前期对SEM模型的构建以及问卷题项设计工作已经完成，本部分从问卷数据收集以及处理完成后开始分析。
一理论部分
1.1验证性因子分析
验证性因子分析CFA的主要目的在于进行效度验证，它与探索性因子分析有所不同。
探索性因子分析主要是为了找出影响观测变量的因子个数，以及各个因子和各个观测变量之间的相关程度，推断模型的内部结果。而验证性因子分析的主要是决定事前定义因子的模型拟合实际数据的能力，以试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预期一致。具体区别可以点击探索性因子分析与验证性因子分析的区别参考
验证性因子分析主要工作有：信度与效度的分析
1.信度分析
信度，即可靠性，是指问卷的设计的可信程度。通常使用的衡量指标是Alpha系数，一般Alpha系数在0.9以上，可靠性比较好，在0.8-0.9是可接受的；在0.7-0.8则需要进行调整题项
2.效度分析：
一般常常使用的效度是聚合效度和区分效度
（1）聚合效度/收敛效度： 一般强调属于同一因子（指标）下的测量项落在同一因子下的有效程度。常常使用AVE和CR这两个指标进行分析
AVE，即平均提炼方差，反映了潜变量或同一因子下的各观测变量对该潜变量的平均差异解释力，AVE达到0.5以上为可以接受的水平
CR，即潜变量的组成信度，用来分析潜变量的各观测变量间的一致性 ，CR达到0.7以上表明组成信度较好；
有时还会要求每个潜变量的测量题项因子载荷系数（factor loading）值大于0.7
（2）区分效度/区别效度 ：强调不同因子下的题项确实不在同一因子下面的可靠程度。区分效度分析一般使用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”，则说明具有良好的区别效度。如下图来源于网络的一张图片，对角线洋红色的数据为因子的AVE根号值，其余数据为各个因子相关系数，因子1的AVE根号值是大于它与因子2和因子3，因子4的相关系数的，其余也是，可以看出具有良好的区别效度。
1.2 模型拟合分析
模型拟合分析常常使用共同方法偏差(CMV)的方式来进行测量。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。测量偏差可能是由于测量方法本身，测量模型本身，或者环境造成的差异。
对于模型拟合的指标有很多，包括如下：
1.χ2卡方拟合指数 ，原假设是模型协方差阵等于样本协方差阵。如果模型拟合的好，卡方值应该不显著。在这种情况下，数据拟合不好的模型被拒绝。
2.RMR 残差均方根 ，RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和，再取平均值的平方根。一般RMR越小，拟合越好，理论上要小于0.08。
3.RMSEA 近似误差均方根，该值也是越小越好，RMSE理论上小于0.06，也可以放宽到0.08。
4.CFI 比较拟合指数，值在0-1之间。CFI 值越大越好，一般在0.9以上模型可接受
5.GFI 拟合优度指数，值在0-1之间，一般GFI 应该等于或大于0.90。
6.PGFI 简效拟合优度指数。它是简效比率(PRATIO，独立模式的自由度与内定模式的自由度的比率)乘以GFI。 PGFI 应该等于或大于0.90，越接近1越好。
7.PNFI 简效拟合优度指数，等于PRATIO乘以 NFI。 PNFI应该等于或大于0.90，越接近1越好。
8.NFI 规范拟合指数，变化范围在0和1间， 当为1的时候标识完全拟合。一般NFI 小于0.90 表示需要重新设置模型。越接近1越好。
9.TLI Tucker-Lewis 系数， 也叫做Bentler-Bonett 非规范拟合指数 (NNFI)。TLI接近1表示拟合良好。
10.Chisqare/df卡方值与自由度的比值，该值越小越好，一般要小于2，放宽到3也是可以接受的。
由于指标众多，也有很多取舍，但是常常使用的重要参考指标为：Chisqare/df，RMSEA ，CFI
二 使用R进行SEM模型简单分析
2.1需要的包：
#进行lavaan分析的包
library(lavaan)
#进行信效度辅助分析的包
library(semTools)
#进行sem模型画图的包
library(semPlot)
#进行导入sav文件的包
library(Hmisc)
2.2 录入数据与模型
#录入问卷数据
basic_data=spss.get("data.sav")
#录入构建的模型
basic_model<- readLines("modle.lav")
录入数据：也可以不读取sav格式数据，可以使用
2935
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
