析主要探讨潜变量之间的相关关系而不是因果关系，在SEM中，模型构建分为两块，一块是测量模型，一块是结构模型，测量模型是测量潜变量和观测指标的关系模型，而结构模型则是测量潜变量之间的关系模型；所谓验证性因子分析就是主要探讨结构模型中的相关关系，操作很简单，你把潜变量之间用双箭头联系起来就可以了，当然，这里要注意一点，如果根据理论或者经验推测某两个潜变量之间完全不存在相关的话，可以不用双箭头联系；另外，AMOS里面的analysis properties 模块设置中有个output选项，你点击critical ratios for difference 选项（打勾），运行数据后在text output的报表中可以根据临界比率（p是否小于.05）来判断潜变量之间的关系强度是否显著，如果小于临界比率，建议取消对应的潜变量双箭头。

探索性因子分析和验证性因子分析相同之处两种因子分析都是以普通因子分析模型作为理论基础,其主要目的都是浓缩数据，通过对诸多变量的相关性研究,可以用假想的少数几个变量（因子，潜变量)来表示原来变量(观测变量)的主要信息。探索性因子分析和验证性因子分析的差异之处1.基本思想不同探索性因子分析主要是为了找出影响观测变量的因子个数,以及各个因子和各个观测变量之间的相关程度,以试图揭示一套相对比较大的变量的内在结构。而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力,以试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预期一致。2.应用前提不同探索性因子分析没有先验信息,而验证性因子分析有先验信息。详情见:http://wenku.baidu.com/link?url=w_nw0aI0KN0XpL1SEmbOjjwxOeampOzKefUEg1aRzWG27Iep7kPTvDrKY-toinCbLgoHe0r4COCzymPwhgAj_5Pe6bv9Y0HBhOVzVSRqDTK

是。通过社会统计学得知验证性因子分析本身是结构方程模型的特例，至于验证性因子分析要是分开从理论角度来考虑的，因此要逐个分析。验证性因子分析是对社会调查数据进行的一种统计分析，它测试一个因子与相对应的测度项之间的关系是否符合研究者所设计的理论关系。

联系：两种因子分析都是以普通因子模型为基础的。区别：因子分析的基本思想是通过变量的相关系数矩阵内部结构的研究，找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系，但在这里，这少数几个随机变量是不可观测的，通常称为因子。然后根据相关性的大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量相关性较低；

验证性因子分析可以做聚合效度、也称收敛效度分析，以及区分效度。聚合(收敛)效度可使用AVE和CR这两个指标进行分析。区分效度可使用AVE根号值和相关分析结果进行对比。这些均可在SPSSAU中操作完成，以及配合帮助手册更好理解。验证性因子分析-SPSSAU

看你的研究目的，如果只是初步了解因子结构你就没有必要做验证分析，但如果想要确认最初的因子结构是否有效，则需要做验证性因子分析。（南心网SPSS因子分析）

探索性因子分析和验证性因子分析相同之处两种因子分析都是以普通因子分析模型作为理论基础,其主要目的都是浓缩数据，通过对诸多变量的相关性研究,可以用假想的少数几个变量（因子，潜变量)来表示原来变量(观测变量)的主要信息。探索性因子分析和验证性因子分析的差异之处1.基本思想不同探索性因子分析主要是为了找出影响观测变量的因子个数,以及各个因子和各个观测变量之间的相关程度,以试图揭示一套相对比较大的变量的内在结构。而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力,以试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预期一致。2.应用前提不同探索性因子分析没有先验信息,而验证性因子分析有先验信息。

看你的研究目的，如果只是初步了解因子结构你就没有必要做验证分析，但如果想要确认最初的因子结构是否有效，则需要做验证性因子分析。（南心网SPSS因子分析）

TITLE: this is an example of a CFA with continuous factor indicators DATA: FILE IS ex1.dat;VARIABLE: NAMES ARE y1-y6;MODEL: f1 BY y1-y3; f2 BY y4-y6;Output:sampstat; STANDARDIZED; mod;这是一阶验证性因子分析，多阶的可以以此类推。

序第一部分 结构方程模型入门第一章 引言一、描述数据二、具体例子展示准确与简洁的考虑三、探索性与验证性因子分析比较第二章 结构方程模型简介一、结构方程模型的重要性二、结构方程模型的结构三、结构方程模型的优点四、结构方程模型包含的统计方法五、路径图的图标规则六、结构方程分析软件包七、LISIREL操作入门第二部分 结构方程模型应用第三章 应用示范I：验证性因子分析和全模型一、验证性因子分析二、多质多法模型三、全模型四、高阶因子分析第四章 应用示范II：单纯形和多组模型一、单纯形模型二、多组验证性因子分析三、多组分析：均值结构模型四、回归模型第五章 结构方程建模和分析步骤一、验证模型与产生模型二、结构方程分析步骤三、参数估计和拟合函数四、拟合检查五、模型修正和交互效度六、模型比较的原理七、报告结果第三部分 结构方程模型专题研究第六章 专题讨论——涉及数据的问题一、样本容量二、数据类型三、处理非正态数据四、异常数据五、缺失数据六、可否应用相关矩阵作分析七、处理小样本的方法第七章 专题讨论——涉及模型拟合的问题一、忽略测量误差所引致的错误二、非正定协方差矩阵三、不收敛四、不恰当的解五、单指标潜变量六、误差相关七、因子的单位与附加限制八、为什么要考虑等同模型九、模型与数据拟合是否表示模型正确十、结构方程是否验证变量问的因果关系十一、怎样避免潜变量名实不符的问题十二、合宜和错误的高阶因子十三、如何报告结构方程分析结果十四、与传统分析的结合第八章 拟合指数一、拟合指数概述二、绝对拟合指数三、相对拟合指数四、简约拟合指数五、拟合指数定义一览第四部分 结构方程模型统计原理第九章 验证性因子分析原理一、验证性因子分析的基本概念二、因子分析模型及其协方差结构三、因子分析模型识别的若干准则四、参数估计五、模型评价六、有均值结构的因子分析模型七、多组比较第十章 路径分析原理一、因果模型中的结构方程二、路径分析与效应分解三、因果模型的协方差矩阵四、因果模型识别准则五、参数估计六、模型评价与修正七、因果模型与因果分析第十一章 结构方程分析原理一、结构方程基本概念二、结构方程模型及其协方差结构三、若干特殊的结构方程模型四、模型识别五、参数估计六、模型评价与修正七、标准化系数八、有常数项的结构方程模型九、多组比较第五部分 LISREL软件附录III 通过SPSS读取数据附录Ⅳ 结构方程讨论小组参考文献·收起全部<<

问题一：因子分析法的分析步骤 因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。（i）因子分析常常有以下四个基本步骤：⑴确认待分析的原变量是否适合作因子分析。⑵构造因子变量。⑶利用旋转方法使因子变量更具有可解释性。⑷计算因子变量得分。（ii）因子分析的计算过程：⑴将原始数据标准化，以消除变量间在数量级和量纲上的不同。⑵求标准化数据的相关矩阵；⑶求相关矩阵的特征值和特征向量；⑷计算方差贡献率与累积方差贡献率；⑸确定因子：设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；⑹因子旋转：若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。⑺用原指标的线性组合来求各因子得分：采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。⑻综合得分以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )此处wi为旋转前或旋转后因子的方差贡献率。⑼得分排序：利用综合得分可以得到得分名次。在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：u30fb 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子 *** ，从子 *** 所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。u30fb 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。u30fb 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法（如相关分析、逐步回归分析、主成分分析等）研究各个变量之间的相关性，选择最佳的变量子 *** ；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。 问题二：因子分析可分为哪三个步骤 职务分析是一项技术性很强的工作，需要做周密的准备。同时还需具有与人力资源管理活动相匹配的科学的、合理的操作程序。 (一)准备阶段 1、建立工作分析小组。小组成员通常由分析专家构成。所谓分析专家，是指具有分析专长，并对组织结构及组织内各项工作有明确概念的人员。一旦小组成员确定之后，赋予他们进行分析活动的权限，以保证分析工作的协调和顺利进行。 2、明确工作分析的总目标、总任务。根据总目标、总任务，对企业现状进行初步了解，掌握各种数据和资料。 3、明确工作分析的目的。有了明确的目的，才能正确确定分析的范围、对象和内容，规定分析的方式、方法，并弄清应当收集什么资料，到哪儿去收集，用什么方法去收集。 4、明确分析对象。为保证分析结果的正确性，应该选择有代表性、典型性的工作。 5、建立良好的工作关系。为了搞好工作分析，还应做好员工的心理准备工作，建立起友好的合作关系。 (二)调查阶段 分析人员应制定工作分析的时间计划进度表，以保证这项工作能够按部就班的进行调查。同时搜集有关职位的相关信息。这一阶段包括以下几项内容： 1、选择信息来源。信息主要来源于：工作执行者本人、管理监督者、顾客、分析专家、职业名称辞典以及以往的分析资料。 2、选择收集信息的方法和系统。信息收集的方法和分析信息适用的系统由工作分析人员根据企业的实际需要灵活运用。 3、搜集职位的相关信息 (三)分析阶段 工作分析就是审查、分析企业某个工作有关的信息的过程。也就是说，该阶段包括信息的整理、审查、分析三个相关活动，是整个工作分析过程的主要部分。 1、工作名称　该名称必须明确，使人看到工作名称，就可以大致了解工作内容。如果该工作已完成了工作评价，在工资上已有固定的等级，则名称上可加上等级。 2、聘用人员数目　同一工作所聘用工作人员的数目和性别，应予以记录。 3、工作单位　工作单位是显示工作所在的单位及其上下左右的关系，也就是说明工作的组织位置。 4、职责　所谓职责，就是这项工作的权限和责任有多大，主要包括以下几方面： 5、工作知识　工作知识是为圆满完成某项工作，工作人员应具备的实际知识。这种知识应包括任用后为执行其工作任务所需获得的知识，以及任用前已具备的知识。 6、智力要求　智力要求指在执行过程中所需运用的智力，包括判断、决策、警觉、主动、积极、反应、适应等。 问题三：怎么用SPSS做因子分析具体的步骤是什么由 把需要进行因子分析的变量 全部移入因子分析 对话框，然后选择正交旋转 点确定就好了 问题四：验证性因子分析的测试步骤 验证性因子分析往往通过结构方程建模来测试。在实际科研中，验证性因子分析的过程也就是测度模型的检验过程。可以进行测度模型及包括因子之间关系的结构方程建模并拟合的统计软件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL这个软件中有三种编程语言：PRELIS是用来作数据处理或简单运算，比如作一些回归分析、计算一个样本的协方差矩阵；LISREL是一种矩阵编程语言，它用矩阵的方式来定义我们在测度项与构件、构件之间的关系，然后采用一个估计方法 (比如极大似然估计) 进行模型拟合；SIMPLIS是一种简化的结构方程编程语言，适合行为研究者用。一般来讲，研究者需要先通过SIMPLIS建立测度模型，然后进行拟合。根据拟合的结果，测度模型可能需要调整，抛弃质量差的测度项，然后再拟合，直到模型的拟合度可以接受为止。 问题五：统计分析中的因子分析(factors),如何确定因子的个数 方差累计贡献率，碎石图，特征根，很多的 问题六：请问因子分析结果怎么解释？ 因子分析结果的方法和过程如下： 1、因子的提取和旋转 (1) 确定您的因子分析的目的之前运行的程序和解释输出。阿因子分析常见的用途是定义一组尺寸集（因素）对现有的基本措施。例如，假设您要定义一到，旨在衡量一个人的政治态度调查问卷的答复确定的基本因素。你的假设可能是一个潜在的一些因素有助于形成对政治和 *** 的态度。 (2) 检查您的因子提取输出。因子提取是第一次两个因素分析阶段，第二个因素是轮换。提取有助于找出潜在因素。通过检查你确定你的输出两部分：初始特征值和卵石这个阴谋。特征值衡量的是一组特殊因素解释措施的变异量。一个有用的指引，是包括利用特征值大于1的因素。 (3) 把你的注意卵石情节，一对特征值的相对大小的图形显示。保留所有因素在急剧下降的阴谋的一部分特征值。假设在这个例子中，你有这样三个特征值的阴谋，他们都大于1。这意味着你有三个因素。 (4) 进行了三个因素三要素旋转提取。统计旋转操纵的因素，使他们更有意义。您的统计软件或统计指南将提供关于如何进行的一个因素轮换步骤。旋转运行的因素会产生额外的输出。 2、结构因素分析 (1) 在检查的因素轮换您的输出矩阵的一部分相关的模式。这个矩阵将显示相关评分，或因素负荷量，每个变量之间的基本因素。因素负荷量高的项目 - 与0.300和1.00之间（例如加或减）都与相应的因素。 (2) 确定你的三个因素的措施，每个呈正相关。您可能会发现一些项目，因为可以在低负载的所有因素因素排除。 (3) 基于高因素负荷量，名称或标签的三个因素每个项目的内容。 因子分析的主要目的是用来描述隐藏在一组测量到的变量中的一些更基本的，但又无法直接测量到的隐性变量。比如，如果要测量学生的学习积极性，课堂中的积极参与，作业完成情况，以及课外阅读时间可以用来反应积极性。而学习成绩可以用期中，期末成绩来反应。 问题七：如何对做过因子分析的因子做聚类分析 一般过程如下： 1.做完因子分析后，可以根据得分标记几类特殊的因子； 2.选择K-means或者分层聚类后，根据先前得到的因子，提取其特殊的性质，再进一步命名聚类分析后所得的几类。 支持我一下哈~ 问题八：MATLAB 因子分析法的案例，主要程序 呵呵。这个正好我会啊。 我搞数学建模的时候做的题目很多都是数据分析，市场调查分析就是其中一种很简单的啊。 最基本的分析工具是SPSS和SAS，他们都是常用的统计工具。 你需要做哪方面的分析，就用他们的哪些功能。最常用的是回归分析。如果你不会使用这个软件，我也可以给你分析，然后把分析数据发给你啊。 你也可以去百度里面搜“问卷调查 spss”或者“市场调查 spss”，很多这样的例子，你照着做就可以分析出来了。 先发一点资料给你看： SPSS在市场调查统计分析中的应用 SPSS是“社会科学统计软件包”（StatisticalPackagefortheSocialScience）的简称，是一种集成化的计算机数据处理应用软件，是目前世界上流行的三大统计软件之一，除了适用于社会科学之外，还适用于自然科学各领域的统计分析。将其应用于市场调查统计分析的过程，能使研究者以客观的态度，通过对受众的系统提问，收集并分析有关研究数据，以描述、解释或预测问卷调查内容的现象及其各相关因素之间的关系。在这些方面，SPSS技术的应用为市场调查实证研究中的定量分析提供了支持与保障，特别是它的易用、易学、功能强大等特点是其他方法所无法替代的。 一、SPSS的基本特点 在问卷应用于市场调查的实证研究中，会有大量的检测数据需要进行统计分析，而SPSS技术的特点恰恰适合这种实证研究的要求。其在市场调查统计的应用中具有如下特点： 1.易用、易学。SPSS采用直觉式使用界面或者说可视化界面，无需编程就可以完成工作，极大地提高了工作效率；此外，SPSS拥有强大的辅助说明系统，可帮助用户学的更快。 2.强大的表格和图形功能。SPSS能清楚地显示用户的分析结果，可以提供16种表格格式。此外，它具有顶级图形分析功能，能给出各种有用的统计图形。作为分析的一部分，它能自动生成统计结果图形，还能独立于统计过程进行图形绘制和图形分析。 3.深入分析数据的功能。除了一般常见的描述统计和推断统计外，它还包括在基本分析中最受欢迎也是在市场调查中最常用的现代统计程序，如列联表分析、主成分分析、因子分析、判别及聚类分析。 二、SPSS在市场调查统计分析的应用模式 根据上述的SPSS技术的特点和市场调查统计分析的需要，可以将SPSS在市场调查实证研究中的应用模式分为以下几种类型： 1.统计描述应用模式 统计描述应用模式指在市场调查统计分析的过程中，借助SPSS统计功能将收集到的大量数据进行分析、综合、归纳、列表、绘图等处理工作。一般而言，统计描述主要分为三方面的内容：①单变量截面数据的描述；②相对数的统计描述；③双变量截面数据的描述。SPSS最常用于描述性分析的五个过程集中在DescriptiveStatistics菜单中，分别为：Frequencies过程；Descriptives过程；Explore过程；Crosstabs过程；Ratio过程。 统计描述应用模式不仅可以使研究者了解事物的性质，而且其统计量还是对事物进行推断统计的依据。 2.假设检验应用模式 在市场调查中，通常所关心的是总体的某些特征和分布规律，而问卷调查只可以考察总体的一部分或一个样本，统计推断和假设检验就是用样本去推断总体，实质上就是凭借概率理论用观察到的部分随机变量资料来推断总体随机变量的概率分布或数字特征，如期望值和方差等，并且作出具有一定可靠程度的估计和判断。 3.量表分析应用模式 客观世界是普遍联系的统一整体，事物之间存在着相互依存、相......>>

不是必须的。

display部分 Unrotated factor solution前面的对勾不要打

问题一：用SPSS已经做出了因子分析，那么具体的分析结果应该怎么看呢？ KMO检验统计量在0.7以上，说明变量之间的偏相关性较强，适合做因子分析，球形检验p小于0.001，说明变量之间存在相关性。第二格表格为共同性，表示各变量中所含原始信息能被提取的共同因子所表示的程度，根据你的数据，你提取的公因子是两个，第三个表格是指提取的俩个主成分能解福差异的比列，第四个表格是主成分表达式，第五表格是因子得分公式。 问题二：因子分析到底有什么用处？ 问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：传统上所谈的因素分析）factor *** ysis)指的是探索性因素分析）exploratory factor *** ysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor *** ysis，EFA)及验证性因素分析）confirmatory factor *** ysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解......>> 问题三：进行因子分析的前提条件是各变量之间应该怎么做 本来想给你截图的，可是传不上来，我就简单说一下哈。 首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。 通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。 点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。 点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。 旋转里边选最大方差法，输出旋转解。继续。 得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。 确定。 然后就可以分析结果了。 先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。 如果这两个检验都合格的话，才可以去写因子模型。 为了便于描述，假设我们有两个因子f1，f2， 旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。 因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。 根据这个我们就能算出因子得分了。 因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量， 然后我们不是有一个公式吗 总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+... 根据这个公式计算一下就可以了。 用spss或者Excel都可以。 希望能对你有帮助哦。 ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。 问题四：excel2003如何做因子分析 都不知道你所说的因子是指的那个因子，数据管理因子还是什么的，提问清楚些。别人也比较容易理解！ 问题五：怎样用SPSS做因子分析 在表因子变量解释贡献率（Total Variance Explained）中，看各个主因子的方差贡献率（Initial Eigenvalues栏下的% of Variance），例如图中三个主因子对应的权重为52.132、21.017、11.405，测将三个权重进行归一化处理，52.132/(52.132+21.017+11.405)、21.017/(52.132+21.017+11.405)、11.405/(52.132+21.017+11.405)，所得三个数即为主因子权重 问题六：怎样用spss做因子分析？ SPSS→分析→数据缩减→因子分析→选择自变量和因变量→描述里面选择KMO检验和球型检验；海转选择最大方差旋转法→确定→结果 问题七：如何利用因子分析的排名进行分析 你通过因子分析 中一个选项 保存因子得分,之后会在原数据最后保存生成3列因子得分,假设为a1 a2 a3 代表3个因子然后根据因子分析得出三个因子的特征根值,分别计算粗3个因子的权重,分别为各自的特征根值/三个因子特征根值之和. 然后综合因子得分=a1*对应权重+a2*对应权重+a3*对应权重之后就根据综合因子得分进行大小排名 就这样出来了 问题八：因子分析法需要哪些数据，用什么软件做 因子分析是用因子概括变量信息，所以首先自变量是什么?三年数据当然是一起录入，通过三年的变化来反映因变量的变化。