验证性因子分析

Anderson等（1988）提出了“二阶段结构方程模型法”，他们主张先对模型进行验证性分析，检验效度和信度以后，再做结构方程模型分析。探索性因子分析和验证性因子分析不同，它们在理论的不同阶段扮演不同的角色。探索性因子分析适用于理论框架不明晰、需要进行探索而得到理论结构的情况。验证性因子分析适合已有一定合理理论架构的时候，研究者进一步通过计量方法进行理论验证。验证性因子分析的模型有以下三个假设：（1）每个潜变量都能有一个因子结构进行解释和表达；（2）每个观测指标只有在涉及的因子上有负荷，在其他因子上零负荷；（3）所有因子相互关联。

结构方程模型（Structural Equation Modeling，SEM）是一种常用的统计方法，广泛适用于心理学、社会学、经济学等领域。与传统的统计方法相比，结构方程模型有很多优点（罗胜强＆姜嬿，2015）。第一，结构方程模型可以处理多个自变量和因变量；第二，结构方程模型可以同时估计因子关系和结构；第三，结构方程模型允许测量误差，也允许更大弹性的测量模型；第四，结构方程模型能够测试模型的拟合程度；第五，结构方程模型可以处理高阶因子等复杂模型。结构方程模型分析中，一个模型有可能包含多组测量模型，这些模型应该都是可识别的，否则会影响整个模型的稳定性（邱皓政，2006）。因此在第一阶段上，研究每个变量的因子荷载，确定观察变量的信度和效度。第二阶段检验这些潜在变量之间的关系和其方程预测能力。(https://www.daowen.com)

本书使用Amos软件进行验证性因子分析，使用最大似然估计法估计模型参数。在最大似然估值法中，卡方检验是最普遍被用来测量结构方程模型的拟合度（Diamantopoulos＆Siguaw，2000）。