高级统计学因子分析中的KMO检验和巴特利球形检验.doc

《高级统计学因子分析中的KMO检验和巴特利球形检验.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、因子分析基本(因子分析对样本量的要求：样本量与变量数的比例应在5：1以上，实际上理想的样本量应为变量数的10~25倍，但这很难做到，5~10倍之间略显不足，但一般都能得到较好的结果。 KMO统计量：是通过比较各变量间简单相关系数和偏相关系数的大小判断变量间的相关性，相关性强时，偏相关系数远小于简单相关系数，KMO值接近1。一般情况下，KMO>0.9非常适合因子分析；0.8＜KMO＜0.9适合；0.7以上尚可，0.6时效果很差，0.5以下不适宜作因子分析。   Bartlett’s球型检验（巴特利球形检验（BarlettTes

2、tofSphericity）。）：用于检验相关阵是否是单位阵，即各变量是否独立。它是以变量的相关系数矩阵为出发点，零假设：相关系数矩阵是一个单位阵。如果巴特利球形检验的统计计量数值较大，且对应的相伴概率值小于用户给定的显著性水平，则应该拒绝零假设；反之，则不能拒绝零假设，认为相关系数矩阵可能是一个单位阵，不适合做因子分析。若假设不能被否定，则说明这些变量间可能各自独立提供一些信息，缺少公因子。举例：巴特利球形检验统计量为131.051，相应的概率Sig为0.000，因此可认为相关系数矩阵与单位阵有显著差异。同时，KMO值为0

3、.762，根据Kaiser给出的KMO度量标准可知原有变量适合作因子分析。 如果KMO的取值大于0.5，则适合做因子分析，如果KMO取值小于0.5，则不适合做因子分析。 RotatedMatrix:正旋看每个变量在各个因子中系数的大小，表示变量在因子的载荷大小，一般大于0.5的就归于该因子当中。