带正交因子的正则化多组探索性近似因子分析

探索不同群体间测量模型的相似性与差异是行为与社会科学的一项核心任务。多组探索性因子分析常用于此目的，然而当变量数量相对于样本量较大时，现有方法面临挑战。随着数字化与测量技术的进步，此类高维情境日益普遍。本文提出一种多组正则化探索性近似因子分析方法以应对这些挑战。该方法将零诱导约束与融合惩罚相结合，在数据支持的情况下获得既呈现简单结构、又使因子载荷在组间具有相似性的解。该方法适用于传统方法变得不稳定或计算需求过高的情境。一个重要的局限是，该方法目前仅限于正交因子，并侧重于组间相关模式的比较。在一项基于常用多组因子分析设计、并包含变量数相对样本量较小的条件的模拟研究中，与现有的基于旋转和惩罚的方法相比，所提方法在因子载荷结构以及因子载荷的（非）不变性两方面均表现出显著改善的恢复效果。对实证数据的应用——包括一个变量数达数万的真实高维情境——表明该方法可扩展至大规模数据，并能揭示测量模型中共有与组特有的方面。（PsycInfo 数据库记录 (c) 2026 APA，保留所有权利）。

中文由 AI 翻译，仅供参考，以原文为准。