KMO检验和Bartlett球形检验
因子分析前,首先进行KMO检验和巴特利球体检验,KMO检验系数>0.5,(巴特利特球体检验的x2统计值的显著性概率)P值<0.05时,问卷才有结构效度,才能进行因子分析,因子分析主要是你自己做了一份调查问卷,你要考量这份问卷调查来的数据信度和效度如何,能不能对你想要调查的东西起代表性作用啊,说得很通俗呵呵不知道能不能理解呢,在SPSS里面,Analyze—Factor就是因子分子,在左下角第一个框框description里面勾选最下面的那个KMO and Bartlett’s test of sphericity,就会出来结果哈,看表格的第一行为KMO值,最后一行Sig为球星检验的P值,小于0.05即可,我不能上传图片,就只能这样描述了。
球形检验主要是用于检验数据的分布,以及各个变量间的独立情况。详细的计算原理我就不介绍了,简单一点说吧。按照理想情况,如果我们有一个变量,那么所有的数据都在一条线上。如果有两个完全独立的变量,则所有的数据在两条垂直的线上。如果有三条完全独立的变量,则所有的数据在三条相互垂直的线上。如果有n个变量,那所有的数据就会在n条相互垂直的线上,在每个变量取值范围大致相等的情况下(常见于各种调查问卷的题目),所有的数据分布就像在一个球形体里面。想象一下万剑穿心的情形,大抵就是那个样子。如果不对数据分布进行球形检验,在做因素分析的时候就会违背因素分析的假设——各个变量在一定程度上相互独立。在spss中的因素分析时有关于bartlet 球形检验的选项,如果sig值小于0.05,则数据呈球形分布。
在这里我选用了一组皮肤病数据进行检验,导入excel的文件后,在SPSS里面,Analyze—Factor就是因子分子,在左下角第一个框框description里面勾选最下面的那个KMO and Bartlett’s test of sphericity,
操作后,结果如图
可以看到最后一行数据sig值小于0.005,符合标准,数据呈球形分布,各个变量在一定程度上相互独立。