验证性因子分析（CFA）是检验预先假设的潜变量与观测变量关系是否得到数据支持的因子分析方法。它要求研究者首先根据理论、既有量表或前期研究提出假设的测量结构，再利用数据检验这一结构是否合理。例如，一个理论量表包含“信任”和“依赖”两个构念，研究者可以预先规定哪些题项测量信任、哪些题项测量依赖，再通过CFA检验这些观测题项是否能够按照预期反映两个潜变量。题项与潜变量之间的关系通常通过因子载荷表示。
与探索性因子分析由数据探索因子结构不同，CFA重点检验预先提出的结构，这包括：（1）整个测量模型与数据的匹配程度，以及（2）单个题项的因子载荷。CFA输出结果通常包括模型拟合指标与各题项的因子载荷。若模型拟合较差，说明预先假定的潜变量-观测变量结构不能很好地解释当前数据。
另外，CFA是结构方程模型的重要组成部分。当研究只关注“哪些观测变量测量哪些潜变量”时，可以单独建立CFA；如果进一步希望研究这些潜变量之间的关系，则可以在测量模型基础上建立结构方程模型。