如何在Lavaan的CFA分析中提取测量误差得分

你需要的个体层面单题测量误差得分，本质是CFA模型的观测级残差，不需要特殊的小众方法，常规CFA框架下即可计算，你提到的等载荷约束属于平行测量的模型设定，不会改变残差的提取逻辑。
核心逻辑是：单题观测得分 = 截距 + 因子载荷 * 对应潜变量得分 + 测量误差，反过来做减法就能得到每个样本对应单题的误差值，和提取因子得分的逻辑完全匹配。

• 第一步：拟合约束后的CFA模型
  按照研究设定给3个潜变量匹配对应题项，将同一潜变量下的因子载荷设置为相等约束，待模型收敛、拟合指标符合要求后，导出两个核心结果：① 每个样本的潜变量因子得分（主流CFA工具都自带该输出功能）；② 每个题项对应的非标准化因子载荷、题项截距（开启均值结构即可输出）。
• 第二步：计算单题的潜变量预测值
  对每一道题，用「题项截距 + 对应非标准化载荷 * 样本对应潜变量得分」的公式，算出该样本在这道题上由潜变量解释的预测得分。
• 第三步：计算测量误差得分
  用样本在该题上的原始观测得分，减去上一步得到的潜变量预测得分，得到的残差就是你需要的每个数据点对应题项的测量误差得分。

library(lavaan)

# 定义带等载荷约束的3因子CFA模型，示例为每个因子对应3个题项，可根据实际题量调整
# 模型语法说明：固定每个因子第一个题项载荷为1做尺度锚定，用equal()约束同一因子下其余载荷与第一个载荷相等
cfa_model <- '
  f1 =~ c(1,NA,NA)*x1 + equal("f1=~x1")*x2 + equal("f1=~x1")*x3
  f2 =~ c(1,NA,NA)*x4 + equal("f2=~x4")*x5 + equal("f2=~x4")*x6
  f3 =~ c(1,NA,NA)*x7 + equal("f3=~x7")*x8 + equal("f3=~x7")*x9
'

# 拟合模型，开启均值结构输出截距
fit <- cfa(cfa_model, data = your_dataset, meanstructure = TRUE)

# 提取因子得分合并到原数据集
factor_scores <- lavPredict(fit)
data_res <- cbind(your_dataset, factor_scores)

# 提取非标准化载荷、截距的估计值
par_table <- parameterEstimates(fit, standardized = FALSE)
loading_val <- par_table[par_table$op == "=~", c("rhs", "lhs", "est")]
intercept_val <- par_table[par_table$op == "~1", c("rhs", "est")]

# 逐题计算测量误差，以x1为例，其余题项按相同逻辑替换变量名即可
data_res$e_x1 <- data_res$x1 - (
  intercept_val[intercept_val$rhs == "x1", "est"] + 
  loading_val[loading_val$rhs == "x1", "est"] * data_res[, loading_val[loading_val$rhs == "x1", "lhs"]]
)

注意：如果模型未设置均值结构，可先将所有题项做中心化处理，省略截距项直接用「载荷*因子得分」计算预测值，再用中心化后的题项得分减去预测值，得到的误差得分和带均值结构的计算结果完全等价。

内容的提问来源于stack exchange，提问作者BrentHendrickx