因子分析可以分为探索性因子分析（EFA）和验证性因子分析（CFA），探索性因子分析（EFA）我之前写过一篇文章介绍，这里不再展开，想看的可以点这。验证性因子分析（CFA）相对而言更复杂一点，而且就我的专业而言基本用不上，不过还是很有意思的所以今天也去了解了一下。
想要了解一下的可以看邱皓政老师的《量化研究与统计分析：SPSS(PASW)数据分析范例解析》，然后看一下SPSSAU写的介绍性文章 and SPSSAU写的一个例子就可以有一个基本的了解 ，不过这些都是比较简单的介绍，想要深入理解肯定还是需要专门读下专著的。
本博文主要是记录下我的理解，以及一个总体的进行验证性因子分析的思路。
1.我的理解
验证性因子分析（CFA）可以用来验证自己预先提出的一种结构，比如在设计问卷前我就想好了Q1-Q3这三题反应的是一个人的思维能力（Factor1），Q4-Q6这三题反应的是一个人的体能能力（Factor2），接下来，我们就可以使用CFA来进行判断收集到的数据是否能够按照预先提出的结构来划分。也就是我们预先的理论架构是否是好的，题目设置是否是好的，收集到的数据能否体现想要的结果，实际上也就是一种效度检验。在进行CFA分析的时候，第一步要看模型的拟合效果，这个可以通过GFI，RMSE等一些指标来判断，不好的话就要对题目进行调整，删掉一些题目之类的，直到拟合效果足够好，第二步是要进行内部适配性的检查，1、聚敛性：一个因子及其对应的题目是否合适，或者说几个题目是否确实反映了某个因子；2、区分效度，不同因子是否是有区别的；最后可以进行共同方法偏差分析，这个不做也可以，看情况就好。所以总的来说也就是先判断整体模型好不好，好的话进一步判断模型内部的细节怎么样。
2.CFA步骤
- 构建好模型和思路，也就是要确定好模型的结构。
- 一般建议先使用EFA对模型结构进行简单的判断，如果EFA便发现有些题目和预设的factor对应的不好，便考虑删除这些题目或对结构进行调整。
- 进行CFA，得到模型的各个参数。
- 借助GFI,RMSE等参数判断模型的拟合信息；若拟合不好的话，借助MI指标对模型进行修正调整，比如删除对应不好的题项，然后重新跑CFA，直到模型拟合良好。
- 进行内部适配性的检验，1.借助AVE和CR以及因子载荷（具体可见SPSSAU的介绍文章或上述的书籍）进行判断；2.借助AVE根号值和相关分析结果进行区分效度的检验。若效果不好，也需要继续做调整。
- 进行共同方法偏差分析，看需求是否需要做这个。
- 撰写结论。
3.实现
CFA是SEM的一种特例情况，实现的话spss里是不行的，需要使用AMOS等一些专门的sem软件，之前做EFA时看到python的FactorAnalysis里好像也有CFA，不过没仔细看，估计也是可以的，之后可以看看官方文档跑一跑试试。
python实现案例
说明：pyhton里的因子分析包确实可以实现CFA的，但是很多统计性指标都没有的，只给出了因子载荷和一些误差、方差之类的，所以实际上还是不大行，之后我再去查一下看行不行，不过官网似乎就没有这些需要的统计指标。
官网文档
4 AMOS实现
非常具体的过程就不说了，就说一个网上经常有人出现的问题，但是似乎至今也没人给出直接的解答，也就是AMOS结果中没有default model，也就是其实是模型训练失败了，为什么会出现这个情况呢？实际上在output中给了提示了：
也就是约束不够多，这个所说的约束可以看下下面补充连接中的第二个链接：验证性因子分析中的固定方差法以及固定载荷法，也就是需要给潜变量方差设定一个值或给路径设定一个载荷，此外除了潜变量外，千万不要忘了误差项也要设置的。
此外，CFA还要做内在适配性检验的，amos是没法输出AVE和CR的，不过这两个指标手算也是很简单的。所以实际上python做CFA也还行的，只不过就是人工多算了整体拟合指标罢了，其他也是都一样的。
还有一点需要说明，amos是无法计算出因子得分的，这是一个缺点，当然可以直接来手工计算下，也比较简单的，公式为： 因子得分=因子得分系数（因子得分系数矩阵里相应的值）* 标准化转化后的数据。 除此之外，还可以使用python的因子分析包来计算因子得分，所以可以说pyhton和amos可以进行很好的互补，共同完成CFA。