Amos_验证性因子分析报告步步教程

应用案例1

第一节模型设定

结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。

一、模型构建的思路

本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。

二、潜变量和可测变量的设定

本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。

模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。表7-1 设计的结构路径图和基本路径假设

1关于该案例的操作也可结合书上第七章的相关内容来看。

2本案例是在Amos7中完成的。

3见spss数据文件“处理后的数据.sav”。

2.1、顾客满意模型中各因素的具体范畴

参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表

7-2。

表7-2 模型变量对应表

4正向的，采用Likert10级量度从“非常低”到“非常高”

三、关于顾客满意调查数据的收集

本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对超市形象的测量：

本次调查共发放问卷500份，收回有效样本436份。

四、缺失值的处理

采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401

条数据，基于这部分数据做分析。

五、数据的的信度和效度检验

1．数据的信度检验

信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。

折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（Cronbach's Alpha 系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部一致性。在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击，左边方框中待分析的24个题目进入右边的items 方框中，使用Alpha模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。

Amos_验证性因子分析步步教程

应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。

表

三、关于顾客满意调查数据的收集 本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对 四、缺失值的处理 采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。 五、数据的的信度和效度检验 1．数据的信度检验 4正向的，采用Likert10级量度从“非常低”到“非常高”

AMOS做验证性因子分析报告材料

Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。其中Variable Name对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。

3.配置数据文件，读入数据 File——Data Files——File Name——OK。 4.模型拟合 View——Analysis Properties——Estimation——Maximum Likelihood。 5.标准化系数

Analysis Properties——Output——Standardized Estimates——因子载荷标准化系数。 6.参数估计结果 Analyze——Calculate Estimates。红色框架部分是模型运算基本结果信息，点击View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看AMOS路径系数或载荷系数以及拟合指标评价。 路径系数/载荷系数的显著性 模型评价首先需要对路径系数或载荷系数进行统计显著性检验。

模型拟合指数 模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还

组织承诺与员工检验行为关系研究-AMOS验证性因子分析

组织承诺与员工建言行为测量模型检验 在前述的章节中，本文已经进行了所用量表的信度分析和效度分析，使用了经过优化的量表。其中，组织承诺量表包含18个条目的三个维度的结构，建言行为量表是包含11个条目的两个维度的结构。本章使用正式调查的数据对组织承诺和检验行为两个测量模型进行检验，在研究中使用了AMOS21.0软件，结合模型适配度指标，以检验理论设想或假设模型存在的合理性和优劣程度。 1.组织承诺测量模型的检验 验证性因子分析的主要作用之一在于可以用于比较多个模型的优劣，对理论设想或者假设模型进行验证。根据前文的逻辑和探索性因子分析可知，本研究中组织承诺量表包含18个条目3个维度，各个维度之间中度相关，表明组织承诺十分有可能是单维结构。本文将对组织承诺的单维模型和三维度模型进行比较，以确定最佳的组织承诺测量模型。 图1 组织承诺单维模型

图2 组织承诺三维度模型 组织承诺模型的适配度检验指标如表1所示，将单维模型和多维模型进行比较可以得出，组织承诺单维模型的各个衡量指标较差，均未达到标准。因此，结果表明，三维组织承诺模型更加合适。 表1 组织承诺模型适配度检验结果表

表1和表2分别给出了单维模型和三维模型路径系数估计结果。其中使用了最大似然估计的方法，求出了使样本方差协方差矩阵与理论协方差矩阵差异最小的模型参数。模型的拟合指数是550.837，伴随概率是0.000，在1%的显著性水平下显著成立，因此模型估计有效。根据表1和表2的结果，三维模型的大部分路径系数的估计结果显著成立，而单维模型的估计结果则不能显著成立，因此可以证明三维模型要优于单维模型。 2.员工建言测量模型检验结果 图3 员工建言单维度模型

Amos-验证性因子分析步步教程

Amos-验证性因子分析步步教程

超市形象质量期望 质量感知感知价值顾客满意 顾客抱怨 顾客忠诚 应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。

amos_验证性因子分析报告步步教程

一、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表 因此数据的效度检验就转化为结构方程模型评价中的模型拟合指数评价。对于本案例，从表7-16可知理论模型与数据拟合较好，结构效度较好。 二、结构方程模型建模 构建如图7.3的初始模型。

图7-3 初始模型结构 图7-4 Amos Graphics 初始界面图 第一节 Amos 实现1 一、 Amos 模型设定操作 1 这部分的操作说明也可参看书上第七章第二节:Amos 实现。

1．模型的绘制 在使用Amos进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。相关软件操作如下：第一步，使用建模区域绘制模型中的七个潜变量（如图7-6）。为了保持图形的美观，可以使用先绘制一个潜变量，再使用复制工具绘制其他潜变量，以保证潜变量大小一致。 在潜变量上点击右键选择Object Properties，为潜变量命名（如图7-7）。绘制好的潜变量图形如图7-8。 第二步设置潜变量之间的关系。使用来设置变量间的因果关系，使用来设置变量间的相关关系。绘制好的潜变量关系图如图7-9。 图7-7 潜变量命名 图7-8 命名后的潜变量

验证性因子分析思路总结

目录 验证性因子分析 (1) 分析步骤 (3) （1）模型设定 (4) （2）模型拟合 (4) （ 3 ）模型修正 (6) （4）模型分析 (9) 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。 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：

探索性因子分析（EFA）验证性因子分析（CFA ）研究测量关系研究测量关系 回归分析研究自变量对一个因变量的影响关系 路径分析研究多个自变量与多个因变量之间的影响关系 适用于非经典量表 适用于经典量表 y 为定量数据 可先用CFA/EFA 确定因子与研究项关系，再进行路径分析 结构方程模型包括两部分： 结构方程模型研究影响关系及测量关系 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，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，性因子分析。确认测量关系后，后续可进行路径分析系。检验量表效度，非经典量表通常用探 检验量表效度，成熟量表通常用验证 / 线性回归分析研究具体的影响关 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 分析步骤

在验证性因子分析中

X、在验证性因子分析中，有下列常见指标用以检验模型的拟合优度，如2 X、CFI、RMSEA来衡量模型与数据的拟和程度。其中， /2 df 2 X（卡方）是由拟合函数所转换而来的统计量，反应了结构方程模型假设模型的导出矩阵与观察矩阵的差异程度。所以卡方值越小，说明模型的拟合程度越好。 X（卡方自由度比）：卡方自由度比越小，表示模型拟合度越高，反之/2 df 则表示模型拟合度越差。一般而言，卡方自由度比小于2时，表示模型具有理想的拟合度。 CFI：CFI指标反应了假设模型与无任何相关性的独立模型差异程度的量数，也考虑到被检验模型与中央卡方分配的离散性。当CFI>0.95时，说明模型拟合度较好。 RMSEA：用来比较理论模型与饱和模型的差距，不受样本数和模型复杂度的影响。当RMSEA<0.05时，模型具有良好的拟合度。 raw data from file ss.psf latent variables cleaning managing repairing shoufa shouka phonerepairing tiaopei satisfy relationships V1-V5=cleaning V6-V13=managing V14-V15=repairing V16-V17=shoufa V18-V19=shouka V20-V21=phonerepairing V22-V23=tiaopei V24-V25=satisfy managing=cleaning satisfy=cleaning managing repairing shoufa shouka phonerepairing tiaopei path diagram options:AD=OFF end of problem

验证性因子分析实例

验证性因子分析的实例分析 基本上，在应用CFA时，皆是在检验某个学者所发展的测验或量表。 CFA对测验或量表的检验可以有以下作为： （1）检验量表的面向性，或者称因子结构。 （2）检验因子的阶层关系，此种测量模式成为阶层式CFA。 （3）检验量表的信度与效度。 实例一：检验测验的面向性 测验或量表的形成是由理论所建构的，可能某些学者的理论认为某个量表是一种单一面向的量表，也可能有些理论认为该量表是有多个面向，对于这种测验或量表的面向性检验，就是一种理论建构的因素效度的检验。对CFA而言，它可以检验出哪一种面向比较符合观察数据，而决定出理论建构的最有效因子结构。 本例采用一个父母对孩子学校表现关注量表。这个量表一共7题（X1,…,X7），资料的搜集来自于某县初中3年级学生，共有590个样本。我们假定了三种面向性的模型：（1）此7题只建构了一个潜在因子，称为“关注”因子；（2）此7题可以建构2个潜因子，一个称为“探询”因子，一个称为“协助与督促”因子；（3）此7题可以建构成3个潜因子，第一个称为“了解”因子，第二个称为“与学校接触”因子，第三个称为“协助与督促”因子。 第一步：模型界定 利用路径图呈现3种模型中变量的关系。如图1~图3所示。 图1 父母对孩子学校表现关注量表单因子CFA模型 图2 父母对孩子学校表现关注量表一级二因子CFA模型 图3 父母对孩子学校表现关注量表一级三因子CFA模型 接着是把路径图转换成方程式，就可以用LISREL程序编写出来。 图1的方程式如下： X1=λ1ξ1+δ1 X2=λ2ξ1+δ2 X3=λ3ξ1+δ3 X4=λ4ξ1+δ4 X5=λ5ξ1+δ5 X6=λ6ξ1+δ6 X7=λ7ξ1+δ7 图2的方程式如下： X1=λ1ξ1+δ1 X2=λ2ξ1+δ2 X3=λ3ξ1+δ3 X4=λ4ξ1+δ4 X5=λ5ξ1+δ5 X6=λ6ξ2+δ6 X7=λ7ξ2+δ7 cov(探询，协助与督促) 图3的方程式如下： X1=λ1ξ1+δ1

LISREL验证性因子分析

LISREL验证性因素分析 数据预处理 1.生成PRELIS文件 首先需要在C盘新建一个文件夹存放将要分析的SAV数据。数据应该事先做整理，这个数据文件应该只包括需要分析的变量，而不应该包括其他无关的变量，以方便到后面使用。File → Import External Data in Other Formats→打开SPSS 的文件→保存为PRELIS Data 2.定义变量 Data→ Define Variables→选中一个变量→Variable Type →Continues →Apply to All → OK。 完成上述操作后点击Save保存数据（注意数据应保存在系统盘，否则可能得不出结果）。 3.计算协方差矩阵 Stati stics→ Output Option→ Save to File→命名A.cov；选LISREL System Data；选Save the Transformed Data to File→命名B.dsf→ OK。到此，数据的预处理工作算是完毕了。

建立模型 Fi le→New→ Path Diagram→保存为同名.PTH。 Setup→Title and Comments（一般不用定义）→Next→Group Names（一般也不用定义）→Next→Labels（左侧Observed Variables：观测变量即观测指标；右侧Latent Variables：潜变量） （1）先添加观测变量。Add/Read Variables——Read from File——PRELIS System File——Browse——出现PSF文件，OK。 （2）再添加潜变量。Add Latent Variables，直接命名潜变量即可，Next。

如何用amos做验证性因子分析

如何用amos做验证性因子分析 验证性因素分析是20世纪60年代后从探索性因素分析发展而来的[12]。它可以通过协方差结构模型(Covariance Structure Modeling,CSM)或称结构方程模型(Structure Equation Modeling,SEM)实现。对于数据的计算和模型的验证，现已编有多种计算机软件，其中著名的一种是K.G.Joreskog和D.Sorbom编制的LISREL。在验证性因素分析方法出现之前，对评价中心的构想效度的验证，更多的是用多质多法。对于多质多法的批评意见，主要是认为这种方法以包含测量误差的可观测变量间的相关为基础，来对潜在的结构进行解释，而实际上测量误差每次是不一致的，从而会影响到相关系数，进而影响对潜在结构解释的准确性。 验证性因素分析方法则可以解决这个问题，它对误差和相关的变量进行控制，进而得出一个更加令人满意的结果。因而，它很快被公认为一种适宜且通用的评估MTMM数据的方法[12]。在这种方法中，同一特质不同测评方法所决定的因素代表测评的构想效度，而同一测评方法不同测评特质所代表的因素则表明了测评方法的效应。每一个可观测变量均由特质因素、方法因素和测量误差三部分组成。其最大优点在于能对因素的负荷进行固定，并对提出的不同假设模型进行检验。 每一种自由负荷的大小反映了问题的所在。如果在能力因素上的自由负荷小且不显著，而在方法因素上的自由负荷大且显著，那么，这种结果就是支持测评方法导向的。反过来，不同测评方法中的同一种能力的因素负荷的值大而且是显著的，那么，就可以认为不同测评方法之间能力的一致性可以得到确认。通过检测这些不同的假设模型，就可以得出评价中心的评分到底是指向测评维度的还是测评方法的。 验证性因素分析及其在心理与教育研究中的应用 在心理与教育研究中，方法的突破往往是研究取得新进展的一个重要方面。正如班特勒(Bentler，1990)指出：“研究的突破往往在研究方法的变革上。”而心理与教育研究非常复杂，它具有多层面、多指标的特性，常涉及许多变量(包括控制变量、依变量等)，如何对多变量的问题进行研究，一直是人们努力的方向，也取得不少突破性的进展。如兴起于六、七十年代，目前已在社会科学领域里得到广泛的应用，并被称为近年来统计学三大进展之一的协方差结构模型方法(covarian structure models，CSM)。① 通常协方差结构模型分析由两部分组成，一部分是在心理与教育测量中经常使用的验证性因子模型(验证性因素分析)，也可称之为测量模型；另一部分是在经济计量学中使用的结构方程模型。②③顾海根先生已在《上海教育科研》详细介绍了结构方程模型及其在研究中的应用，因而本文拟对验证性因子分析方法及其在心理与教育研究中的应用作一定的说明。 一、探索性因素分析与验证性因素分析 最早提出因素分析想法的是高尔顿，他奠定了因素分析的基础。其后，斯皮尔曼在研究“一般智力”(general intelligence)中首次采用了因素分析的数学模型方法，使得因素分析的方法得以真正成为现实。我们知道，因素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)，④它反映了一种降维的思想。我们在研究中往往需要对反映事物的多个变量进行观测，收集数据，变量庞大无疑为科学研究提供了丰富的信息，但在一定程度上增加了问题分析的复杂性，由于各变量存在一定相关关系，因而可以通过降维将相关性高的变量聚在一起，因素分析的思想由此而来。 最初在因素分析时常采用探索性因素分析方法，如SPSS软件包中的因素分析(Factor analysis)，MINITAB 软件包中的因素分析，SYSTAT软件包中的因素分析。随着近年来EQS、LISREL、CALIS等软件的开发，

探索性因子分析与验证性因子分析

探索性因子分析与验证性因子分析比较研究 湖北武汉杨丹 摘要：探索性因子分析与验证性因子分析是因子分析的两种不同形式。它们都是以普通因子模型为基础,但它们之间也存在着较大差异。本文通过对它们进行比较分析,找出其异同，并对实证分析提供一定的指导依据。 关键词：探索性因子分析、验证性因子分析、结构方程模型 现实生活中的事物是错综复杂的，在现实的数据中，我们经常遇到的是多元的情况，而不仅仅是单一的自变量和单一的因变量。因此要用到多元的分析方法，而因子分析就是其中一种非常重要的处理降维的方法。它是将具有错综复杂关系的变量（或样品）综合为少数几个因子，以再现原始变量与因子之间的相互关系，同时根据不同因子还可以对变量进行分类。它实际上就是一种用来检验潜在结构是怎样影响观测变量的方法。因子分析主要有两种基本形式：探索性因子分析（Exploratory Factor Analysis）和验证性因子分析（Confirmatory Factor Analysis）。探索性因子分析（EFA）致力于找出事物内在的本质结构；而验证性因子分析（CFA）是用来检验已知的特定结构是否按照预期的方式产生作用。两者之间是既有联系也有区别的，下面我们就从不同的方面进行分析比较。 一、两种因子分析的相同之处 两种因子分析都是以普通因子模型为基础的。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。 如图１所示，我们假定一个模型，它表明所有的观测变量（变量1到变量5）是一部分受到潜在公共因子（因子1和因子2）影响，一部分受到潜在特殊因子（E1到E5）影响的。而每个因子和每个变量之间的相关程度是不一样的，可能某给定因子对于某些变量的影响要比对其他变量的影响大一些。 我们可以把图１的因子模型表示成线性函数： 11111221 22112222 3311322344114224 55115225 X a F a F X a F a F X a F a F X a F a F X a F a F εεεεε=++=++=++=++=++ 其中12,F F 表示两个因子，它对所有(1,2, ,5)i X i =是公有的因子，通常称为公共因子，它们的系数(1,2,,5;1,2)ij a i j ==表示第i 个变量在第j 个因子上的载 荷。 (1,2,,5)i i ε=表示第i 个变量不能被前两个因子包括的部分，称为特殊因子，通常假定2(0,)i i N εσ。

amos_验证性因子分析步步教程

amos_验证性因子分析步步教程 一、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量):超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。表7-1 设计的结构路径图和基本路径假设设计的结构路径图基本路径假设 , 超市形象对质量期望有路超市形象径影响 , 质量期望对质量感知有路 径影响 , 质量感知对感知价格有路顾客抱怨质量期望径影响 , 质量期望对感知价格有路 径影响顾客满意感知价值 , 感知价格对顾客满意有路 径影响质量感知 , 顾客满意对顾客忠诚有路顾客忠诚径影响 , 超市形象对顾客满意有路 径影响 , 超市形象对顾客忠诚有路 径影响 因此数据的效度检验就转化为结构方程模型评价中的模型拟合指数评价。对于本案例，从表7-16可知理论模型与数据拟合较好，结构效度较好。

二、结构方程模型建模 构建如图7.3的初始模型。 1 e10e9e11e12e13e5e4e6e7e8e1e2e31111111111111 a10a9a11a12a13a5a4a6a7a8a1a2a311111 z1z2质量感知质量期望超市形象 11e14z3a1411感知价格e15a15 11e17a17z41a16顾客满意e1611e18a18 1e23a2311e22a22z5顾客忠诚11e24a24 图7-3 初始模型结构 图7-4 Amos Graphics初始界面图 1第一节 Amos实现 一、 Amos模型设定操作 1 这部分的操作说明也可参看书上第七章第二节:Amos实现。 2 1(模型的绘制

amos_验证性因子分析步步教程

amos验证性因子分析教程

应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。

amos验证因子分析教程文档

应用案例 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件1 2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型（ASCI的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然 后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模 型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASC模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素（潜变量）：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合 决定并影响着结果变量（Eugene W. Anderson & Claes Fornell 2000;殷荣伍，2000）。 表7-1 设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 超市形象对质量期望有路超市形象径影响 —w 质量期望对质量感知有路 \ 径影响 质量期望、顾客抱怨 V Tfc JF 质量感知对感知价格有路径影响 —\ 、V质量期望对感知价格有路 * 7 厂径影响 感知价值厂* 顾客满意感知价格对顾客满意有路 .....▼- 、 质量感知顾客忠诚 ＞径影响 顾客满意对顾客忠诚有路 径影响 超市形象对顾客满意有路径影响超市形象对顾客忠诚有路径影响 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”