是的，在因子分析中退出轮换可能是有原因的。这个原因实际上类似于我们通常不在 PCA 中旋转主成分的原因（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（或分量）是正交的并且通常按其方差的降序输出（列载荷的平方和）。因此，第一个因素占主导地位。初级因素在统计上解释了第一个因素无法解释的原因。通常，该因素对所有变量的负载都很高，这意味着它负责变量之间的背景相关性。这种第一个因素有时称为一般因素或 g 因素。它被认为是心理测量学中普遍存在正相关这一事实的原因。$^1$

如果您有兴趣探索该因素而不是忽略它并让它在简单结构后面溶解，请不要旋转提取的因素。您甚至可以从相关性中剔除一般因素的影响，并继续对残差相关性进行因素分析。

$^1$一方面，提取因子/分量解与旋转后的解（正交或倾斜）之间的区别在于 - 提取的载荷矩阵具有正交（或接近正交，对于一些提取方法）列：是对角线；换句话说，载荷位于“主轴结构”中。在旋转之后——即使是保持因子/分量正交性的旋转，例如 varimax——载荷的正交性也会丢失：“主轴结构”被“简单结构”所抛弃。主轴结构允许在因素/组件中分类为“更多主要”或“较少主要”$\bf A$$\bf A'A$$\bf A$是最通用的组件），而在简单的结构中，假设所有旋转的因素/组件具有同等重要性 - 从逻辑上讲，您不能在旋转后选择它们：接受所有这些（此处为 Pt 2 ）。请参阅此处的图片，显示旋转之前和 varimax 旋转之后的载荷。

我认为这可能会对您有所帮助：https ://www.utdallas.edu/~herve/Abdi-rotations-pretty.pdf

问候，