SPSS 探索性因子分析步骤：KMO、Bartlett 球形检验与旋转载荷
更新于
探索性因子分析用来判断一组题项背后有几个潜在维度。做之前先看 KMO 与 Bartlett 球形检验，再用平行分析定因子数，最后读旋转后的载荷；在本站上传数据、拖入题项、指定因子个数后点击开始分析，就能拿到完整报告。
数据要怎么排
以下结果来自本站演示数据（模拟生成，不代表真实研究结论）：一份服务满意度问卷，12 个定量题项，240 份有效样本。每行一位被访者，每列一个题项，所有题项放进「放入变量」区即可（页面上带定量标签），另有一个可选的摘要区放分组或标签变量。
| 题项组 | 题项 | 数据类型 | 放入区域 |
|---|---|---|---|
| 服务质量 | 服务质量Q1 至 Q5 | 定量题项 | 放入变量（带定量标签） |
| 产品体验 | 产品体验Q1 至 Q4 | 定量题项 | 放入变量（带定量标签） |
| 第三组题项 | 数据中第 10 至 12 列的 3 个题项 | 定量题项 | 放入变量（带定量标签） |
数据可以是 .xlsx、.csv 或 .sav 文件。变量缺失时，本站按整行删除处理，因此 240 份样本全部参与计算。
探索性因子分析怎么做
- 在方法列表里找到「因子分析(探索性)」，点进去。
- 把 12 个题项全部拖进「放入变量」区。
- 在页面顶部指定因子个数：默认选的是「主成分个数为」，默认 2 个因子。本例改成「特征根阈值为」并取 1.00，让它按 Kaiser 准则自动得到 3 个因子。旋转方式默认是最大方差法（varimax）。
- 点击开始分析，等结果出来，报告依次是前提检验、方差解释与载荷表、图、因子保留判据与结构诊断、结论句五张卡。
KMO 与 Bartlett 检验怎么看
先确认数据适不适合做因子分析，这一步由 KMO 检验和 Bartlett 球形检验完成。KMO 总体度量为 0.825，按 Kaiser 标准属于很适合；12 个题项的单项 MSA 最低为 0.682（第三组题项的 Q2），高于 0.5 的剔除线，无需删题。各题组的 MSA 范围见下表。
Bartlett 球形检验给出 χ²(66)=1544.239，p<0.001，拒绝「相关矩阵是单位阵」的原假设，说明变量之间存在可以提取的因子。相关矩阵行列式为 0.001368，没有接近奇异的迹象；样本量与变量数之比为 240 / 12 = 20.00。
因子数怎么定：平行分析与累计解释率
Kaiser 准则（特征根大于 1）和平行分析是两种常见判据。平行分析用同规模的随机数据做 500 次模拟，只有实际特征根高于随机参考线的因子才被认为携带真实信息。
本例前三个实际特征根分别为 3.908、2.919 和 2.040，高于随机参考线 1.475、1.349 和 1.259；第 4 个特征根为 0.465，低于随机参考线 1.182。平行分析因此建议保留 3 个因子（若它与你设的因子数不一致，回到页面顶部，把「主成分个数为」改成建议数重跑），与实际提取数一致，3 个因子累计解释总方差的 73.89%。旋转只重新分配各因子的份额，不改变累计解释率，各因子旋转前后的份额见下表。
碎石图在报告的输出结果三里，卡片上方可以在折线图、柱状图和表格三个视图之间切换，见下图。
碎石图的拐点出现在第 4 个特征根（0.465），图中橙色虚线是平行分析的参考线，前 3 个因子的特征根都高于它，从第 4 个起折线几乎走平，落在参考线下方。
旋转后载荷与共同度怎么读
旋转方式为最大方差法（varimax）。判断标准有两条：|载荷| ≥ 0.4 视为该题项在因子上有实质载荷；每个题项宜只在一个因子上有高载荷，每个因子至少由 3 个题项定义，这叫简单结构。
本例 12 题各自只有一个主载荷：服务质量 5 题落在因子 1，产品体验 4 题落在因子 2，第三组题项的 3 题落在因子 3。三个因子的主载荷范围、最大交叉载荷与共同度范围汇总在下表，最大交叉载荷都远低于 0.4 的实质载荷线。
共同度表示每个题项的方差有多少被提取的因子解释。本例共同度最低的是服务质量Q3（0.672），最高的是产品体验Q1（0.796），平均 0.739，信息保留情况良好。
论文里怎么写
论文里的结果段落至少应包含题项数、样本量、适用性检验、因子数判据、旋转方式、累计解释率和简单结构。可以照这个句式写：
对 12 个定量题项（N=240）进行探索性因子分析（主成分法提取，最大方差法即 varimax 旋转），KMO=0.825，Bartlett 球形检验 χ²(66)=1544.239，p<0.001，适合做因子分析。平行分析建议保留 3 个因子，采用 varimax 旋转后，3 个因子累计解释总方差的 73.89%；各题项共同度介于 0.672 至 0.796 之间，载荷呈简单结构，因子 1 至 3 分别由服务质量、产品体验和第三题组构成，因子名称依据载荷模式命名。
因子分析常见错误
- 只按 Kaiser 准则定因子数：特征根大于 1 的判据在变量较多时容易高估因子数，应同时参考平行分析的结果。
- 只报告高载荷，隐藏交叉载荷：这会掩盖题项同时落在两个因子上的问题，应完整列出载荷矩阵。
- 把 KMO 当成效度结论：KMO 只说明数据适合做因子分析，并不证明题项测量的就是目标构念，效度还需要其他证据。
- 同一份样本既探索又确认：探索得到的结构只适用于这份样本，应在另一份独立样本上重复分析，结构一致才更可信。
把结果带进论文：导出与会员
载荷表与方差解释表导出后可作为论文的结果表。分析和查看结果不用登录；开通会员后可导出 Word / PDF 报告、使用 AI 解读。
延伸阅读
常见问题
- 探索性因子分析的 KMO 值多少才适合做？
- KMO 大于 0.6 可以接受，0.7 以上为良好，0.8 以上为很好。本例 KMO=0.825，属于很适合做因子分析的水平，Bartlett 球形检验 p<0.001 也说明变量之间存在可提取的因子。
- SPSS 因子分析应该提取几个因子？
- 先用平行分析给出参考，再结合理论解释。本例平行分析建议保留 3 个因子，与特征根大于 1 的 Kaiser 准则结果一致，3 个因子累计解释总方差的 73.89%。
- 旋转后载荷低于 0.4 的题项要删吗？
- 不宜一刀切。先看它在其他因子上是否有较高的交叉载荷，若各因子载荷都低、共同度也低，才考虑删除。本例 12 题的主载荷都在 0.81 以上，没有需要删除的题项。