Answers:
“原则”方法（也就是说，先验可辩护的方法可能不会在经验上产生很大的不同）是使用分级响应模型，这是IRT系列中相当有用的成员，通常用于李克特类型的项目。R包ltm使这一点非常简单。
然后，您假设未观察到的特征与每个指标之间存在序数逻辑回归关系。选择此模型类别可让您认真对待指标的序数性质，并提供有关每个项目最能提供信息的特征部分的信息。像因子分析一样，它为您提供了分数的标准误差，尽管FA员工似乎出于某些原因而忽略了这些。
另一方面，选择此模型类会限制您执行所有经典因素分析工作的能力，例如旋转事物直到您喜欢它们的外观。我认为这是一个加号，但理性的人不同意。如果您正在做这种事情以找出您拥有多少个“标尺”，那么您将需要查看试图识别标尺的Mokken程序，因为FA“适合另一个尺寸并旋转为简单结构”不行
从有序变量指标中提取因子得分是很平常的事。研究人员一直使用李克特量度法。因为因子得分是基于协方差的，所以在项目内部和项目之间“间隔”可能不统一通常没什么大不了的，特别是如果项目具有可比性并使用合理紧凑的量表（例如5或7磅“同意” /不同意“李克特项目”：所有受试者都对同一项目做出响应，并且如果这些项目确实是对某些潜在变量的有效度量，则响应应显示出统一的协方差模式。见Gorsuch，RL（1983）。因子分析。新泽西州希尔斯代尔：劳伦斯·埃尔鲍姆。2号 ed。，pp.119-20。但是，如果您不愿意假设您对序数变量的响应是线性的，或者甚至更重要，如果您希望因子得分不是线性的，但能反映类别项之间反复出现的非线性关联（就像变量是名义的还是定性的那样，您会这样做）-您应该使用非线性标度替代常规因子分析，例如潜在类别分析或项目反应理论。（在该查询与您在logit回归模型中使用序数预测变量的查询之间当然存在家庭相似之处；也许我可以再次激发chi或其他比我更了解的人对待我们，以使用更细粒度的帐户为什么你不需要担心-也许你为什么应该）t是线性的，但反映类别项目之间反复出现的非线性关联（如果变量是名义的或定性的，您将这样做）-您应该使用非线性缩放替代传统因素分析（例如潜在类别分析或项目响应理论）。（在该查询与您在logit回归模型中使用序数预测变量的查询之间当然存在家庭相似之处；也许我可以再次激发chi或其他比我更了解的人对待我们，以使用更细粒度的帐户为什么你不需要担心-也许你为什么应该）t是线性的，但反映类别项目之间反复出现的非线性关联（如果变量是名义的或定性的，您将这样做）-您应该使用非线性缩放替代传统因素分析（例如潜在类别分析或项目响应理论）。（在该查询与您在logit回归模型中使用序数预测变量的查询之间当然存在家庭相似之处；也许我可以再次激发chi或其他比我更了解的人对待我们，以使用更细粒度的帐户为什么你不需要担心-也许你为什么应该）
我能否在这里澄清一下，您是否需要对项目进行不同程度的评分以进行预处理和合并（时间间隔，序数，名义值），还是希望对序数比例变量进行因子分析？
如果是后者-这是一种方法。
http://cran.r-project.org/web/packages/Zelig/vignettes/factor.ord.pdf
（请注意，此链接现在已失效）。还有其他小插曲，但没有这个。