教程 ·
探索性因子分析怎么做？一次真实跑通的全过程记录（含KMO、Bartlett实测数据）
探索性因子分析怎么做？这篇不重复讲方法，直接跑一遍给你看：从一句人话指令到KMO=0.872、Bartlett显著的完整实测过程，全程真实截图，演示数据N=300。
探索性因子分析怎么做？把数据传上去说清楚想确认什么，AI自动跑完前置检查和因子提取，这是一次真实全过程实测记录。
这一页解决什么
网上讲探索性因子分析（EFA）方法的文章不少，站内也有一篇讲得很细的方法说明：探索性因子分析怎么做：KMO、Bartlett、因子提取与载荷解读，把 KMO、Bartlett、提取方法、旋转方式的能力边界都拆开讲清楚了。但方法讲明白是一回事，真的坐在电脑前传一份数据、看着结果一步步蹦出来又是另一回事——尤其是"这份数据到底适不适合做因子分析""跑出来的因子数对不对得上设计"这类问题，光看方法论文字很难有实感。这一页不重复讲方法，只做一件事：完整跑一遍真实的探索性因子分析，把每一步的真实截图和实测数字摆出来。
用的是一份演示数据（模拟问卷，非真实论文数据，N=300，五个理论维度共 20 个测量题项）。
怎么跑：一句人话指令，AI自己把前置检查加上了
在 ChatSRS 里把数据传上去，不用先去查"探索性因子分析该怎么设置参数"，说清楚自己想确认什么就行。
产品界面全景：右侧「常用」分组里「效度分析」「信度分析」都在，数据文件区能看到已传好的模拟数据，不用先装插件或找菜单。
我打的指令是：「这份问卷我想确认题目分得对不对，帮我做探索性因子分析。当初是按五个方面设计的，实际数据是不是也分成这五组？先看看这份数据适不适合做，再告诉我有没有哪道题跑到别的组去了、或者两边都不沾的。」——统计名词我只报了"探索性因子分析"一个，剩下的全是我真正想知道的事：数据能不能做、题目有没有跑错组、有没有哪道题谁都不挨着。
它接手之后自己排了顺序，动手之前先把方案说了出来：「做探索性因子分析前，先做两项前置检查：(1) KMO 与 Bartlett 球形检验判断是否适合做因子分析；(2) 用 cronbach α 检验每个潜变量内部一致性，作为信度参考。然后用主成分+最大方差旋转提取因子，看哪些题归到哪个因子。」——第二项信度检验是我没要的，它自己加了一步，理由也写清楚了：拿它当效度结果的参考。
指令原样保留：我只报了"探索性因子分析"这一个统计名词，AI回的方案句里"作为信度参考"这几个字，是它自己加的一步，不是我要求的。
结果怎么读：KMO 和 Bartlett 先把门槛过一遍
跑完之后一共给了四张表：信度分析、KMO 和 Bartlett 检验、总方差解释、旋转后因子载荷矩阵，各自回答一个问题。本文只完整展开表 2（KMO 和 Bartlett）——数据到底适不适合做因子分析，这是所有后续结论成立的前提，前提不过后面白搭。
在看这张表之前，先说一句题外话：信度那张表先垫了个底，四个维度的 α 都在 0.8 以上，唯独社会影响这一组只有 0.628，明显偏低——这条线索先记住，具体是哪道题拖了后腿、该怎么处理，留到下一篇结果解读里逐张拆开讲，这里先不展开。
KMO 和 Bartlett 检验的实测结果：
| 检验项目 | 结果 |
|---|---|
| KMO 取样适切性 | 0.872 |
| Bartlett 球形度检验（近似卡方） | 2879.230 |
| 自由度 df | 190 |
| 显著性 p | <0.001 |
数据来源：ChatSRS 效度分析结果截图，演示数据 N=300，以上数值逐字引自产品实测输出，本文未做任何换算。
KMO 和 Bartlett 检验表：表体只有四行，KMO=0.872、Bartlett 近似卡方 2879.230（df=190，p<0.001）——这是判断"这份数据能不能做因子分析"的前置门槛。
KMO 多少才算够：AI自己是怎么解读这张表的
数字摆出来只是第一步，产品把这张表接着讲明白了，原文是这样的：「由 KMO 与 Bartlett 检验可知，KMO=0.872（>0.8，属于"好"），Bartlett 球形检验 χ²=2879.23，p<0.001——两指标都强烈支持变量间存在共享因子结构，该数据非常适合做探索性因子分析。」
AI 对这张表的完整解读：不只给数字，还直接说清楚"好"这个判断怎么来的，以及这份数据适不适合往下做。
KMO 0.9 以上、0.8-0.89、0.7-0.79 这几档常见描述在方法篇里有更完整的说明，这里只记一句：0.872 落在">0.8"这一档，属于产品判断里的"好"，不同学科和期刊对这条线的具体要求可能不完全一致，拿不准要结合导师或期刊的要求判断。
因子数对不上设计怎么办：先别急着调数据
这次实测最出乎意料的地方在总方差解释表：五个理论维度设计出去，实际跑回来六个因子。按 0.4 这条判读线看，题目分组本身很干净——没有一道题跑到别的组去，也没有一道题两边都不沾，真正的意外只在多出来的那一个因子上。
因子数跟设计对不上，很容易冒出一个念头：能不能调一下数据，让因子数凑回设计好的那几个？答案是不能——这时候能查的是题目本身在测什么，不是回头改已经收上来的作答数据。具体是哪一道题多出了这个因子、为什么会这样、论文里该删还是该拆，下一篇结果解读专门拆开讲：探索性因子分析怎么调数据？因子数比设计多一个，这样处置。
前面提到的社会影响维度那条 α=0.628 的线索，也会在那一篇里对上号；如果手上的量表信度本来就偏低、正在纠结删哪道题，也可以先看量表信度只有 0.6，删哪道题能救回来？题项删除的正确姿势。
什么情况下不适用
- KMO、Bartlett 的判读标准不同学科和期刊的参考线不完全一致，拿不准要问导师，不能只照抄一个固定数字。
- 这次实测里"跑错组""两边都不沾"的题目数量是 0，不代表任何一份数据都会这么干净，具体结果因数据而异。
- 前置检查通过（KMO、Bartlett 都合格）不等于因子数一定和设计吻合，因子数最终要看总方差解释表的实际输出。
- AI 给出的判断是基于统计规则的建议，不能替代研究设计本身的理论论证，结果建议自己核对一遍再写进论文。
常见问题
探索性因子分析实际要跑几步？ 先做两项前置检查（KMO 取样适切性、Bartlett 球形度检验），判断数据能不能做因子分析；接着做因子提取和旋转，看题目归到哪个因子；最后看载荷矩阵和共同度。本文演示的就是这套顺序，一句人话说清楚想确认什么就够了，不用自己记参数该怎么设。
做探索性因子分析之前必须先做哪些检查？ KMO 取样适切性和 Bartlett 球形度检验是必须先做的两项前置检查，用来判断数据本身适不适合做因子分析。本文演示里 AI 还主动加了一项 cronbach α 信度检验作为参考对照，这一步不是必须项，是产品自己判断加上去的。
KMO=0.872 算不算适合做探索性因子分析？ 算。产品给出的判断是"KMO=0.872（>0.8，属于'好'）……该数据非常适合做探索性因子分析"，同时 Bartlett 球形检验也显著。不同学科对 KMO 的参考线略有差异，具体够不够用还要结合期刊或导师的要求判断。
跑出来的因子数比问卷设计的维度多，是数据本身有问题吗？ 不一定。本文实测里 5 个理论维度实际跑出 6 个因子，但这不代表整体设计出了问题，更可能是某一道具体题目需要重新审视。具体是哪道题、该删还是该拆，参考探索性因子分析怎么调数据？因子数比设计多一个，这样处置。
这篇用的数据是真实论文数据吗？ 不是。全文用的是模拟问卷演示数据（N=300，五个理论维度共 20 个测量题项），不是真实论文数据，所有截图和数字都是产品实测原样保留，没有改动。
用你自己的数据跑一遍
准备好去标识的问卷数据后，可以登录 ChatSRS 跑一遍探索性因子分析。按"先看 KMO、Bartlett 能不能做 → 再看因子数对不对得上设计 → 有问题回头查具体题目"这个顺序过一遍，结果同样建议自己核对后再写进论文。
相关文章推荐
本文演示数据为模拟问卷（N=300，5 个理论维度共 20 个测量题项），非真实论文数据。具体功能、数据处理规则和价格以当前产品页面与真实输出为准。