KMO 值多少才适合做因子分析？

KMO ≥ 0.6 为可接受，≥ 0.8 为良好，≥ 0.9 为优秀；低于 0.5 则不适合做因子分析。同时 Bartlett 球形检验须显著（p < 0.05）。

KMO 和 Bartlett 球形检验分别检验什么？

KMO 衡量变量间偏相关的程度即取样适切性；Bartlett 球形检验检验相关矩阵是否为单位阵，显著才说明变量间有足够相关可供提取公因子。

因子提取几个合适？特征值大于 1 靠谱吗？

特征值大于 1（Kaiser 准则）易高估因子数，建议结合碎石图、平行分析和累积方差解释率（一般 ≥ 60%）综合判断。

因子旋转用正交还是斜交？

若假定因子间相互独立用正交旋转（Varimax）；若因子间预期相关（社科中常见）则用斜交旋转（Promax/Oblimin），后者更符合实际。

因子分析

探索性因子分析与 KMO/Bartlett 怎么做、怎么写

Q: KMO 和 Bartlett 球形检验分别检验什么？

KMO 衡量变量间偏相关的程度即取样适切性；Bartlett 球形检验检验相关矩阵是否为单位阵，显著才说明变量间有足够相关可供提取公因子。

Q: 因子提取几个合适？特征值大于 1 靠谱吗？

特征值大于 1（Kaiser 准则）易高估因子数，建议结合碎石图、平行分析和累积方差解释率（一般 ≥ 60%）综合判断。

Q: 因子旋转用正交还是斜交？

若假定因子间相互独立用正交旋转（Varimax）；若因子间预期相关（社科中常见）则用斜交旋转（Promax/Oblimin），后者更符合实际。

作者 / 审校：shujufenxi 编辑部·最后审校 2026-06-02

你遇到的问题

你想用探索性因子分析（EFA）检验问卷的结构、把一堆题目归到几个维度上，却不知道分析前要先看哪些指标、KMO 多少才算合格、因子该保留几个、载荷多大才算题目归属清晰。

适用场景

探索性因子分析适用于在结构未知时探索多个观测变量背后的潜在因子，通常用于问卷编制或量表降维，要求样本量充足（常见经验为每题 5～10 人或总样本≥200）、变量间存在一定相关。分析前必须先做适用性检验：KMO 用于判断样本是否适合做因子分析，Bartlett 球形检验用于判断相关矩阵是否显著偏离单位矩阵。

正确做法

先报告适用性：KMO 值（＞.6 可接受，＞.8 良好）与 Bartlett 球形检验（要求 p＜.001）；再说明因子提取方法与旋转方式（如主成分/主轴提取＋方差最大旋转），依据特征值＞1 或碎石图确定因子数，报告累计方差解释率。最后给出旋转后因子载荷（一般保留载荷＞.4 的题目，并留意跨因子双重载荷问题）。

报告示例：KMO＝0.87，Bartlett 球形检验 χ²＝1523.4、p＜.001，表明数据适合做因子分析。经主成分分析与方差最大旋转，提取出 3 个特征值大于 1 的因子，累计解释方差 62.3%，各题目在所属因子上的载荷均大于 .55，结构清晰。

常见错误

错误一：跳过 KMO 与 Bartlett 检验直接抽因子，KMO 过低（如＜.6）时数据本不适合做因子分析，结果无意义。错误二：机械地只用「特征值＞1」来定因子数而不看碎石图和可解释性，或保留载荷过低、存在明显双重载荷的题目，导致因子结构含糊、难以命名。

需要更进一步？

如果你不确定 KMO 是否达标、该保留几个因子、哪些题目要删，可以把 EFA 输出粘贴进统计结果解读器，它会帮你读取关键指标并生成规范表述；如果涉及因子命名、题目取舍或进一步的验证性因子分析（CFA），可以预约辅导，由老师协助完善量表结构。

操作步骤

SPSS

分析→降维→因子分析，将各观测题项选入「变量」框
点击「描述」，勾选「KMO 和 Bartlett 球形度检验」与「原始分析结果」
点击「提取」，方法选「主轴因子」，勾选「基于特征值大于 1」或直接指定因子数
点击「旋转」，选择「最大方差法（Varimax）」，勾选「旋转后的解」
点击「选项」，勾选「按大小排序」并将「取消小系数」阈值设为 0.40
确定，读取 KMO、Bartlett、公因子方差、总方差解释与旋转成分矩阵

# 加载 psych 包
library(psych)
df <- read.csv('data.csv')
KMO(df)                                     # KMO 取样适切性
cortest.bartlett(cor(df), n = nrow(df))     # Bartlett 球形检验
res <- fa(df, nfactors = 3, rotate = 'varimax', fm = 'ml')
print(res$loadings, cutoff = 0.40)          # 旋转后载荷

完整示例（模拟数据）

对某量表 12 个题项做探索性因子分析以确定潜在维度（标注：模拟数据样例）。

对 12 个题项进行探索性因子分析（模拟数据样例，N＝300）。KMO 值为 0.87，Bartlett 球形检验 χ²(66)＝1523.4，p＜.001，表明数据适合进行因子分析。采用主轴因子法提取并经最大方差法旋转，依据特征值大于 1 的标准共提取 3 个公因子，累计解释总方差的 62.3%。旋转后各题项在对应因子上的载荷介于 0.58～0.81 之间，交叉载荷均小于 0.40，因子结构清晰。

统计量	数值
KMO 值	0.87
Bartlett 球形检验	χ²(66)＝1523.4，p＜.001
提取公因子数	3
累计方差解释率	62.3%

常见疑问

KMO 值多少才适合做因子分析？: KMO ≥ 0.6 为可接受，≥ 0.8 为良好，≥ 0.9 为优秀；低于 0.5 则不适合做因子分析。同时 Bartlett 球形检验须显著（p < 0.05）。
KMO 和 Bartlett 球形检验分别检验什么？: KMO 衡量变量间偏相关的程度即取样适切性；Bartlett 球形检验检验相关矩阵是否为单位阵，显著才说明变量间有足够相关可供提取公因子。
因子提取几个合适？特征值大于 1 靠谱吗？: 特征值大于 1（Kaiser 准则）易高估因子数，建议结合碎石图、平行分析和累积方差解释率（一般 ≥ 60%）综合判断。
因子旋转用正交还是斜交？: 若假定因子间相互独立用正交旋转（Varimax）；若因子间预期相关（社科中常见）则用斜交旋转（Promax/Oblimin），后者更符合实际。

参考来源

· Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
· Costello, A. B., & Osborne, J. W. (2005). Best practices in exploratory factor analysis. PARE, 10(7).
· Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.

用统计结果解读器生成结果段落预约辅导

工具输出请自行核对后使用。内容参考见方法论标准。

← 返回知识库