各位知道如何作验证性因子分析么？

hsm198311

各位前辈能够指导一下如何作验证性因子分析么？

现在着急用，但是有点不得要领，一头雾水~~拜托了~~回贴有加分，谢谢！

hsm198311

什么是因子分析？
因子分析又称因素分析。传统的因子分析是探索性的因子分析，即因子分析是基于相关关系而进行的数据分析技术，是一种建立在众多的观测数据的基础上的降维处理方法。其主要目的是探索隐藏在大量观测数据背后的某种结构，寻找一组变量变化的共同因素。

hsm198311

因子分析能做什么？
人的心理结构具有层次性，即分为外显和内隐。但是作为具有同一性的个体来说，内隐的方面总是和外显的方面相互作用，内隐方面制约着外显特征。

所以，我们经常说，一个人的内在自我会在相当程度上决定他的外在行为特征，表现为某些行为  Qing向具有高度的一致性或相关性。

反过来说，我们可以通过对个体进行系统的观察和测量，从一组高度相关的行为  Qing向 （可观测）中，探索到某种稳定的内在心理结构（潜存在），这就是因子分析所能做的。

具体说来主要应用于：

1.个体的综合评价：按照综合因子得分对case进行排序；

2.调查问卷效度分析：问卷所列问题作为输入变量，通过KMO、因子特性值贡献率、因子命名等判断调查问卷架构质量，进行聚类或其他分析。

hsm198311

因子分析的概念
       就是在尽可能不损失信息或少损失信息的情况下，将多个变量减少为   少数几个潜在的因子。也就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。

hsm198311

主成分分析（Principal component analysis）：
       是因子分析的一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。

两者关系：主成分分析（PCA）和因子分析（FA）是两种把变量维数降低以便于描述、理解和分析的方法，而实际上主成分分析可以说是因子分析的一个特例。

hsm198311

因子分析的五大步骤？

第一步、因子分析的前提条件

由于因子分析的主要任务之一是对原有变量进行浓缩，即将原有变量中的信息重叠部分提取和综合成因子，进而最终实现减少变量个数的目的。因此它要求原有变量之间应存在较强的相互关系。否则，如果原有变量相互独立，相关程度较低，不存在信息重叠，它们不可能有共同因子，那么也就无法将其综合和浓缩，也就无需进行因子分析。

本步骤正是希望通过各种方法分析原有变量是否存在相互关系，是否适合进行因子分析。

hsm198311

第一步、因子分析的前提条件

三种方法判断数据是否适合作因子分析

1  计算相关系数矩阵

在进行提取因子等分析步骤之前，应对相关矩阵进行检验，如果相关矩阵中的大部分相关系数小于0.3，则不适合作因子分析。当原始变量个数较多时，一般不会采用此方法或即使采用了此方法，也不方便在结果汇报中给出原始分析报表。

2  巴特利特球度检验

Bartlett 球体检验的目的是检验相关矩阵是否是单位矩阵，如果是单位矩阵，则认为因子模型不合适。一般来说，显著水平越小（小于0.05），表明原始变量之间越可能存在有意义的关系，如果显著水平越很大（如0.10以上），可能表明数据不适宜因子分析。

3  KMO

KMO测度的值越高（1.0时），表明变量间的共同因素越多，研究数据适合因子分析。
通常按以下标准解释该指标值的大小：KMO值达到0.9以上为非常好；0.8~0.9为好；0.7~0.8为一般；0.6~0.7为差；0.5~0.6为很差。如KMO测度值低于0.5时，表明样本偏小，需要扩大样本。

hsm198311

第二步、取共同因子，确定因子的数目和求因子解的方法

因子抽取的方法最常使用的是主成份分析法，进行主成份分析时，先要将每个变量的数值转换成标准值。原则上，因子的数目与原始变量的数目相同，但抽取了主要的因子之后，如果剩余的方差很小，就可以放弃其余的因子，以达到简化数据的目的。

因子数目的确定常用的方法：
一是特征值准则；二是碎石图检验准则。
特征值准则就是取特征值大于或等于1  的主成份作为初始因子，而放弃特征值小于  1  的主成份。

散点曲线的特点是由高到低，先陡后平，最后几乎成一条直线。曲线开始变平的前一个点被认为是提取的最大因子数。后面的散点类似于山脚下的碎石，可舍弃而不会丢失很多信息。

hsm198311

第三步、使因子更具有命名可解释性（因子旋转）

通常最初因素抽取后，对因素无法做有效的解释，这里，往往需要进行因子旋转，通过坐标变换使因子解的意义更容易解释。

转轴的目的在于改变题项在各因素负荷量的大小，转轴时根据题项与因素结构关系的密切程度，调整各因素负荷量的大小，转轴后，使得变量在每个因素的负荷量不是变大（接近1）就是变小（接近0），而非转轴在每个因素的负荷量的大小均差不多，这就使对共同因子的命名和解释变得更容易。

转轴后，每个共同因素的特征值会改变，但每个变量的共同性不会改变。

hsm198311

第三步、使因子更具有命名可解释性（因子旋转）

因子旋转方法

1  方差最大正交旋转

——基本思想：使公共因子的相对负荷的方差之和最大，且保持原公共因子的正交性和公共方差的总和不变。

——可使每个因子上的具有最大载荷的变量数最小，因此，可以简化对因子的解释。

2  斜交旋转

因子斜交旋转后，各因子负荷发生了较大变化，出现了两极分化。各因子间不再相互独立，而彼此相关。各因子对变量的贡献的总和也发生了改变。

适用于大数据集的因子分析。