基于Python库的1因子和2因子模型的负因子加载sklearn.decomposition.factorananalysis？

Question

我试图用验证性因子分析（CFA）从两个变量（用5点Likert量表测量）中得到一个单一因素。我知道一个有1个系数和2个荷载的模型的自由度是-1，因此该模型没有规定。但是，我见过两个变量作为单一基本因子的负荷的模型。在

我试图使用sklearn在Python中运行CFA，但是它返回了两个加载的负因子加载，我认为这是不正确的。在

Python代码（含数据）：

import sklearn.decomposition as skd
x = [[2., 4.], [1., 2.], [1., 1.], [2., 2.], [2., 2.], [2., 1.], [1., 1.], [2., 2.], [3., 2.], [2., 2.], [1., 2.], [1., 1.], [2., 2.], [2., 2.], [1., 1.], [3., 3.], [1., 1.], [1., 1.], [1., 1.], [1., 1.], [1., 1.], [0., 0.], [2., 2.], [2., 2.], [2., 2.], [2., 2.], [2., 2.], [1., 1.], [2., 2.], [2., 2.], [2., 2.], [2., 2.], [2., 2.], [2., 2.], [1., 1.], [2., 2.], [2., 2.], [1., 1.], [2., 2.], [2., 1.], [2., 2.], [3., 2.], [1., 1.], [1., 1.], [1., 1.], [2., 2.], [1., 1.], [1., 1.], [1., 1.], [1., 1.], [2., 2.], [1., 1.], [2., 4.], [2., 2.], [1., 1.], [2., 2.], [2., 2.], [3., 2.], [3., 2.], [1., 1.], [1., 1.], [2., 2.], [1., 1.], [1., 1.], [1., 2.], [1., 1.], [1., 1.], [2., 2.], [3., 3.], [1., 1.], [1., 1.], [1., 1.], [1., 1.], [2., 3.], [3., 3.], [2., 2.], [2., 2.], [1., 1.], [1., 1.], [1., 1.], [1., 1.], [1., 1.], [2., 2.], [1., 1.], [2., 2.], [1., 1.], [3., 3.], [2., 2.], [2., 2.], [2., 2.], [2., 2.], [1., 1.], [1., 1.], [2., 2.], [1., 1.], [1., 1.], [1., 1.], [1., 1.], [2., 2.], [2., 2.], [2., 2.], [1., 1.], [1., 2.], [2., 2.], [2., 2.], [2., 2.], [2., 2.], [2., 1.], [2., 2.], [1., 1.], [1., 1.], [2., 2.], [1., 1.], [1., 1.], [1., 1.], [1., 1.], [2., 2.], [2., 2.], [1., 2.], [1., 1.], [1., 1.], [2., 2.]]

skd.FactorAnalysis(n_components=1).fit(x).components_[0]

输出：

^{pr2}$

我还尝试使用“lavan”库在R中运行CFA，它返回以下错误：

Warning message in lav_model_vcov(lavmodel = lavmodel, lavsamplestats = lavsamplestats, : "lavaan WARNING: Could not compute standard errors! The information matrix could not be inverted. This may be a symptom that the model is not identified."

我是CFA和结构方程建模（SEM）的新手，如果有人能解释我的错误（或者我应该说是失误！），我将非常感激。在

Answer 1

迟答，我知道。。。。在

正如你所说，真正的问题是你没有足够的自由度：你需要三个指标来单独估计一个潜在变量。是的，有些模型对一个给定的潜在变量有两个指标，但只有当这个潜变量与一个或多个其他潜在变量相关时，它们才有效。在

有了足够的自由度，你就不会遇到所有载荷都为负的问题，因为一个载荷总是固定（任意）为1。请注意，如果一个或多个负载为负，您可以通过切换哪个指示器的固定负载为1来切换潜在规模的方向，但这不会改变模型的基本数学模型。（当然，如果您将一个加载设置为-1或任何其他负数，您肯定会得到一个所有加载都为负数的情况，但是很少有好的理由这样做，而且在任何情况下，基本的数学都是相同的。）

不过，如果你在做CFA，我认为你不想使用scikit学习课程，该课程旨在进行探索性因素分析（EFA）。不过，我想它可能只有一个潜在因素（sklearn没有CFA课程）。在