是否有理由不旋轉探索性因子分析解決方案？
是否有任何理由不輪換探索性因素分析解決方案？
很容易找到比較正交解決方案和傾斜解決方案的討論，我想我完全理解所有這些東西。此外，從我在教科書中可以找到的內容來看，作者通常會從解釋因子分析估計方法直接解釋旋轉的工作原理以及一些不同的選項是什麼。我還沒有看到首先討論是否要輪換。
作為獎勵，如果有人能提供反對任何類型的輪換的論據，該論據對多種估計因子的方法（例如，主成分法和最大似然法）有效，我將特別感激。
是的，在因子分析中退出輪換可能是有原因的。這個原因實際上類似於我們通常不在 PCA 中旋轉主成分的原因（即，當我們主要將其用於降維而不是對潛在特徵進行建模時）。
提取後，因子（或分量）是正交的並且通常按方差的降序輸出（列載荷的平方和）。因此，第一個因素占主導地位。初級因素在統計上解釋了第一個因素無法解釋的原因。通常，該因素對所有變量的負載都很高，這意味著它負責變量之間的背景相關性。這種第一個因素有時稱為一般因素或 g 因素。它被認為是心理測量學中普遍存在正相關這一事實的原因。
如果您有興趣探索該因素而不是忽略它並讓它在簡單結構後面溶解，請不要旋轉提取的因素。您甚至可以從相關性中剔除一般因素的影響，並繼續對殘差相關性進行因素分析。
一方面，提取因子/分量解決方案與其旋轉（正交或傾斜）後的解決方案之間的差異在於 - 提取的加載矩陣具有正交（或幾乎正交，對於某些提取方法）列：是對角線；換句話說，載荷位於“主軸結構”中。在旋轉之後——即使是保持因子/分量正交性的旋轉，例如 varimax——載荷的正交性也會丟失：“主軸結構”被“簡單結構”所拋棄。主軸結構允許將因素/組件分類為“更多主要”或“更少主要”（以及第 1 列是最通用的組件），而在簡單的結構中，假設所有旋轉的因素/組件具有同等重要性 - 從邏輯上講，您不能在旋轉後選擇它們：接受所有這些（此處為 Pt 2 ）。請參閱此處的圖片，顯示旋轉之前和 varimax 旋轉之後的載荷。