Análisis factorial confirmatorio

El análisis factorial confirmatorio (AFC) es un método de investigación utilizado para determinar si la correspondencia entre los factores de medición y los ítems de medición (ítems de escala) es consistente con las predicciones del investigador.

El objetivo principal del análisis factorial confirmatorio CFA es realizar una verificación de validez y también puede analizar el CMV de la desviación del mismo método.

Basado en aplicaciones prácticas, el análisis factorial confirmatorio suele tener tres usos:

La validez convergente, también conocida como validez convergente, enfatiza aquellas mediciones que deben pertenecer a los mismos términos factoriales (indicadores). , caen bajo el mismo factor cuando se miden.

Si el propósito es realizar un análisis de validez convergente (convergente), puede utilizar los dos indicadores AVE y CR para el análisis si el valor AVE de cada factor es mayor que 0,5 y el valor CR es mayor. que 0,7, significa que tiene buena validez convergente y generalmente requiere que el valor de carga factorial correspondiente a cada elemento de medición sea mayor que 0,7. A veces es posible combinar indicadores de ajuste del modelo y modificar el valor IM del modelo para lograr mejores conclusiones.

Como se puede observar en la tabla anterior, todos los valores de AVE son superiores a 0,5 y todos los valores de CR son superiores a 0,7, lo que demuestra que los datos de esta escala de medición tienen una excelente validez convergente. .

La validez discriminante enfatiza que los elementos de medición que no deberían estar bajo el mismo factor (indicador) de hecho no están bajo el mismo factor cuando se miden.

Si el propósito es realizar un análisis de validez discriminante, puede utilizar el valor de la raíz AVE y los resultados del análisis de correlación para comparar si el valor de la raíz AVE de cada factor es mayor que el "coeficiente de correlación entre este factor". y otros factores" "Valor máximo", en este momento, tiene buena validez discriminante. Para una mejor expresión, se utiliza la siguiente figura para mostrar:

La línea diagonal en la figura anterior es el valor raíz de AVE, como el factor correspondiente El valor raíz de AVE es 0,843, que es mayor que el coeficiente de correlación entre el factor 1 y los otros tres factores (0,700, 0,646 y 0,777 respectivamente). el análisis también se hace de esta manera. Finalmente, se encontró que los valores del signo raíz AVE de los factores eran todos mayores que los valores del coeficiente de correlación entre el factor y otros factores, lo que indica que tenía una buena validez discriminante.

Pasos de la operación:

Durante el análisis, primero complete la construcción del modelo de análisis factorial confirmatorio y utilice la función 'Generar variables' para fusionar los elementos en un todo (factor) para la correlación. análisis.

***La desviación del mismo método se refiere a la desviación de concentración en los datos debido a ciertos factores externos a la medición. En otras palabras, las diferencias en la medición se deben a los propios estudios (u otros), como el instrumento de medición, la formulación de las preguntas o el entorno de medición.

Si el propósito es realizar un análisis CMV, el enfoque común es: colocar todos los elementos de medición (es decir, los elementos de la escala de medición correspondientes a todos los factores) en un factor y luego analizarlo.

Si los indicadores de ajuste medidos del modelo, como el índice de grados de libertad chi-cuadrado, RMSEA, RMR, CFI, etc., no pueden cumplir con los estándares, significa que el modelo está mal ajustado, lo que significa que todos los elementos de medición no deben ser Ambos pertenecen al mismo factor (el modelo no es bueno cuando se combinan), lo que significa que los datos han pasado la prueba CMV de la misma desviación del método y los datos no tienen problemas de misma desviación del método.

La figura anterior muestra que el valor del grado de libertad de chi-cuadrado es 11,137, que es significativamente más alto que el estándar (>3), y los cuatro valores indicadores de GFI, CFI, NFI y NNFI son todos inferiores a 0,7, lo que se desvía significativamente del valor estándar (superior a 0,9), los valores RMSEA y RMR son superiores a 0,15, que también son desviaciones importantes de los valores estándar. Esto muestra que la calidad del ajuste del modelo es muy pobre, lo que significa que los datos de escala en este estudio no pueden enfocarse en un solo factor, lo que indica que no hay problema de sesgo de método.

Para las pruebas de CMV, la idea anterior también es aplicable al uso del método de análisis factorial exploratorio EFA para probar problemas de CMV (también llamado método de prueba de factor único de Harman), es decir, para examinar todos los elementos de la escala para las pruebas exploratorias. Durante el análisis factorial EFA, si solo se encuentra un factor o el poder explicativo (tasa de explicación de la varianza) del primer factor es particularmente grande, generalmente se usa el 50% como límite, entonces se puede determinar que existe una varianza homóloga (** *mismo método de desviación). Por el contrario, significa que no hay problema de desviación de método.

Existen otros métodos para analizar la varianza del mismo método (CMV). Se recomienda que los usuarios consulten la literatura.

(1) Para realizar un análisis de validez convergente (convergente) o de validez discriminante, se recomienda realizar primero un análisis factorial exploratorio (AFE) y luego realizar un análisis CFA.

La razón es que CFA tiene altos requisitos de calidad de los datos. Si el análisis factorial exploratorio encuentra que existe una desviación en la correspondencia entre los factores y los elementos de medición, debe procesarse primero después de confirmar la correspondencia. factores y elementos de medición, el CFA se puede realizar nuevamente.

(2) Si se utiliza CFA para el análisis, se recomienda que el tamaño de la muestra sea al menos 5 veces los ítems de medición (preguntas de escala), preferiblemente 10 veces más, y generalmente se requieren al menos 200 muestras. .

(3) Es mejor tener entre 5 y 8 elementos de medición correspondientes a un factor, para facilitar la eliminación posterior de elementos de medición no razonables.

Inicie sesión en el sitio web oficial de SPSSAU para experimentar el análisis de datos en línea

?