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。
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。
结合实际应用情况，验证性因子分析通常有三个用途：
1 聚合(收敛)效度分析
聚合效度，又称收敛效度，强调那些应属于同一因子（指标）下的测量项，测量时确实落在同一因子下面。
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。
由上表可知，AVE值全部均大于0.5，而且CR值全部均大于0.7，因而说明本次测量量表数据具有优秀的聚合效度。
2 区分效度
区分效度，强调本不应该在同一因子（指标）下的测量项，测量时确实不在同一因子下面。
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：
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。
操作步骤：
分析时首先完成验证性因子分析的模型构建， 通过'生成变量'功能将题项合并为一个整体（因子）进行相关分析。
3 共同方法偏差(CMV)
共同方法偏差，是指由于测量外部的某些因素导致数据出现集中的偏差。换句话说，测量的差异是由于研究本身（或其他），如测量工具、问题构成或测量环境等导致的。
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。
上图显示卡方自由度值为11.137，明显高于标准（>3），并且GFI,CFI,NFI,NNFI这四个指标值全部均低于0.7，明显偏差标准值(大于0.9)，RMSEA和RMR值均大于0.15，也严重偏差标准值。因而说明模型拟合质量非常糟糕，也即说明不能本次研究量表数据无法聚焦成一个因子，说明无共同方法偏差问题。
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。
登录SPSSAU官网体验在线数据分析
