主成分分析KMO检验值是0.5怎么办

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

国家有色金属及电子材料分析测试中心,是中国权威的第三方金属检测机构,实验室通过ISO17025国家实验室认可(CNAS),中国计量认证(CMA),国际航空材料认证（NADCAP）,为客户提供科学的产品

国家有色金属及电子材料分析测试中心,是中国权威的第三方金属检测机构,实验室通过ISO17025国家实验室认可(CNAS),中国计量认证(CMA),国际航空材料认证（NADCAP）,为客户提供科学的产品

数据标准化;　　求相关系数矩阵;　　一系列正交变换,使非对角线上的数置0,加到主对角上;　　得特征根xi（即相应那个主成分引起变异的方差),并按照从大到小的顺序把特征根排列;　　求各个特征根对应的特征

主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标.　　在统计学中,主成分分析（principalcomponentsanalysis,PCA）是一种简化数据集的技术.它是一

根据学者的相关研究,做因子分析样本容量最好不小于100人,题目与被试比例最好是1:5,最起码样本量不可以小于指标数量（以上内容请参考吴明隆统计实务）,否则因子分析难以得到稳定可靠的结果,虽然操作还是可

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?

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

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

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

我也不会啊

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

spss的主成分分析主要应用在因子分析里,目的是将原来很多的因素,通过他们内在的相关分析,整合成新的一个或多个相对独立的综合因素,来代表原来散乱的因素.例如我们测量客户满意度,设计了10个题目,那数据