假如许多观察变量归属于一个共同的潜变量，那么这些变量之间，至少应该存在中等程度的相关（反映了收敛效度）。如果相关系数低，它们就属于不同的潜变量（反映了区分效度）。假如用验证性因素分析能找到一个独特的模型来很好地拟合数据，那么这就意味着，模型假设的结构充分反映了收敛和区分效度。我们也可以用因素分析的负荷量来判断收敛效度与区分效度。因素与变量的相关系数，称为因素负荷量（factor loading）。表5-4 为假设模型转轴后的因素负荷量矩阵。
表5-4 假设模型转轴后的因素负荷量矩阵
萃取方法：主成分分析 旋转方法：Varimax with Kaiser Normalization
由表5-4 可知，Q40b_1 在因素3 上的因素负荷量（0.644）大于因素4的值（0.208），从实际情况分析，因素3 代表的是Q40c_1 和 Q40d_1 组成的潜变量，表达对情感的认知情况，Q40b_1 是针对信任度的测量，分属于不同的潜变量，显示区分效度较差，因此在路径图中去掉Q40b_1，以增加此因素的区分效度。调整后的矩阵如表5-5 所示：
表5-5 转轴后的因素负荷量矩阵(www.xing528.com)
萃取方法：主成分分析 旋转方法：Varimax with Kaiser Normalization
由表5-5 可知，对同一因素，其对应的题项的因素负荷量大于0.5，就可以认为此变量的收敛效度佳。符合此条件的题项越多，则此变量的区别效度就越高。研究结果显示各个因素的因素负荷量均大于0.5，六个潜变量因子显示良好的区分效度和收敛效度。调整后的模型如图5-3 所示：
图5-3 调整后的模型
说明：Q40e_1——人与人之间应当相互信任；Q40f_1——人与人之间的信任是可以做到的；Q40l_1——信任别人会得到好的回报；Q40i_1——在家靠父母，出外靠朋友；Q40k_1——与人打交道还是谨慎点好；Q28_1——与同学关系；Q30_1——喜欢参加学校或班级开展活动；Q35_1——重视学习环境中的人际关系；Q21_1——家是最温暖的地方；Q24_1——与父亲的关系；Q25_1——与母亲的关系；Q10_1——对情感的态度；Q40a_1——人离不开爱情、亲情、友情这些情感的支持；Q40c_1——应当尊重情感生活的隐私性；Q40d_1——个人的情感是完全自由的
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
