KMO檢驗和Bartlett球形檢驗
因子分析前,首先進行KMO檢驗和巴特利球體檢驗,KMO檢驗係數>0.5,(巴特利特球體檢驗的x2統計值的顯著性概率)P值<0.05時,問卷才有結構效度,才能進行因子分析,因子分析主要是你自己做了一份調查問卷,你要考量這份問卷調查來的資料信度和效度如何,能不能對你想要調查的東西起代表性作用啊,說得很通俗呵呵不知道能不能理解呢,在SPSS裡面,Analyze—Factor就是因子分子,在左下角第一個框框description裡面勾選最下面的那個KMO and Bartlett’s test of sphericity,就會出來結果哈,看錶格的第一行為KMO值,最後一行Sig為球星檢驗的P值,小於0.05即可,我不能上傳圖片,就只能這樣描述了。
球形檢驗主要是用於檢驗資料的分佈,以及各個變數間的獨立情況。詳細的計算原理我就不介紹了,簡單一點說吧。按照理想情況,如果我們有一個變數,那麼所有的資料都在一條線上。如果有兩個完全獨立的變數,則所有的資料在兩條垂直的線上。如果有三條完全獨立的變數,則所有的資料在三條相互垂直的線上。如果有n個變數,那所有的資料就會在n條相互垂直的線上,在每個變數取值範圍大致相等的情況下(常見於各種調查問卷的題目),所有的資料分佈就像在一個球形體裡面。想象一下萬劍穿心的情形,大抵就是那個樣子。如果不對資料分佈進行球形檢驗,在做因素分析的時候就會違背因素分析的假設——各個變數在一定程度上相互獨立。在spss中的因素分析時有關於bartlet 球形檢驗的選項,如果sig值小於0.05,則資料呈球形分佈。

在這裡我選用了一組面板病資料進行檢驗，匯入excel的檔案後，在SPSS裡面,Analyze—Factor就是因子分子,在左下角第一個框框description裡面勾選最下面的那個KMO and Bartlett’s test of sphericity,

操作後，結果如圖

可以看到最後一行資料sig值小於0.005，符合標準，資料呈球形分佈，各個變數在一定程度上相互獨立。