因子分析时，一般根据KMO和巴特利特检验的结果来判断数据是否适合做因子分析。那么巴特利特检验结果如何解读呢？既然是假设检验，必定有原假设和备择假设，只需要搞清楚假设是什么，也就知道应该如何解读了。百度百科上是这么说的：巴特利特球形检验是以变量的相关系数矩阵为出发点的。它的零假设相关系数矩阵是一个单位阵，即相关系数矩阵对角线上的所有元素都是1，所有非对角线上的元素都为零。巴特利特球形检验的统计量是根据相关系数矩阵的行列式得到的。如果该值较大，且其对应的相伴概率值小于用户心中的显著性水平，那么应该拒绝零假设，认为相关系数不可能是单位阵，即原始变量之间存在相关性，适合于作因子分析。相反不适合作因子分析。
(最后一行显著性即sig值或P值)其他资料补充：因子分析在计算上的起点就是相关系数阵(也可以是协方差阵)，显然，相关系数阵对角线上的元素为1，非对角线上的元素表示变量两两之间的相关系数，其绝对值在0-1之间，越接近于1，数据集越适合做因子分析；越接近于0(相关系数阵近于单位阵)，数据集越不适合做因子分析。简单粗暴理解为：原假设：数据变量不适合做因子分析备择假设：数据变量适合做因子分析统计软件计算巴特利特检验的显著性P值(别指望人算)，若P＜0.05，则拒绝原假设接受备择假设，说明原始数据变量之间存在相关性，数据适合进行因子分析。所以我们是看巴特利特检验概率P值是否小于0.05，我们期望它是小于0.05。全文完文章荐读
因子分析还需要对数据做标准化处理吗？
SPSS因子分析、主成分案例资料集锦
因子分析非正定矩阵是怎么回事儿
数据小兵坚持写博客已经12年坚持写微信公号文章6年坚持更新SPSS视频课程2年坚持一对一答疑讨论2年欢迎加入贴心服务
↙点【】了解更多
