是否有理由不考虑探索性因素分析解决方案？

是否有任何理由不采用探索性因素分析解决方案？

很容易找到将正交解与斜解进行比较的讨论，我想我完全理解所有这些内容。同样，从我在教科书中可以找到的内容来看，作者通常从解释因子分析估计方法正确地解释了轮换的工作方式以及一些不同的选择。我还没有看到关于是否首先旋转的讨论。

另外，如果有人可以提供反对任何类型旋转的论点，这对多种估算因子的方法（例如，主成分法和最大似然法）都是有效的，我将不胜感激。

是的，在因子分析中可能有理由退出轮换。该原因实际上类似于为什么我们通常不旋转PCA中的主要组件（即，当我们主要将其用于降维而不是对潜在特征进行建模时）。

提取后，因子（或成分）为正交1，通常按其方差的降序（负载的平方和）输出。因此，第一个因素起主导作用。初级因素从统计学上解释了第一个留下的原因无法解释。通常，该因素在所有变量上的负荷很高，这意味着它负责变量之间的背景相关性。这样的第一因子有时称为通用因子或g因子。它被认为是负责的事实，正相关盛行的心理测验。$^1$

如果您有兴趣探索该因素而不是忽略它，而让它在简单的结构后面溶解，请不要旋转提取的因素。您甚至可以从相关性中排除一般因素的影响，然后继续进行残差相关性的因素分析。

一方面，提取因子/分量解与旋转后的解（正交或斜）之间的差异是-对于某些方法，提取的加载矩阵 A具有正交（或接近正交）提取）列：甲'阿是对角线; 换句话说，载荷位于“原理轴结构”中。旋转后-甚至保持因子/分量的正交性（例如方差最大）的旋转-载荷的正交性也会丢失：“原理轴结构”被“简单结构”所取代。主轴结构允许在因素/组件之间进行分类，以“更多主要”或“更少主要”$^1$$\bf A$$\bf A'A$是所有的最普遍的成分），而在所有的旋转因素/组件的结构简单同等重要的假设-从逻辑上来说，你不能旋转后选择它们：接受所有的人（PT 2在这里）。参见此处的图片，显示旋转之前和最大旋转之后的载荷。$\bf A$

我认为这可能对您有帮助：https : //www.utdallas.edu/~herve/Abdi-rotations-pretty.pdf

问候，