KMO 多少合格？KMO 与 Bartlett 球形检验标准

Q: KMO 低于 0.6 还能做因子分析吗？

不建议。Kaiser（1974）明确将 KMO<0.5 定性为“不适合”，0.5–0.6 为“勉强”。若 KMO 在 0.5–0.6 之间，可尝试删除因子载荷低或与其他题项相关性差的题目、扩大样本量后重新检验；若 KMO<0.5，建议重新设计量表或改用其他分析方法（如聚类分析）。

Q: Bartlett 球形检验不显著（p≥0.05）怎么办？

Bartlett 检验 p≥0.05 说明变量间相关性矩阵与单位矩阵无显著差异，即变量之间几乎不相关，不适合提取公共因子。此时应检查：①样本量是否过小（Bartlett 检验对样本量敏感，n<100 容易不显著）；②量表题项是否存在测量相同构念的题目；③数据是否经过了不当处理（如离散化连续变量）。如确认不适合，建议放弃因子分析并说明原因。

Q: KMO 和 Cronbach α 有什么区别？

两者考察角度不同：KMO 是因子分析的前提检验，衡量变量间的偏相关是否足够小（即公共因子存在的条件）；Cronbach α 是信度指标，衡量量表各题项测量同一构念的一致性程度。做效度分析（EFA）时先看 KMO + Bartlett；做信度分析时看 Cronbach α。两者互补，论文中通常都需要报告。

Q: 样本量会影响 KMO 值和 Bartlett 检验结果吗？

会，且影响方向不同：KMO 值本身受样本量影响相对有限，主要反映变量间的相关结构；而 Bartlett 球形检验对样本量高度敏感——样本量越大，越容易达到显著（p<0.05）。因此大样本下 Bartlett 几乎必然显著，此时 KMO 值更重要；小样本下 Bartlett 可能不显著，需优先扩大样本量。做因子分析的最低样本量建议为题项数的 5–10 倍，且不低于 100。

分类：数值标准速查 | 更新时间：2026/06/17

1. 结论速查（直接看这里）

KMO 与 Bartlett 球形检验——做因子分析前必须同时满足两条：

KMO ≥ 0.7：适合做因子分析（推荐水平）
KMO ≥ 0.6：可接受（论文可通过，但需说明）
Bartlett 球形检验 p < 0.05：显著，变量间存在公共因子

以上两个指标来自 SPSS 效度分析（探索性因子分析 EFA）输出的"KMO 和 Bartlett 的检验"表格。两个条件需同时满足，缺一不可。

2. KMO 标准对照表（Kaiser 1974）

Kaiser（1974）基于统计实践提出了 KMO 值的六级评价标准，是目前学术界通用的判断依据：

KMO 值范围	评价等级	是否适合因子分析	论文中的处理建议
≥ 0.9	极佳（Marvelous）	非常适合	直接进行，无需说明
0.8 – 0.9	良好（Meritorious）	适合	直接进行，无需说明
0.7 – 0.8	中等（Middling）	适合	直接进行，无需说明
0.6 – 0.7	一般（Mediocre）	勉强可接受	可继续，但应在论文中说明并尝试优化
0.5 – 0.6	勉强（Miserable）	勉强，需谨慎	建议删题或扩大样本后重新检验
< 0.5	不适合（Unacceptable）	不适合	不建议做因子分析，需重新设计量表

      实践中最常用的两个门槛：KMO ≥ 0.7 是"安全线"，绝大多数审稿人和导师不会对此提出质疑；KMO ≥ 0.6 是"及格线"，可以继续但需在论文中主动说明并解释原因。
    

3. Bartlett 球形检验怎么看

Bartlett 球形检验（Bartlett's Test of Sphericity）用于检验变量间的相关系数矩阵是否显著异于单位矩阵——如果矩阵接近单位矩阵，说明变量两两之间几乎不相关，就不存在可以提取的公共因子。

检验指标	判断标准	含义
近似卡方（Chi-Square）	数值越大越好	相关矩阵偏离单位矩阵的程度
自由度（df）	由变量数决定，k×(k-1)/2	参考值，不直接判断
显著性（Sig. / p 值）	p < 0.05（通过）	拒绝"相关矩阵=单位矩阵"原假设，变量间存在相关，适合因子分析

SPSS / chatspss 输出示例读法：
KMO 取样适切性量数 = 0.847（良好，通过）
Bartlett 球形检验：近似卡方 = 1523.6，df = 66，显著性 = .000（p < 0.001，通过）

结论：KMO = 0.847 ≥ 0.7，Bartlett p < 0.05，两个条件均满足，可以进行探索性因子分析。

论文中的标准报告句式：

      KMO 取样适切性量数为 0.847，Bartlett 球形检验的近似卡方值为 1523.6（df = 66，p < 0.001），表明变量间具有共同因子，数据适合进行探索性因子分析。
    

4. KMO 太低怎么补救

如果 KMO 值低于 0.6，不要直接放弃，可以按以下步骤尝试提升：

查看反映象相关矩阵（Anti-Image Correlation Matrix）——对角线元素即各题项的单独 KMO 值（MSA），找出 MSA < 0.5 的题项，这些是"拖后腿"的题目。
逐一删除 MSA 最低的题项，每次只删一题，删后重新跑 KMO 检验，直到整体 KMO 达到目标值。注意删题需有学理依据，不能纯粹为了提高 KMO 而乱删。
扩大样本量——样本量不足时，偏相关估计不稳定，会压低 KMO。增加样本（建议 n ≥ 题项数 × 10，且不低于 100）有助于改善 KMO。
检查数据质量——删除填写时间过短、直线作答（全选同一选项）等无效问卷，减少噪声对相关矩阵的干扰。
重新审视量表设计——若 KMO 持续偏低（< 0.5），说明题项间本身缺乏共同因子，需考虑是否适合用因子分析、或重新设计量表。

注意：KMO 的提升是手段，不是目的。删题前必须有内容效度的理论依据；如果为了凑 KMO 把量表改得面目全非，反而会损害研究的有效性。

5. 用 chatspss 做 KMO 与 Bartlett 检验

KMO 和 Bartlett 检验是效度分析（EFA）的前置步骤，在 chatspss 中只需一句话即可完成：

      上传问卷数据后，对 chatspss 说：

      "对量表题项做效度分析，先输出 KMO 和 Bartlett 检验结果"

      "对第 3–15 列做探索性因子分析，输出 KMO 值和 Bartlett 球形检验"

chatspss 会自动输出：

KMO 值及 Kaiser 标准评级
Bartlett 球形检验的卡方值、自由度、p 值
可直接粘贴进论文的报告句式
若 KMO 不达标，给出具体的删题建议（基于各题项 MSA）

完整的效度分析流程（因子提取、因子载荷解读、命名、信度验证）见：

6. 常见问题

Q：KMO 低于 0.6 还能做因子分析吗？

不建议。Kaiser（1974）明确将 KMO < 0.5 定性为"不适合"，0.5–0.6 为"勉强"。若 KMO 在 0.5–0.6 之间，可尝试删除因子载荷低或与其他题项相关性差的题目、扩大样本量后重新检验；若 KMO < 0.5，建议重新设计量表或改用其他分析方法（如聚类分析）。

Q：Bartlett 球形检验不显著（p ≥ 0.05）怎么办？

Bartlett 检验 p ≥ 0.05 说明变量间相关性矩阵与单位矩阵无显著差异，即变量之间几乎不相关，不适合提取公共因子。此时应检查：①样本量是否过小（Bartlett 检验对样本量敏感，n < 100 容易不显著）；②量表题项是否存在测量相同构念的题目；③数据是否经过了不当处理（如离散化连续变量）。如确认不适合，建议放弃因子分析并在论文中说明原因。

Q：KMO 和 Cronbach α 有什么区别？

两者考察角度不同：KMO 是因子分析的前提检验，衡量变量间的偏相关是否足够小（即公共因子存在的条件）；Cronbach α 是信度指标，衡量量表各题项测量同一构念的一致性程度。做效度分析（EFA）时先看 KMO + Bartlett；做信度分析时看 Cronbach α。两者互补，论文中通常都需要报告。更多信度标准见：信度分析（Cronbach α）教程。

Q：样本量会影响 KMO 值和 Bartlett 检验结果吗？

会，且影响方向不同：KMO 值本身受样本量影响相对有限，主要反映变量间的相关结构；而 Bartlett 球形检验对样本量高度敏感——样本量越大，越容易达到显著（p < 0.05）。因此大样本下 Bartlett 几乎必然显著，此时 KMO 值更重要；小样本下 Bartlett 可能不显著，需优先扩大样本量。做因子分析的最低样本量建议为题项数的 5–10 倍，且不低于 100。

用 chatspss 一句话完成 KMO 与 Bartlett 检验

上传问卷数据，对话即分析。自动输出 KMO 值、Bartlett 检验结果、因子分析报告，含可直接粘贴的论文句式。

立即免费体验 chatspss