由于设计包含计划缺失，因此可以假设数据完全随机缺失，并且可以采用插补程序来处理缺失数据。如果您真的不知道项目应该如何加载/要提取的因子数量，我会选择此选项，因为在计划的缺失设计中缺失往往非常高，只需执行列表或成对删除之类的操作。

如果您对因素的数量和项目应加载的位置有所了解，另一种选择是使用更具探索性的 CFA。在这种情况下，SEM 使用全信息最大似然估计来充分处理缺失数据。如果您选择此选项，请记住，拟合指数往往会人为地显示拟合度越高，您的缺失越多。更多信息在这里。

EFA 基于项目之间的协方差。如果项目在数据集中得到很好的表示，那么在估计因子负载等时应该没问题。如果您有许多参与者完成大量少数随机项目，那么您的数据应该很好地表示可能的项目组合。因此，这看起来类似于您只让参与者完成所有项目。一个问题是仅完成某些项目（或特定子集）如何影响响​​应模式，但我不认为这是一个重大问题。可以肯定的是一种非正统的方法，但我想不出一个突出的批评（我会被纠正并被否决，这可能很快就会发生......）。

这基本上就像在大量缺失数据的情况下进行 EFA，不是吗？它仍然有效，但是您需要比平时更多的参与者，因为每个人都没有完成所有事情。

这种方法让我想起了很多合成孔径人格评估（SAPA）。你可能想进一步阅读它，看看你能从这个方法中学到什么，并判断它与你的想法有多相似。如果它对于您的目的足够等效，那么这个消息似乎是好的。这个页面说：

5）对于某些应用，数据矩阵是通过为不同的人采样不同的项目而综合组合的。所谓的合成孔径个性评估 (SAPA) 技术允许形成大的相关性或协方差矩阵，即使没有人拿走所有项目。为了分析这样的数据集，很容易根据项目的协方差矩阵而不是原始数据集来形成项目组合。然后可以使用许多函数（例如，cluster.cor、factor.pa、ICLUST、principal、mat.regress 和 factor2cluster）来分析这些矩阵。