Escribo esta pregunta con referencia a un ejemplo en p138-142 del siguiente documento: ftp://ftp.software.ibm.com/software/analytics/spss/documentation/amos/20.0/en/Manuals/IBM_SPSS_Amos_User_Guide.pdf .
Aquí hay figuras ilustrativas y una tabla:
Entiendo que la variable latente no tiene una métrica natural y que se establece un factor de carga en 1 para solucionar este problema. Sin embargo, hay una serie de cosas que no entiendo (completamente):
¿Cómo soluciona un factor de carga a 1 para solucionar este problema de indeterminación de escala?
¿Por qué arreglar a 1, en lugar de algún otro número?
Entiendo que al fijar uno de los pesos de regresión del factor-> indicador a 1, hacemos todos los otros pesos de regresión para ese factor en relación con él. Pero, ¿qué sucede si establecemos un factor de carga particular en 1 pero luego resulta que las puntuaciones más altas en el factor predicen puntuaciones más bajas en la variable observada en cuestión? Después de establecer inicialmente la carga del factor en 1, ¿podemos llegar a un peso de regresión estandarizado negativo o a un peso de regresión estandarizado negativo?
En este contexto, he visto cargas de factores referidas tanto como coeficientes de regresión como covarianzas. ¿Ambas definiciones son completamente correctas?
¿Por qué necesitábamos fijar space-> visperc y verbal-paragrap ambos en 1? ¿Qué hubiera pasado si hubiéramos arreglado uno de esos caminos a 1?
Mirando el coeficiente estandarizado, ¿cómo puede ser que el coeficiente no estandarizado para wordmean> oración> paragrap, pero mirando los coeficientes estandarizados paragrap> wordmean> oración. Pensé que al fijar el párrafo a 1 inicialmente, todas las demás variables cargadas en el factor se hicieron relativas al párrafo.
También agregaré una pregunta que imagino que tiene una respuesta relacionada: ¿por qué fijar el coeficiente de regresión para los términos únicos (por ejemplo, err_v-> visperc) a 1? ¿Qué significaría que err_v tenga un coeficiente de 1 en la predicción de visperc?
Agradecería mucho las respuestas incluso si no abordan todas las preguntas.