驗證性因子分析

驗證性因子分析

驗證性因子分析：對量表進行效度驗證的一種方法。需要注意驗證性因子分析適用于經(jīng)典量表，探索性因子分析適用于非經(jīng)典量表

（1）聚合效度（收斂效度）：依據(jù)AVE（平均提取方差值＞0,5）和CR（組合信度＞0.7）判斷其是否達標
（2）區(qū)分效度：就是說你找的這個四個維度，是否可以很好的區(qū)分開呢？

（1）將同一維度的概念放入量表-選擇開始分析

（2）CFA分析基本匯總

（1）樣本量＞200
（2）經(jīng)典量表
（3）如一個維度（因子A），至少對應2個或2個以上的內(nèi)容（A1/A2/A3/A4/A5）
（4）調(diào)整方法：結(jié)合MI指標

鏈接1 ：數(shù)據(jù)分析實戰(zhàn)教學之驗證性因子分析-SPSSAU實現(xiàn) https://www.bilibili.com/video/av69372013
鏈接2 ：驗證性因子分析（CFA）-SPSSAU幫助手冊 https://spssau.com/helps/questionnaire/cfa.html

驗證性因子分析

驗證性因子分析（confirmatory factor analysis, CFA）是用于測量因子與測量項(量表題項)之間的對應關(guān)系是否與研究者預測保持一致的一種研究方法。

驗證性因子分析CFA 的主要目的在于進行 效度驗證 ，同時還可以進行 共同方法偏差CMV 的分析。

結(jié)合實際應用情況，驗證性因子分析通常有三個用途：

聚合效度，又稱收斂效度，強調(diào)那些應屬于同一因子（指標）下的測量項，測量時確實落在同一因子下面。

如果目的在于進行聚合(收斂)效度分析，則可使用 AVE 和 CR 這兩個指標進行分析，如果每個因子的AVE值大于0.5，并且CR值大于0.7，則說明具有良好的聚合效度，同時一般還要求每個測量項對應的因子載荷系數(shù)（factor loading）值大于0.7。有時候還可能會結(jié)合模型擬合指標，以及進行模型MI值修正，以達到更好的結(jié)論。

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，因而說明本次測量量表數(shù)據(jù)具有優(yōu)秀的聚合效度。

區(qū)分效度，強調(diào)本不應該在同一因子（指標）下的測量項，測量時確實不在同一因子下面。

如果目的在于進行區(qū)分效度分析，則可使用AVE根號值和相關(guān)分析結(jié)果進行對比，如果每個因子的AVE根號值均大于“該因子與其它因子的相關(guān)系數(shù)最大值”，此時則具有良好的區(qū)分效度，為更好表述，使用下圖展示：

上圖的斜對角線為AVE的根號值,，比如因子對應的AVE根號值為0.843，該值大于因子1與另外3個因子的相關(guān)系數(shù)(分別是0.700，0.646和0.777)，類似因子2，因子3，因子4也這樣進行分析。最終發(fā)現(xiàn)因子的AVE根號值，全部均大于該因子與其它因子的相關(guān)系數(shù)值，因而說明具有很好的區(qū)分效度。

操作步驟：

分析時首先完成驗證性因子分析的模型構(gòu)建， 通過' 生成變量 '功能將題項合并為一個整體（因子）進行 相關(guān)分析 。

共同方法偏差，是指由于測量外部的某些因素導致數(shù)據(jù)出現(xiàn)集中的偏差。換句話說，測量的差異是由于研究本身（或其他），如測量工具、問題構(gòu)成或測量環(huán)境等導致的。

如果目的在于進行共同方法偏差(CMV)分析，常見的做法為： 將所有的測量項(即所有因子對應的測量量表題項)放在一個因子里面，然后進行分析。

如果測量出來顯示模型的擬合指標，比如卡方自由度比，RMSEA,RMR,CFI等無法達標，則說明模型擬合不佳，即說明所有的測量項并不應該同屬于一個因子(放在一起時模型不好)，因而說明數(shù)據(jù)通過共同方法偏差CMV檢驗，數(shù)據(jù)無共同方法偏差問題。

上圖顯示卡方自由度值為11.137，明顯高于標準（>3），并且GFI,CFI,NFI,NNFI這四個指標值全部均低于0.7，明顯偏差標準值(大于0.9)，RMSEA和RMR值均大于0.15，也嚴重偏差標準值。因而說明模型擬合質(zhì)量非常糟糕，也即說明不能本次研究量表數(shù)據(jù)無法聚焦成一個因子，說明無共同方法偏差問題。

針對CMV檢驗，上種思路同樣也適用于使用探索性因子分析EFA方法進行檢驗CMV問題(也稱作Harman單因子檢驗方法)，即查看把所有量表項進行探索性因子分析EFA時，如果只得出一個因子或者第一個因子的解釋力（方差解釋率）特別大，通常以50%為界，此時可判定存在同源方差（共同方法偏差），反之則說明沒有共同方法偏差問題。

針對共同方法偏差(CMV)分析，還有其它的一些做法，建議用戶以文獻為準。

（1）進行聚合(收斂)效度，或區(qū)分效度分析，建議首先進行探索性因子分析(EFA)，然后再進行CFA分析。

原因在于CFA對于數(shù)據(jù)質(zhì)量要求高，如果探索性因子分析就發(fā)現(xiàn)因子與測量項對應關(guān)系出現(xiàn)偏差，需要首先進行處理，確認好因子與測量項對應關(guān)系后，再進行CFA分析。

（2）如果使用CFA進行分析，建議樣本量至少為測量項(量表題)的5倍以上，最好10倍以上，且一般情況下至少需要200個樣本。

（3）一個因子對應的測量項最好在5~8個之間，便于后續(xù)刪除掉不合理測量項。

登錄 SPSSAU官網(wǎng) 體驗在線數(shù)據(jù)分析 ​​​​

 

快速掌握驗證性因子分析

驗證性因子分析（confirmatory factor analysis, CFA）是結(jié)構(gòu)方程模型的一種最常見的應用。

驗證性因子分析（confirmatory factor analysis, CFA）通?？捎糜谒姆N用途：

一是針對成熟量表進行 效度分析 ，包括結(jié)構(gòu)效度，聚合（收斂效度）和區(qū)分效度；

二是驗證性因子分析可用于 組合信度 的分析；

三是驗證性因子分析還可用于進行 共同方法偏差CMV檢驗 ；

四是使用驗證性因子分析進行 權(quán)重計算 。

使用SPSSAU進行驗證性因子分析是一件輕松的事情。但在實際分析過程中，容易出現(xiàn)各種問題，解決問題才是關(guān)鍵。其實質(zhì)是對于分析的掌握能力。一般情況下，驗證性因子分析的分析流程如下：

在進行CFA分析前，一定需要清楚的知道，通常情況下量表數(shù)據(jù)才能進行CFA分析，而其它的一些數(shù)據(jù)一般不能進行CFA分析。所以數(shù)據(jù)準備需要按照CFA的思路進行，包括每個因子對應4~7個題（為什么是4~7個呢？因為如果個別不達標后面可以刪除掉）；如果不是這樣，就很有可能出現(xiàn)各種問題而且沒有緩沖；在進行驗證性因子分析之前，一般需要先進行探索性因子分析，首先因子與項之間有著較好的對應關(guān)系，如果探索性因子分析已經(jīng)發(fā)現(xiàn)各種對應關(guān)系有問題，那么驗證性因子分析時結(jié)果一般都不理想，這一步驟非常重要，也是減少各種問題的關(guān)鍵。

在進行驗證性因子分析時，重要的指標是factor loading值，一般標準化的factor loading值需要大于0.7，如果該值較小，就說明對應項與因子之間對應關(guān)系弱，因此可考慮刪除該項，也或者移動該項到別的因子里面。重復幾次直至標準化factor loading值都大于0.7即可。這樣對應的其它指標，比如AVE值，CR值等才可能達標，因此這些指標都是基于標準化Factor loading值計算得到。

關(guān)于利用SPSSAU進行驗證性因子分析的操作上，如下：

本例子中共有4個因子，每個因子對應著一些項。所以分別放在4個因子框里面。默認SPSSAU會以Factor 1，F(xiàn)actor 2等這樣的名字進行，當然可以自主地對因子進行命名。一般情況下不會使用二階模型，如果確實是二階模型則選中即可。

除此之外，在進行驗證性因子分析時，有時候會對模型進行MI指標調(diào)整，此時也可進行設(shè)置。在實際分析時，如果使用驗證性因子分析進行效度分析（包括結(jié)構(gòu)效度，聚合效度，區(qū)分效度），也或者組合信度時，對于模型的擬合指標關(guān)注度較低，因此MI指標調(diào)整使用較少。

在使用SPSSAU進行CFA分析后，SPSSAU默認會輸出上述中涉及到的分析的各類表格。SPSSAU輸出相關(guān)表格說明如下：

當然，上述表格中有一些基本無意義，比如殘差項估計值，因子協(xié)方差，顯變量協(xié)方差表格等，意義均較小，可能對于分析建模有一定幫助，通常無實質(zhì)性價值。

以及SPSSAU默認都會輸出智能分析和分析建議等，如下各圖：

進行驗證性因子分析時，很容易出現(xiàn)一些問題，比如效度不達標、factor loading值過小或者過大，也或者各種指標擬合不達標等。

接下來從3個角度去剖析數(shù)據(jù)不達標的處理。

第1點：效度不達標

如果對驗證性因子分析進行效度驗證出現(xiàn)問題。分別說明如下：

第2點：factor loading值過大或過小

如果說標準化的Factor loading值過大，比如大于1，說明有著很強的共線性問題，建議可分別針對每個因子對應的項，分別做相關(guān)分析，將相關(guān)關(guān)系過強（比如相關(guān)系數(shù)值大于0.8甚至0.9）的項刪除后重新分析，減少共線性問題；

如果說標準化factor loading值過小，比如0.4，那么說明該項應該直接進行刪除掉。

第3點：擬合指標不達標

如果研究目的是進行效度驗證或者組合信度等，一般對于模型擬合指標的關(guān)注度較低，可直接忽略即可。

如果是使用驗證性因子分析進行共同方差偏差CMV檢查，那么其檢查原理就是查看擬合指標不好，用于說明沒有CMV問題；如果說使用驗證性因子分析做權(quán)重計算時指標擬合不好，可考慮刪除項，或者進行MI調(diào)整等。

特別提示： 在進行驗證性因子分析之前，最好是先進行探索性因子分析，如果探索性因子分析已經(jīng)發(fā)現(xiàn)問題，比如因子與項之間的對應關(guān)系有問題，那么數(shù)據(jù)繼續(xù)進行驗證性因子分析，一般都會有各種問題。

驗證性因子分析的方法

背景：自制了一份問卷，如何驗證問卷結(jié)構(gòu)的有效性？該用什么方法？學生時代用萬能的spss進行探索性因子分析？工作后又見識到了同事使用聚類分析的方法？有幸學習過幾次結(jié)構(gòu)方程模型，印象中通過結(jié)構(gòu)方程模型進行驗證性因子分析，方法簡單又有效，但因為學藝不精，沒法完整的述說出這個方法的好與不足，于是又看了遍侯杰泰的《結(jié)構(gòu)方程模型及其應用》。將這段時間腦內(nèi)的困惑作一個自我答疑，也期待通過這次整理，能對結(jié)構(gòu)方程模型有一個深刻的印象，下次不至于再面對“我懂，但說不出”的尷尬窘境。

1.什么時候用探索性因子分析，什么時候用驗證性因子分析？

當你有一個預設(shè)模型時（即你有一個假設(shè)：問卷中哪些題目屬于哪個維度），可以直接用驗證性因子分析，驗證預設(shè)模型是否成立。當你沒有預設(shè)模型時（即你不清楚問卷中哪些題目屬于哪個維度）

2.探索性因子分析和驗證性因子分析方法上的區(qū)別？

在做探索性因子分析的時候，第一個因子會捕獲最大的變異量，從屬它的題目通常也比較多。

有時候驗證性因子分析能區(qū)分多個因子，即一個多因子模型擬合不錯，但探索性因子分析只產(chǎn)生1個或2個主要因子而已。

3.結(jié)構(gòu)方程模型具有哪些能力？

4.如何通過結(jié)構(gòu)方程模型進行驗證性因子分析？

在查看結(jié)果時，一般關(guān)注以下幾個擬合指數(shù)：

•Χ2：minimum fit function Chi-square，主要用于比較多個模型，值越小，擬合越好

•df：degree of freedom,主要用于比較多個模型，自由度越大，模型越簡單

•RMSEA:在0.08以下（越小越好）

•NNFI:在0.9以上（越大越好）

•CFI:在0.9以上（越大越好）

指標和因子關(guān)系的調(diào)整：

（1）Q4在因子A中的完全標準化負荷很小（LX=0.05），但它在其他因子中的修正指數(shù)也不高，顯然這一題不從屬A因子，但也不歸屬其他因子；

（2）Q8在因子B的負荷不高（0.28），但在因子A中的MI是41.4，顯然它可能歸屬于因子A；

調(diào)整后，需要重新進行驗證性因子分析，查看指標變化。

需要注意的是：如果僅僅看修正指數(shù)或因子負荷，但缺乏其他實質(zhì)理論依據(jù)（如題目含義）的支持，隨便將題目增刪轉(zhuǎn)移，并不合適。

驗證性因子分析步驟（詳細）

上一篇文章中，初步介紹了驗證性因子分析的功能及應用場景。下面通過一個實例來具體了解一下，驗證性因子分析的操作步驟以及過程中需要注意的內(nèi)容。

當前有一份215份的研究量表數(shù)據(jù)，共由四個因子表示，第一個因子共5項，分別是A1~A5；第二項因子共5項，分別是B1~B5；第三個因子共4項，分別是C1~C4；第4個因子共6項，分別是D1~D6?，F(xiàn)希望驗證此量表的 聚合效度 和 區(qū)分效度 ，并且希望進行 共同方法偏差分析 。

驗證性因子分析的步驟大致可分為四步，分別是：模型構(gòu)建、刪除不合理測量項、模型MI指標修正和模型分析。

（1）模型構(gòu)建

即將因子與測量項對應關(guān)系放置規(guī)范；在進行CFA分析前一般需要進行EFA，清理掉對應關(guān)系出現(xiàn)嚴重偏差的測量項

（2）刪除不合理測量項

如果因子與測量項間的對應關(guān)系出現(xiàn)嚴重偏差，此時可考慮刪除某測量項；也或者某測量項與因子間的載荷系數(shù)值過低(比如小于0.5)，說明該測量項與因子間關(guān)系較弱，需要刪除掉該測量項

（3）模型MI指標修正

如果說模型擬合指標不佳，可考慮進行模型MI指標修正【SPSSAU默認提供MI大于20，MI大于10，MI大于5，和MI大于3共四種模型修正方式】

（4）最終模型分析

本例子中的量表共分為四個因子，暫不進行模型MI修正，放置如下：

SPSSAU共輸出6個表格，各表格對應解釋說明如下：

從上表可知，本次針對共4個因子，以及20個分析項進行驗證性因子分析(CFA)分析。本次分析有效樣本量為215，超出分析項數(shù)量的10倍，樣本量適中。

CFA分析建議樣本量至少為測量項(量表題)的5倍以上，最好10倍以上，且一般情況下至少需要200個樣本。一個因子對應的測量項最好在5~8個之間，便于后續(xù)刪除掉不合理測量項。

因子載荷系數(shù)表格展示 因子和測量項之間的關(guān)聯(lián)關(guān)系 ，通常使用標準載荷系數(shù)值表示因子與分析項間的相關(guān)關(guān)系。分析時主要看標準載荷系數(shù)值和P值。

如果呈現(xiàn)出顯著性，且標準載荷系數(shù)值大于0.70，則說明有著較強的相關(guān)關(guān)系。反之，如果沒有呈現(xiàn)出顯著性，也或者標準載荷系數(shù)值較低(比如低于0.4)，則說明該分析項與因子間相關(guān)關(guān)系較弱。

上表格顯示，B1與Factor2之間的因子載荷系數(shù)值為0.562 < 0.7，說明對應關(guān)系較弱，可考慮將此項從Factor2中移除出去。從整體上看，各個測量項全部均呈現(xiàn)出0.001水平的顯著性(P< 0.001)，而且標準化載荷系數(shù)值均大于0.7(除B1外)，因而說明整體上看，因子與測量項之間有著良好的對應關(guān)系，聚合效度較好。

此表格主要查看指標的 聚合效度 和區(qū)分效度 情況，輸出指標包括AVE和CR值。通常AVE值>0.5，CR值>0.7,說明數(shù)據(jù)聚合效度較好。

從上格可知：本研究涉及的4個因子（SPSSAU默認給定名字為Factor 1, Factor 2, Factor 3, Factor 4），它們的AVE值全部均大于0.5，而且CR值全部均大于0.7，因而說明本次測量量表數(shù)據(jù)具有優(yōu)秀的聚合效度。

此表格展示 模型擬合指標 ，共分為常用指標和其它指標。表中提供各指標相應的建議判斷標準，可直接對比判斷標準值。一些其它指標通常使用較少，研究人員可結(jié)合實際情況進行選擇。如果模型擬合不好需要，需要根據(jù)相關(guān)專業(yè)知識和模型修正指標對模型進行修正。

上表來看：卡方自由度值為3.389，大于3，而且GFI小于0.9，RMSEA為0.105接近于0.1這一標準，RMR值為0.091不在標準范圍內(nèi)。綜合來看，模型構(gòu)建欠佳，需要進行模型修正。比如這里將MI>10作為修正標準然后重新進行模型擬合，得到結(jié)果如下

上表格展示 因子與測量項的對應關(guān)系MI值 ，因子與其下屬測量項的關(guān)系可通過因子載荷系數(shù)表格進行查看。MI值并不固定標準大小，一般情況下，該值如果大于20則說明關(guān)聯(lián)性很強。

從上表格可以看到，C2與Factor2，F(xiàn)actor4這兩個因子間的MI指標均大于15，說明C2與Factor2，F(xiàn)actor4之間可能有著較強的關(guān)聯(lián)性；同時，D5與Factor3之間的MI值為18.121，說明二者有較強的關(guān)聯(lián)性。

綜合可知：可考慮將C2，D6這兩個指標進行刪除，同時上述因子載荷表格分析還發(fā)現(xiàn)B1也可以進行刪除。因而將此三項進行刪除后可再次進行模型（限于篇幅限制，SPSSAU并不繼續(xù)進行分析）。

上表格展示因子與因子之間的關(guān)聯(lián)性，可通過標準系數(shù)進行分析。從上表可知，在進行因子協(xié)方差表格分析時，本研究共4個因子，他們兩兩之間的標準系數(shù)值均介于0.6~0.85之間，說明因子之間具有較強的關(guān)聯(lián)性。

聚合效度通常是針對 AVE，CR，因子載荷系數(shù) 這三個指標進行分析，并且均是在模型最終確認后的指標進行分析。

分析結(jié)果表明：本研究量表數(shù)據(jù)具有優(yōu)秀的聚合效度

區(qū)分效度的測量是使用 AVE的平方根值 ，然后與4個因子的相關(guān)系數(shù)進行對比。

如果AVE平方根值大于“該因子與其它因子間的相關(guān)系數(shù)”，此時說明具有良好的區(qū)分效度。

區(qū)分效度首先需要進行相關(guān)分析（以及每個因子對應多項，需要使用‘生成變量’功能將其概括成一個整體后再進行兩兩相關(guān)分析）。如下：

常見的區(qū)分效度分析時，會將上表格中斜對角線的1，換成AVE值的平方根，然后再進行對比分析。最終如下表格式：

上圖可知，因子1的AVE根號值為0.843，大于因子1與另外3個因子之間的相關(guān)系數(shù)值(最大為0.777)；因子2的AVE根號值為0.84，大于因子2與另外3個因子之間的相關(guān)系數(shù)值（最大為0.753）；類似地，因子3的AVE根號值，因子4的AVE根號值均大于它們與其它因子的相關(guān)系數(shù)值。因而說明研究量表數(shù)據(jù)的區(qū)分效度良好。

特別提示：

常見的區(qū)分效度分析是將AVE根號值與‘相關(guān)系數(shù)值’進行對比；有時候區(qū)分效度的驗證方法為：“比較多個CFA模型進行分析說明”，建議研究人員以參考文獻為準；

區(qū)分效度進行時，需要先進行相關(guān)分析，以及取AVE均方根，然后將手工表格合并處理好后進行分析說明。

共同方法偏差(CMV)常見有兩種驗證方式，一種是使用探索性因子分析EFA方法進行檢驗 (也稱作Harman單因子檢驗方法)，即查看把所有量表項進行探索性因子分析EFA時，如果只得出一個因子或者第一個因子的解釋力（方差解釋率）特別大，通常以50%為界，此時可判定存在同源方差（共同方法偏差），反之說明沒有共同方法偏差問題。

如果是使用CFA進行驗證；則將所有的測量項(即所有因子對應的測量量表題項)放在一個因子里面，然后進行分析，如果測量出來顯示模型的擬合指標，比如卡方自由度比，RMSEA,RMR,CFI等無法達標，則說明模型擬合不佳，即說明所有的測量項并不應該同屬于一個因子(放在一起時模型不好)，因而說明數(shù)據(jù)通過共同方法偏差CMV檢驗，數(shù)據(jù)無共同方法偏差問題。

本次共有4個因子對應20個測量項，將此20個測量項全部放在一個因子里面進行CFA分析并且得到模型擬合指標，如下圖：

上圖顯示卡方自由度值為11.137，明顯高于標準（>3），并且GFI,CFI,NFI,NNFI這四個指標值全部均低于0.7，明顯偏差標準值(大于0.9)，RMSEA和RMR值均大于0.15，也嚴重偏差標準值。其它指標比如AGFI,IFI,PGFI,PNFI等也均低于0.7，嚴重偏差大于0.9這一標準，因而說明模型擬合質(zhì)量非常糟糕，也即說明不能本次研究量表數(shù)據(jù)無法聚焦成一個因子，即說明無共同方法偏差問題。

特別提示：

上述為兩種常見的共同方法偏差驗證方法，還有其它驗證方法，建議研究人員以參考文獻為準；

研究人員需要在事前注意共同方法偏差問題，而不能等到事后發(fā)現(xiàn)共同方法偏差才能處理。

登錄 SPSSAU官網(wǎng) 體驗在線數(shù)據(jù)分析 ​​​​

驗證性因子分析的定義

在社會調(diào)查研究構(gòu)成中，研究者首先開發(fā)調(diào)查問卷。對應于每一個研究者所感興趣的理論變量，問卷中往往有多個問題。比如，研究者對顧客的忠誠度感興趣，忠誠度可能用購買頻率、主觀評估、消費比例等多個問題來衡量。這個理論變量就是因子，這些個別問題是測度項。驗證性因子分析就是要檢驗購買頻率、主觀評估、消費比例是否真的可以反映忠誠度。
與驗證性因子分析相對的是探索性因子分析。在探索性因子分析中，比如，因為我們想讓數(shù)據(jù)“自己說話”，我們即不知道測度項與因子之間的關(guān)系，也不知道因子的值，所以我們只好按一定的標準(比如一個因子的解釋能力) 湊出一些因子來，再來求解測度項與因子關(guān)系。探索性因子分析的一個主要目的是為了得到因子的個數(shù)。
探索的因子分析有一些。第一，它假定。在實際研究中，我們往往會假定一個因子之間沒有因果關(guān)系，所以可能不會影響另外一個因子的測度項。第二，探索性因子分析假定測度項殘差之間是相互獨立的。實際上，測度項的殘差之間可以因為共同方法偏差、子因子等因素而相關(guān)。第三，探索性因子分析強制所有的因子為獨立的。這雖然是求解因子個數(shù)時不得不采用的機宜之計，卻與大部分的研究模型不符。最明顯的是，自變量與因變量之間是應該相關(guān)的，而不是獨立的。這些局限性就要求有一種更加靈活的建模方法，使研究者不但可以更細致地描述測度項與因子之間的關(guān)系，而且并對這個關(guān)系直接進行測試。而在探索性因子分析中，一個被測試的模型(比如正交的因子) 往往不是研究者理論中的確切的模型。
驗證性因子分析 (confirmatory factor analysis) 的強項正是在于它允許研究者明確描述一個理論模型中的細節(jié)。那么一個研究者想描述什么呢？因為測量誤差的存在，研究者需要使用多個測度項。當使用多個測度項之后，我們就有測度項的“質(zhì)量”問題，即效度檢驗。而效度檢驗就是要看一個測度項是否與其所設(shè)計的因子有顯著的載荷，并與其不相干的因子沒有顯著的載荷。當然，我們可能進一步檢驗一個測度項工具中是否存在共同方法偏差，一些測度項之間是否存在“子因子”。這些測試都要求研究者明確描述測度項、因子、殘差之間的關(guān)系。對這種關(guān)系的描述又叫測度模型 (measurement model)。對測度模型的檢驗就是驗證性測度模型。對測度模型的質(zhì)量檢驗是假設(shè)檢驗之前的必要步驟。