2最终版EFA和CFA
公共服务动机的测量理论结构与量表修订
公共服务动机的测量理论结构与量表修订1. 本文概述公共服务动机（Public Service Motivation, PSM）是公共管理领域的一个重要概念，它指的是个体对于在政府部门或公共服务领域工作的内在倾向。
这一概念自提出以来，便成为了公共管理、人力资源管理以及公共行政等领域的研究热点。
本文旨在对公共服务动机的测量理论结构进行深入探讨，并在此基础上对现有的PSM量表进行修订和优化。
本文将系统回顾公共服务动机的相关理论及其发展历程，分析不同学者对PSM的定义和理论结构的理解。
接着，我们将探讨PSM的测量方法，包括现有的量表及其优缺点。
基于理论分析和实证研究，本文将提出一个更为完善和精确的PSM理论结构模型，并对现有量表进行修订，以更准确地反映PSM的多维度特征。
本文的研究方法主要包括文献综述、理论分析和实证研究。
文献综述部分将通过梳理相关文献，建立PSM理论结构的框架。
理论分析部分将基于现有理论，构建一个更为完善的PSM理论模型。
实证研究部分将通过问卷调查等方式收集数据，对修订后的PSM量表进行验证和优化。
通过本文的研究，我们期望能够为公共服务动机的测量提供一个更为科学和有效的工具，同时也为公共部门的人力资源管理和政策制定提供理论支持。
本文的研究成果也将有助于推动PSM理论的发展，为未来的相关研究提供新的视角和方法。
2. 文献综述回顾PSM量表的发展历程，如Perry和Wise量表、Vandenabeele 量表等。
3. 研究方法理论基础：介绍公共服务动机的理论基础，包括概念定义和现有量表的理论结构建立假设：基于理论框架，提出关于量表结构、维度和测量指标的研究假设统计方法：介绍用于数据分析的主要统计方法，如探索性因子分析（EFA）、验证性因子分析（CFA）、相关性分析等数据分析步骤：详细描述数据分析的步骤，包括数据清洗、缺失值处理、假设检验等伦理审查：说明研究是否通过了伦理审查，以及如何确保参与者的隐私和自愿性4. 量表修订的理论基础公共服务动机（Public Service Motivation, PSM）的概念源自对公共部门员工动机和行为的深入研究。
CFA and EFA结构方程模型：探索性因子分析与验证性因子分析
F1
F2
F3
1
1
1
X1
1
X2
1
X3
1
X4
1
X5
1
X6
1
X7
1
X8
1
X9
1
e1
e2
e3
e4
e5
e6
e7
e8
e9
验证性因子模型
F1
F2
F3
1
1
1
X1
1
X2
1
X3
1
X4
1
X5
1
X6
1
X7
1
X8
1
X9
1
e1
e2
e3
e4
e5
e6
e7
e8
e9
EFA 特征
• 因子个数可能是从1到可测变量的总数 • 所有可测变量允许与每个因子相关 • 通常需要对EFA的解进行旋转来使得因子 便于解释
– 例如指标之间中度相关
多指标方法
• 多指标方法减少了单个可测变量的总测量 误差对结果精确性的影响。 • 可测变量与潜在的潜变量的区别 • 可测变量与潜变量共同组成测量模型
测量模型的类型
• • • • 探索性 (EFA) 验证性 (CFA) 多特质多方法 (MTMM) 层级CFA
探索性因子模型
结构方程模型： 探索性因子分析与验证性因子分析
科学 追求真理，寻找纷繁复杂的社会现象背后的 原因，找到解决问题的根本办法。
The basic of research process
Deduction（Ex.）
Theory Ideate(形成概念) Summary(假设归纳) Deducting 逻辑推理(Reason)
结构方程模型讲义
为新变量赋值
例：使这个新变量代表变量A和变量B的和 点击Transformation菜单上的Compute选项打开Compute对话框 选中并用鼠标将新变量拖入Compute对话框中的灰色字符区 点击“=”键 选中并用鼠标将变量A拖入Compute对话框中的灰色字符区 点击“+”键 选中并用鼠标将变量B拖入Compute对话框中的灰色字符区 点OK看到PSF窗口 点击File菜单上save选项保存
处理缺失值
删除含缺失值的观测对象，或者填充缺失值。 如何删除含缺失值的对象？
Listwise deletion（成列删除，即删除所有含缺失值 的观测对象）
Pairwise deletion（成对删除，即计算两个变量的相 关系数时，只使用两个变量都有数据的那些样本）
处理缺失值
删除含缺失值的观测对象，或者填充缺失值。 如何填补缺失值？
协方差和相关系数
CoXv,YEXEX YEY
CoXv,Y
rX,Y DX • DY
协方差的大小依赖于随机变量X和Y的单位。 相关系数的取值范围[-1，1]
科学的最高目标
1）把握因（cause）果（effect）关系 2）把握因果关系的最有力手段 3）科学也探索用相关方法考察因果关系 4）统计分析技术按因果探索而发展。 5）SEM是探索因果关系的一种相关研究方法☺
Factor Loading 三个因子与各变量之间的相关系数，称为因子
载荷量（loading） 系数绝对值越大，与相应因子的相关强度越强。
因子旋转
因子旋转：用一个正交阵右乘已经得到的因子载荷阵（由线性代 数可知，一次正交变化对应坐标系的一次旋转），使旋转后的因 子载荷阵结构简化。
大学优品PPT《高级心理统计》7. CFA
嵌套模型
• 如果乙模型所有自由参数只是甲模型中自由 参数的一部分,则称乙模型嵌套于甲模型内
嵌套模型的2比较
• 例:例2-工作倦怠的CFA
• 3因素模型显著地好于所有2因素模型和一因素模型吗?
可否应用相关矩阵作分析？
• SEM建立在方差和协方差分析上 • 用相关矩阵，大多数情况下正确 • 在某些况下并不正确(见Cudeck, 1989 ):
总变量数
模型设定-两个不相关因素
DA NI=6 NO=200 LA 指标变量的标签 X1 X2 X3 X4 X5 X6 相关矩阵，最好用 KM 协方差矩阵 1.0 .502 1.0 .622 .551 1.0 .008 .072 .028 1.0 .027 .030 指标变量 .049 .442 1.0 -.029 模型 潜变量 因素间不 的个数 设定 -.059 .018 .537 .413 的个数 1.0 相关 MO NX=6 NK=2 PH=DI FR LX 1 1 LX 2 1 LX 3 1 LX 4 2 LX 5 2 LX 6 2 潜变量的标签 LK ACADEMIC SOCIAL 输出路径图 输出标准化系数， PD 修正指标 OU SS MI
模型设定
• 量表的前三个项目是学业成就自尊的indicators， 后三个项目是社交自尊的indicators • 两个因素之间有相关
LISREL简介（1）
• 例：6个外显变外源内隐变量---- KSI （ ξ ） 外显变量---- X KSI 在X 上的效应系数（载荷）--- LAMDA（λ） X 的误差 ---- delta （δ） LX 5 2 是载荷矩阵的元素：外显变量X5在 ξ2上的载荷 PHI（Φ）3 2是因素的相关矩阵的元素：ξ3与ξ2的相关 TD（θ）4 3 是误差的协方差 矩阵的元素： X 4与X 3的误差的相 关
角平分线定理2证明
角平分线定理2证明角平分线定理2是指在一个三角形中，如果一个角的平分线上某个点到另外两边的距离比另外一个点到两边的距离大，则该角的平分线所对应的两个小角的角平分线也相应地实现这个条件。
下面我们来证明这个定理。
设在三角形ABC中，点D和E分别是角BAC的平分线上的两个点，且满足AD > AE；点F和G分别是角BAC的平分线所对应的两个小角的角平分线上的两个点。
首先，连接BD、BE、CD、CE、AF和AG。
要证明FG是角BAC的平分线所对应的两个小角的角平分线，我们需要证明FG与AB和AC平分的两个小角分别相等。
根据角平分线的定义，我们可以得到以下等式：∠BDA = ∠ADE∠CDA = ∠AED∠CGA = ∠AGE∠CFA = ∠AFE接下来，我们要使用一些三角形的性质，来推导出角BFG和角BAG的等式，以及角CGF和角CAF的等式。
由于∠BDA = ∠ADE，且∠DEA是角DAE的平分线，根据角BDA和角ADE平分线定理，我们可以得到：∠BDA = ∠EDA由于∠CGA = ∠AGE，且∠AGE是角AEG的平分线，根据角CGA和角AGE平分线定理，我们可以得到：∠CGA = ∠EGA同样地，由于∠CFA = ∠AFE，且∠AFE是角AEF的平分线，根据角CFA和角AFE平分线定理，我们可以得到：∠CFA = ∠EFA再由于∠BFD = ∠DFA，且∠BFD是角BDF的平分线，根据角BFD和角DFA平分线定理，我们可以得到：∠BFD = ∠AFD类似地，由于∠CGE = ∠EGA，且∠CGE是角CTE的平分线，根据角CGE和角EGA平分线定理，我们可以得到：∠CGE = ∠AGE最后，由于∠CFE = ∠EFA，且∠CFE是角CEF的平分线，根据角CFE和角EFA平分线定理，我们可以得到：∠CFE = ∠AFE综上所述，我们可以得出以下结论：∠BDA = ∠EDA∠CGA = ∠EGA∠CFA = ∠EFA∠BFD = ∠AFD∠CGE = ∠AGE∠CFE = ∠AFE因此，根据角等于其对应的平分线所对应的两个小角之和的性质，我们可以得到：∠BDF + ∠BFD = ∠ADF∠CGE + ∠EGA = ∠CGA∠CFE + ∠EFA = ∠CFA进一步地，我们可以得到：∠BDF + ∠AFD = ∠ADF∠CGE + ∠AGE = ∠CGA∠CFE + ∠AFE = ∠CFA由于∠BDF = ∠AGE，∠AFD = ∠CGA，以及∠EFA =∠CFA，我们可以得到：∠ADF = ∠CGA∠CGA = ∠CFA从而可以得出结论：FG是角BAC的平分线所对应的两个小角的角平分线。
效度检验最详细讲解
效度检验
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。
与验证性因子分析CFA相对应的为探索性因子分析，二者的区别在于，验证性因子分析(CFA)用于验证对应关系，探索性因子分析(EFA)用于探索因子与测量项(量表题项)之间的对应关系。
应用情形：如果是成熟的量表，研究者可同时使用验证性因子分析CFA，和探索性因子分析(简称因子分析,EFA)用于验证量表的效度。
如果量表的权威性较弱，通常使用探索性因子分析(EFA)进行探索因子，或者效度检验分析。
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。
效度有很多种，比如内容效度，结构效度，聚合(收敛)效度，区分效度等。
各个名称的区别说明如下：
如果并非经典量表，通常情况下研究人员会使用探索性因子分析(EFA)进行效度验证,该验证方法一般称作结构效度分析，同时还会使用内容效度进行分析即用文字描述量表的来源设计过程等，用于论证研究量表的有效性。
当然如果还想进一步深入分析，亦可使用CFA进行深入研究。
如果是经典量表需要进行效度验证，其内容效度确认无疑，而且使用探索性因子分析(EFA)进行分析时，也具有良好的结构效度。
所以研究人员更偏好于使用CFA进行深入分析，即进行聚合(收敛)效度和区分效度分析。
验证性因素分析
• CFA vs SEM：
• 能够对结构方差模型建模的软件通常也能够用于进行CFA的分析， CFA也经常被用作评估SEM中的测量模型，所以关于SEM中的模 型拟合和模型修改的许多规则同样适用于CFA。
• CFA和SEM的最大差别在于CFA中潜变量之间没有带有方向的箭头， 即只存在相关关系，而SEM中通常会指定特定潜变量和显变量之 间的因果关系。
• 报告结果：
• 考虑到CFA模型的复杂性，我们不可能包括所有的参数，但是为 了结果的透明性，研究者应该清楚地说明自己是如何指定模型的， 尤其是所有对模型进行修改的原因。
• 要报告前面提到的5个拟合数据，最好还要包括数据的描述性统 计以及用于估计模型的数据样本的相关或协方差矩阵（便于重新 分析数据）。
• CFA的主要步骤：
• 指定理论模型：研究者首先要清楚地指定想要探究的的拟合方法就是最大似 然（ML），分析时会为了最小化模型和真实数据方差矩阵之间的 差异而不断迭代产生参数估计
• 考虑模型修正：根据参数估计的结果来对模型进行修正，要注意 的是，任何修正都应该是以迭代的方式进行的，每一次修改之间 都不是相互独立的，任何微小的变化都有可能在拟合性上产生巨 大的变化。除非有一个强有力的理论或经验基础，否则宁可不修 改模型也不能够人为地夸大模型。
• 如何评估模型拟合：
• 模型整体的拟合度：反映了CFA模型在多大程度上再现了真实数 据中变量间的关系。目前软件已经可以输出多种拟合数据，在看 待这些数据时，注意应该同时看多个指标，这样才能够提供更保 守全面的模型评估。
• Chi-squared test：卡方检验代表了数据和模型的协方差矩阵之间的差异， 越接近零表示模型越合适，卡方的局限性在于它对样本容量过于敏感， 当样本量很大时它很容易很大，所以可能会拒绝一些原本非常好的模型
探索性结构方程建模(ESEM):EFA和CFA的整合
探索性结构方程建模(ESEM)：EFA和CFA的整合
麦玉娇;温忠麟
【期刊名称】《心理科学进展》
【年(卷),期】2013(21)5
【摘要】探索性结构方程建模(ESEM)是在测量模型部分使用了类似于EFA模型的SEM。
作为一种高级统计方法,ESEM整合了EFA和CFA两种因子分析方法的功能和优点。
通过ESEM,研究者既可以灵活地探索因子结构,又可以系统地验证因子模型,为潜变量的关系分析提供更适宜的测量模型。
ESEM已经在某些社科领域的研究中得到应用,是一种值得推介的因子分析方法。
ESEM的具体应用问题,例如因子旋转方法的选用、测验信度评价等,仍有待探讨。
【总页数】6页(P934-939)
【关键词】探索性结构方程建模;探索性因子分析;验证性因子分析;结构方程建模【作者】麦玉娇;温忠麟
【作者单位】华南师范大学心理应用研究中心
【正文语种】中文
【中图分类】B841.2
【相关文献】
1.探索性结构方程在系统家庭动力量表中的应用 [J], 曾伟楠;赵旭东;万崇华;马泽威;于磊
2.基于EFA及CFA方法的西安市公共自行车选择行为分析 [J], 马书红;杨野;王元
庆;韩笋生
3.探索性结构方程模型(ESEM)在网络友谊质量问卷中的应用 [J], 王小慧; 苏雪云; 蓝淼淼
4.探索性结构方程模型(ESEM)在网络友谊质量问卷中的应用 [J], 王小慧; 苏雪云; 蓝淼淼
5.基于EFA-CFA的装配式建筑工程项目返工成因实证研究 [J], 李丽红;于明瑜;辛雨泽
因版权原因，仅展示原文概要，查看原文内容请购买。
验证性因子分析的讲解
结构方程模型另一方法——PLS
偏最小平方模型PLS（Wald，1982） 《模型构建方法与结构方程建模——与张建平同志
商讨》一文中旨在将结构方程模型与LISREL的 概念区分开而具体介绍
当研究目的是理论检验且先验理论知识充足时， 更宜采用LISREL；当研究目的是因果预测应用， 且理论知识非常缺乏时，则PLS更加适合。
数表示） Σ（Θ^）：根据样本估计出Θ^后得到的协方差矩阵
目的
S——Σ Σ（Θ^）——Σ（Θ） 估计出参数，使得Σ（Θ^）逼近S，即使得Σ（Θ）
逼近Σ
参数估计 模型识别 模型评价等具体细节原理 教材CH9
应用举例
《外资企业跨文化适应模式分析结构方程建模》
谢谢
Байду номын сангаас
基本思想的差异
EFA
CFA
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
主要目的是决定事前定义 因子的模型拟合实际数据 的能力
CFA原理分析
教材P170 参数：λij，ξi的方差、协方差φij，δ的方差θii Θ:全体位置参数组成的向量 Θ^： Θ的估计 Σ：X在总体中真实的协方差矩阵（9.3） S：X在样本的协方差矩阵（可代替Σ ） Σ（Θ）：由模型推出的整体协方差矩阵（9.4由各参
结构方程-精选文档
常见计算机软件
LISREL SIMPLIS AMOS EQS Mplus Mx Statistica SAS PROC CALIS COSAN LVPLS …
x1
e2
x2
f1
验证性因素分析 (Confirmatory Factor Analysis, CFA)
e3
x3
研究者依理论，指定因 素结构，独特因素间亦 可指定相关
所需样本大小
样本大小不能少于50个，应该要超过100个。 至少要为x观察变项数目的5倍量或10倍量。 Hair, J. F., Anderson, R. F., Tatham, R. L. & Black, W. C. (2019).Multivariate data analysis 5th ed. New Jersey: Prentice Hall Inc. 样本大小亦取决于负荷量大小
Oblimin Promax Orthoblique
正交旋轉
斜交旋轉
因素負荷量的選取 0.30 0.35
樣本大小 350 250
0.40
0.45
200
150
0.50
0.55 0.60 0.65 0.70 0.75
120
100 85 70 60 50
验证性因素分析
Confirmatory Factor Analysis (CFA)
指标变项的讨论
以观察变项作为潜在变项的指标变项时， 要几个观察变项才够？ 多元指标原则：一个潜在变项必须有两个 以上的观察变项来估计 愈多愈好吗？一个可不可以？ 应回归到工具设计与施测实务以 及样本大小、负荷量大小等问题
指标变项的讨论：反应性指标 (reflective indicators)
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
删减的原则：
共同度小于0.3的题项；
将横跨两个因子的题项； 某一题项删后，信度提高。
参考文献
参考资料：
[1] 侯杰泰, 成子娟, 马殊赫伯特. 验证性因素分析: 问卷题数及小样本应用策 略[J]. 心理学报, 1999, 01: 76-83. [2] 赵铁牛, 王泓午, 刘桂芬. 验证性因子分析及应用[J]. 中国卫生统计,2010, 12: 608-609. [3] 张超, 徐燕, 陈平雁. 探索性因子分析与验证性因子分析在量表研究中的 比较与应用[J]. 南方医科大学学报, 2007, 27(11): 1699-1705. [4] 李超平, 时勘. 变革型领导的结构与测量[J]. 心理学报, 2005, 06: 97-105.
因子旋转确定每个因子包含的项目
若某项目在某一个因子上的负荷超过了0.50，且不在两个因子上都有超
过0.35的负荷，则可确定该项目属于该因子。如表三。
表3 变革型领导问卷因素分析结果图（部分）【此表为压缩后的项目表】
EFA和CFA实证论文
2.3 EFA分析—因子项筛选
第一条项目“廉洁奉公，不图私 利”在因素1上的负荷为0.92，超过 了 0.5 ，且在因素 2 、因素 3 和因素 4 上的负荷分别为： -0.02 、 -0.04 、 0.04 ，均没有超过 0.35 ，所以可以 判断“廉洁奉公，不图私利”属于 因子1。 其他项目的判断同理。据此可以 得到因素 1 有 11 个 项目，因素 2 有 8 个项目，因素3有8个项目，因素4有 7个项目。
EFA和CFA实证论文
2.1 论文—问题的提出
Bass明确变革型领导的四维结构： 领导魅力、感召力、智能 激发和个性化关怀，并建立了相应的评价工具MLQ。 一些研究对MLQ提出了如下质疑：
（1）变革型领导的四个维度全部载荷在同一个因 素上，不能区分为四个不同的维度； （2）每个维度减少一个项目，变革型领导的四维 结构才能够得到验证；
并且中国文化中存在独特的维度——品德；因此, 很有必要建 立适合中国文化背景的变革型领导结构, 并开发相应的测量问卷。
EFA和CFA实证论文
2.1 论文—问题的研究
研究一 变革型领导归纳分析
变革型领导的归纳分析
研究二
变革型领导问卷的编制
研究三
变革型领导问卷的验证
EFA和CFA实证论文
2.2 论文设计—归纳分析法
2.4 CFA分析—信效度分析
先是进行了模型假设，内部一 致性的结果来看,变革型领导各个维 度的内部一致性处于0.84~ 0.92 之间,均高于信度的推荐要求值(0.70)
EFA和CFA实证论文
2.4 CFA分析—对四因素观察变量分析
每一个项目在相应潜变量上的负荷都比较高，最低的为0.62，
最高的达到了0.81，说明每一个观测变量对相应潜变量的解释率
应用范围
EFA和CFA异同和应用
3.2 EFA和CFA应用
1. 如果没有坚实的理论基础支撑，有关观测变量的内部结构，一般选用探索性 因子分析。先用探索性因子分析产生一个关于内部结构的理论，再在此基础 上用验证性因子分析。 2. 两者必须用分开的数据集来做。如果直接把探索性因子分析的结果放到统 一数据的验证性因子分析中，就仅仅是拟合数据，而不是检验理论结构。 合理的做法是用一半数据做探索性因子分析，然后把析取的因子用在剩下 的一半数据中做验证性因子分析。
步骤8：计算因子得分；
EFA和CFA简介
1.3 EFA和CFA结合 EFA与CFA是研究过程的两个阶段,不能截然分开， 只有两者结合运用，才能使研究更有深度。 ① EFA产 生内部结 构理论
两种方法
结合使用
③ 拟合模型 检验
② 数据分析 （EFA和CFA 分析）
EFA和CFA实证论文
2.1 变革型领导的结构与测量 【论文：变革型领导 的结构与测量】
搜集数据； 统计分析； 模型估计与比较以 及选择模型。
EFA和CFA实证论文
2.3 EFA分析—统计软件分析
抽取因子 得到因子的相关矩阵
计算各因子的特征根，采用主成分分析法来提取因子，以特征根大于
等于1为因子的抽取原则
确定因子数 参照碎石图有效因子数目
在本实验中确定的因子数是4
筛选因子项
较大，而误差较小。
EFA和CFA实证论文
2.4 CFA分析—单因素VS四因素模型
EFA和CFA实证论文
2.4 CFA分析—单因素VS四因素模型
验证性因素分析结果可以看出，四因素模型的各项拟合
指数均达到或接近先定的标准，说明变革型领导的四因素 结构得到了数据的支持。
EFA和CFA异同和应用
3.1 EFA和CFA相同
3. 如果做验证性因子分析的拟合效果非常差，就必须用探索性因子分析来找出
数据与模型之间的不一致。但是在对新数据拟合模型时，任何改动都需要进 行检验。
EFA和CFA补充分析
4.1 EFA为什么进行因子旋转？
由于求得载荷矩阵后，各因子的典型代表变量不清晰，例如， 在求得载荷矩阵中，某一题项的在各个因子上载荷没有大于
变革型领导问卷的验证性因素分析的过程： 定义因子模型
搜集数据
• 前文已经定义了一个四因子模型 • 研究被试，被试所填写的问卷。通 过收集的调查问卷，获取的数据 • 信效度分析、四因素观察变量分析 • 先进行模型假设，拟通过四因素模型 单因素模型的优劣比较,确定最佳模型
统计分析
模型估计与比较
EFA和CFA实证论文
摘要：首先采用开放式问卷对 249名管理者与员工进 行了调查, 内容分析表明, 我国的变革型领导包括8类 行为或特征。通过专家讨论, 编制了适合我国国情的 变革型领导问卷。431份有效问卷的探索性因素分析 表明, 变革型领导是一个四因素的结构 , 具体包括:德 行垂范、领导魅力、愿景激励与个性化关怀。为了进 一步验证变革型领导的构想效度 , 并考察问卷的信度 与同时效度, 在6家企业进行了调查, 获得了440份有 效问卷。验证性因素分析证实了变革型领导问卷的构 想效度 , 内部一致性分析与层次回归分析的结果也表 明, 基于我国文化背景新编的变革型领导问卷具有较 好的信度与同时效度。
0.5的，或者在几个因子上的载荷很接近，这种情况下，无
法确定该观测变量是由那个因子支配的，如果随意的将该观测变 量归为某一因子，则可能导致后面无法解释因子。因此需要进
行因子旋转。但因子旋转不是必须要求做的，只有当上述情况出 现时，才必须进行A问卷设计题项删减原则？
EFA和CFA实证论文
2.3 EFA分析—因素命名与处理 因素命名：根据每
个因素所包含项目的特 征为每个因素进行标记 （命名），在本实验中 最终将这四个因素命名 如右图所示。
1
因素标 记命名
德行垂范
2 3 4
愿景激励
领导魅力
个性化关怀
后期处理：为了保持问卷的简洁性，最后在“德行垂范”
上保留8个项目，其他三个项目都保留6个项目。
85.5%
EFA和CFA实证论文
2.2 论文设计—EFA和CFA
《变革型领导的结构与测量》采用的是将EFA和CFA结合加以分析。
探索性因子分析
将8个维度的条目筛选， 测试，编制出预试问卷； 发放和回收、剔除无效 问卷； 统计处理采用统计软件 （SPSS）实现。
探索性因子分析
定义因子模型，即 四因子模型；
探索性因子分析
VS
验证性因子分析
展示 演示
第二小组：李慧、胡礼梅 、黄颖、谷艳红 郭乔森、俞传艳、熊凯伦、张旭
目
录
页
1
EFA和CFA简介 以：《变革型领导的结构与预测》为例
2
3 4
EFA和CFA的异同和应用
EFA和CFA的补充分析
EFA和CFA简介
1.1 EFA和CFA概念界定
探索性因子分析法（Exploratory Factor Analysis，EFA）
EFA和CFA实证论文
2.3 EFA分析—结果
从探索性因素分析的结果来看，4个因素的项目分布合理, 而 且每个项目在相应因素上的负荷较高，4 个因素累积解释方差变 异量为65.64%，这个解释量比较高，因此可以认为变革型领导 问卷的结构是可以接受的。
EFA和CFA实证论文
2.4 CFA分析—变革型领导模型
是找出 影响观测变量 的因子个数和各因子和各观测变量的 相关程度，揭示变量的内在结构，达到降维。 验证性因子分析法 （ Confirmatory Factor Analysis ，
CFA）是事前定义因子的模型拟合实际数据的能力，试图检
验观测变量的因子个数和因子载荷是否与预先建立的理论的预
期一致。
EFA和CFA简介
￭ 探索性：没有先验信息 ￭ 验证性：有先验信息 ￭ 探索性：5点假设 ￭ 验证性：4点假设
应用前提
应用假设 分析步骤
￭ 探索性：7个步骤 ￭ 验证性：6个步骤
￭ 探索性：①寻求基本结构；② 数据化简；③发展 测量量表 ￭ 验证性：① 验证因子结构；② 验证因子的阶层关 系；③ 评估量表的信度和效度
不论是探索性因子分析 还是验证性因子分析都是以 普通因子模型为基础的，都 基于统计分析方法的因素分 析法。 都是考察观测变量之间的相关系数和方差，协方差等。因 子分析的基本思想是要寻找公共因子，以达到降维的目的。
EFA和CFA异同和应用
3.1 EFA和CFA差异
基本思想
￭ 探索性：找出观测变量的因子个数 ￭ 验证性：事前因子拟合能力
第一步
给出变革型领导的定 义，要求被试列出5 - 6 条管理人员所表 现出来的、符合变革 型领导定义的行为或 特征。