कन्फर्मेटरी फैक्टर एनालिसिस: कॉन्स्ट्रक्ट्स की जाँच के लिए मार्गदर्शिका

जब हम ऐसे प्रश्नावली के उत्तर देते हैं जैसे "मैं हमारे काम से संतुष्ट हूँ" या "मुझे अपने सहयोगियों के साथ काम करना पसंद है," तो हम शोधकर्ताओं को ऐसे अवधारणाओं पर जानकारी जुटाने में मदद करते हैं जिन्हें सीधे मापा नहीं जा सकता। उदाहरण के लिए, नौकरी संतुष्टि, प्रेरणा, या चिंता लें। इन्हें शोधकर्ता गुप्त कॉन्स्ट्रक्ट्स (latent constructs) कहते हैं—ये अमूर्त अवधारणाएँ हैं जिन्हें सीधे नहीं मापा जा सकता, लेकिन प्रतिक्रियाओं, व्यवहार, या टेस्ट आइटम्स के माध्यम से अप्रत्यक्ष रूप से देखा जा सकता है।

पर मुद्दा यह है कि क्या ये प्रश्न सचमुच उसी अवधारणा को मापते हैं जिसका आकलन किया जा रहा है, न कि किसी और चीज़ को।

यहीं पर कन्फर्मेटरी फैक्टर एनालिसिस (CFA) तस्वीर में आता है। CFA एक सांख्यिकीय तकनीक है जो यह सत्यापित करती है कि अवलोकित वेरिएबल्स (जैसे सर्वे के प्रश्न) और अप्रेक्षित कॉन्स्ट्रक्ट्स (उदाहरण के लिए, प्रेरणा) के बीच संबंध है या नहीं। आगे बढ़ते हुए और CFA को गहराई से समझते समय, इसे एक्सप्लोरेटरी फैक्टर एनालिसिस (EFA) से अलग समझना महत्वपूर्ण है। EFA के विपरीत, जो बिना परिकल्पना के पैटर्न खोजता है, CFA किसी सिद्धांत से शुरू होता है और जाँचता है कि डेटा उसे मान्य करता है या नहीं।

स्ट्रक्चरल इक्वेशन मॉडलिंग (SEM) का एक महत्वपूर्ण भाग होने के नाते, CFA सुनिश्चित करता है कि अवधारणाओं के बीच संबंधों की जाँच करने से पहले, स्वयं अवधारणाओं का मापन विश्वसनीय और वैध तरीके से हो।

कन्फर्मेटरी फैक्टर एनालिसिस (CFA) क्या है?

CFA इस प्रश्न पर विचार करता है: क्या मेरा मापन मॉडल वास्तविकता के अनुकूल है?

इस प्रश्न को बेहतर समझने के लिए, पहले समझें कि मापन मॉडल क्या है। यह एक मानचित्र है जो अवलोकित सूचकों (जैसे सर्वे आइटम्स) को गुप्त कॉन्स्ट्रक्ट्स (जैसे अवसाद, प्रेरणा, या संतुष्टि) से जोड़ता है। CFA में, शोधकर्ता इस मानचित्र को सिद्धांत या पूर्व के शोध के आधार पर पहले से निर्दिष्ट करते हैं और फिर जाँचते हैं कि डेटा उस संरचना के अनुरूप है या नहीं।

उपमा के साथ CFA और EFA की तुलना करें तो, EFA नए शहर में बिना मानचित्र के घूमने जैसा है। जबकि CFA वैसा है जैसे हम जाँचें कि हमारे GPS के निर्देश वास्तविक सड़कों से मेल खाते हैं या नहीं।

CFA के प्रमुख घटक

गुप्त कॉन्स्ट्रक्ट्स और अवलोकित सूचक

• गुप्त कॉन्स्ट्रक्ट्स ऐसे वैचारिक विचार हैं जिन्हें सीधे नहीं मापा जा सकता, जैसे बुद्धिमत्ता, बर्नआउट, और खुशी।
• अवलोकित सूचक वे वस्तुएँ हैं जिनसे हम मापन करते हैं, जैसे टेस्ट स्कोर, सर्वे आइटम्स, और व्यवहार रेटिंग।

नौकरी संतुष्टि को मापने के लिए, हम निम्नलिखित का उपयोग कर सकते हैं:

• मैं अपने काम से संतुष्ट महसूस करता/करती हूँ।
• मैं अपने वेतन से संतुष्ट हूँ।
• मेरा अपने सहयोगियों के साथ कार्य संबंध अच्छा है।

ये विभिन्न प्रतिक्रियाएँ एक ही अंतर्निहित फैक्टर—नौकरी संतुष्टि—को प्रतिबिंबित करती हैं।

फैक्टर लोडिंग्स

फैक्टर लोडिंग्स हमें बताती हैं कि प्रत्येक सूचक अपने अंतर्निहित कॉन्स्ट्रक्ट को किस हद तक पकड़ रहा है। 0.7 से ऊपर की उच्च लोडिंग्स मज़बूत प्रतिनिधित्व दर्शाती हैं, जबकि 0.4 से 0.7 के बीच की मध्यम लोडिंग्स अधिकतर मामलों में पर्याप्त मानी जाती हैं।

फैक्टर लोडिंग्स को अपने मोबाइल फोन के सिग्नल स्ट्रेंथ की तरह समझें। जितना मज़बूत सिग्नल, उतना ही बेहतर कॉन्स्ट्रक्ट का सूचक।

मापन मॉडल

मापन मॉडल सिद्धांत के अनुसार यह निर्दिष्ट करता है कि कौन-से अवलोकित वेरिएबल्स किस गुप्त कॉन्स्ट्रक्ट से संबंधित हैं। EFA के विपरीत, जहाँ डेटा संरचना तय करता है, CFA इस संरचना को पहले से लागू करता है और इसलिए यह अन्वेषणात्मक के बजाय पुष्टिकरणात्मक है।

CFA की प्रक्रिया

मूल अवधारणाएँ प्रस्तुत करने के बाद, आइए CFA प्रक्रिया को चरण-दर-चरण समझें। यह Python डेमो semopy पैकेज का उपयोग करता है।

चरण 1: मॉडल विनिर्देशन

CFA में पहला कदम सैद्धांतिक मॉडल को परिभाषित करना है। शोधकर्ता तय करते हैं कि कौन-से गुप्त कॉन्स्ट्रक्ट्स मौजूद हैं और उन्हें सूचकों के माध्यम से कैसे अवलोकित किया जाता है।

मान लीजिए हम कार्यस्थल मनोविज्ञान का अध्ययन कर रहे हैं। हम दो कॉन्स्ट्रक्ट्स को मापना चाहते हैं:

• जॉब सैटिस्फैक्शन (JobSat), जिसे तीन सर्वे आइटम्स से मापा गया है:

• JS1: मैं अपने काम से संतुष्ट महसूस करता/करती हूँ।

• JS2: मैं अपने वेतन से संतुष्ट हूँ।

• JS3: मेरे सहयोगियों के साथ मेरे संबंध अच्छे हैं।

• वर्क एंगेजमेंट (WorkEng), जिसे तीन सर्वे आइटम्स से मापा गया है:

• WE1: मैं काम पर ऊर्जावान महसूस करता/करती हूँ।

• WE2: मैं अपनी नौकरी के प्रति उत्साही हूँ।

• WE3: मैं अपने काम में डूब जाता/जाती हूँ।

हम यह भी अपेक्षा करते हैं कि जॉब सैटिस्फैक्शन और वर्क एंगेजमेंट सहसंबद्ध होंगे।

Python की समर्पित लाइब्रेरी semopy में, यह मॉडल इस प्रकार व्यक्त किया जा सकता है:

model_desc = """
JobSat =~ JS1 + JS2 + JS3
WorkEng =~ WE1 + WE2 + WE3
JobSat ~~ WorkEng
"""संचालित द्वारा

जहाँ:

• =~ यह परिभाषित करता है कि कौन-से अवलोकित आइटम्स किसी विशिष्ट गुप्त फैक्टर पर लोड होते हैं।

• ~~ दो गुप्त फैक्टर्स के बीच सहसंबंध को परिभाषित करता है।

चरण 2: डेटा संग्रह

उचित आकलन के लिए CFA को अपेक्षाकृत बड़े सैंपल की आवश्यकता होती है। एक प्रचलित नियम है कम से कम 200 प्रतिभागी, या प्रत्येक अनुमानित पैरामीटर पर 10 मापन।

प्रक्रिया को दर्शाने के लिए, एक सरल डेटासेट पर काम करते हैं:

import pandas as pd
df = pd.DataFrame({
    "JS1": [3, 4, 5, 2, 4, 5, 3, 4],
    "JS2": [4, 5, 4, 3, 5, 4, 3, 5],
    "JS3": [2, 3, 4, 2, 3, 4, 2, 3],
    "WE1": [5, 4, 5, 3, 4, 5, 4, 5],
    "WE2": [4, 4, 5, 2, 3, 5, 3, 4],
    "WE3": [3, 5, 4, 3, 4, 5, 3, 4]
})संचालित द्वारा

वास्तविक अध्ययन में, डेटासेट में सैकड़ों सर्वे प्रतिक्रियाएँ शामिल होंगी।

चरण 3: मॉडल आकलन

अब जब हमारे पास डेटा और मॉडल है, तो पैरामीटर का आकलन करने का समय है। आकलन से फैक्टर लोडिंग्स मिलती हैं जो कॉन्स्ट्रक्ट्स और आइटम्स के बीच संबंध की मज़बूती दर्शाती हैं, साथ ही अन्य पैरामीटर्स भी।

सबसे लोकप्रिय आकलन विधि है मैक्सिमम लाइकलीहुड (ML)। यह मानती है कि अवलोकित डेटा सतत हैं और बहुविविध सामान्य वितरण का पालन करते हैं। जहाँ यह धारणा सही नहीं होती—जैसे तिरछे (skewed) या श्रेणीबद्ध डेटा में—वहाँ Weighted Least Squares (WLS) जैसे एस्टिमेटर की सिफारिश की जाती है।

Python में, semopy का उपयोग करते हुए:

from semopy import Model
mod = Model(model_desc)
mod.fit(df)संचालित द्वारा

यह डेटा पर CFA मॉडल फिट करता है और फैक्टर लोडिंग्स, सहसंबंध, और वैरिएंस का आकलन करता है।

चरण 4: मॉडल फ़िट का मूल्यांकन

मॉडल के आकलन के बाद अगला कदम यह जाँचना है कि मॉडल डेटा पर कितना अच्छा फिट बैठता है।

फ़िट का आकलन सांख्यिकीय सूचकों से किया जाता है:

• काय-स्क्वायर (χ²): गैर-उल्लेखनीय मान अच्छा फिट दर्शाता है, पर यह सैंपल आकार के प्रति बहुत संवेदनशील है।
• RMSEA (< 0.06): कम मान बेहतर अनुमानित फ़िट दर्शाते हैं।
• CFI (> 0.95): लक्ष्य मॉडल की तुलना बेसलाइन मॉडल से करता है।
• SRMR (< 0.08): अनुमानित और अवलोकित सहसंबंधों के औसत अंतरों का आकलन करता है।

Python में:

from semopy import calc_stats
stats = calc_stats(mod)

print("Chi-square:", stats.get('chi2'))
print("Degrees of Freedom:", stats.get('df'))
print("CFI:", stats.get('cfi'))
print("RMSEA:", stats.get('rmsea'))
print("SRMR:", stats.get('srmr'))संचालित द्वारा

यह आउटपुट दिखाता है कि सैद्धांतिक मॉडल अवलोकित डेटा से मेल खाता है या नहीं। यदि सूचक अनुशंसित सीमाओं के भीतर हैं, तो मॉडल अच्छा फिट माना जाता है।

चरण 5: मॉडल परिष्करण

जहाँ फिट कमजोर हो, वहाँ शोधकर्ता अक्सर मॉडिफिकेशन इंडेक्स का निरीक्षण करते हैं। ये सूचक सुझाते हैं कि यदि कुछ पैरामीटर्स—जैसे विशिष्ट आइटम्स के बीच त्रुटि सह-सहसंबंध या अतिरिक्त फैक्टर लोडिंग्स—को अनुमान के लिए मुक्त किया जाए, तो मॉडल फ़िट कैसे सुधर सकता है।

हालाँकि, यह ध्यान रखना महत्वपूर्ण है कि संशोधन केवल आँकड़ों के सहारे नहीं, बल्कि सिद्धांत द्वारा निर्देशित होने चाहिए। अन्यथा, मॉडल एक डेटासेट पर बहुत अच्छा ओवरफ़िट हो सकता है, पर अन्य पर विफल हो जाएगा।

अनुमानित पैरामीटर्स (जैसे, फैक्टर लोडिंग्स) का निरीक्षण नीचे दिखाए अनुसार किया जा सकता है:

estimates = mod.inspect()
print(estimates[['lval', 'op', 'rval', 'Estimate']])संचालित द्वारा

यह दिखाता है कि प्रत्येक आइटम अपने अंतर्निहित कॉन्स्ट्रक्ट पर किस हद तक लोड हो रहा है। कम लोडिंग (< 0.4) वाले आइटम्स की वास्तविक स्कोर के मापन में विश्वसनीयता पर सवाल उठ सकते हैं, और वे हटाने या संशोधन के उम्मीदवार बन सकते हैं।

Chi-square: Value    7.086071
Name: chi2, dtype: float64
DF: None
p-value: None
RMSEA: None
CFI: None
SRMR: None

Parameter estimates:
       lval  op     rval  Estimate  Std. Err    z-value   p-value
0       JS1   ~   JobSat  1.000000         -          -         -
1       JS2   ~   JobSat  0.991985  0.079766  12.436258       0.0
2       JS3   ~   JobSat  0.901155  0.074451  12.103973       0.0
3       WE1   ~  WorkEng  1.000000         -          -         -
4       WE2   ~  WorkEng  0.879609  0.083147  10.578944       0.0
5       WE3   ~  WorkEng  0.758832  0.072321  10.492585       0.0
6    JobSat  ~~  WorkEng -0.014492  0.017919  -0.808725  0.418674
7    JobSat  ~~   JobSat  0.283181  0.033256   8.515047       0.0
8   WorkEng  ~~  WorkEng  0.332945  0.042414   7.849889       0.0
9       JS1  ~~      JS1  0.182918  0.022465   8.142378       0.0
10      JS2  ~~      JS2  0.215892  0.023358   9.242882       0.0
11      JS3  ~~      JS3  0.293970    0.0243  12.097738       0.0
12      WE1  ~~      WE1  0.225318  0.030959   7.277931       0.0
13      WE2  ~~      WE2  0.304496  0.028694  10.611756       0.0
14      WE3  ~~      WE3  0.269805  0.023279  11.590123       0.0संचालित द्वारा

संदर्भ में एक त्वरित उदाहरण

CFA के परिणाम दर्शाते हैं कि जॉब सैटिस्फैक्शन का JS1 (1.00) और JS2 (0.992) पर लोडिंग मज़बूत है, और JS3 (0.901) पर मध्यम रूप से कम है। यह सुझाता है कि तीनों सर्वे प्रश्न जॉब सैटिस्फैक्शन को मापने में सार्थक योगदान देते हैं। कोई भी आइटम समस्याग्रस्त नहीं दिखता, क्योंकि सभी फैक्टर लोडिंग्स मानक 0.7 की कट-ऑफ से काफी ऊपर हैं।

इसी तरह, वर्क एंगेजमेंट की लोडिंग WE1 (1.00) और WE2 (0.880) पर मज़बूत है, जबकि WE3 (0.759) पर थोड़ी कम है, लेकिन फिर भी स्वीकार्य है।

जॉब सैटिस्फैक्शन का WorkEng (-0.014) से बहुत कम संबंध है, जो दर्शाता है कि इस सैंपल में दोनों कॉन्स्ट्रक्ट्स काफ़ी स्वतंत्र हैं।

इन परिणामों के आधार पर हमारा दृष्टिकोण यह है:

• जॉब सैटिस्फैक्शन के सभी तीन आइटम्स (JS1, JS2, JS3) को बनाए रखें, क्योंकि वे सभी कॉन्स्ट्रक्ट पर उच्च लोडिंग दिखाते हैं।

• वर्क एंगेजमेंट के सभी तीन आइटम्स (WE1, WE2, WE3) को बनाए रखें, क्योंकि प्रत्येक सार्थक लोडिंग दिखाता है।

• कोई ठोस परिवर्तन आवश्यक नहीं, क्योंकि फैक्टर लोडिंग्स उच्च हैं और सभी अनुमानित पैरामीटर्स महत्त्वपूर्ण हैं।

यह पुष्टि करता है कि मापन मॉडल इच्छानुसार काम कर रहा है। अवलोकित सूचक अपने गुप्त कॉन्स्ट्रक्ट्स को विश्वसनीय रूप से प्रतिबिंबित करते हैं।

CFA की आवश्यकताएँ और धारणाएँ

वैध और व्याख्यायोग्य परिणामों के लिए CFA कुछ प्रमुख धारणाओं पर निर्भर करता है। इन धारणाओं को समझना यह परखने में मदद करता है कि CFA कब उपयुक्त है और यदि डेटा उनसे पूरी तरह सुसंगत न हो तो कैसे प्रतिक्रिया दें।

बहुविविध सामान्यता

CFA सामान्यतः मैक्सिमम लाइकलीहुड (ML) आकलन का उपयोग करता है, जो मानता है कि अवलोकित वेरिएबल्स बहुविविध सामान्य वितरण का पालन करते हैं।

हालाँकि, जब प्रतिक्रियाएँ अत्यधिक तिरछी हों या श्रेणीबद्ध हों, तो यह धारणा सही नहीं रहती। ऐसे मामलों में फैक्टर लोडिंग्स, मानक त्रुटियाँ, और फ़िट सूचक पक्षपाती हो सकते हैं। इसका समाधान करने के लिए Weighted Least Squares (WLS) जैसे वैकल्पिक आकलन या Satorra-Bentler जैसी रोबस्ट पद्धतियाँ उपयोग की जाती हैं, जिन्हें सख्त सामान्यता की आवश्यकता नहीं होती।

पर्याप्त सैंपल आकार

CFA में कई पैरामीटर्स (फैक्टर लोडिंग्स, वैरिएंसेस, कोवैरिएंसेस) का आकलन शामिल है। छोटे सैंपल आकार अस्थिर आकलन और अविश्वसनीय निष्कर्षों का कारण बन सकते हैं।

एक सामान्य दिशा-निर्देश कम से कम 200 प्रतिभागियों या प्रत्येक अनुमानित पैरामीटर पर 10 अवलोकन सुझाता है। सैंपल जितना बड़ा होगा, परिणाम उतने ही सटीक और सामान्यीकरण योग्य होंगे।

सही मॉडल विनिर्देशन

CFA एक पूर्व-निर्दिष्ट सैद्धांतिक मॉडल का परीक्षण करता है। यदि मॉडल गलत निर्दिष्ट हो—जैसे सूचकों को गलत गुप्त फैक्टर को सौंप देना—तो CFA इसे सुधार नहीं सकता।

रैंडम सैम्पलिंग

आदर्श रूप से, डेटा एक रैंडम सैंपल से आना चाहिए ताकि निष्कर्ष अध्ययन में प्रयुक्त डेटासेट से परे सामान्यीकृत हो सकें।

गैर-रैंडम या पक्षपाती सैंपल ऐसे परिणाम दे सकते हैं जो सैंपल की विशिष्टताओं को दर्शाएँ, न कि अध्ययनाधीन विचार को।

बेयज़ियन CFA भी अत्यंत लचीला है और पूर्व-ज्ञान के अनुसार छोटे सैंपल, जटिल मॉडलों, या गैर-सामान्य डेटा को समायोजित करता है।

एक्सप्लोरेटरी फैक्टर एनालिसिस (EFA) से तुलना

आइए EFA और CFA की तुलना पर फिर लौटें। EFA डेटा-चालित है, जो बिना पूर्वधारणाओं के गुप्त संरचनाएँ उजागर करता है। सभी फैक्टर लोडिंग्स स्वतंत्र रूप से अनुमानित होती हैं, जिससे डेटा "स्वयं बोले"। CFA सिद्धांत-चालित है और पूर्व-निर्दिष्ट परिकल्पित संरचनाओं का सीमित लोडिंग्स के साथ परीक्षण करता है।

शोधकर्ता प्रायः इन दोनों विधियों का क्रम में उपयोग करते हैं—जहाँ EFA संभावित संरचनाओं की पड़ताल करता है और CFA उन्हें पुष्ट करने में मदद करता है। यह दृष्टिकोण प्रायोगिक खोज और सैद्धांतिक सत्यापन दोनों के लिए अवसर देता है।

CFA में उन्नत विषय और विस्तार

मल्टीलेवल और लॉन्गिट्यूडिनल CFA

• मल्टीलेवल CFA नेस्टेड डेटा, जैसे कक्षाओं में छात्र, को ध्यान में रखने के लिए बनाई गई है।
• लॉन्गिट्यूडिनल CFA यह जाँचता है कि कॉन्स्ट्रक्ट्स कैसे विकसित होते हैं, जिससे मापन स्थिरता, परिवर्तन, और समय-अपरिवर्तनीयता का आकलन करने में मदद मिलती है।

सेकंड-ऑर्डर और बाइफैक्टर मॉडल्स

• सेकंड-ऑर्डर CFA, प्रथम-स्तरीय फैक्टर्स को मॉडल करके गुप्त वेरिएबल्स के बीच संबंधों का मॉडलन करता है, जैसे मौखिक, स्थानिक, और संख्यात्मक क्षमताओं को उच्च-स्तरीय कॉन्स्ट्रक्ट—जनरल इंटेलिजेंस—के सूचकों के रूप में।
• बाइफैक्टर मॉडल्स सामान्य कारकों से जुड़ी विचरण और विशिष्ट उप-आयामों के कारण होने वाली विचरण को अलग करते हैं।

बेयज़ियन CFA

बेयज़ियन CFA पारंपरिक विधियों का एक लचीला विकल्प है। यह पैरामीटर आकलन में प्रायर वितरणों को शामिल करता है, जो मॉडल की स्थिरता बढ़ाता है और छोटे सैंपल, जटिल मॉडल, या गैर-सामान्य डेटा के लिए उपयोगी बनाता है।

CFA के अनुप्रयोग

CFA का व्यापक रूप से उपयोग होता है:

• स्केल वैलिडेशन के लिए—यह सत्यापित करने हेतु कि अवलोकित आइटम्स का समूह उस सैद्धांतिक कॉन्स्ट्रक्ट को सटीकता से प्रतिबिंबित करता है जिसे मापना उद्देश्य है, जैसे नई एंग्ज़ायटी प्रश्नावली।
• सैद्धांतिक मॉडलों का परीक्षण—यह आकलन करने के लिए कि गुप्त कॉन्स्ट्रक्ट्स के बीच संबंधों की संरचना सैद्धांतिक अपेक्षाओं के अनुरूप है या नहीं।
• समूहों के बीच तुलना—मापन अपरिवर्तनीयता का परीक्षण करने के लिए। उदाहरण के लिए, यह निर्धारित करने में मदद करता है कि संतुष्टि स्केल संस्कृतियों या जेंडर के बीच समान रूप से काम करता है या नहीं।
• मनोमितीय उपकरणों को परिष्कृत और बेहतर बनाना—कमज़ोर या अतिरंजित आइटम्स की पहचान करके। यह टेस्ट्स और सर्वे की विश्वसनीयता और वैधता में सुधार करता है।

सीमाएँ और चुनौतियाँ

CFA पर गहराई से चर्चा करने के बाद, यह स्वीकार करना महत्वपूर्ण है कि इसके साथ कुछ सीमाएँ आती हैं। इसकी प्रभावशीलता निम्न बातों पर निर्भर करती है:

• अंतर्निहित सिद्धांत की गुणवत्ता: कमजोर या खराब निर्दिष्ट सैद्धांतिक आधार खराब फ़िट वाले मॉडलों की ओर ले जा सकते हैं।
• धारणाएँ: गैर-सामान्य डेटा वितरण या छोटे सैंपल आकार आकलनों को प्रभावित कर सकते हैं, जो बदले में व्याख्यात्मकता पर असर डालता है।
• ओवरफ़िटिंग का जोखिम, जो बेहतर फ़िट पाने के लिए मॉडलों में अत्यधिक संशोधन से उत्पन्न होता है। ऐसे बदलाव सहसंबद्ध त्रुटियाँ जोड़ते हैं जो एक ही डेटासेट पर काम कर सकती हैं, पर अन्य जगह सामान्यीकृत होने में विफल रहती हैं।

निष्कर्ष

कन्फर्मेटरी फैक्टर एनालिसिस सिद्धांत और डेटा के बीच सेतु का काम करता है, जिससे मनोविज्ञान, शिक्षा, मार्केटिंग, या संगठनात्मक शोध में अप्रेक्षित तत्वों का सटीक मापन संभव हो पाता है। यह गुप्त कॉन्स्ट्रक्ट्स को मान्य करने और मापन के लिए ठोस आधार तैयार करने का ढांचा प्रदान करता है। स्ट्रक्चरल इक्वेशन मॉडलिंग का हिस्सा होने के नाते, मल्टीलेवल, लॉन्गिट्यूडिनल, और बेयज़ियन विस्तारों जैसे नए विकास के साथ CFA लगातार विकसित हो रहा है।