四道題目形成兩個相關較高的群組，是否就找到兩個心理構念？今天先看這個判斷，再回到因素模型。Day 14 把內部結構放回效度論證；因素分析則提供一套描述共同變動的方式。它可以比較不同結構，卻不能只憑相關矩陣判定題目為何一起變動，更不能直接替因素命名。

從 covariance 到模型

常見因素模型（factor model）可寫成：

x = ν + Λ η + ε

觀察變項向量 x 等於截距 ν，加上負荷矩陣 Λ 乘以因素 η，再加上殘差 ε；向量與矩陣在這裡以一般字母表示。

因此在相應條件下：

Σ = Λ Φ Λ' + Θ

觀察變項的共變異數矩陣 Σ 等於 Λ 乘以因素共變異數矩陣 Φ 乘以 Λ 的轉置，再加上殘差共變異數矩陣 Θ。

Λ 是因素負荷量，描述題目與因素的關係；Φ 是因素的共變異數矩陣；Θ 描述殘差共變結構。公式將觀察變項的共變異數分成共同因素與殘差部分。把 Θ 設為對角矩陣，表示共同因素之外的題目殘差不再相關；這是加入模型的限制，不是資料本身告訴我們的事實。

因素分析與 PCA 也不能只因軟體選單相鄰就互換。PCA 對 observed variables 做線性組合以重現總變異；common 因素模型把共同變異與 unique/殘差（residual）部分分開。兩者在某些資料上可能給類似圖形，target 仍不同。

模型還有坐標不唯一的問題。若不加限制，同一共變異數結構（covariance structure）可能由旋轉後的不同因素負荷量座標（loading coordinates）表示；因素（factor）的尺度與方向也需固定。這不是軟體故障，而是潛在變項（latent variable）無天然單位的結果。EFA（探索性因素分析）透過 rotation（轉軸）尋找較可解釋的表示。CFA（驗證性因素分析）則以理論限制縮小可能集合。任何因素負荷量表都應連同 identification 與 rotation 一起閱讀。

這也說明 observed matrix（矩陣）與 model-implied（模型隱含相關） matrix 的關係。資料提供樣本相關，模型提出一組參數來重建母體結構；估計的不確定性來自有限樣本。把樣本中微小差異全部命名成因素，容易把 sampling noise 實體化。後續 parallel analysis（平行分析）正是嘗試建立一個隨機基準，但它不取代理論。

六層責任

完整例題：四題的兩種故事

先看簡化相關矩陣：

兩個 block（矩陣區塊）內相關高、跨 block 較低。兩因素故事很自然：BE 因素連 BE 題，EE 因素連 EE 題，兩因素相關。單因素也可能重現部分正相關，但會難以同時處理 block 內與 block 間差距，留下系統性殘差。

然而矩陣還容許其他故事：題目措辭造成兩個 block；不同作答時段造成共同情境；或一個 general engagement 加兩個 method 因素。因素模型讓故事可計算、可被資料反駁，不替我們自動選定哪一個是構念真相。

把矩陣的第一個 block 相關從 0.70 改成 0.95，可能表示題目非常集中，也可能是近義重複。因素負荷量會很高，內容範圍卻更窄。這連回 Day 13：高共變異數能提高 alpha（內部一致性信度係數），也可能只是冗餘。

Claude 協作：由矩陣提出候選，不命名真相

將矩陣交給 Claude 時，可以要求至少三個生成故事，並說明各自可觀察的差異。若回答直接把因素命名為行為與情緒投入，先檢查它是否只是讀了 BE、EE 欄名。欄名提供題目的背景，不能被當成矩陣單獨支持構念命名的證據。

一個可執行的檢查是把欄名遮成 X1–X4，再問相同問題。合理回答仍可描述兩個相關群組，卻應承認缺少命名依據。實際執行時須保存提示與回覆；本篇僅提供這道檢查題。它要區分的是因素萃取與因素解釋：前者利用結構，後者還需要題目內容與理論。

反例：factor 被實體化

軟體產生 Factor 1，作者寫「我們發現了認知投入」。但因素解（factor solution）受到因素數（factor number）、rotation、estimator、樣本與題目集合影響；換一組題目，坐標可能改變。因素是模型中的潛在變項，能否解釋為認知投入，須看因素負荷量 pattern（因素型態）、內容、外部關係和 rival explanations（對立解釋）。

另一個 failure case（失敗案例）是忽略反應尺度。五點 ordinal data（有序類別）的 Pearson 相關（correlation）和 polychoric 相關回答不同潛在反應模型；選擇不能只看哪一個產生較乾淨的因素。Day 16 會把尺度、因素數與 rotation 都寫成 EFA 決策紀錄。

閱讀矩陣時，可先遮住題名，只描述數字支持的模式，再揭開題名提出解釋。這兩步若寫在不同欄，就較容易看到哪一句依賴資料、哪一句加入了內容知識；同一張表換了題目背景，也可能需要不同的構念解釋。

因素分析回答與不回答的問題

它能問：某個因素模型是否能以較少結構重現共變異數？哪些題目對某因素有較強關係？哪些殘差 pattern 暗示模型漏掉東西？它不直接問：構念是否重要、題目是否公平、分數用途是否適切、因果方向為何。

在 ENGAGE-v1，生成器知道三個潛在變項，讀者也終會知道。這種教學透明度讓我們能檢查方法是否找回設定，卻可能製造「真實研究也有答案」的錯覺。真實資料通常只有競爭模型與有限證據；即使某模型最接近生成設定，也可能因樣本、estimator 或 misspecification 得到別的 solution。因此本文把生成真值用於課後比較，不用於分析時選模。

原問題的答案是：因為相關矩陣含有可被低維結構解釋的 pattern，我們引入潛在因素（latent factor）；但因素是受限制的模型物件，不是資料中被挖出的構念實體。發展閱讀是 EFA 與 CFA 的原始方法文獻；前沿閱讀可進 bifactor、exploratory structural equation modeling 與因素不確定性。

本篇的六層表、四題相關矩陣與盲化命名檢查題，讓結構描述和構念解釋各有位置。下一篇開始實際規劃探索：因素數、估計方法、旋轉與解釋，哪些可請 Claude 提候選，哪些必須由教師根據資料與理論裁決？

來源與協作揭露

• Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the Use of Exploratory Factor Analysis in Psychological Research，主要分析決策。
• AERA, APA, & NCME (2014). Standards for Educational and Psychological Testing，Internal structure evidence。