因⼦分析的⽬的是从原有众多变量中综合出少量具有代表意义的因⼦变量，这必定有⼀个潜在的前提要求，即原有变量之间应具有较强的相关关系。因此，⼀般在因⼦分析时，需要对原始变量进⾏相关分析。KMO测度（Kaiser—Meyer—Olkin measure 0f sam—pling adequacy）是SPSS提供判断原始变量是否适合作因⼦分析的统计检验⽅法之⼀，它⽐较了观测到的原始变量间的相关系数和偏相关系数的⼤⼩。⼀个⼤的KMO测度值⽀持我们进⾏因⼦分析。⼀般⽽⾔，KMO测度>0.5意味着因⼦分析可以进⾏，⽽在O.7以上则是令⼈满意的值。本⽂10个原始变量的KMO测度值为0.745>O.7，表明很适合作因⼦分析。 企业培训的重要性analyze—data reduction--factory analysis，在这个对话框中选择descriptive，⾥⾯选
择，kmo的值接近于1，适合做因⼦分析，Bartlett球度统计量越⼤越好，其伴随概率<0.05，说明数据适合做因⼦分析。中国与法国的关系
营销网络的建设以前的⽂献中写说,KMO在0.9以上，⾮常合适做因⼦分析；在0.8-0.9之间，很适合；在0.7-0.8之间，适合；在0.6-0.7之间，尚可；在0.5-0.6之间，表⽰很差；在0.5以下应该放弃。
由于因⼦分析是寻求内在结构，要求样本量⽐较充⾜，样本量与变量数的⽐例应在5：1以上；总样本量不得少于100，⽽且原则上越多越好；个变量间必须有相关性。
进⾏因⼦分析最好要⽤kmo值检验⼀下适不适合做因⼦分析，⼀般像楼上说的那样kmo值⼤于0.5做因⼦分析就可以了，kmo值越⼤，因⼦的贡献率也就越⾼。
在因⼦分析之前是不是必须要通过KMOKMO检验与Bartlett球形检验？- Yes. These two tests are often used to examine the appropriateness of data for factor analysis performance. It is often suggested that KMO should be of 0.5 as a minimal level. Bartlett test should be significant. 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。城市信报
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与单位
三中全会决定
阵有显著差异。同时，KMO值为0.762，根据Kaiser给出的KMO度量标准可知原有变量适合作因⼦分析。关于远大前程的论文
