Com base nas cargas fatoriais (na análise fatorial), podemos atribuir pesos desiguais aos itens da escala Likert?

Após a coleta de dados, calculamos a pontuação de qualquer escala Likert (sumativa) (previamente identificada como fator na análise fatorial) adicionando as pontuações de itens individuais (e talvez dividindo a soma pelo número de itens para obter a pontuação média). Nesse cálculo, assumimos que todos os itens da escala têm peso igual. Entretanto, sabemos pela análise fatorial que alguns dos itens apresentaram maiores cargas fatoriais do que os outros que compõem essa escala. Eles estão, portanto, explicando mais da variação. Usando essas cargas fatoriais, é possível atribuir pesos desiguais aos itens? Por exemplo, em uma escala de 6 itens, talvez o item 4 seja mais eficaz nessa pontuação do que outros itens.

Ou, para reafirmar minha pergunta: Embora os itens de uma escala Likert (construto) não tenham cargas iguais de fatores (explicação da variação desse fator), por que os pesquisadores geralmente usam escalas Likert com itens igualmente ponderados?

$\mathbf{B}$$\mathbf{R}$$\mathbf{A}$$\mathbf{B}= \mathbf{R}^{-1} \mathbf{A}$$\mathbf{A}$

$\mathbf{B}$$\mathbf{B}$e, eventualmente, eles não mostram muito melhor do que simplesmente 1 vs 0 pesos. Terceiro, o modelo de soma ponderadapor trás de uma construção sumativa (Likert) há uma simplificação em princípio. Isso implica que a característica que é medida pela escala depende de todos os seus itens simultaneamente, independentemente de sua pronunciação. Mas sabemos que muitos traços se comportam de maneira diferente. Por exemplo, quando uma característica é fraca, ela pode mostrar apenas um subconjunto de sintomas (ou seja, itens), mas aqueles expressos na íntegra; À medida que a característica se torna mais forte, mais sintomas se juntam, alguns parcialmente expressos, alguns expressos na íntegra e até substituindo os sintomas "mais antigos". Esse crescimento interno dinâmico e imprevisível de uma característica não pode ser modelado pela combinação linear ponderada de seus fenômenos. Nessa situação, o uso de pesos fracionários finos não é melhor do que o uso de pesos binários de 0 a 1.