我不认为当前接受的答案是正确的。它描述的是识别，而不是标准化。非标准化系数是直接来自估计过程的。标准化系数在相关性度量和唯一方差方面重新构建回归系数和协方差$R^2$. 所以如果你有一个验证性因子分析模型

$$y_j = \alpha_j + \lambda_j \xi + \delta_j$$ 和${\rm E}\delta_j=0$,${\rm E}\delta_j^2 = \psi_j$,${\rm E}\xi=0$,${\rm E}\xi^2=\phi$在标准的 SEM 符号中，我们有${\rm Var}[y_j] = \lambda_j^2 \phi + \psi_j$，标准化系数为：$\tilde\alpha_j-$不相关的； $$\tilde\lambda_j = {\rm Corr}(y_j,\xi) = \lambda_j {\rm Var}^{1/2}[\xi] {\rm Var}^{-1/2}[y_j]=\frac{\lambda_j \phi^{1/2}}{\sqrt{\lambda_j^2 \phi + \psi_j}}$$ $$\tilde \psi_j = \frac{\psi_j}{\lambda_j^2 \phi + \psi_j}$$ 与“原始”估计不同，标准化估计和标准误差不依赖于特定的参数化和识别尺度参数的选择（即，模型是否通过设置$\phi=1$或其中之一$\lambda_j=1$-- 然后独立于特定缩放变量的选择，提供$\lambda_j\neq0$人口）。

两周后，我看到没有人回答这个问题。然而，广泛的谷歌搜索揭示了以下内容。

假设多元数据，其中$p$变量应该表明存在一个或多个潜在因素。一个简单的测量模型涉及以下类型的关系：

$$x_i=\lambda_i \xi + \epsilon_i$$

公因数$\xi$和唯一性因子（即噪声）$\epsilon_i$. 取决于共同因素的数量，可能存在几种这样的关系。没有一个“希腊人”是可观察到的，但必须从数据中推断出来。如上所述的问题没有唯一的解决方案。如果相关$\lambda_i$和$\xi$都是解决方案，那么比例量也是$a \lambda_i$和$\xi / a$.

为了可识别性，其中之一$\lambda_i$和$\xi$必须固定——通常为值 1。

当相关性$\lambda_i$设置为 1，则解决方案被称为“非标准化”。当公因数$\xi$设置为 1，则解决方案被称为“标准化”。

注意只有一个$\lambda_i$需要在与给定因素相关的相关性之间进行标准化。所以如果除了上面的模型，我还有：

$$x_j=\lambda_j \xi + \epsilon_j$$

对于另一个变量$x_j$，则只需将其中一个 lambda 设置为 1 --- 或等效的公因数。

默认情况下，AMOS 对相关参数之一进行标准化，但可以要求对公因子进行标准化。

我认为根据我在 Amos 的简单经验，我们要求其中一个参数应该是 1，作为因子加载的结果，以帮助确定需要首先删除哪个参数并保留许多需要估计的参数。根据标准化：这里我们得到了参数的真实值。