在进行研究的过程中，为了达成研究目的，往往会考虑多个变量对结果的影响，而这许多个的变量由于其背后所蕴藏的“共同因素”使其具有较高的相关性。通过因子分析(factor analysis)技术，我们可以将其简化，并在损失最少信息的情况下，用数量较少的因子来解释其与这些变量间的相关性。因子分析技术包括探索性因子分析(exploratory factor analysis，EFA)与验证性因子分析(confirmatory factor analysis，CFA)两种。
前面我们已经发布了探索性因子分析基本原理、操作步骤及结果解读等相关文章，本文对验证性因子分析进行介绍。
01 基本原理
不同于探索性因子分析(EFA)的“试错与探索”特征，验证性因子分析(CFA)是使用样本数据对已经根据某些理论、先验知识作出的因子结构假设进行验证的过程。进行验证性因子分析时，根据已有理论建立的因子结构可形成一个估计的协方差矩阵，而基于理论建立量表进行抽样测量的样本资料可形成一个样本协方差矩阵。
拟合优度是检验一个验证性因子分析模型是否成立的重要指标，拟合优度是根据数据得出的模型参数与理论模型的参数值的吻合程度，是检验样本协方差矩阵与估计的协方差矩阵间的相似程度的统计量，理论期望值为1。实际操作中，因子模型的拟合优度越接近于1，说明样本协方差矩阵与估计的协方差矩阵相似程度越大，因子模型拟合度越好。
02 验证性因子分析的使用条件
任何统计方法只有满足一定限度的条件，其使用才是合理的。验证性因子分析是使用数据资料检验理论假设的一种统计方法，关于它的使用条件有如下四个方面：因子模型应具有现实性。建构模型的基础是理论框架以及已有的研究知识，而不是纯粹的数据分析，若理论假设不正确，再好的方法、模