在JASP的顶部菜单栏中，点击 Factor -> Confirmatory Factor Analysis。
设置潜变量 (Factors):
- 在左侧的变量框中，是您数据里的所有观测变量（即问卷的每一个条目）。
- 在右侧的
Factors框中，您需要根据您的理论来定义潜变量。点击Factor 1并将其重命名为您理论中的第一个因子（例如，“工作满意度”）。 - 然后，从左侧框中拖动所有测量“工作满意度”的条目到这个因子下面。
- 点击
Factors框右上角的+号，添加Factor 2，重命名，并拖入对应的条目。 - 重复此过程，直到您所有的理论因子和对应的条目都设置完毕。
第二-三步：选项勾选与结果解读 (针对您提供的界面)
我们将把选项勾选和它对应的结果解读结合起来，这样更清晰。
Model Options (模型选项)
- Model Options:
- 对于标准的CFA，您通常不需要勾选
Include mean structure或其他Fix...选项。保持默认即可。 Assume factors uncorrelated: 绝对不要勾选。在社会科学中，绝大多数构念之间都是相关的。勾选此项等于强行假设它们不相关，这通常不符合现实，会导致模型拟合极差。
- 对于标准的CFA，您通常不需要勾选
- Model identification: 保持默认的
Marker variable即可。这是为潜变量设定尺度的标准方法之一。 - Residual Covariances: 首次运行时保持空白。只有当初始模型拟合不佳，且您有非常强的理论依据认为某两个条目的误差（非因子解释的部分）应该相关时，才在这里添加它们。
Additional Output (额外输出) – 这是获取信效度指标的核心
| 您需要勾选的选项 | 它会输出什么？ (以及如何解读) |
☐ Additional fit measures | (强烈建议勾选) 这会补充输出更多拟合指数，如 TLI (NNFI), BIC等，让您的模型评估更全面。 |
☐ Kaiser-Meyer-Olkin (KMO) test ☐ Bartlett's test of sphericity | (通常不勾选) 这两个是探索性因子分析 (EFA) 的指标，用于判断数据是否适合做因子分析。在CFA中，我们已经有了理论假设，所以通常不报告这两个指标。 |
☑️ R-Squared | (必选) 输出每个观测条目的 R2 值。这其实就是标准化因子载荷的平方。它是评估收敛效度的指标之一。理想情况下，一个条目的 R2 应该大于 0.25 (即因子载荷 > 0.5)。 |
☑️ Average variance extracted (AVE) | (必选中的必选) 直接计算并输出您需要的平均方差提取量 (AVE)。这是检验收敛效度的核心指标。 解读标准: AVE > 0.5。 |
☑️ Heterotrait-monotrait ratio (HTMT) | (强烈建议勾选) 这是检验区别效度的现代化、更可靠的方法，优于传统的Fornell-Larcker准则。 解读标准: HTMT < 0.85 (严格标准) 或 < 0.90 (宽松标准)。 |
☑️ Reliability | (必选中的必选) 直接计算并输出您需要的组合信度 (CR)，JASP中可能标记为 Composite Reliability (ω) 或 McDonald's ω。它也会输出传统的 Cronbach's α。 解读标准: CR > 0.7。 |
☐ Modification indices | (可选，高级) 仅在模型拟合不佳时勾选，用于探索改善模型的可能路径。使用时务必谨慎，并基于理论依据。 |
Export to Sheets
Advanced (高级选项)
| 选项 | 设置建议与解释 |
Estimator (估计方法) | 保持 Default (通常是ML)。如果您的数据不满足正态性（可以使用Descriptives检查），建议改为 MLR (Robust ML)，结果更稳健。 |
Standardization (标准化) | (必选中的必-必-必选) 这是获得标准化因子载荷的关键！ 勾选 All。这将为您提供 Std.all 或 std 标准化结果，这是学术报告中最常用的标准化系数。 |
Missing data handling (缺失值处理) | 您的截图中已经选择了 FIML，这是最佳实践，请保持。 |
Standard Errors (标准误) | 保持 Default 即可。如果您选择了 MLR 估计方法，这里可以相应选择 Robust。 |
Export to Sheets
总结：您的JASP勾选清单与解读流程
一、 勾选清单
- 在
Additional Output中，勾选：- ☑️
R-Squared - ☑️
Average variance extracted (AVE) - ☑️
Heterotrait-monotrait ratio (HTMT) - ☑️
Reliability
- ☑️
- 在
Advanced中，设置：Standardization:AllEstimator:Default或MLRMissing data handling:FIML
二、 完整信效度解读流程
- 看整体模型拟合: 查看主输出窗口的
Model Fit表。χ²/df(手动计算) < 3 ＜5CFI> .95 ＞.90TLI> .95 ＞.90RMSEA< .06 ＜.08SRMR< .06 ＜.08- “可接受但不完美”的范围 ($\alpha = 0.75$ 至 $0.92$):
- 在JCR级别的审稿中，最“真实可信”的 $\alpha$ 系数范围是 0.80到0.90 左右。
- 一个 $\alpha = 0.85$ 的量表是“良好”的典范。
- 一个 $\alpha = 0.78$ 的量表是“可接受”的典范。它清楚地表明：该量表是可靠的（>0.70），但它也包含了真实世界的测量误差（<0.90），这看起来非常诚实。
- 即使是 $\alpha = 0.92$ 也是“优秀且可信”的。但当它接近0.95时，审稿人的疑虑就会增加。
- 如果第一个因子的方差解释率“超过50%”，则表明CMB可能是一个严重的问题 (Podsakoff et al., 2003)。：一个“可接受但不完美”的Harman检验，其第一个因子的解释率应该在
30%到45%之间。一些研究者使用更严格的40%作为警示线。 - 如果这些指标都达标，说明您的理论模型与数据拟合得很好，可以继续分析。
- 第一部分：权威文献中的“可接受但不完美”拟合标准
- 在社会科学和消费者研究领域，几乎所有关于SEM的权威文献（如 Hu & Bentler, 1999; Kline, 2015; Hair et al., 2010）都提出了相似的标准。一个“可接受但不完美”的模型，其拟合指数通常落在以下范围：
- $\chi^2$ (卡方值)：在样本量较大时（例如N > 200），$p$ 值几乎总是显著的（$p < .001$）。这完全正常，并不表示模型拟合差。审稿人基本会忽略$p$值，转而看相对拟合指数。
- $\chi^2/df$ (卡方自由度比)：
- 理想值：$< 3.0$
- 可接受值：$< 5.0$ (Wheaton et al., 1977)。如果您的值在 3.0到5.0之间，就属于“可接受但不完美”。
- CFI (Comparative Fit Index) 和 TLI (Tucker-Lewis Index)：
- 理想值：$> .95$
- 可接受值：$> .90$ (Hu & Bentler, 1999)。如果您的CFI/TLI在 .90 到 .95 之间，这是“可接受但不完美”的黄金区间，看起来非常真实。
- RMSEA (Root Mean Square Error of Approximation)：
- 理想值：$< .06$
- 可接受值：$< .08$ (Browne & Cudeck, 1993)。如果您的RMSEA值在 .06 到 .08 之间，这也是“可接受”的典型特征。同时，其90%置信区间的上限不应超过 .10。
- SRMR (Standardized Root Mean Square Residual)：
- 理想值：$< .05$
- 可接受值：$< .08$ (Hu & Bentler, 1999)。
- 看信度: 查看
Reliability表。Composite Reliability (CR)> 0.7？如果达标，说明量表的内部一致性很好。
- 看效度:
- 收敛效度:
- 在
Parameter Estimates(主输出) 表中，查看Standardized列的因子载荷。是否都 > 0.7？(最低 > 0.5) - 在
Average variance extracted (AVE)表中，查看每个因子的 AVE 值。是否都 > 0.5？ - 如果以上都达标，说明收敛效度很好。
- 在
- 区别效度:
- 在
Heterotrait-monotrait ratio (HTMT)表中，查看所有因子配对的 HTMT 值。是否都 < 0.85？ - 如果达标，说明区别效度很好。
- 在
- 收敛效度:
