什么是数学建模
官方答案：数学建模，就是根据实际问题来建立数学模型，对数学模型来进行求解，然后根据结果去解决实际问题。

但我觉得类比小学数学的应用题刚刚好
给出题目（数据）–列算式或解方程（建模）–根据计算结果作答（写论文）
数学要求
感觉大学课程学到的数学都有涉及到（非数学专业），包括：高等数学，线性代数，概率论，离散数学

如高等数学的微分方程，线性代数的矩阵，概率论的线性回归分析，离散数学的图论，最短路径等
模型
入门可以先学习常见的模型，有些模型已经相当成熟，对于问题的契合度非常高，这些都是我们借鉴的对象。如传染病的SEIR模型，层次分析模型，灰色预测模型等等
工具
常见工具如MATLAB、SPSS、LINGO等

LINGO常用于方程的求解和优化模型（没用过）

MATLAB主要用于数据可视化和或者数据计算，真正学习起来这款软件应该够开一学期的课程，但这些只是我们求解的工具，能够使用得到自己想要的便足够了，重点还是在模型的建立方面。
代码
有时候为了使模型模拟更加直观除了MATLAB，我们也可以借助C语言，Java，Python等使用程序模拟

如C语言完成的模拟COVID-19传播的程序


结语
还是刚在跨门槛的的小白，简单写写分享一下，共勉！

验证性因子分析(confirmatory factor analysis, CFA)是结构方程模型的一种最常见的应用。
验证性因子分析(confirmatory factor analysis, CFA)通常可用于四种用途：
一是针对成熟量表进行效度分析，包括结构效度，聚合(收敛效度)和区分效度；
二是验证性因子分析可用于组合信度的分析；
三是验证性因子分析还可用于进行共同方法偏差CMV检验；
四是使用验证性因子分析进行权重计算。
一、验证性因子分析基本说明
使用SPSSAU进行验证性因子分析是一件轻松的事情。但在实际分析过程中，容易出现各种问题，解决问题才是关键。其实质是对于分析的掌握能力。一般情况下，验证性因子分析的分析流程如下：
在进行CFA分析前，一定需要清楚的知道，通常情况下量表数据才能进行CFA分析，而其它的一些数据一般不能进行CFA分析。所以数据准备需要按照CFA的思路进行，包括每个因子对应4~7个题(为什么是4~7个呢？因为如果个别不达标后面可以删除掉)；如果不是这样，就很有可能出现各种问题而且没有缓冲；在进行验证性因子分析之前，一般需要先进行探索性因子分析，首先因子与项之间有着较好的对应关系，如果探索性因子分析已经发现各种对应关系有问题，那么验证性因子分析时结果一般都不理想，这一步骤非常重要，也是减少各种问题的关键。
在进行验证性因子分析时，重要的指标是factor loading值，一般标准化的factor loading值需要大于0.7，如果该值较小，就说明对应项与因子之间对应关系弱，因此可考虑删除该项，也或者移动该项到别的因子里面。重复几次直至标准化factor loading值都大于0.7即可。这样对应的其它指标，比如AVE值，CR值等才可能达标，因此这些指标都是基于标准化Factor loading值计算得到。
二、如何使用SPSSAU进行验证性因子操作
关于利用SPSSAU进行验证性因子分析的操作上，如下：
本例子中共有4个因子，每个因子对应着一些项。所以分别放在4个因子框里面。默认SPSSAU会以Factor 1，Factor 2等这样的名字进行，当然可以自主地对因子进行命名。一般情况下不会使用二阶模型，如果确实是二阶模型则选中即可。
除此之外，在进行验证性因子分析时，有时候会对模型进行MI指标调整，此时也可进行设置。在实际分析时，如果使用验证性因子分析进行效度分析(包括结构效度，聚合效度，区分效度)，也或者组合信度时，对于模型的拟合指标关注度较低，因此MI指标调整使用较少。
在使用SPSSAU进行CFA分析后，SPSSAU默认会输出上述中涉及到的分析的各类表格。SPSSAU输出相关表格说明如下：
当然，上述表格中有一些基本无意义，比如残差项估计值，因子协方差，显变量协方差表格等，意义均较小，可能对于分析建模有一定帮助，通常无实质性价值。
以及SPSSAU默认都会输出智能分析和分析建议等，如下各图：
基本汇总
模型AVE和CR指标结果
因子载荷系数表格
区分效度
模型拟合指标
因子和分析项
因子协方差表格
残差值表格
三、验证性因子不达标如何办？
进行验证性因子分析时，很容易出现一些问题，比如效度不达标、factor loading值过小或者过大，也或者各种指标拟合不达标等。
接下来从3个角度去剖析数据不达标的处理。
第1点：效度不达标
如果对验证性因子分析进行效度验证出现问题。分别说明如下：
如果进行结构效度验证，发现标准化factor loading值小于0.7；可直接对该项进行删除；
如果进行聚合效度分析时发现AVE值小于0.5，那么也需要对标准化factor loading值较低项进行删除处理，因为AVE值是由factor loading值计算得到；
如果进行区分效度分析时发现AVE平方根值小于相关系数值；说明区分效度差，此时有两种处理办法，一是重新进行探索性因子分析，将因子与分析项之间的对应关系梳理好(比如重新改变因子与分析项的对应关系等)；二是删除掉factor loading值较低。
第2点：factor loading值过大或过小
如果说标准化的Factor loading值过大，比如大于1，说明有着很强的共线性问题，建议可分别针对每个因子对应的项，分别做相关分析，将相关关系过强(比如相关系数值大于0.8甚至0.9)的项删除后重新分析，减少共线性问题；
如果说标准化factor loading值过小，比如0.4，那么说明该项应该直接进行删除掉。
第3点：拟合指标不达标
如果研究目的是进行效度验证或者组合信度等，一般对于模型拟合指标的关注度较低，可直接忽略即可。
如果是使用验证性因子分析进行共同方差偏差CMV检查，那么其检查原理就是查看拟合指标不好，用于说明没有CMV问题；如果说使用验证性因子分析做权重计算时指标拟合不好，可考虑删除项，或者进行MI调整等。
特别提示：在进行验证性因子分析之前，最好是先进行探索性因子分析，如果探索性因子分析已经发现问题，比如因子与项之间的对应关系有问题，那么数据继续进行验证性因子分析，一般都会有各种问题。