コンストラクトの独立性の決定における探索的因子分析と確認的因子分析の違い

研究者はしばしば非常に類似した項目を持つ2つの尺度を使用し、異なることを測定すると主張します（例えば、「車の周りにいるといつも心配」、「車が怖い」など）。仮想尺度を「自動車の恐怖」尺度と「自動車スケールからの不安」と呼びましょう。異なる潜在的な構成要素を実際に評価するか、同じものを測定するか、経験的にテストすることに興味があります。

私がこれを行うために考えられる2つの最良の方法は、探索的工場分析（EFA）または確認的因子分析（CFA）によるものです。EFAは、すべてのアイテムを制約なしに自由にロードできるため、良いと思います。2つのスケールの項目が同じ要因でロードされる場合、メジャーは異なるものをあまりうまく評価していない可能性が高いと結論付けることができます。ただし、事前定義されたモデルをテストするので、CFAの利点もわかります。たとえば、すべてのアイテムが単一の要因にロードされるモデルの適合度を比較したり（つまり、異なる構成要素を評価しない）、アイテムが期待されるメジャーに分離されたりします。CFAの問題は、代替モデル（3因子モデルなど）を実際には考慮しないことだと思います。

議論の目的のために、おそらく私はミックスに投入したい他の2つの非常に類似した尺度（例えば、車の不安アンケートと車の恐怖の評価のためのスケール）があるかもしれないと考えてみましょう！

2つのメジャーが異なる構成を評価するかどうかを統計的に決定するにはどうすればよいですか？

これらの方法は、探索的および確認的なデータ分析の適用例です。探索的データ分析はパターンを探し、確認的データ分析は提案されたモデルの統計的仮説検定を行います。実際にどのメソッドを使用するかという観点から見るべきではありません。データ分析のどの段階にいるのかという問題です。モデルに含める要素がわからない場合は、EFAを適用します。いくつかの要因を排除し、モデルに含める内容を決定したら、CFAを実行してモデルを正式にテストし、選択した要因が重要かどうかを確認します。

あなたの質問を正しく理解していれば、それは テストです。次に、単純なテストでは、「サブグループの平均は本当に異なるのか？」という質問と同様に、一種の確認的因子分析が必要です。t検定が必要です。

残念ながら（？）因子分析の適切な方法の一般的なアプローチを選択すると、異なる数学（および統計）モデルもしばしば暗示されます。たとえば、SPSSで「CFA」を選択すると、無相関エラーを仮定することを意味しますそして、相関関係のないエラーが推定され、推定がモデルから除外されるため、私の意見では、さらなる影響のために、正しい因子分析アプローチの最初の選択は、この数学的/統計的影響によってしばしば損なわれます。

要するに、あなたの質問は「ヌルをテストする」ようなものの1つなので、CFA以上が必要です。それは、SEM（構造方程式モデリング）のフレームワークで開発された方法です。「SEMNET」と呼ばれるSEMの専門家でいっぱいのフレンドリーで役立つメーリングリストがあり、私は本当の専門家ではないので、そこに尋ねることであなたのフィードバックを洗練するかもしれません...