（因子分析における）因子負荷に基づいて、リッカート尺度項目に等しくない重みを与えることができますか？

データを収集した後、個々のアイテムスコアを合計して（そして合計をアイテム数で割って平均スコアを取得することにより）、リッカート（合計）スケール（以前は因子分析で因子として識別されていました）のスコアを計算します。その計算では、スケール内のすべてのアイテムの重量が等しいと想定しています。ただし、因子分析から、一部の項目には、そのスケールを構成する他の項目よりも大きな因子負荷があったことがわかります。したがって、彼らは差異の詳細を説明しています。それらの因子負荷を使用することにより、アイテムに等しくない重みを与えることは可能ですか？たとえば、6アイテムスケールの場合、アイテム4は他のアイテムよりもそのスケールスコアでより効果的です。

または、私の質問を言い直します：リッカートスケール（構成）の項目には等しい因子負荷がありません（その因子の分散を説明しています）が、研究者は通常、同じように重み付けされた項目でリッカートスケールを使用するのはなぜですか？

$\mathbf{B}$$\mathbf{R}$$\mathbf{A}$$\mathbf{B}= \mathbf{R}^{-1} \mathbf{A}$$\mathbf{A}$

$\mathbf{B}$$\mathbf{B}$そして最終的には、単純に1対0の重みよりもはるかに良く表示されます。第三に、加重和モデル要約（Likert）構造の背後にあるのは、原則として単純化です。これは、スケールによって測定される特性が、そのすべての項目に同時に依存することを意味します。しかし、多くの特性が異なる動作をすることはわかっています。たとえば、特性が弱い場合は、症状のサブセット（項目）のみが表示される場合がありますが、完全に表現されている場合があります。特性が強くなるにつれて、より多くの症状が加わり、一部は表現され、一部は完全に表現され、それらの「より古い」症状を置き換えることさえあります。特性のこの動的で予測不可能な内部成長は、その現象の重み付き線形結合によってモデル化することはできません。この状況では、細かい小数の重みを使用することは、バイナリの0-1の重みを使用することよりも優れています。