spss里，因子分析，当KMO小于0.5.证明不太适合做因子分析，但是Bartlett的p值小于显
SPSS里的卡方检验的卡方检验统计量pearson和P值是一个东西么？显著性水平、pearson和P值应该怎么看？ 你这是CMH非零相关检验出的结果，要根据行列均有序、行平均得分不同（列变量为等级资料）、行列均无序的数据特征选择适用的行。另外，你的所有理论频数都小于5，需要注意
如何判断数据是否合适因子分析 一般根据KMO值和巴特莱特球形检验判断，前者一般要大于0.6，后者则要达到显著性水平。
什么是Bartlett球形检验？具体做的是什么的检验？Spss中如何判断？
怎样利用spss进行巴特利特球度检验和KMO检验 利用spss进行巴特利2113特球度检验和KMO检验的方法1：5261analyze—data reduction–factory analysis，在这个对话框中选4102择descriptive，里面选择，kmo的值接近于16531，适合做因子分析，Bartlett球度统计量越大越好，其伴随概率，说明数据适合做因子分析。2：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。3：Bartlett’s球型检验（巴特利球形检验（Barlett Test of Sphericity）。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。
如何判断数据是否合适因子分析 一般根据KMO值和巴特莱特球形检验判断，前者一般要大于0.6，后者则要达到显著性水平。看特征根大于1的有几个主要维度，用碎石图比较容易看，然后看几个因素旋转后的矩阵。
巴特莱特球体检验中的自由度是怎么得来的 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。
就没有人质疑空间句法么？ 1：对于是否应该质疑这个问题，前面已经有很多详细叙述了，这里只想补充一些个人想到的细节。
想用主成分分析计算数据的总体得分，结果进行了KMO检验以及巴特利特球形检验，发现不能做，求指教 不能做是因为你没有共线性啊，当然就不能做主成分评分了
如何利用原始变量与相应主成分的相关系数表即载荷矩阵判断是否可以开展主成分分析？ 主成分分析不是根据这个系数来判断的，是否适合主成分分析一般看KMO值、巴特莱特球形检验以及相关矩阵。南心网SPSS数据统计分析解答。
