是的，可以为每件物品提供自己的重量。然而，这个权重不能是负载本身，因为 - 你可能还记得 - 负载是预测项目的一个因素的回归系数，反之亦然。您暗示的权重必须是预测因素时项目的回归系数。我们在计算因子分数时获得这些权重；权重$\mathbf{B}$从项目间相关（或协方差）矩阵估计$\mathbf{R}$和载荷矩阵$\mathbf{A}$通常是这样：$\mathbf{B}= \mathbf{R}^{-1} \mathbf{A}$. （如果因子被倾斜旋转，那么在这个公式中因子结构矩阵应该替换$\mathbf{A}$.)另见，其中考虑了粗略和精炼的方法；粗略方法允许使用载荷作为权重。

如果是这样，那么为什么研究人员通常使用具有相同权重项目的李克特量表？换句话说，为什么他们通常只喜欢二进制权重 1 或 0 来代替上面计算的分数权重？可能有几个原因。仅提三个...首先，上述权重$\mathbf{B}$不精确（除非我们使用 PCA 模型而不是因子分析模型本身），因为在每个案例（受访者）的级别上不知道项目的唯一性，因此计算的因子分数只是真实的近似值因子值。二、计算权重$\mathbf{B}$通常会因样本而异，最终它们显示的结果并不比简单的 1 对 0 权重好多少。三、加权和模型总结性（李克特）结构背后是原则上的简化。这意味着由量表测量的特征同时取决于其所有项目，无论其明显程度如何。但是我们知道许多特征的行为不同。例如，当一个特征很弱时，它可能只表现出症状的一个子集（即项目），但会完整地表现出来；随着特征变得更强，更多的症状加入，一些部分表达，一些完全表达，甚至取代那些“旧”症状。特征的这种动态且不可预测的内部增长不能通过其现象的加权线性组合来建模。在这种情况下，使用精细的分数权重并不比使用二进制 0-1 权重更好。