R中psych包EFA与Lavaan包CFA结果不一致问题咨询

核心原因解析 #

• 模型约束逻辑的本质差异
  psych包的EFA（含斜交旋转）是探索性框架，不对指标-因子的归属做绝对固定，仅通过旋转优化因子结构，残差计算基于整体协方差的拟合残差（而非CFA中单个指标的残差方差）。而lavaan的CFA是验证性框架，要求严格固定每个指标的因子归属，同时需显式定义因子间的相关性（斜交因子场景）。若CFA模型未正确设置因子相关，或强制指标归属与实际数据的隐性关联冲突，极易触发Heywood案例（标准化载荷>1、残差方差为负）。

• 斜交旋转结果的适配误区
  斜交旋转（如promax）输出的是模式矩阵（pattern matrix），反映剔除其他因子影响后的纯载荷；而CFA中估计的载荷是指标与因子的直接回归系数。当因子间相关度较高时，直接将EFA的模式载荷对应的结构套入CFA，会因模型约束过严（强制指标仅归属于一个因子，但实际指标与其他因子存在未被允许的关联），导致参数估计出现不合理值。

• 样本量与模型复杂度的匹配问题
  EFA对样本量的容忍度更高，而CFA需要足够的样本支撑参数估计（通常建议每个指标对应5-10个样本）。若3因子模型的指标数量偏少或样本量不足，参数估计的稳定性会大幅下降，进而出现反常结果。

• 两类残差的定义差异
  psych的EFA中“无负残差”指的是协方差拟合残差（观测协方差与模型预测协方差的差值），和CFA中单个指标的残差方差（指标无法被所属因子解释的变异部分）完全不是同一概念，因此EFA的残差结果无法直接推导CFA的残差表现。

可行的解决步骤 #

• 校验CFA模型代码：确保每个指标仅归属于EFA确定的对应因子，且显式声明因子间的相关性（例如：f1 ~~ f2; f1 ~~ f3; f2 ~~ f3）。
• 确认EFA的因子结构清晰度：使用fa.diagram(fa_result)或print(fa_result, sort=TRUE)检查指标的主导因子是否明确，若存在明显的交叉载荷（即使EFA中载荷值较低），需调整CFA的指标归属或合并指标。
• 评估样本量合理性：若样本量未达到CFA的最低要求，优先考虑扩充样本，或简化模型（如移除载荷极低的指标）。
• 对比正交旋转的EFA结果：先尝试将正交旋转（如varimax）得到的因子结构代入CFA，排查是否因因子间高相关性导致的异常估计。
• 参考修正指数优化模型：运行modificationIndices(cfa_result)查看模型的潜在调整方向，若存在显著的跨因子载荷修正项，说明EFA得出的结构并不完全适配CFA的严格约束，需微调模型。

内容的提问来源于stack exchange，提问作者Mason Lowery