验证性因子分析（confirmatory factor analysis, CFA）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。

因子分析

因子分析可以分为两种：探索性因子分析和验证性因子分析

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)用于验证量表的效度。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。

验证性因子分析的应用场景

验证性因子分析CFA的主要目的在于进行效度验证，同时还可以进行共同方法偏差CMV的分析。

使用路径：SPSSAU>问卷研究

效度有很多种，比如内容效度，结构效度，聚合(收敛)效度，区分效度等。各个名称的区别说明如下：

SPSSAU整理

如果并非经典量表，通常情况下研究人员会使用探索性因子分析(EFA)进行效度验证,该验证方法一般称作结构效度分析，同时还会使用内容效度进行分析即用文字描述量表的来源设计过程等，用于论证研究量表的有效性。

如果是经典量表需要进行效度验证，其内容效度确认无疑，而且使用探索性因子分析(EFA)进行分析时，也具有良好的结构效度。所以研究人员更偏好于使用CFA进行深入分析，即进行聚合(收敛)效度和区分效度分析。

进一步说明

结合实际应用情况，验证性因子分析通常有三个用途。

SPSSAU整理

如果目的在于进行聚合(收敛)效度分析，则可使用AVE和CR这两个指标进行分析，如果每个因子的AVE值大于0.5，并且CR值大于0.7，则说明具有良好的聚合效度，同时一般还要求每个测量项对应的因子载荷系数（factor loading）值大于0.7。有时候还可能会结合模型拟合指标，以及进行模型MI值修正，以达到更好的结论。

如果目的在于进行区分效度分析，则可使用AVE根号值和相关分析结果进行对比，如果每个因子的AVE根号值均大于“该因子与其它因子的相关系数最大值”，此时则具有良好的区分效度，为更好表述，使用下图展示：

相关分析与AVE值对比

上图的斜对角线为AVE的根号值,比如因子对应的AVE根号值为0.843，该值大于因子1与另外3个因子的相关系数(分别是0.700，0.646和0.777)，类似因子2，因子3，因子4也这样进行分析。最终发现因子的AVE根号值，全部均大于该因子与其它因子的相关系数值，因而说明具有很好的区分效度。

如果目的在于进行共同方法偏差(CMV)分析，常见的做法为：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。

模型构建较差

针对CMV检验，上种思路同样也适用于使用探索性因子分析EFA方法进行检验CMV问题(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），反之则说明没有共同方法偏差问题。

针对共同方法偏差(CMV)分析，还有其它的一些做法，建议用户以文献为准。

其他说明

（1）进行聚合(收敛)效度，或区分效度分析，建议首先进行探索性因子分析(EFA)，然后再进行CFA分析；原因在于CFA对于数据质量要求高，如果探索性因子分析就发现因子与测量项对应关系出现偏差，需要首先进行处理，确认好因子与测量项对应关系后，再进行CFA分析。

（2）如果使用CFA进行分析，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。

（3）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。