spss项目分析kmo

你完全不懂因子分析吧,不存在共线性是不能做因子分析的,kmo大小无所谓的,79%已经很大了再问：是不太懂。不是说KMO要70%以上才算合格吗？再答：只要这个检验p

一般直接看相关系数和显著性双侧.你这个一列一列的看要方便些,比如第一列,表示为x1和其他各变量之间的相关性,x1和x2的相关系数为-.022,显著性双侧为0.972,说明这两个变量间无相关性,依次类推

给你举个例子来说明吧左表的数据是对数年来国内旅游者的旅游花费与自由自配收入、闲暇时间的调查数据.（数据是假设的）目的：试进行多重回归分析,求出回归方程式,来年若闲暇时间没有变化,但自由自配收入较之今年

你把变量弄少一点就可以了.

直接在因素分析里做analyze——Datareduction——Factor并在descreptives里选择KMO就可以了

那些和其他变量相关性都很小的变量就是解释方差很小的变量,或者从旋转载荷矩阵表上来看,那些变量在各个成分上的载荷都小于0.5,就是解释方差很小的变量,应该剔除,这样就可以提高KMO值了.

KMO值是由你的数据算出来的,不是所有的数据都适合做主成分分析.只有KMO值只有0.5说明你的数据样本不适合做主成分分析,下面做的一切都是不合理的.KMO值不能提高,除非你换一组数据.

不可以的如果要尊重事实的话,你数据出来就是这样的结果,为什么要拒绝这样的结果呢?

这个聚类分析图的答案可以不止一种情况从最底层看起,1,5,6首先是一类,3,7又是一类,4单独一类再往上一层1,5,6,3,7又可以看做一类,4,单独一类,2单独一类,8单独一类再往上可以看出1,5,

仅作主成分分析是不用看KMO值的,提取主成分中解释方差较大的变量,构建新的指标体系,然后在试图用因子分析,另外注意,主成分分析一般不用来赋权!

是的,这是因子分析的前提条件,通不过这两个东西就说明量表不适合做因子分析再问：可是我看了好多论文上面在做因子分析时都没有做相关检验的，还是在核心期刊上，我把那些数据检验一下救过都是显示Thismatr

“员工缺勤率”下面有两个分支问题（变量）你可以采取下列两种方法来处理1、你可以将员工缺勤率下面的两个分支变量合并成一个,譬如,假如你把员工缺勤率分为员工迟到次数和员工早退次数的话,你就可以把这两个加起

做个相关或者偏相关分析看看,把那些与其中任何一个变量相关性都很弱的变量剔除出去,再试下

这种情况很正常知道吗因为在计算相关系数时,得到相关系数0.21,说明相关性不是很强,但通过检验了,说明在总体中AB也存在这种相关关系而回归分析是,我想你应该是建立一元线性回归吧,但没有通过检验,这种一

是说这个矩阵不是正定的,我知道你可能还是不明白,我帮你查了很多资料,正定矩阵意思是说数据特征的特征值不是都大于0的,因此我推测你数据中可能存在问题,有负的特征值,怎么改数据,我还不清楚,我还得学习学习

如果不相关,就没有必要用因子分析,因子分析只在高度相关时才能使用.正确的选择方法才是关键.再问：写论文题目早就定下来了，没法改了，而且我找了好几份参考的论文，也都是用因子分析法分析跟我一样的问题的，我

KMO是做主成分分析的效度检验指标之一,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

效度分为很多,你说的应该是结构效度因子分析有标准步骤,不是说你这么做因子分析就不好,他那么做因子分析就好需要对哪些变量做因子分析,要根据你的目的来决定kmo是必须要看的我经常帮别人做这类的数据分析

①如果你的指标因子中出现了负向指标,即你说的越小越好,那么我建议你不要用SPSS进行标准化,因为SPSS默认的标准化方法是标准差标准化,对负向指标不太合适.你可以手动用excel进行极差标准化,公式为

因子分析前,首先进行KMO检验和巴特利球体检验,KMO检验系数>0.5,(巴特利特在spss中的因素分析时有关于bartlet球形检验的选项,如果sig值小于0.05,则