利用spss进行巴特利特球度检验和KMO检验的方法
1：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。
2：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。
3：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。
扩展资料：
SPSS中KMO和Bartlett检验遇到的问题解决办法
在因子分析中，Bartlett球形检验用于考察变量之间的相关矩阵是否为单位矩阵，由于不能拒绝单位矩阵的原假设，说明数据不适合做因子分析（尤其是结构探测）。但是，不能拒绝原假设也有可能是样本量不足（尤其是自由度仅为6），这时候可以结合KMO的结果作出判断。
KMO指的是因子分析所能提取的方差比例，一般认为小于0.5就不宜再做因子分析，KMO为0.54，刚刚越过了0.5的推荐值，这表明数据有可能不够。此时可以根据分析目的而定，如果目的是探测变量之间的结构，可以考虑放弃，因为Bartlett的结果不支持，如果目的是精简变量，则可做。