不可能。你只能用CFA.

怎么就不可能呢？是在理论上还是算法上?

[此贴子已经被作者于2007-11-19 15:24:24编辑过]

1.因子之间的相关系数的绝对值小于0.2时使用正交旋转，0.2-0.8斜交旋转，大于0.8删除某些因素（参见，“Making Sense of Factor Analysis“

说可以的人在1944年。仔细考虑一下，再给人建议。

在理论上和统计上都不可以。

1. 在理论上来说，factor analysis的目的是什么？是在于data reduction.  如果没有理论说这些属于同一变量，你为什么非要把它们合成一个因子？ 也许它们是测量不同变量的呢？

2. 从统计上来说，首先，EFA做的时候，你的数据是什么？应该是EFA一阶因子的值。 对吧？但是它们中包括了error . 第二，fit indices 什么都没有， 你不可能判断你的模型是否合适。你也许要说解释了多少方差，但是，回到第一点。这里面的方差也许是一阶因子得值中包括的error的作用。

1944年只是这种方法最早提出来的年份，其实这种方法一直有人在使用，2000年后仍然有人引用（不是每一篇文献都有这么长久的影响力的），而且还有人继续提出新的算法，因此可以说这还是一个“活着的”方法——多看些文献，再给人建议。另外，如果因为是1944年提出来的方法就弃之不用的话，恐怕目前就没有几个常用的统计方法可用了。


1.如果一定要理论的话，那探测性的统计技术岂不都不能使用了？EFA相对于CFA的一个重要特征就是不需要事先的理论假设，如运用归纳法进行量表开发的时候，研究人员不需要也不可能知道到底有几个维度、每一个题目归属于哪个维度，使用多维尺度也是类似情况。归根结底，EFA和CFA在方法论上还是有本质区别的——不要搞混了。


2.如果按照你的说法，那EFA在任何情况下都不能计算因子得分了，因为因子得分中都“中包括了error”，你可以建议SPSS在新版的软件中取消这一功能；做EFA你还要“fit indices”，那干脆连EFA也不要用了！关于error的问题，我只简单说一下：一是不见得每一种指标都会有很大测量误差，如测量社会经济地位的教育年限和收入；二来就算包括了误差，其绝对值可能会受到影响，但在进行相对比较的时候还是有意义的。


无论用什么方法都只不过是对所谓“因子”进行一下估计。就算你用CFA又怎样呢？抽取出来的因子连鬼都不知道测量的到底是什么：方法因子？难度因子？wording因子？或者可能只是“注水因子”，CFA也没有办法保证抽取出来的就是纯而又纯的特质因子——只不过是一个共同变异罢了。所以还是那句话“所有的模型都是错误，但有些是有用的”，虽然现在CFA具备了一定探测性的功能，但在应用上仍然不能完全取代EFA，比如在计算因子得分的问题上。