Konfirmacyjna analiza czynnikowa (CFA)
Przetestuj model pomiarowy, który już masz — ładunki czynnikowe, dopasowanie, AVE i CR — w przeglądarce, a potem wyeksportuj do SPSS, R lub AMOS.
Ta strona jest tłumaczeniem zrecenzowanego angielskiego oryginału. Zobacz oryginał (EN)
konfirmacyjna analiza czynnikowaCzym jest
Konfirmacyjna analiza czynnikowa (CFA) sprawdza, czy Twoje pozycje mierzą oczekiwane konstrukty latentne. Zanim spojrzysz na dane, określasz, które pozycje ładują się na który czynnik. Następnie CFA sprawdza, jak dobrze ta struktura pasuje do zaobserwowanych kowariancji. To model pomiarowy: nie testuje jeszcze relacji między konstruktami, a tylko to, czy każdy konstrukt jest dobrze zmierzony. CFA to standardowy pierwszy krok przed structural equation modeling, bo model strukturalny jest wiarygodny tylko wtedy, gdy stojące za nim miary są solidne.
Kiedy stosować
- Masz hipotetyczną strukturę czynnikową — wiesz, które pozycje należą do którego konstruktu.
- Walidujesz opublikowaną skalę na nowej próbie, w nowym języku lub populacji.
- Musisz zaraportować trafność konwergencyjną i różnicową przed testowaniem modelu strukturalnego.
- Recenzent poprosił o model pomiarowy ze wskaźnikami dopasowania, ładunkami czynnikowymi, AVE i CR.
Kiedy nie stosować
- Nie wiesz jeszcze, ile jest czynników ani które pozycje gdzie pasują — najpierw wykonaj eksploracyjną analizę czynnikową (EFA).
- Potrzebujesz tylko zgodności wewnętrznej dla jednej skali — może wystarczyć sam współczynnik rzetelności, taki jak omega lub CR.
Założenia
- Wielowymiarowa normalność wskaźników (lub użyj odpornego estymatora, takiego jak MLR, gdy pozycje nie mają rozkładu normalnego).
- Wskaźniki ciągłe lub wskaźniki porządkowe traktowane estymatorem kategorialnym (WLSMV) dla pozycji typu Likert z małą liczbą kategorii.
- Odpowiednia wielkość próby — częsta reguła praktyczna to 5–10 przypadków na szacowany parametr, a najlepiej N ≥ 200.
- Model jest zidentyfikowany — każdy czynnik latentny potrzebuje ustalonej skali (pozycji markerowej lub ustalonej wariancji).
- Każdy czynnik ma co najmniej trzy wskaźniki; czynnik z tylko dwoma jest sam w sobie niedoidentyfikowany. Trzy do sześciu pozycji na czynnik to zwykły zakres. Gdy opracowujesz nową skalę, Hinkin (1998) sugeruje cztery do sześciu pozycji na konstrukt w końcowej skali oraz napisanie na starcie mniej więcej dwa razy więcej pozycji, aby słabe pozycje można było usunąć.
- Brak poważnych błędów specyfikacji, takich jak pominięte cross-loadings lub skorelowane błędy, które powinny być w modelu.
Progi i wartości graniczne
| Criterion | Rule of thumb | Source |
|---|---|---|
| CFI | ≥ .95 dobre, ≥ .90 akceptowalne | Dobre: Hu & Bentler (1999; https://doi.org/10.1080/10705519909540118). Akceptowalne: Bentler & Bonett (1980; https://doi.org/10.1037/0033-2909.88.3.588), stosowane do CFI na zasadzie konwencji |
| TLI | ≥ .95 dobre, ≥ .90 akceptowalne | Dobre: Hu & Bentler (1999). Akceptowalne: Bentler & Bonett (1980) |
| RMSEA | ≤ .06 dobre, ≤ .08 akceptowalne | Dobre: Hu & Bentler (1999). Akceptowalne: Browne & Cudeck (1993) |
| SRMR | ≤ .08 dobre, ≤ .10 akceptowalne | Dobre: Hu & Bentler (1999). Akceptowalne: Schermelleh-Engel, Moosbrugger & Müller (2003, s. 38) |
| Ładunek standaryzowany | ≥ .70 idealnie, ≥ .50 do zaakceptowania | Hair et al. (2019) |
| AVE | ≥ .50 (trafność konwergencyjna) | Fornell & Larcker (1981; https://doi.org/10.2307/3151312) |
| CR / ω | ≥ .70 (composite reliability lub McDonald's omega; preferowane nad alpha dla modeli CFA) | Hair et al. (2019); McDonald (1999) |
Jak raportować w APA
Model pomiarowy dobrze pasował do danych, χ²(df) = X.XX, CFI = .9X, TLI = .9X, RMSEA = .0X, 90% CI [.0X, .0X], SRMR = .0X. Wszystkie ładunki standaryzowane przekraczały .70 i były istotne (p < .001). Composite reliability (lub McDonald's omega) mieściło się w zakresie od .XX do .XX, a average variance extracted (AVE) od .XX do .XX, co wspiera trafność konwergencyjną.
Jak liczy to Explonia
Explonia uruchamia CFA w przeglądarce na danych, które zbierasz lub wgrywasz. Wybierasz pozycje dla każdego konstruktu latentnego i estymator: ML (domyślny), MLM (Satorra-Bentler), MLR (odporne błędy standardowe Hubera-White'a, skalowane χ² Yuana-Bentlera oraz odporne CFI, TLI i RMSEA, jak przy estimator = "MLR" w lavaan) lub GLS. Wszystkie estymatory używają kompletnych przypadków (usuwanie listwise); FIML nie jest jeszcze dostępny. Opcja MLR została sprawdzona krzyżowo wobec lavaan (MLR). Następnie Explonia estymuje model i pokazuje wskaźniki dopasowania, ładunki standaryzowane, AVE i CR z zastosowanymi progami. Przygotowuje też „Article description” — prosty akapit w stylu APA z wynikami, który czytasz, sprawdzasz i edytujesz, zanim trafi do Twojej pracy. Model i dane możesz wyeksportować do SPSS (.sav), R lub AMOS, aby odtworzyć lub rozszerzyć analizę.
Najczęściej zadawane pytania
Jaka wartość CFI jest dobra dla CFA?
CFI ≥ .95 uznaje się za dobre dopasowanie (Hu & Bentler, 1999), a ≥ .90 jest zwykle akceptowalne; to starsza granica, którą Bentler i Bonett (1980) zaproponowali dla NFI i TLI i którą do CFI stosuje się na zasadzie konwencji. Traktuj je jako wskazówki, a nie sztywne reguły zaliczenia — wyprowadzono je w określonych warunkach i mogą mylić przy złożonych modelach lub danych bez rozkładu normalnego (Marsh, Hau & Wen, 2004). Zawsze raportuj CFI razem z RMSEA i SRMR; żaden pojedynczy wskaźnik nie rozstrzyga dopasowania sam.
CFA czy EFA — którą wykonać najpierw?
Użyj EFA, aby odkryć, ile jest czynników, gdy nie znasz struktury. Użyj CFA, aby potwierdzić strukturę, którą już zakładasz. Jeśli nie masz pewności, zobacz nasze porównanie EFA vs CFA.
Jak duża powinna być próba dla CFA?
Częsta wskazówka to 5–10 przypadków na szacowany parametr, a wielu metodologów sugeruje N ≥ 200 dla stabilnych oszacowań. Złożone modele z wieloma wskaźnikami wymagają więcej.
Moje pozycje to 5-punktowy Likert — czy normalność ma znaczenie?
Pozycje typu Likert rzadko mają rozkład normalny. Zamiast domyślnej metody maximum likelihood użyj odpornego estymatora (MLR) lub estymatora kategorialnego (WLSMV) dla pozycji porządkowych z małą liczbą kategorii.
Last updated: październik 2026
Policz CFA na własnych danych
Zbierz lub wgraj swoje dane, wykonaj analizę w przeglądarce i uzyskaj gotowy akapit APA, który możesz edytować. Start za darmo. Bez karty.
Zacznij za darmo