在心理学、教育学、社会学等社会科学领域，验证性因子分析（CFA）是检验潜变量结构的重要工具。研究者常面临三种常见模型的选择：相关因子模型、高阶因子模型和双因子模型。然而，如何科学比较这些模型，避免误用和误导性结论，已成为方法论研究的热点。近日，多位统计方法学专家围绕这一问题提出了系统的比较框架，为实证研究提供了清晰的指引。
三种模型的核心差异
相关因子模型是最基础的CFA形式，它假设多个一阶因子之间存在相关关系，但不假定存在更高阶的公共因子。例如，测量智力时，言语能力、空间能力、记忆能力等因子可以自由相关，但不存在一个“一般智力”因子统领它们。
高阶因子模型则在相关因子基础上引入一个或多个二阶因子，假设一阶因子之间的相关完全由高阶因子解释。比如，工作满意度、组织承诺和离职倾向可能由“员工态度”这一高阶因子驱动。该模型适合于理论明确指向层级结构的场景。
双因子模型则独树一帜：它同时包含一个全局因子（如一般智力）和多个正交的特定因子（如各领域能力），且全局因子直接影响所有条目，而特定因子仅影响各自维度的条目。这一模型近年来在人格测验、临床诊断等领域备受青睐，因其能分离出共同方差和独特方差。
比较的核心挑战：模型等价性与拟合指标
专家指出，这三种模型并非总是嵌套关系，直接比较需谨慎。例如，在某些条件下，双因子模型与高阶因子模型可能在参数数量上不同，但拟合优度却十分接近。传统上，研究者依赖卡方检验、CFI、RMSEA、TLI等拟合指数进行判断。然而，这些指标对样本量、模型复杂度敏感，且不同模型的理论含义差异巨大——仅凭数值高低定优劣，极易犯“唯数据论”的错误。
“一个常见的误区是，研究者只比较了整体拟合指数，却忽略了模型的理论可解释性。”统计方法学家张明教授（化名）在最新评论中指出，“例如，双因子模型往往能获得比高阶因子模型更优的拟合，因为其参数更多、约束更少。但如果理论不支持全局因子的存在，强行使用双因子模型就是过度拟合。”
专家建议：多维度综合评估
针对这一困境，学术社群提出了以下比较策略：
-
理论先行：首先明确研究假设。如果理论明确指向层级结构（如智力、人格特质），高阶因子模型更合适；如果关注特化成分与一般成分的独立贡献，双因子模型更佳。
-
参数约束检验：高阶因子模型对一阶因子之间的相关模式有强约束（即所有相关必须由二阶因子解释），而双因子模型要求所有条目在全局因子上的载荷为正。研究者应检验这些约束是否合理，可通过修改指数和交叉验证进行。
-
增量有效性与方差分解：比较模型在解释外部效应（如预测行为、区分群体）方面的能力。双因子模型可以量化全局因子和特定因子的独特预测力，而高阶因子模型只能给出二阶因子的效果。
-
模型简效性与稳健性：使用AIC、BIC等信息准则平衡拟合与复杂度。样本量较小时，高阶因子模型可能因参数较少而更稳健；大样本下，双因子模型可能优势明显。
-
交叉验证与等同性检验：在训练集和验证集上重复比较，使用修正的Satorra-Bentler卡方差异检验、CFI差异比较等方法，确保结论可复现。
未来方向与实用建议
当前，结构方程模型软件如Mplus、lavaan、OpenMx等已提供丰富的比较工具。专家建议，研究者应事先进行模拟研究或查阅已有元分析，了解不同模型在特定领域（如职业兴趣、心理健康）的典型表现。
“不存在放之四海而皆准的最佳模型，”美国心理学会方法论分会前主席简·布朗（化名）总结道，“更重要的是，研究者应当透明报告模型选择过程，包括理论依据、比较指标和最终决策的敏感性分析。唯有如此，结构方程建模才能真正为理论检验服务，而非沦为数字游戏。”
这一方法论共识的普及，有望提升未来研究中因子分析的使用质量，避免因模型误用导致的理论误导和实践偏差。