一篇文章写清楚一个问题，关注我，自学python！

本来打算写一个python做结构方程模型系列的，发现python并不能生成路径图，于是决定先学习R吧，毕竟我时间有限，之后还是会更新python，也会加上R，感兴趣的朋友可以关注一波。今天给大家写写验证性因子分析的做法。还有因为自己用惯了jupyter，用Rstudio不太习惯，所以给jupyter安上了R内核，目前在jupyter中跑R，很舒服。

因子分析

介绍验证性因子分析之前还是先给大家介绍一下因子分析，因子分析分为两种：

所以说做验证性因子分析必须有理论基础，此方法本身只是一种验证性的方法。

举个例子：

比如我现在编了一个量表测量「工作伦理」，我首先应该做个EFA，我发现而依照EFA的结果，我编的量表其下又可分为工作态度与工作意义感两个维度，工作态度有X1~X3共3个条目表示 ，工作意义用X4~X6这六题表示。

那么我们在进行CFA时，就会依照上面的理论设定模型，然后看整个数据适配该模型的结果如何？简言之，就是看理论与实证数据是否贴近，称之为验证。典型的验证性因素分析(在SEM中或称为测量模型)如下例图：

从上面的叙述中我们也可以看到，做因子分析得用两套数据，一套探索，一套验证，本文只写验证性因子分析的做法。

R语言实操

library(lavaan)
library(semPlot)
data <- read.csv("cfa.csv")

CFA_model = '
familiar =~ q3 + q13 + q14 + q16 + q20 + q21 + q22 + q23 + q27 + q30
attitudes =~ q1 + q2 + q4 + q5 + q8 + q11 + q18 + q19 + q28 + q29
aversion =~ q6 + q7 + q9 + q10 + q12 + q15 + q17 + q24 + q25 + q26
'

上面的代码就是说q3 + q13 + q14 + q16 + q20 + q21 + q22 + q23 + q27 + q30这些条目就是用来表示familiar这个因子的，attitudes和aversion同。

myCFA = cfa(CFA_model, data = data)

在上面的代码中，我将拟合好的模型给myCFA对象。

summary(myCFA)

可以看到直接用summary方法就可以得到模型结果，要查看其他的拟合指标的话还可以用fitmeasure方法，很简单。

semPaths(myCFA, whatLabels="std", layout="tree")

后面两个参数都是可以变的，大家可以自己试试，输出如下图：

可以看到各个因子载荷，因子相关都直接显示出来了，很棒。

小结

今天给大家写了CFA的做法和图形画法，感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python的，加油。

（站外链接发不了，请关注后私信回复“数据链接”获取本头条号所有使用数据）

往期文章：

R数据分析：结构方程模型画图以及模型比较，实例操练

python数据分析：如何用python做路径分析，附数据库实例操练