巴特利特球形度检验的原假设是什么?如何解读结果?

数据小兵
数据小兵
数据小兵
65
文章
0
评论
2020-04-1803:05:00 评论 216 576字
摘要

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。

巴特利特球形度检验的原假设是什么?如何解读结果?

一.百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。

二.其他网络资料补充:

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。

三.我给它简化一下:

原假设:变量之间不存在相关性

备择假设:变量之间存在相关性

统计软件计算巴特利特检验的显著性P值(别指望人算),弱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。

End.作者:数据小兵来源:博客本文均已和作者授权,如转载请与作者联系。

  • 我的微信公众号
  • 微信扫一扫
  • weinxin
  • 我的微信公众号
  • 微信扫一扫
  • weinxin
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: