Können wir basierend auf Faktorladungen (in der Faktoranalyse) Likert-Skalenelementen ungleiche Gewichte geben?

Nach dem Sammeln der Daten berechnen wir die Bewertung einer beliebigen Likert-Skala (summativ) (zuvor als Faktor in der Faktoranalyse identifiziert), indem wir die Bewertungen der einzelnen Elemente addieren (und möglicherweise die Summe durch die Anzahl der Elemente dividieren, um die durchschnittliche Bewertung zu erhalten). Bei dieser Berechnung gehen wir davon aus, dass jeder Artikel in der Waage das gleiche Gewicht hat. Aus der Faktoranalyse wissen wir jedoch, dass einige der Elemente größere Faktorladungen hatten als die anderen, aus denen diese Skala besteht. Sie erklären somit mehr von der Varianz. Ist es durch die Verwendung dieser Faktorladungen möglich, Gegenständen ungleiche Gewichte zu geben? Zum Beispiel ist in einer 6-Punkte-Skala Punkt 4 in dieser Skala möglicherweise effektiver als andere Gegenstände.

Oder um meine Frage noch einmal zu wiederholen: Obwohl Elemente einer Likert-Skala (Konstrukt) nicht die gleichen Faktorladungen aufweisen (was die Varianz dieses Faktors erklärt), warum verwenden Forscher im Allgemeinen Likert-Skalen mit gleichgewichteten Elementen?

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

$\mathbf{B}$$\mathbf{B}$und schließlich zeigen sie nicht viel besser als nur 1 gegen 0 Gewichte. Drittens das gewichtete SummenmodellHinter einem summativen (Likert) Konstrukt steht eine prinzipielle Vereinfachung. Dies impliziert, dass das Merkmal, das von der Skala gemessen wird, unabhängig von seiner Ausprägung von allen Elementen gleichzeitig abhängt. Wir wissen jedoch, dass sich viele Merkmale unterschiedlich verhalten. Wenn ein Merkmal beispielsweise schwach ist, zeigt es möglicherweise nur eine Teilmenge der Symptome (dh Elemente), jedoch diejenigen, die vollständig ausgedrückt werden. Wenn das Merkmal stärker wird, treten mehr Symptome auf, einige teilweise ausgedrückt, andere vollständig ausgedrückt und ersetzen sogar diese "älteren" Symptome. Dieses dynamische und unvorhersehbare interne Wachstum eines Merkmals kann nicht durch eine gewichtete lineare Kombination seiner Phänomene modelliert werden. In dieser Situation ist die Verwendung feiner Bruchgewichte in keiner Weise besser als die Verwendung binärer 0-1-Gewichte.