KMO 与 Bartlett 球形检验怎么看？判读标准表与不达标排查

做因子分析、结构方程模型或效度检验之前，几乎都要先报告 KMO 取样适切性量数与 Bartlett 球形检验。它们不检验研究假设，而是回答一个前置问题：这批数据到底适不适合做因子分析。本文给出判读标准、论文写法与不达标时的排查顺序。

一、两个指标各自在管什么

KMO（Kaiser-Meyer-Olkin 取样适切性量数）

KMO 比较的是变量间的简单相关与偏相关。如果变量之间存在共同因子，偏相关会明显小于简单相关，KMO 就接近 1；如果各题各自为政、偏相关也很高，KMO 就低。取值 0 到 1，越大越适合做因子分析。

Bartlett 球形检验

检验相关矩阵是否为单位矩阵（即各变量互不相关）。要求达到显著（p < 0.05），说明变量之间的相关足够强、存在可提取的共同因子。

二、KMO 判读标准表（Kaiser 常用口径）

Bartlett 部分的报告要素：近似卡方值 χ²、自由度 df、显著性 p。自由度与题项数 k 的关系是 df = k(k−1)/2，可用它核对软件输出是否合理。

三、论文里怎么写（可直接套用）

示例表述：「对 24 个测量题项进行 KMO 与 Bartlett 球形检验。结果显示，KMO 值为 0.873，大于 0.80；Bartlett 球形检验的近似卡方值为 1893.52（df = 276），p < 0.001，达到显著水平。表明数据适合进行因子分析。」

对应的表格一般是「KMO 和 Bartlett 球形检验」两行小表，只报告 KMO 值与 χ²、df、p，不要把 SPSS 原始输出整块截图贴进论文，格式规范见论文三线表规范。

四、KMO 偏低怎么办：按这个顺序排查

1. 检查反向题。反向题没做反向计分，会把该题与整个维度的相关变成负数，KMO 被拖累最明显。
2. 补样本量。经验规则：样本量至少为题项数的 5–10 倍，200 例以上更稳。样本不足时 KMO 波动很大。
3. 删掉"孤儿题"。先看每一题的 KMO/MSA 值（SPSS 的「反映像相关矩阵」对角线），低于 0.50 的题目应优先剔除，一次删一题后重算。
4. 检查题目是否测同一个构念。把不同维度的题混在一起做检验，KMO 会被人为拉低。
5. 注意数据尺度。二分类或类别题不适合直接做线性因子分析，应改为专用方法。

五、常见问题

KMO 0.65 还能做吗？

谨慎可做，但论文里需要说明局限，并优先尝试删题提升。多数期刊审稿人对低于 0.70 的 KMO 会追问。

Bartlett 的 p 值显示 0.000 怎么写？

写成 p < 0.001。任何统计软件的结果都不要出现 0.000，这是论文格式的硬要求。

每个维度分别算 KMO，还是整体算一次？

通常报告整体一次（针对全部量表题项）。若问卷包含多个独立量表，也可分表报告。