Konfirmatorna faktorska analiza (CFA)
Testirajte mjerni model koji već imate — faktorska zasićenja, pristajanje, AVE i CR — u pregledniku, a zatim izvezite u SPSS, R ili AMOS.
Ova je stranica prijevod recenziranog engleskog izvornika. Pogledaj izvornik (EN)
konfirmatorna faktorska analizaŠto je to
Konfirmatorna faktorska analiza (CFA) provjerava mjere li vaše čestice očekivane latentne konstrukte. Prije nego što pogledate podatke, određujete koje se čestice zasićuju na koji faktor. Zatim CFA provjerava koliko dobro ta struktura odgovara promatranim kovarijancama. To je mjerni model: još ne testira odnose među konstruktima, nego samo to je li svaki konstrukt dobro izmjeren. CFA je standardni prvi korak prije structural equation modeling, jer je strukturalni model vjerodostojan samo ako su mjere iza njega čvrste.
Kada ga koristiti
- Imate hipotetsku faktorsku strukturu — znate koje čestice pripadaju kojem konstruktu.
- Validirate objavljenu ljestvicu na novom uzorku, na novom jeziku ili populaciji.
- Morate izvijestiti o konvergentnoj i diskriminantnoj valjanosti prije testiranja strukturalnog modela.
- Recenzent je zatražio mjerni model s indeksima pristajanja, faktorskim zasićenjima, AVE i CR.
Kada ga ne koristiti
- Još ne znate koliko ima faktora ni koje čestice gdje pripadaju — prvo provedite eksploratornu faktorsku analizu (EFA).
- Trebate samo internu konzistentnost za jednu ljestvicu — može biti dovoljan i sam koeficijent pouzdanosti, poput omege ili CR.
Pretpostavke
- Višedimenzionalna normalnost indikatora (ili upotrijebite robustan estimator, poput MLR, kada čestice nemaju normalnu distribuciju).
- Kontinuirani indikatori ili ordinalni indikatori tretirani kategorijalnim estimatorom (WLSMV) za Likertove čestice s malim brojem kategorija.
- Odgovarajuća veličina uzorka — često praktično pravilo je 5–10 slučajeva po procijenjenom parametru, a najbolje N ≥ 200.
- Model je identificiran — svaki latentni faktor treba utvrđenu skalu (markersku česticu ili utvrđenu varijancu).
- Svaki faktor ima barem tri indikatora; faktor sa samo dva sam je za sebe pod-identificiran. Tri do šest čestica po faktoru uobičajen je raspon. Kada razvijate novu ljestvicu, Hinkin (1998) predlaže četiri do šest čestica po konstruktu u konačnoj ljestvici, a na početku otprilike dvostruko više napisanih čestica, kako biste slabe čestice mogli izbaciti.
- Nema ozbiljnih pogrešaka specifikacije, poput izostavljenih cross-loadings ili koreliranih pogrešaka koje bi trebale biti u modelu.
Pragovi i granične vrijednosti
| Criterion | Rule of thumb | Source |
|---|---|---|
| CFI | ≥ .95 dobro, ≥ .90 prihvatljivo | Dobro: Hu & Bentler (1999; https://doi.org/10.1080/10705519909540118). Prihvatljivo: Bentler & Bonett (1980; https://doi.org/10.1037/0033-2909.88.3.588), na CFI primijenjeno po konvenciji |
| TLI | ≥ .95 dobro, ≥ .90 prihvatljivo | Dobro: Hu & Bentler (1999). Prihvatljivo: Bentler & Bonett (1980) |
| RMSEA | ≤ .06 dobro, ≤ .08 prihvatljivo | Dobro: Hu & Bentler (1999). Prihvatljivo: Browne & Cudeck (1993) |
| SRMR | ≤ .08 dobro, ≤ .10 prihvatljivo | Dobro: Hu & Bentler (1999). Prihvatljivo: Schermelleh-Engel, Moosbrugger & Müller (2003, p. 38) |
| Standardizirano zasićenje | ≥ .70 idealno, ≥ .50 prihvatljivo | Hair et al. (2019) |
| AVE | ≥ .50 (konvergentna valjanost) | Fornell & Larcker (1981; https://doi.org/10.2307/3151312) |
| CR / ω | ≥ .70 (composite reliability ili McDonald's omega; preferirano nad alpha za CFA modele) | Hair et al. (2019); McDonald (1999) |
Kako to izvijestiti u APA
Mjerni je model dobro pristajao podacima, χ²(df) = X.XX, CFI = .9X, TLI = .9X, RMSEA = .0X, 90% CI [.0X, .0X], SRMR = .0X. Sva standardizirana zasićenja premašivala su .70 i bila su značajna (p < .001). Composite reliability (ili McDonald's omega) kretala se u rasponu od .XX do .XX, a average variance extracted (AVE) od .XX do .XX, što podupire konvergentnu valjanost.
Kako to izračunava Explonia
Explonia pokreće CFA u pregledniku na podacima koje prikupljate ili učitavate. Odabirete čestice za svaki latentni konstrukt, a Explonia procjenjuje model i prikazuje indekse pristajanja, standardizirana zasićenja, AVE i CR s primijenjenim pragovima. Priprema i „Article description” — jednostavan odlomak u APA stilu s rezultatima, koji čitate, provjeravate i uređujete prije nego što dospije u vaš rad. Model i podatke možete izvesti u SPSS (.sav), R ili AMOS, kako biste reproducirali ili proširili analizu.
Često postavljana pitanja
Koja je vrijednost CFI dobra za CFA?
CFI ≥ .95 smatra se dobrim pristajanjem (Hu & Bentler, 1999), a ≥ .90 je obično prihvatljivo, što je starija granica koju su Bentler i Bonett (1980) predložili za NFI i TLI i koja se na CFI primjenjuje po konvenciji. Tretirajte ih kao smjernice, a ne stroga pravila prolaza — izvedeni su pod određenim uvjetima i mogu zavarati kod složenih modela ili podataka bez normalne distribucije (Marsh, Hau & Wen, 2004). Uvijek izvještavajte CFI zajedno s RMSEA i SRMR; nijedan pojedinačni indeks ne odlučuje o pristajanju sam.
CFA ili EFA — koju izvesti prvu?
Upotrijebite EFA da otkrijete koliko ima faktora kada ne znate strukturu. Upotrijebite CFA da potvrdite strukturu koju već pretpostavljate. Ako niste sigurni, pogledajte našu usporedbu EFA vs CFA.
Koliko velik treba biti uzorak za CFA?
Često je smjernica 5–10 slučajeva po procijenjenom parametru, a mnogi metodolozi predlažu N ≥ 200 za stabilne procjene. Složeni modeli s mnogo indikatora zahtijevaju više.
Moje su čestice 5-stupanjski Likert — je li normalnost važna?
Likertove čestice rijetko imaju normalnu distribuciju. Umjesto zadane metode maximum likelihood upotrijebite robustan estimator (MLR) ili kategorijalni estimator (WLSMV) za ordinalne čestice s malim brojem kategorija.
Last updated: listopad 2026
Pokrenite CFA na vlastitim podacima
Prikupite ili učitajte svoje podatke, pokrenite analizu u pregledniku i dobijte nacrt APA odlomka koji možete urediti. Započnite besplatno. Bez kartice.
Započni besplatno