在第 1 章，您将学习如何进行一次 EFA，以检验围绕单一构念设计的测量工具的统计特性。

探索性因子分析（EFA）入门

从单维 EFA 起步

查看与可视化因子载荷

解读个体的因子分数

测量工具开发流程概览

数据集的描述性统计

拆分数据集

比较数据集的两半

测量特征：相关与信度

查看与检验相关性

内部信度

何时使用 EFA

用因子分析评估测量工具

本章将向您展示如何把第 1 章所学的单因子 EFA 扩展到多维数据。

确定维度性

拆分 BFI 数据集

计算特征值

绘制 scree 图

解读碎石图

理解多维数据

执行多维 EFA

解读结果

检验模型拟合

解读绝对模型拟合统计量

选择最佳模型

多维 EFA

本章将介绍使用 sem 包开展 CFA。将同时讲解基于理论和基于 EFA 的 CFA 结构。

设置 CFA

从 EFA 结果创建 CFA 语法

基于理论创建 CFA 语法

理解 sem() 的语法

sem() 语法的组成部分

运行 CFA 并解读载荷

检查题目载荷

绝对拟合统计量

相对拟合统计量

验证性因子分析

本章将强化 EFA 与 CFA 的区别，并给出改进您的模型和/或测量工具的建议。

重温 EFA 与 CFA 的区别

估计因子载荷的差异

绘制个体因子分数的差异

通过添加载荷来改进拟合

添加负荷以改进拟合

比较原始模型与添加载荷后的模型

使用相对拟合统计量评估新增载荷

通过移除载荷来改进拟合

比较原始模型与删除载荷后的模型

使用相对拟合统计量评估删除载荷

总结视频

完善您的测量与/或模型

Generic Conspiracist Beliefs Scale (GCBS) dataset

现实世界中充满了无法直接观测的变量。您可能关心的构念包括数学能力、人格特质或职场氛围。研究这类构念时，构建与您的理论和数据相匹配的模型至关重要。本课程将帮助您理解维度性，并展示如何开展探索性与验证性因子分析。掌握这些统计技术后，您将能够开发、完善并分享您的测量工具。这些分析是心理学、教育学、政治学、经济学和语言学等诸多领域的基础。

<h2>在 R 中探索因子分析</h2>
世界充满了无法直接测量的不可观测变量。 您可能会对诸如数学能力、人格特质或工作场所氛围之类的构念感兴趣。 在研究这类构念时，拥有一个与您的理论和数据相匹配的模型至关重要。 
<br><br>
这门课程将帮助你理解维度，并向你展示如何进行探索性和验证性因子分析。 
<br><br>
<h2>学习使用探索性因子分析和验证性因子分析</h2>
你将首先掌握探索性因子分析（EFA），学习如何查看和可视化因子载荷、解读因子得分，以及查看和检验相关性。 
<br><br>
一旦你熟悉了单因素 EFA，就会进一步学习多维数据，了解如何计算特征值、创建碎石图等内容。 接下来，你将了解验证性因子分析（CFA），学习如何根据EFA结果和理论创建语法。 
<br><br>
最后一章将探讨EFA与CFA，并提供两者的示例。 你还将学习如何改进模型以及在使用它们时如何进行衡量。 
<br><br>
</h2>开发、优化并分享你的指标<h2>
掌握这些统计技术后，你将能够开发、优化并分享你的指标。 这些分析是多个领域的基础，包括心理学、教育学、政治学、经济学和语言学。"

Intermediate R

Foundations of Inference in R

开始这个四小时课程，学习R中的探索性和验证性因素分析，探索潜在变量如个性。

R 中的因子分析

用探索性和验证性因子分析探索潜变量，如人格。

统计学家 在 R 中

检查题目载荷

R 中的因子分析

动手互动练习