spss共同度的表是怎么樣的？最后一個(gè)表，KMO0.602，KMO為00.7才適合我接受因子分析。第二個(gè)表，叫共同度，是說(shuō)被其他提取的信息量，比如第二個(gè)數(shù)0.69，那說(shuō)明主成分提純了c2的69%的信息

spss共同度的表是怎么樣的？

最后一個(gè)表，KMO0.602，KMO為00.7才適合我接受因子分析。

第二個(gè)表，叫共同度，是說(shuō)被其他提取的信息量，比如第二個(gè)數(shù)0.69，那說(shuō)明主成分提純了c2的69%的信息。

第三個(gè)表，最重要的是的，提純了一個(gè)主成分，即一個(gè)因子。第一個(gè)數(shù)是48.9%，也只能證明不更適合做因子分析，因子分析好象特別要求累計(jì)時(shí)間提純信息量在85%以上。

第四個(gè)表，是載荷矩陣。這個(gè)可以用它求特征向量。假如前K個(gè)主成分的貢獻(xiàn)率提升85%，表明前k個(gè)主成分基本是包涵了全部測(cè)量指標(biāo)所具有的信息，這樣的既會(huì)減少了變量的個(gè)數(shù)，又以便于對(duì)換算問(wèn)題的分析和研究。第四個(gè)表怎么能詳細(xì)點(diǎn)下，這是因子載荷矩陣，總是顯示的是各因子在各變量上的載荷，即是各因子對(duì)各變量的影響度。

諸如，第1個(gè)數(shù)是0.867，是因?yàn)椋篫c10.867F1ε，會(huì)容易看得出，0.867就是另一個(gè)主成分對(duì)標(biāo)準(zhǔn)化的變量ZC1的影響度。

spss中近似卡方和df的有效值范圍？

kmo的取值在0—1之間。去考察的是變量之間的偏相關(guān)性。取值越距離1，那說(shuō)明變量之間的相關(guān)性越高。qpe0.9，只能說(shuō)明效果極佳；0.8,效果很好；0.7,效果尚可，0.6則像是，0.5再看看就不個(gè)人建議做因子分析了。

Bartlett檢驗(yàn)分析的是變量是否需要相互獨(dú)立。當(dāng)卡方檢驗(yàn)的概率（sig）大于10.05時(shí)，是因?yàn)樽兞恐g又不是相當(dāng)于的，變量之間存在不顯著去相關(guān)。此時(shí)可以不做因子分析了。加入kmo值太小，或者sig為00.05，只能證明因子分析好是千萬(wàn)不能做了，因?yàn)椴拍茏龀傻囊蜃硬淮硇浴?/p>

主成分分析，用spss軟件，kmo值必須大于0.7嗎？

KMO是能做主成分講的效度檢驗(yàn)指標(biāo)之一,以前的文獻(xiàn)中寫(xiě)說(shuō),KMO在0.9以上，相當(dāng)比較好做因子分析；在0.8-0.9之間，很比較適合；在0.7-0.8之間，比較適合；在0.6-0.7之間，尚可；在0.5-0.6之間，意思是不怎么好；在0.5以下應(yīng)該是徹底放棄.

我覺(jué)著KMO在0.6左右還行,很有可能是交了任務(wù)之后效果不是很不錯(cuò)吧,我做因子分析時(shí)候的KMO在07左右的,沒(méi)有無(wú)過(guò)0.65的,老師沒(méi)有說(shuō)不成績(jī)合格的.

PS:0.6左右影響不會(huì)很大,但老師說(shuō)不合格這點(diǎn)就好像有點(diǎn)各位,(你是可以去說(shuō)服老師,或者你來(lái)改數(shù)據(jù)).主成分分析是因子分析的一個(gè)一種特例,主成分分析就是在進(jìn)行因子分析的時(shí)候前幾個(gè)主成分的特征值累計(jì)占總方差的80%以上,后面的因子省略因子分析應(yīng)該是是沒(méi)有去設(shè)置主因子,幾乎憑數(shù)據(jù)來(lái)分析,同兩道題,同一組數(shù)據(jù),多元線性回歸的結(jié)果比主成分分析解釋什么性更強(qiáng).