探索性和确认性因素分析在确定结构独立性方面的差异

研究人员经常使用两项具有非常相似项目的度量标准，并争辩说它们测量的是不同的事物（例如，“我总是在汽车周围时会担心”；“我担心汽车”）。让我们从汽车量表中将假设的量度称为“汽车恐惧量度”和“焦虑量度”。如果他们确实评估了不同的潜在结构，或者它们测量的是相同的东西，我会对经验进行测试感兴趣。

我认为做到这一点的两种最佳方法是通过工厂探索性分析（EFA）或确认性因素分析（CFA）。我认为EFA会很好，因为它允许所有项目不受限制地自由加载。如果两个量表中的项目使用相同的因子，那么我可以得出结论，这些度量可能无法很好地评估不同的事物。但是，我还将看到CFA的好处，因为我将测试预定义的模型。例如，我可以比较一个模型的拟合度，在该模型中，所有项目都加载到一个因素上（即，他们没有评估不同的结构），或者项目被划分为预期的度量。我想，CFA的一个问题是它不会真正考虑替代模型（例如，三因素模型）。

为了讨论的目的，让我们也许考虑一下，我想把另外两种非常相似的方法（例如，汽车焦虑调查表和用于评估汽车恐惧的量表）加入其中！

我怎样才能最好地从统计角度确定两种措施是否评估了不同的结构？

这些方法是探索性和确认性数据分析的应用示例。探索性数据分析寻找模式，而确认性数据分析则对提议的模型进行统计假设检验。实际上，不应从使用哪种方法的角度来看待它，而应该取决于您处于数据分析的哪个阶段。如果您不确定要在模型中包括哪些因素，则可以应用EFA。消除一些因素并确定要包括在模型中的内容后，您可以执行CFA来正式测试模型，以查看所选因素是否重要。

如果我正确理解您的问题，那就是关于测试的问题。那么简单的测试就需要一种验证性因素分析，与问题相同：“亚组中的均值是否真的不同？” 需要进行t检验。

不幸的是（？）选择适当的因子分析方法的一般方法，也通常意味着不同的数学（和统计）模型，例如，如果在SPSS中选择“ CFA”，则意味着您假设不相关的错误并估计了不相关的误差，并从模型中排除了估计-因此，在我看来，由于进一步的含义，正确的因子分析方法的初始选择通常会因这种数学/统计含义而受到损害。

简而言之：您的问题是“测试空值”的一种，因此您需要CFA或更好：在SEM（结构方程模型）框架中开发的方法。请注意，有一个友好而有用的邮件列表，其中包含SEM专家的全称，称为“ SEMNET”。由于我不是真正的专家，因此您可以在此处询问来完善您的反馈...